Analitica Afacerilor, 19-20 mai 2016

Capitolul 3: Etape în BA
„A mânca este o necesitate, dar a găti este o artă”

Pe măsură ce afacerile adoptă şi consumă rezultatele furnizate de BA, este important pentru
executiv să ştie cum au fost generate astfel de outputuri. Dată fiind complexitatea celor mai multe
aplicaţii de business, a învăţa să utilizezi analiticile este cumva similar cu a lua lecţii de gătit.
Există în literatura de specialitate o analogie cu cele 4 metode de top propuse de una dintre cele
mai bune şcoli de bucătari din Boston, Le Cordon Bleu College:
- fă practică antrenându-ţi mâinile;
- antrenează-te între profesionişti;
- învaţă în bucătării echipate profesional;
- concentrează-te pe perfecţionarea abilităţilor tale folosind ustensile profesionale şi ingrediente
de calitate.
Cea mai bună modalitate pentru liderii de business de a învăţa şi stăpâni BA este asemănătoare:
- învaţă şi antrenează-te lucrând cu experţii;
- fă practică şi perfecţionează-ţi abilităţile şi cunoştinţele în condiţii din lumea reală.
Este greu să înveţi să găteşti numai citind cărţi de bucate. În acelaşi mod, experţii în BA trebuie
să acţioneze ca master-chefii în ceea ce priveşte crearea de noi reţete. Ei trebuie să fie capabili să
transfere cunoştinţele echipelor lor pentru a produce rezultate de calitate. Înainte ca un nou produs să
apară în meniu, master-cheful trebuie să îl creeze, experimenteze şi să îl perfecţioneze. Atunci când se
dovedeşte a fi un succes, echipa este antrenată să îl producă, iar echipa de ospătari (echipa de marketing
şi vânzări) învăţată să îl promoveze.

La fel cum cei care nu au gătit niciodată nu pot fi master-chefi, liderii de BA trebuie să fie aceia
care au mai folosit BA înainte; totuşi, multe afaceri sunt conduse/decise de lideri care nu au construit
nici măcar o dată un model predictiv şi de aici apar eşecuri şi rezultate mediocre ăn aplicarea BA,
cauzate de prea mulţi „master-chefi care nu ştiu să gătească”. Având astfel de lideri, afacerile pot avea
trei posibile rezultate nedorite:
1) lipsa inovaţiilor: şeful nu ştie cum să aducă inovaţii (noi reţete) şi nici echipa sa;
2) lipsa de apreciere a analiticilor: liderul nu apreciază şi nu are încredere în ceva ce nu îi este
familiar (adică BA avansate);
3) acuzarea BA pentru rezultate slabe. În foarte puţine cazuri, cauza unui eşec a fost pusă pe
seama eşuării modelului, deoarece modelele trebuie supuse validărilor şi sunt respinse de erorile mari de
validare sau de măsurile de performanţă reduse. Adevăratele motive pentru eşecuri ar putea fi alegerea
unui tip greşit de analitici aplicate sau, dacă analiticile au fost alese corect, au fost interpretate greşit sau
rezultatele/indicaţiile au fost executate prost sau deloc.

3.1. Tipuri de Analitici

În general, analiticile pot fi grupate în 4 tipuri de activităţi, în funcţie de soluţiile furnizate: 1)
descriptive; 2) diagnostic; 3) predictive; 4) prescriptive. Cele 4 tipuri pot fi grupate în 3 etape: analiza
descriptivă şi diagnostic – Analytics 1.0, analiza predictivă – Analytics 2.0, Analiza prescriptivă –
analytics 3.0.
Analitica descriptivă și diagnostic: setul de tehnici ce descriu ce s-a întâmplat în trecut. Poate cuprinde:
interogări, rapoarte, statistici descriptive, vizualizări de date, tehnici de data mining, modele simple de
tip what if, data dashboards etc.

1
Analitica Afacerilor, 19-20 mai 2016

De ex., o interogare în baza de date privind anumite caracteristici pentru o firmă de curierat ce
dorește să afle statistici despre un centru de distribuție într-o lună anume; interogarea furnizează
informații descriptive despre transporturi: nr de transporturi, cantitate, data la care au fost efectuate,
traseu, nr. de clienți serviți etc. Un raport sintetizând rezultatele ar putea conține statistici descriptive
(medii, mediane, măsuri ale variației) și instrumente de vizualizare (tabele, grafice, hărți).
Data dashboards sunt constituite din colecții de tabele, grafice, hărți și statistici sumare care sunt
actualizate pe măsură ce noi date devin disponibile; pot fi utilizate în managementul companiei pentru a
monitoriza aspecte specifice legate de performanțele companiei.

