CEA

Исходными данными являются протоколы действий клиентов, в которых фиксируется: кто, когда, каким сервисом и в каком объеме воспользовался. По этим протоколам строится частотная матрица (называемая также матрицей кросс-табуляции), в которую записываются частоты пользования каждого клиента каждым сервисом. В зависимости от целей анализа частотная матрица может формироваться на основе объемных показателей, например, суммарной стоимости оказанных услуг.

На основе частотной матрицы строятся две метрики — между клиентами и между сервисами. В технологии АКС эти метрики проходят через дополнительные блоки оптимизации по критериям взаимной согласованности, статистической значимости, устойчивости, и другим. Результатом данного этапа обработки являются матрицы попарных расстояний между клиентами и между сервисами.

Дальнейший анализ может идти несколькими путями, в зависимости от специфики предметной области и содержательной постановки прикладных задач.

В результате предыдущего этапа анализа каждому клиенту ставится в соответствие его индивидуальный поведенческий профиль — набор сервисов, которыми пользуется данный клиент, а также схожие с ним клиенты.

С помощью методов кластеризации клиенты разбиваются на группы, и каждой группе ставится в соответствие типовой поведенческий профиль — набор сервисов, которыми пользуются клиенты данной группы.

В маркетинговых исследованиях одна из основных задач — выявление структуры клиентской среды и обнаружение наиболее характерных типов клиентов. Этот вид анализа называют сегментацией клиентской базы. Для сегментации используется три типа информации о клиентах:

• статистические характеристики клиента: средний доход от клиента, частота пользования различными категориями услуг, и т.д;
• социально-демографические характеристики клиента (анкетные данные);
• поведенческие характеристики клиента — поведенческий профиль, найденный на предыдущем этапе анализа.

Совместное использование всех трех источников позволяет интерпретировать сегменты в терминах наборов услуг или «типовых потребительских корзин».

Для визуализации кластерной структуры используются либо традиционные для кластер-анализа дендрограммы, либо карты сходства (Similarity Maps) — точечные графики, на которых точки соответствуют клиентам, а расстояния между точками отражают степень их сходства.

Проведение аналогичного анализа для услуг дает кластерную структуру ассортимента и позволяет решать задачи позиционирования услуг.

Вообще, поскольку в АКС возникают сразу две взаимосогласованные метрики, практически любой анализ имеет «аналог в двойственном пространстве». Эта важная особенность АКС может приводить к полезным и порой неожиданным результатам, поскольку сама возможность постановки двойственной задачи часто ускользает от внимания при традиционных маркетинговых исследованиях.

Кластеризация может быть проделана в локальном варианте — относительно заданного клиента или заданной услуги.

Карта ближайшей окрестности некоторой услуги дает постоянному клиенту уникальную возможность быстро найти аналогичные или сопутствующие услуги, о которых он, возможно, не знал, но ими пользовались похожие на него клиенты. Карта окрестности всех услуг, которыми пользовался клиент, представляет расширенный спектр услуг, потенциально интересных данному клиенту.

Карта ближайшей окрестности заданного клиента позволяет найти схожих клиентов. Такая возможность востребована далеко не во всех клиентских средах. Один из возможных примеров применения — визуализация множества участников интернет-форумов или веб-блогов.

Поддержка направленного маркетинга (direct marketing) — еще одна задача, решаемая с помощью АКС. Для любого конкретного клиента может быть найдено множество схожих с ним клиентов и вычислен набор наиболее востребованных среди них услуг. Если из этих услуг отбросить те, которыми данный клиент уже пользовался, получим персональное предложение, которое с большой вероятностью заинтересует данного клиента. Это и есть адресная реклама, которая, как известно, существенно более эффективна, чем массовая.

Набор услуг, персонально предлагаемых клиенту, может быть ранжирован в соответствии с их популярностью среди схожих клиентов, что заметно упрощает для клиента задачу выбора услуг из представленного, возможно, чрезмерно широкого списка.

Например, применительно к клиентской среде поисковой машины это дает интересную возможность персонализации результатов поиска, когда ресурсы ранжируются по их популярности среди узкого круга схожих пользователей, а не среди всех пользователей Интернета.

«Сервисами» в данном случае являются товары, «клиентами» — постоянные покупатели, имеющие дисконтную карточку.

Здесь роль «сервисов» играют страницы или документы, предлагаемые в качестве результатов поиска. Клиентами являются пользователи поисковой машины. Пользование сервисом — это переход клиента со страницы результатов поиска к найденному документу. Технология АКС примыкает к активно развивающемуся направлению исследований — Web Usage Mining (WUM), направленному на анализ данных о перемещениях пользователей по всемирной сети.

Возможны и другие, менее тривиальные, применения АКС, в которых сами термины «клиенты» и «сервисы» едва ли применимы. Однако математические технологии обработки данных остаются теми же.

Здесь в качестве «сервисов» выступают политические партии, «клиентами» являются регионы или избирательные участки, а «пользование сервисом» соответствует тому, что на данном участке некоторый избиратель проголосовал за данную партию.

В данном случае «сервисами» являются ключевые слова или выражения, «клиентами» — тексты. «Пользование сервисом» означает, что данное ключевое слово встречается в данном тексте. В данном случае АКС применяется для автоматической классификации и рубрикации больших объемов текстового материала.