Kembali ke Basic CRM, bahwa database merupakan tulang punggung kegiatan CRM, database digunakan untuk membantu perusahaan mengenali pelanggan dengan lebih baik, mengelompokan mereka, dan pada akhirnya bisa memberikan perlakuan sesuai dengan profil masing-masing pelanggan baik sebagai kelompok maupun individu. Lalu bagaimana mengelola database dalam kegiatan CRM, berikut ada beberapa faktor kunci berkaitan dengan database:
Database analysis
Selain
melihat sumber-sumber eksternal informasi, Market Intelligence juga dapat
dikumpulkan dengan menghubungkan dan lintas - menganalisis informasi database
yang ada . Banyak perusahaan kini memiliki toko besar informasi dalam database
mereka yang mencakup perilaku pelanggan dari waktu ke waktu, tetapi sering hal
ini dikunci dan sulit untuk digunakan
Analisis
database adalah proses penggalian data ini, membersihkannya, berpotensi
penggabungan dengan data lain dan melakukan analisis statistik untuk lebih
memahami pelanggan dan perilaku pelanggan . Dalam bisnis yang sangat besar
seperti pengecer, sering ada tim analis pengeboran ke dalam database dan
menghasilkan data hidup untuk segmentasi pasar, penargetan menawarkan dan
berbagai intelijen bisnis lain menggunakan
Analisis
database meluas di berbagai keterampilan dari analisis dasar untuk memahami
siapa pelanggan Anda dan apa yang mereka beli, untuk analisis statistik yang
lebih kompleks, data-mining atau menggunakan alat seperti Sistem Informasi
Geografis ( GIS ) . Umumnya kita mencoba untuk memahami informasi pelanggan
dalam hal kebaruan, frekuensi dan nilai, mencari untuk mengidentifikasi
kelompok-kelompok kunci dari pelanggan dan mekanisme untuk meningkatkan
penjualan, mencari untuk mengidentifika ...
Banyak
perusahaan memiliki pelanggan dan kontak database, tetapi tidak jarang untuk
itu menjadi banyak database yang terpisah dalam organisasi masing-masing
memegang informasi yang berbeda. Dalam beberapa kasus sistem database terpadu
digunakan yang membuat analisis lebih mudah, tapi ini diimbangi oleh kebutuhan
sesekali untuk menarik dan menggunakan subset data yang mungkin lebih cepat dan
lebih cepat dilakukan secara terpisah dari file pelanggan utama, terutama untuk
departemen pemasaran atau mana tanggapan sedang diukur.
Overhead
TI memelihara database kadang-kadang memperlambat penggunaan aktual dari
database untuk tugas-tugas praktis
Karena
pada analisis database akan, mengotomatisasi sebanyak tugas-tugas ini mungkin
adalah penting, baik untuk memastikan bahwa data adalah kualitas yang sama
untuk setiap menjalankan analisis dan untuk menghemat waktu dan usaha
mengulangi pekerjaan yang sama dengan masing-masing data snapshot
Setelah
Anda telah menganalisis data, maka pertanyaan tentang apa respons Anda harus
membuat, tetapi ini masalah lebih lanjut tentang strategi pasar berkembang
Extracting
information
Banyak
database tumbuh dan berkembang melalui penggunaan dan kontinjensi dan akibatnya
tahap pertama untuk penggalian data dapat menjadi rumit, bukan hanya dari skala
tugas, tetapi karena database itu sendiri adalah kurang didokumentasikan, data
hilang atau telah dipindahkan
Cukup
mengejutkan, memperoleh informasi database dapat menjadi salah satu memakan
waktu tugas yang paling terlibat dalam analisis database . Hal ini tidak
diperlukan karena sulit, tetapi informasi yang paling berada pada database
transaksi yang terus-menerus digunakan, diperbarui dan diubah sebagai pesanan
masuk dan keluar
Sering
memperoleh data perlu waktu untuk dijadwalkan dan spec yang akan ditulis untuk
menarik informasi yang diperlukan tanpa mengganggu hari -hari menjalankan
database
Setelah
data telah diekstraksi itu biasanya diselenggarakan di database lain untuk
analisis . Dalam sistem canggih ini database kedua juga dikenal sebagai data
warehouse, atau untuk jumlah data yang lebih kecil datamart suatu . Namun,
tidak perlu memiliki data warehouse dalam rangka untuk melakukan analisis
database dan banyak yang dapat dilakukan pada PC menggunakan alat sederhana
Banyak
analisis database secara ad hoc, sehingga ekstrak tunggal dari satu titik waktu
dianalisis dan digunakan untuk pemodelan . Namun, adalah penting bahwa model
dan analisis ditinjau secara teratur. Menggunakan out-of -date model mungkin
lebih buruk daripada tidak menggunakan model sama sekali.