Instrumente pentru Analitici descriptive și diagnostic

Instrumentele de vizualizare BI:
- au fost concepute în special pentru utilizatorii de afaceri;
- au capabilităţi de raportare şi monitorizare, de analiză de date, pot integra diferite surse de date,
managementul datelor, suportă lucrul cu Big Data;
- includ cel puţin următoarele:
a) lucrul cu tabele:
- tabele folosite pentru a vizualiza date multidimensionale (de ex, vânzările depind de magazine,
regiuni, segmente de clienţi, promoţii etc.);
- tabele folosite pentru a evidenţia/reprezenta mai multe grafice în cadrul celulelor unui tabel;
deşi conţin informaţii multe, pot apărea ca fiind greu de interpretat;
b) pentru efectuarea de comparaţii: dacă dorim să comparăm seturi de rezultate:
b1) grafice bidimensionale: pentru puţine valori pot fi folosite pie charts (ex, comparăm
vânzările din 5 magazine); pentru multe valori, folosim bar sau column charts (ex, comparăm vânzările
din 5 regiuni, fiecare cu mai mult de 10 magazine);
b2) pentru date multidimensionale folosim bubble charts (ex, reprezentăm variaţiile procentuale
ale ratei profitului pe regiuni, cu dimensiunea bulei fiind nivelul veniturilor);
b3) pentru a evidenţia trenduri: grafice prin puncte sau linii;
b4) pentru a evidenţia gradul de împrăştiere a datelor: scatter charts, cu liniile evidenţiind
trendurile;
b5) hărţi: pentru a evidenţia distribuţiile rezultatelor pe hărţi geografice sau site-uri web, atunci
când contează următoarele atribute:
- dacă locaţiile actuale sunt necesare, folosim hărţi geografice;
- tree map, pentru a evidenţia ierarhizarea datelor;
- heat map: pentru a evidenţia variaţii de intensitate cu diferitele intensităţi având asociate
culori diferite (de ex, proporţia site-urilor web care au cele mai multe click-uri).

Analitica predictivă: tehnici ce utilizează modele construite din date trecute pentru a previziona evoluții
viitoare sau evidenția impactul unei variabile asupra alteia.
De ex.:
- datele trecute despre vânzări pot fi folosite pentru a construi un model econometric care să
previzioneze vânzările viitoare, ceea ce poate evidenția traiectoria de creștere sau sezonalitatea
produselor;
- un outlet poate utiliza informațiile de la casele de marcat privind vânzările pentru a vedea care
este efectul oferirii de cupoane de reduceri sau oferte promoționale asupra vânzărilor;
- datele dintr-un chestionar despre comportamentul de cumpărare al clienților pot fi utilizate
pentru a previziona cota de piață pe care o poate avea o companie în perioadele imediat următoare;

2
Analitica Afacerilor, 19-20 mai 2016

- tehnici utilizate: regresie liniară, analiza seriilor de timp, tehnici de data mining, simulare,
lanțuri Markov

Analitica prescriptivă: tipul de analiză ce indică cea mai bună acțiune ce trebuie urmată; cu alte cuvinte,
outputul unui model prescriptiv este cea mai bună decizie;
- tehnici utilizate: în general sunt tehnici de optimizare (utilizarea combinată a modelelor din
statistică și probabilități și optimizare matematică): modele din teoria portofoliilor, modele de
transport/stocuri/rețele; analiza de senzitivitate și maximizarea profitului; modele de investiții în active
riscante; tehnici din teoria deciziei (alternative multiple și evenimente viitoare incerte), tehnici din teoria
utilității așteptate (atitudine la risc, pierderi așteptate, valori așteptate etc.)

3.2. Instrumente utilizate în Analitici Avansate

Instrumentele avansate pentru analitici au fost concepute pentru utilizatori experimentaţi de
afaceri pentru a efectua analitici complexe cu scopul dobândirii de informaţii şi cunoştinţe din date
multistructurate.

