Три основных направления автоматизации современных crm-системы и их характеристика

Современные SRM системы разделены на 3 ключевых направления:

1. Оперативные - уровень автоматизации оперативных процедур исполнителей и оперативных руководителей разного уровня. В основу их работы положен оперативный доступ к информации о каждом клиенте, независимо от источников её получения. В Росси именно ИС этого уровня чаще всего называют CRM-системами. К данным условиям относятся: фронт-офисные; системы интеграции фронт-офисных и учётных подсистем; собственно учетные системы хранящие и обрабатывающие финансовую информацию о клиентах.

Потребителями результатов здесь являются непосредственно исполнители-сотрудники отделов, работающих с клиентами: маркетологи, секретари и т. д

2. Аналитические

3. Коллаборационные

27. Сущность SCM (supply chain management), понятие «цепочки поставок». 7 основных принципов JKJ

SCM (Supply Chain Management – управление цепью поставок) – это «организация, планирование, контроль и реализация товарного потока, начиная с получения заказа и закупки сырья и материалов для обеспечения производства товаров, и далее, через производство и распределение, доведение его с оптимальными затратами ресурсов до конечного потребителя в соответствии с требованиями рынка».

Цепь поставок (supply chain) - это:

1) процессы, начинающиеся с сырья и материалов, и заканчивающиеся потреблением

готовой продукции конечным потребителем, связывающие на протяжении этой цепочки

компании-поставщики и компании-потребители.

2) внешняя и внутренняя функция компании, обеспечивающая цепочку добавленных

ценностей (стоимостей) (value chain) для изготовления продукции и предоставления услуг

потребителям.

Технология (Data Mining), назначение, содержание этапов разведки данных.

Аналитические методы дают конечному пользователю возможность осуществить весь цикл работы с исходными данными, имеющими большие объемы и невыясненную статистическую структуру. Этот цикл называется разведкой данных (Data Mining) и состоит из нескольких этапов: выборка, ис-следование, модификация, моделирование, оценка результатов (Sample, Explore, Modify, Model, Assess).

Data Mining переводится как «добыча» или «раскопка данных». Нередко рядом с Data Mining встречаются слова «обнаружение знаний в базах данных» (knowledge discovery in databases) и «интеллектуальный анализ данных». Их можно считать синонимами Data Mining. Возникновение всех указанных терминов связано с новым витком в развитии средств и методов обработки данных.

Разведка данных представляет собой процесс обнаружения корреляции, тенденций, шаблонов, связей и категорий. Она выполняется путем тщательного исследования данных с использованием технологий распознавания шабло-нов, а также статистических и математических методов.

Data Mining – это процесс обнаружения в сырых данных ранее неизвестных, нетривиальных, практически полезных, и доступных интерпретации знаний, необходимых для принятия решений в различных сферах человеческой деятельности.

В основу современной технологии Data Mining (discovery-driven data mining) положена концепция шаблонов (паттернов), отражающих фрагменты многоаспектных взаимоотношений в данных. Эти шаблоны представляют собой закономерности, свойственные подвыборкам данных, которые могут быть компактно выражены в понятной человеку форме. Поиск шаблонов производится методами, не ограниченными рамками априорных предположений о структуре выборке и виде распределений значений анализируемых показателей.

Важное положение Data Mining – нетривиальность разыскиваемых шаблонов. Это означает, что найденные шаблоны должны отражать неочевидные, неожиданные (unexpected) регулярности в данных, составляющие так называемые скрытые знания (hidden knowledge). Иными словами, средства Data Mining отличаются от инструментов статистической обработки данных и средств OLAP тем, что вместо проверки заранее предполагаемых пользователями взаимозависимостей они на основании имеющихся данных способны находить такие взаимозависимости самостоятельно и строить гипотезы об их характере.

Выделяют пять стандартных типов закономерностей, которые позво-ляют выявлять методы Data Mining:

• ассоциация;

• последовательность;

• классификация;

• кластеризация;

• временные закономерности (прогнозирование).

Вот типичные задачи, которые можно решать с помощью Data Mining в сфере розничной торговли:

· анализ покупательской корзины

· исследование временных шаблонов помогает торговым предприятиям принимать решения о создании товарных запасов. Оно дает ответы на вопросы типа «Если сегодня покупатель приобрел видеокамеру, то через какое время он вероятнее всего купит новые батарейки и пленку?»

· создание прогнозирующих моделей

Банковское дело. Достижения технологии Data Mining используются в банковском деле для решения следующих распространенных задач:

· выявление мошенничества с кредитными карточками.

· сегментация клиентов.

· прогнозирование изменений клиентуры.

Телекоммуникации. Среди типичных мероприятий отметим следующие:

· анализ записей о подробных характеристиках вызовов.

· выявление лояльности клиентов.

· Страхование. Страховые компании в течение ряда лет накапливают большие объемы данных. Здесь обширное поле деятельности для методов Data Mining:

· • выявление мошенничества.

· • анализ риска.

К числу специальных (некоммерческих) приложений Data Mining относятся:

· Медицина.

· Молекулярная генетика и генная инженерия.

· Прикладная химия.