Mackósajt és kockázatkezelés, ügyfélérték és levelibékák (x)

Napjaikban az ügyfelek ismerete elengedhetetlen a sikeres üzlet menedzseléséhez, ezen belül az ügyfelek értékeléséhez, megtartásához, értékesítési és marketing kampányok célzásához. Sokan azonban meglepődhetnek, amikor statisztikai módszerekkel elkezdik elemezni adataikat.

Meghökkentő lehet például a felismerés, hogy nincsen átlagos vevőnk, tehát a "középre" célzott termékek senkinek sem vonzók. Hasonlóan érdekes lehet, ha az ügyfélszegmentálás során 5-8 mackósajt szelet helyett akár száznál több különböző homogén szegmenst azonosítunk. Ekkor döbbenünk rá, hogy milyen sokszínű az emberiség, és hogy talán inkább valamely monopol szolgáltató tömegtermékét kellene árusítanunk egy forgalmas aluljáróban. De félretéve a tréfát - mert az üzleti elemzőnek sincs kedve hahotázni, ha ilyen eredményre jut - megfelelő informatikai eszköz, CRM (customer relationship management) megoldás nélkül reménytelen ezen információk további felhasználása az üzleti tevékenységek során.

Az elemzések célja máskor valamilyen ügyfélérték meghatározása. Na, ennek meghatározása már a szervezeten belül is ellentmondásokba ütközik: ki a jó ügyfél, aki sokat fizet, de gyakran és pontatlanul, vagy aki keveset, de pontosan? Aki sok terméket vesz igénybe, de gyakran panasszal él vagy egyedi igényei vannak, vagy aki kevés terméket használ? És aki kevés terméket használ az kevésbé fontos vagy lehetne-e neki mást is eladni? Az értékesítés, a kockázatkezelés és a behajtás törvényszerűen eltérően vélekedik egy-egy tranzakció hasznáról. Ennek megfelelően ma már számos szakértő azon az állásponton van, hogy nincs értelme egyetlen változóban kifejezni (pl. egy forint fedezet érték) az ügyfél értékét, hanem az inkább egy több szempontú vektor rendszer felállításával kezelhető.

Ezen szempontrendszer egyik fontos összetevője, az üzleti tranzakciók által felvállalt kockázatok elemzése, kezelése. A kockázati szegmensekhez rendelt analitikus értékekkel (PD, LGD) és a rendszeres újraértékelésekkel kaphatunk képet a várható kimenetelekről, amely alapján optimalizálhatjuk kockázat vállalásunkat. A kockázatok minél pontosabb meghatározása közvetlenül befolyásolja az eredményességet, hiszen áthárítása pénzbe kerül, illetve pénzt lehet vele keresni.

Persze hatékony elemzés csak megfelelő minőségű adatokon alapulhat, bár egyes vélemények szerint jobb nem ismerni az adatok megbízhatóságát. Ki gondolná például, hogy egy autó kölcsönző cégben egy nap hatszor is lemosnak egy kocsit, vagy, hogy egy időben Hamlet vásárolta a legtöbb pre-paid mobiltelefon csomagot, hogy egy kamion fél órával a nyugati határon történő beérkezés után a keleti határon távozik. Ezek az adatok, ha elemzés nélkül csak gyűlnek, szépen megférnek egymás mellett a ERP rendszerek adatbázisaiban és hatalmas üzleti veszteségeket hordoznak.

És még egy megközelítés az adatok elemzéséhez. A minap egy konferencián hangzott el Aigner Szilárd, a népszerű meteorológus előadása, amelyben az üzleti előrejelzés és az időjárás előrejelzés módszertanát hasonlította össze egymással. Mintha csak az adatbányászat definíciójáról beszélt volna: "rengeteg mért paraméterben sok, semmitmondó mintázat ismétlődik, amelyek között matematikai modellek alkalmazásával meg kell találni azokat a jellegzetes mintákat, amelyek a korábbi tapasztalatok alapján egy fajta esemény bekövetkeztét jelzik." Az eredmény nem egy teljes bizonyosság, hanem egy eredmény mező, amelyben különböző valószínűséggel fordulnak elő a várható alternatívák. De ez a tudás bár nem "pontos", mégis sokkal többet jelent, mint ha csak a megérzéseinkre támaszkodnánk. Természetesen azonban sok múlik az eredmények tálalásán is. A bátrabb jövőmondók konkrét jóslataikkal nagyobb kockázatot vállalnak, míg az óvatosabbak dodonai jóslataikkal ugyan kisebb kockázatot vállalnak, de kevésbé használható előrejelzést adnak. Kevesen tudják, hogy az időjárás előrejelzésekhez a világ legnagyobb számító kapacitású gépeit és speciális programokat használnak. Az elmúlt években a számítási hatékonyság annyit fejlődött, hogy az algoritmusok 7-10-szer gyorsabban tudják az eseményeket előre modellezni, mint ahogy azok bekövetkeznének. Ezzel pedig már nem vehetik fel a versenyt azok a hagyományos technológiát alkalmazó időjós békák, amelyek csak az időjárás változás napján hajlandóak a létrát használni.

Aki mélyebben - és komolyabban - érdeklődik a statisztikai adatelemzés és az on-line piackutatás iránt, azt szeretettel várjuk az SPSS őszi két napos konferenciáján október 4-én és 5-én. Részletes program és regisztráció az www.spss.hu oldalon. Jelszavunk SPSS = Sok Pénzt Spórolj Statisztikákkal!

(X)