În prezent, utilizatorii de afaceri şi de cunoştinţe folosesc, cel mai probabil, diferite instrumente
pentru a analiza aceleaşi date. Pentru a asigura folosirea simultană, ambele tipuri de utilizatori ar putea,
în mod ideal, analiza aceleaşi seturi de date, disponibile pe aceeaşi platformă. Din păcate, nu există o
singură platformă, care să poată fi folosită comun de toate tipurile de utilizatori. În mod uzual, este
folosită o platformă de vizualizare BI pentru analize vizuale simple şi platforme de BA avansate pentru a
întreprinde o secvenţă de analitici mai complexe. Deşi cele două sarcini ar putea fi efectuate de aceeaşi
echipă, de obicei sunt alocate unor echipe diferite; în aceste situaţii, de multe ori, se pierd informaţii şi
cunoştinţe în procesul de transfer al rezultatelor de pe o platformă pe alta. De ex., graficele de măsurare
a performanţei unui model, pe care analiştii încearcă să le „înfrumuseţeze” înainte de a le arăta
managerilor, ar putea conţine diferite aspecte importante despre un grup cheie de clienţi ce au fost
neglijate şi deci s-ar putea pierde anumiţi predictori cheie. Fără a vedea rezultatele respective, decidenţii
cu experienţă nu au şanse să descopere aceste aspecte.
Pe o platformă unitară (pentru vizualizare şi analitici), provocările legate de guvernanţă, scală şi
performanţă trebuie rezolvate. O astfel de platformă trebuie să aibă capabilităţi de analiză a datelor
multistructurate, provenind din diferite surse ca site-uri web, dispozitive mobile, senzori, vânzări. De
asemenea, platforma trebuie să fie capabilă să permită noi analize ca analiza reţelelor relaţionate, analiza
sentimentelor, algoritmi de machine learning. Tot mai multe afaceri realizează, prin intermediul acestor
analize, noi valori şi oportunităţi.
Există două tipuri de procese de determinare a cunoştinţelor: supervizate şi nesupervizate,
ambele necesare şi importante pentru BA avansate. Diferenţele sunt evidenţiate în Tabelul următor.

Învăţare supervizată Învăţare Nesupervizată

Tipul de cunoştinţe Cunoscute în general, dar ce trebuie Necunoscute sau ascunse
cuantificate
Rezultatul ţintă Variabila dependentă Nicio variabilă dependentă
Antrenarea modelului Foloseşte eşantioane sau partiţii ale Nu se antrenează (cu excepţia
datelor modului de determinare a nr de
clustere)

3
Analitica Afacerilor, 19-20 mai 2016

Validarea modelului Modelul este validat folosind Cunoştinţe de business sau

subsetul de date păstrat (nu cel utilitatea trăsăturilor
folosit pentru antrenare) din eşantion
sau de la momente diferite de timp
Acurateţea sau Grafice de performanţă a modelului, BIC (Bayesian Information
eficacitatea modelului matricea confuziilor, procentajul de Criterion)
predicţie corectă

Indiferent de complexitatea lor, multe probleme de afaceri pot fi divizate într-o serie de probleme
mai simple, la care instrumentele şi metodele analitice pot răspunde. În practică este indicat să fie
încercate diferite instrumente de modelare pentru a vedea care oferă cele mai robuste şi exacte rezultate
şi rar se întâmplă ca o decizie să fie fundamentată pe baza unui singur model.

3.2.1. Instrumente analitice de modelare grupate pe funcții

Multe dintre problemele actuale de afaceri pot fi rezolvate cu ajutorul unei combinaţii de modele
folosite pentru a previziona unul sau mai multe rezultate (din următoarele patru):
- verosimilitatea apariţiei/producerii anumitor evenimente;
- gruparea persoanelor sau entităţilor;
- evaluarea tranzacţiilor, cheltuielilor, altor măsuri ca nr de vizitatori ai unui site sau magazin, nr
de clienţi pierduţi într-o perioadă dată;
- altele: înţelesul şi atributele unor conţinuturi de web, conectivitatea reţelelor sociale,
sentimente, influenţa unui blogger pe o reţea socială sau mobilă, graduri de influenţă etc.
Ne vom concentra pe întrebările de afaceri şi modul în care pot fi utilizate instrumentele pentru a
obţine soluţiile.

