Video: Veri Ön İşleme 1 : Veri Temizleme (Veri Madenciliği Teorik 2) 2024
Büyük verilerinizi topladıktan sonra, bir sonraki adımınız nedir? Günümüzde müşteri sadakati önemlidir, çünkü bir servis sağlayıcıyla nasıl etkileşim kuracağına ilişkin seçim yaparken müşteri koltuğundadır. Bu, pek çok endüstride geçerlidir. Alıcının çok daha fazla kanal seçeneği var ve giderek satın alma kararlarını araştırıyor ve bir mobil cihazdan satın alma kararları alıyor.
Hızlı etkileşimli, mobil yönlendirmeli bir pazarda rekabet edebilmek için her bir müşteriyle ilgili derinlemesine ve özelleştirilmiş bilgilerle silahlandırılmış müşteri etkileşimlerini yönetmelisiniz. Satınalma kararı verirken alıcıya doğru teklifi sunmak ne yapar? Müşteri hizmetleri temsilcilerinin, müşterinin şirkete olan değeri ve özel gereksinimleri hakkında özelleştirilmiş bilgilerle silahlandırılmasını nasıl sağlıyorsunuz?
Müşterilere yapısal ve yapılandırılmamış bilgilerin çoklu kaynaklarını nasıl entegre edebilir ve analiz edebilir, böylece müşterilere nişan sırasında en uygun işlemi sunabilir misiniz? Bir müşterinin değerini nasıl hızlı bir şekilde değerlendirebilir ve müşterinin ihtiyaç duyduğu bir teklifi belirleyerek müşteriyi memnun edecek ve satış yapabilir?
Şirket yöneticileri, büyük veri analitiklerini son derece rekabetçi ortamlarda bir sonraki en iyi hareketi gerçekleştirmek için ihtiyaç duydukları gizli silah olarak görüyorlar.
Şirketler sosyal medya ve mobil bilgi işlem ortamlarını kullanımlarını genişletiyor ve müşterilerine en doğru zamanda ulaşmayı istiyorlar. Bir mobil dünyada başarılı müşteri sonuçlarını sunmak için, tekliflerin olabildiğince hedefli ve kişisel olması gerekir. Şirketler, rekabet avantajı elde etmek için, analitik platformunu büyük veri analizi ile bir arada kullanarak gerçek zamanlı verilerin hızlı bir şekilde işlenmesini sağlar. Elde etmek istedikleri bazı temel hedefler
-
Her bir müşterinin kendine özgü ihtiyaçlarını anlama. Bu derinlemesine müşteri anlayışlarını, onları işlem yapılabilir hale getirmek için doğru zamanda sağlayın.
-
Müşterilerin etkileşim noktasındaki tepkilerini geliştirin.
-
Gerçek zamanlı satın alma verilerini, satış noktasında hedefli bir öneri yapmak için büyük miktarda geçmiş satın alma verileri ve diğer veri kaynakları ile entegre edin.
-
Müşteri için bir sonraki en iyi işlemi önermek için müşteri hizmetleri temsilcilerine bilgi verin.
-
Müşteri memnuniyetini ve müşteri sadakatini geliştirin.
-
Doğru teklifi müşteriye kabul ettirmek için sunun.
Bir sonraki en iyi eylem çözümü nasıl görünür?Şirketler e-postalar, kısa mesajlar, çağrı merkezi notları, çevrimiçi anketler, ses kayıtları, GPS üniteleri ve sosyal medyadan gelen çok miktarda yapılandırılmamış ve akışlı verileri bütünleştiriyor ve analiz ediyorlar.
Bazı durumlarda, şirketler, veri için çok büyük, çok hızlı veya yanlış yapının, analitik ve öngörülen modellere önceden dahil edilmesine yönelik yeni kullanımlar bulabiliyorlar. Şirketlerin yapabilecekleri modeller daha ileri düzeydedir ve çeşitli kaynaklardan gelen gerçek zamanlı verileri içerebilir.
Şirket analistleri, verilerin müşteri görüş ve davranışlarına ek bilgi sağlayacak kalıplar arıyor. Hız öncelik taşıyor. Bu hızlı tempolu mobil dünyada başarılı olmak istiyorsanız modelinizin bir sonraki en iyi işlemi hızlı bir şekilde tahmin etmesi gerekiyor.
İleri teknoloji, şirketlerin günler veya haftalar yerine birkaç dakika içinde harekete geçirici bilgi üretmesine yardımcı oluyor. Bir sonraki en iyi işlemi önermek genellikle bilişsel bir bilgi işlem ortamından gelişmiş makine öğrenme algoritmalarının kullanılmasını gerektirir.
Finansal hizmetleri sektöründe müşterileri anlamak ve bunlara cevap vermek için yeni yollara yoğun yatırım yapan gerçek dünya örneklerine bakıyoruz.
Global bir banka, müşteri bilgilerine erişmek için gereken süre konusunda endişelidir. Çağrı merkezi temsilcilerine müşteriler hakkında daha fazla bilgi vermek ve müşteri ilişkileri ağını daha iyi anlamak istemektedir.
Banka, temsilcilerinin, müşterilerin ihtiyaçlarını telefonda almadan önce erken bir şekilde sunarak müşterileri destekleme biçimini geliştiren büyük bir veri analizi çözümü geliştirdi. Platform, ilişkileri anlamak için sosyal medya verilerini kullanıyor ve müşterinin kime bağlı olduğunu belirleyebiliyor.
Çözüm, iç ve dış çok sayıda veri kaynağını birleştiriyor. Bu müşteri için gerçekleşmekte olan önemli yaşam olaylarının bazı belirtileri olabilir. Sonuç olarak, acenteler bir sonraki en iyi işlemi yapabilirler. Örneğin, bir müşterinin lisede mezun hazır bir çocuğu olabilir ve bu, bir üniversite kredisini tartışmak için iyi bir zaman olabilir.