A. Modelarea verosimilității
Este una din cele mai obişnuite aplicaţii din BA pentru a previziona probabilitatea producerii
anumitor evenimente sau pentru a ordona anumite priorităţi de targeting.
Posibile probleme de business: determinarea înclinaţiei unui client de a:
- răspunde la anumite campanii, comunicări, oferte;
- cumpăra produse specifice într-o perioadă dată, fie pentru prima dată, de a recumpăra în acea
perioadă sau a cumpăra mai multe accesorii sau actualizări ale produsului;
- deveni loial (client silver, gold etc.);
- renunţa la cumpărăturile/relaţia cu afacerea respectivă;
- care dintre clienţi este mai probabil să anuleze sau să îşi retragă fondurile/subscrierile în
perioada următoare?
- care dintre clienţi se alătură unui grup ţintă de clienţi? Care clienţi sunt mai probabili de a
adopta noul produs?
Aplicaţii potenţiale de business: Modelarea verosimilităţii poate fi următoarea:
- ţintirea clienţilor în campaniile de marketing ca: oferirea de carduri de credit, campanii de
atragere, reţinere şi reactivare a clienţilor (ţintind numai către aceia ce au o înclinaţie peste un anumit
nivel de a produce rezultate/venituri);
- gruparea clienţilor ce seamănă dpdv al unui anumit comportament sau atitudini;
- detectarea spamurilor (prin intermediul unei reţele neuronale artificiale): pentru a detecta dacă
un email este spam;
Modele analitice: regresie logistică sau ANN (reţele neuronale artificiale):

4
Analitica Afacerilor, 19-20 mai 2016

- variabile dependente: probabilitatea ca clientul să devină ţintă;

- variabile independente: caracteristici disponibile despre datele demografice ale clienţilor
(vârstă, sex, educaţie, statut marital, copii); alte informaţii (ce pot fi cumpărate de la instituţii
specializate în culegerea şi prelucrarea datelor): ce au cumpărat anterior, istoria de navigare, hobbyuri,
stiluri de viaţă, activele familiei, venituri;
- eşantionul de antrenare a modelului: modelul este antrenat prin previzionarea clienţilor ţintă
dintr-un eşantion de clienţă ţintă; eşantionul de antrenare ar putea fi o partiţie a unui eşantion mai mare
sau dintr-o perioadă anterioară;
- validarea şi graficele de performanţă: modelul antrenat este apoi validat pe un eşantion diferit
de cel folosit pentru antrenare (altul, păstrat din eşantionul mai mare) sau dintr-o perioadă de timp
ulterioară celui folosit la antrenare.

B. Modelarea Grupărilor
În multe aplicaţii, gruparea indivizilor sau entităţilor pentru a detecta caracteristicile grupului
este de obicei efectuată prima. De ex., înainte de a răspunde la întrebări detaliate cu privire la clienţi
individuali, ar trebui să îi analizăm în ansamblu. Grupurile nu numai că simplifică analiza, dar permit
vizualizarea unor comportamente şi atitudini diferite, mai clar în grupuri decât între indivizi („Este mai
uşor să găseşti un colier de diamante pe o plajă decât să găseşti diamante pierdute prin nisip”).
O dată ce au fost descrise grupurile prin trăsături specifice, acestea pot fi prioritizate prin
dimensiunea sau valoarea relativă a grupului, astfel încât aceste trăsături pot genera acţiuni specifice.
Dacă caracteristicile clienţilor îi grupează, grupurile tind să aibă răspunsuri similare la acţiuni comune
(la branduri şi produse).
Există două modalităţi de grupare; în învăţare supervizată pot fi deduse diferenţele dintre cei care
au răspuns la promoţii recente vs cei care nu au răspuns. Aşa cum îi spune şi numele, în învăţare
nesupervizată, gruparea este făcută fără un rezultat apriori stabilit, în schimb clienţii sunt grupaţi având
la bază similaritatea lor în concordanţă cu variabilele de segmentare.

B.1. Învățarea supervizată

Învăţarea supervizată este utilizată atunci când afacerile au nevoie de gruparea clienţilor sau
entităţilor bazându-se pe anumite măsuri sau predictori cunoscuţi (variabile independente) pentru a
previziona un anumit rezultat necunoscut (variabila dependentă).
Întrebări şi aplicaţii potenţiale de business: Care sunt diferenţele dintre grupul de clienţi şi
regulile de previzionare a apartenenţei unui client la un anumit grup. Exemple:
- respondenţi şi nerespondenţi la anumite campanii, comunicări sau oferte;
- cumpărători sau necumpărători ai unor produse specifice într-o perioadă de timp dată, fie
pentru prima dată, fie recumpărare în perioada respectivă sau cumpărarea mai multor accesorii;
- clienţi loiali şi mai puţin loiali (de ex., profilele clienţilor ocazionali se potrivesc cu clienţi loiali
cu valoare mare şi vor deveni astfel de clienţi);
- pentru cei care renunţă/nu renunţă: determinarea indicatorilor timpurii care să indice care dintre
clienţi sunt mai probabili de a îşi anula subscrierile sau a îşi retrage fondurile într-o perioadă următoare
dată, diferenţiaţi de cei care nu vor renunţa;
- apartenenţa la un grup particular de clienţi ţintă: determinarea clienţilor care sunt cei mai
probabili să adopte un nou produs.
Modelul analitic: arbore decizional de clasificare sau orice alt instrument de clasificare (cel mai
apropiat vecin):
- variabila dependentă: etichete indicând diferite rezultate;

5
Analitica Afacerilor, 19-20 mai 2016

- variabile independente: caracteristicile obişnuite disponibile despre datele demografice ale

clienţilor (vârstă, sex, educaţie, statut marital, copii); alte informaţii (ce pot fi cumpărate de la instituţii
specializate în culegerea şi prelucrarea datelor): ce au cumpărat anterior, istoria de navigare online,
hobbyuri, stiluri de viaţă, activele familiei, venituri.

B.2. Învățarea nesupervizată

Aşa cum am menţionat deja, modelele decizionale arborescente sunt indicate deoarece furnizează
reguli detaliate şi uşor de înţeles pentru a diferenţia clasele ţintă. Uneori, ne-ar putea interesa să
examinăm câte tipuri de gospodării sunt fără a îi discrimina în cei care au cumpărat înainte sau nu
(aceasta este de dorit pentru că nu include deplasările potenţiale asociate cu efectele deja apărute).
Întrebări şi aplicaţii potenţiale de business: Învăţarea nesupervizată este utilizată atunci când
afacerile doresc să ştie ce tipuri diferite de clienţi există şi regulile de a previziona grupul sau segmentul
căruia este mai probabil ca clientul să aparţină.
Modelul analitic: clusterizare k-means sau ierarhică;
- parametrii de clusterizare: includ demografici ale clienţilor, comportamentul on/off line,
atitudini, valori şi achiziţii, compoziţia familiei, evenimente din viaţă sau statuturi (proaspăt căsătorit,
însărcinată, nou-născuţi, divorţaţi), istoricul navigării online sau cheltuieli previzionate;
- măsurile distanţă: algoritmul k means necesită o măsură distanţă, astfel încât distanţele unui
cluster particular sunt mai mici faţă de centroidul acelui cluster decât faţă de centroidele altor clustere;
distanţa uzuală este cea euclidiană, dar alte distanţe sunt mai potrivite pentru alte tipuri de variabile
(pentru două variabile nominale se poate folosi un indice de similaritate).

B.3. Predicția unor valori

Uneori este nevoie în afaceri să previzionăm valori ale entităţilor, acţiuni sau clienţi. Dacă
predicţia valorilor depinde de anumite variabile, putem utiliza estimatorii OLS (metodei celei mai mici
pătrate) pentru a obţine o ecuaţie liniară a variabilei dependente în funcţie de variabilele independente. O
altă tehnică ce poate să genereze predicţii cu acurateţe mai mare este arborele de regresie – care rulează
mai multe modele şi apoi calculează o medie a rezultatelor modelelor.
Avantajul acestei metode: abilitatea de a indica care variabile sunt mai importante decât altele în
afectarea rezultatelor.

B.4. Alte modele

Datorită noilor tehnologii şi modificărilor în comportamentul consumatorilor, multe alte tipuri de
date şi analitici sunt disponibile recent în analiza afacerilor ca de ex:
Aplicaţii de business:
- analiza conţinutului textelor: o înţelegere mai bună a site-urilor web şi a conţinuturilor, pentru a
genera atribute mai potrivite pentru site-uri şi produse;
- conţinutul textelor generate de client: utilizarea blogurilor, comentariilor şi evaluărilor legate de
produse, paginilor personale de Facebook care să permită măsurarea intereselor şi sentimentelor
consumatorilor;
- media socială: conectivitatea dintre consumatori în reţelele sociale; interacţiunea acestora prin
intermediul media pentru a obţine opinii, influenţe, puncte de vedere;
- identificarea influenţilor: pentru a şti care sunt liderii de opinie între consumatori, pentru a
estima gradul lor de influenţă şi pentru a încerca construirea unor sisteme de monitorizare şi strategii de
a-i încuraja proactiv: vezi succesul programelor de marketing (generate de BA) care încearcă să activeze
persoanele influente să devină susţinătorii unui brand prin intermediul reţelelor sociale.

6
Analitica Afacerilor, 19-20 mai 2016

Text Mining:
Astfel de instrumente generează:
- alerte atunci când noi cuvinte, atribute sau branduri apar şi formează un trend puternic;
- atribute ale comentariilor sau site-urilor vizitate de un anumit grup de clienţi sau un segment
din reţeaua socială; aceste atribute caracterizează persoanele sau reţeaua socială, îmbunătăţesc predicţia
clienţilor ţintă sau comportamentul acestora.

NLP (Natural Language Processing) şi analiza sentimentelor:

NLP automatizează procesul de „descoperire” a cunoştinţelor din documentele text. Sunt de două
feluri: statistice şi lingvistice.
Aplicaţii de business:
- traducere automată (machine translation);
- interfeţe utilizator (căutarea semantică);
- recunoaşterea vorbirii şi a sentimentelor (de ex., direcţionarea apelurilor către departamentul
cel mai potrivit pentru rezolvarea sau managementul apelului).

Case Study: Analiza unui lanț de supermaketuri

10 întrebări critice:
Descrierea condițiilor curente:
1. Cum merge afacerea?
2. Unde au fost direcționate investițiile de marketing?
3. Care sunt veniturile și profiturile pe magazine, regiuni și categorii de produse?
Diagnoza provocărilor:
4. Unde au procedat bine și unde merge prost?
5. Unde sunt înregistrate rezultate proaste? Ce a fost întreprins pentru a remedia situația și care
au fost rezultatele?
Predicția rezultatelor și testarea diferitelor instrumente/pârghii potențiale
6. Date fiind informațiile disponibile, am fi putut previziona rezultatele din anul curent folosind
datele de anul/anii trecuți?
7. Dacă da, cum am putea să ne bazăm pe predicții și să testăm diferite instrumente? Am fi
putut proceda altfel? Ce încredere putem avea în rezultatele afacerii înainte de a face
investiții majore?
8. Dacă predicțiile sunt validate, putem previziona cu grad de încredere ridicst rezultatele anului
viitor plecând de la datele din anul curent?
Prescrierea a ceea ce ar trebui întreprins pentru a obține rezultate optime:
9. Dat fiind bugetul redus pentru marketing în anul viitor, ce opțiuni avem?
10. Dacă am crește bugetul de marketing cu 10%, cum ar trebui alocat și cum ar afecta
rezultatele anului următor?

7
 Tipul de Descriptive Diagnostic Predictiv Prescriptiv
analitici

Întrebări Q1-Q3 Q4-Q5 Q6-Q8 Q9-Q10

Instrumente BI și vizualizare Vizualizare BI avansată și Modele analitice predictive Modele de

cercetare avansate optimizare avansate
și managementul
deciziilor

Posibile Majoritatea veniturilor provin Vânzările merg bine pentru Am identificat clienți cu cheltuieli Bazat pe teste, putem
aspecte de la clienți ce cumpără de produse ambalate, dar prost >250$/săptămână care locuiesc sugera combinația
identificate 400-500$ lunar. la produse organice și lângă magazine dar care cumpără perfectă de
Un nr. mare de clienți cu proaspete. rar de la supermarket. publicitate și
venituri reduse nu este Anumiți clienți cu venituri Previzionarea a 1000 de clienți pe evenimente de
profitabil. reduse ar cumpăra mâncare magazin care ar putea crește marketing pentru a
Promovarea prin media este bio sau proaspătă la cheltuielile cu mai mult de 100$ maximiza
costisitoare, dar generează promoție. pe săptămână. randamentul
rezultate mai bune decât Aceștia ar cumpăra mai mult dacă investițiilor de
flyer-ele. li s-ar oferi cupoane de magazin în marketing.
schimbul completării unor Investigarea zilnică a
Analitica Afacerilor, 19-20 mai 2016

8
chestionare (de ex.) sau oferte pe rezultatelor actuale și
mobil, odată ce intră în magazin prescrierea de soluții
(eventual o aplicație în care să-și si teste.
facă o listă de cumpărături).
Programul ar dubla profitul
obținut ca urmare a acestei
politici.
Valoarea O viziune mai clară a ceea ce Identificarea punctelor O mai bună cunoaștere a valorilor Creșterea nr de
adăugată clienții cumpără. slabe. reale și preferințelor de cumpărare vizite/client cu 20%
afacerii Identificarea ariilor cu Identificarea anumitor ale clienților. și a coșului de
performanțe reduse și oportunități potențiale. Abilitatea de a identifica și ținti cu cumpărături/client cu
ridicate. precizie clienți de valoare ridicată 30%.
Identificarea investițiilor și de a crește randamentul Diminuarea pierderii
rentabile. investițiilor. clienților cu 10%.
Îmbunătățirea sortimentelor și a
ratelor de profit prin încurajarea
cumpărăturilor în mixuri de
produse.
Analitica Afacerilor, 19-20 mai 2016

Întrebările sunt divizate în 4 secțiuni (tabel); primele 5 se referă la ce s-a întâmplat până la
momentul respectiv și vizează ariile cu probleme (diagnostic); ultimele 5 vizează opțiuni viitoare
(predictive) și încearcă să genereze soluția optimă prin intermediul analiticilor (prescriptive).
La întrebări trebuie răspuns secvențial, iar ultimele întrebări depind de modul în care se răspunde
la întrebările precedente. De ex., întrebarea/problema reducerii drastice a veniturilor într-un lanț de
magazine poate fi divizată în mai multe subprobleme:
- Nu unde, ci cine? În loc să identificăm reducerea profiturilor sau veniturilor pe
regiuni/magazine/produse, este uneori mai util să ne întrebăm care dintre clienți cumpără mai
puțin (sau chiar mi rău, nu au mai vizitat magazinul). Este destul de dificil însă să identifici
motivele pentru care anumiți clienți nu mai vin sau mai important, cum să remediezi
problema.
- O viziune centrată pe client? Trebuie să cunoști clienții în termeni de ce cumpără, de ce și
cum cumpără. Având aceste răspunsuri, poți grupa clienții în segmente (grupe distincte –
formate pe baza comportamentului lor, atitudinilor, nevoilor și necesităților lor). Ca rezultat,
ei pot răspunde similar la o campanie și pot împărtăși aceleași percepții legate de
brand/produs (trebuie făcută distincția între această segmentare și cea făcută în afacere dpdv
al unor informații anterioare). Astfel de segmente de clienți se pot comporta diferit în timp,
depinzând de modificări în trendurile produselor, cultură, opinii ale liderilor influenți. Dar, în
cadrul aceluiași segment, clienții tind să gândească/simtă/comporte și să cumpere similar.
- Ce și cum cumpără segmentele? Odată ce segmentele sunt identificate, pot fi stabilite
profilurile tipurilor de produse pe care acestea le cumpără, determinând tendințele centrale
ale fiecărui grup (valori medii sau mediane ale diferitelor atribute). Dacă sunt gândite corect
aceste grupuri, atunci membrii unui grup se comportă similar. De asemenea, un segment
căruia îi aparține o persoană este foarte probabil să rămână la fel în timp.
- Ce s-a schimbat? Deși apartenența la un segment poate rămâne statică, comportamentul de
cumpărături se poate schimba în timp datorită condițiilor de piață, promoțiilor, trăsăturilor
produselor, prețurilor. În acest sens, în afaceri trebuie să se monitorizeze trendul/modalitatea
în care segmentele de clienți interacționează cu produsele, promoțiile și brandurile.
- De ce și cât de important? Înțelegând ce s-a întâmplat este numai jumătate din răspuns.
Trebuie să știi/cunoști motivele, să evaluezi impactul acestora supra afacerii și să fii capabil
să prioritizezi/ierarhizezi opțiunile/instrumentele de intervenție.
- Ce se poate face? Odată identificate instrumentele și pârghiile, efectele acestora pot fi izolate
și validate prin testări (folosind grupuri de control).
- Planificarea scenariilor de tip “what if?”. Odată determinate efectele instrumentelor ce pot
fi utilizate, poate fi construit un simulator de tip “what if?” pentru a optimiza combinația
celor mai efective instrumente pentru a produce rezultatele dorite. Pot fi utilizate metrici de
performanță pentru a asigura acuratețea și încrederea.