Cleaning
Setelah
data telah diperoleh, biasanya harus dibersihkan untuk analisis statistik .
Banyak database cenderung untuk membangun ketidakakuratan dan duplikasi dari
waktu ke waktu . Misalnya seperti perubahan alamat, kode pos yang dimasukkan
salah, atau mungkin ada duplikasi catatan kadang-kadang disebabkan oleh entri
data salah, tetapi lebih sering daripada tidak, karena pelanggan telah berubah
dan duplikat catatan telah diciptakan ( dalam database bisnis-ke- bisnis yang khas
20-25 % dari data akan keluar dari tanggal setelah satu tahun hanya karena
orang berganti pekerjaan )
Pembodohan
merupakan tugas penting, tapi kadang-kadang menantang . Biasanya data diperiksa
dengan nama, alamat ( misalnya kode pos ) dan nomor telepon untuk melihat
apakah ada duplikasi atau pertandingan antara catatan . Tugas ini dapat
diotomatisasi, tapi bahkan sistem otomatis tidak 100 % sempurna dan beberapa
tingkat pengambilan diperlukan untuk memutuskan yang merekam harus disimpan dan
yang dibuang . . Dalam database yang lebih kecil hingga 20.000 catatan beberapa
tingkat ' bola mata ' dapat dilakukan untuk memeriksa kualitas dedupe tersebut
. Dalam dataset besar ini jauh lebih sulit .
Ketika
melihat aspek-aspek seperti sejarah pembelian, itu sering terjadi bahwa data
telah dikelompokkan dan direklasifikasi . Misalnya setiap produk pada database
akan memiliki kode produk yang terpisah, tetapi untuk analisis produk beberapa
individu mungkin perlu dikelompokkan bersama-sama
Proses
pembersihan dapat otomatis untuk tingkat tertentu termasuk de - duplikasi dan
membersihkan data yang hilang atau buruk, tetapi sering ada unsur yang harus
dilakukan dengan tangan . Biasanya perubahan yang dilakukan untuk analisis
tidak harus diulang pada database transaksional utama untuk menghindari
kehilangan integritas data
Dimana
data ekstraksi dan analisis tugas rutin seperti yang sering terjadi untuk
proyek-proyek datawarehousing besar, pembersihan akan perlu sepenuhnya otomatis
untuk memastikan pengulangan akurat dari proses pembersihan dan untuk tujuan
kecepatan
Merging
Setelah
data dibersihkan itu dapat digabungkan dengan sumber data lain . Sebagai
contoh, banyak organisasi sebenarnya memiliki sejumlah database yang berbeda
yang perlu dikombinasikan sebelum analisis dapat berlangsung . Atau, sumber
eksternal dapat digunakan untuk memungkinkan untuk analisis menurut klasifikasi
industri misalnya.
Penggabungan lagi adalah tidak sepenuhnya langsung seperti tunjangan beberapa mungkin diperlukan untuk pelanggan yang sama memiliki nama yang berbeda pada database yang berbeda . Sebagai Kontraktor Bangunan Misalnya Acme mungkin juga dikenal sebagai ABC . Akibatnya, ada juga mungkin periode kedua pembersihan diperlukan sekali data telah digabungkan .
Hal
ini umum pada set konsumen untuk menambahkan data klasifikasi dari lembaga
eksternal seperti ACORN atau sistem MOSAIC klasifikasi geografis atau link
dalam data eksternal dari perusahaan data konsumen seperti Experian . Ini
memberikan lapisan tambahan data klasifikasi atau segmentasi di atas data yang
ada
Analysis
Ada
banyak berbagai jenis analisis yang Anda dapat melaksanakan pada data dari
database . Analisis yang paling umum adalah biasanya untuk pelanggan peringkat
berdasarkan nilai untuk melihat siapa pelanggan yang paling berharga dan apa
karakteristik pembelian mereka ( juga dikenal sebagai analisis pareto atau
decile )
Tujuan
dari analisis ini adalah untuk mencoba dan mengidentifikasi orang-orang yang
membutuhkan menghubungi, atau orang-orang yang akan paling mungkin untuk
menanggapi komunikasi tertentu. Misalnya, mengejar sampai pelanggan murtad atau
membuat penawaran lebih untuk pembeli sering. Secara khusus Anda ingin
mengidentifikasi kelompok inti yang membeli dan yang adalah mereka yang paling
mungkin untuk merespon iklan atau komunikasi
Analisis
yang lebih canggih mulai melihat lintas -penjualan suku ( yang % dari pembeli
sekrup yang juga membeli kuku ), ukuran keranjang dan bundel produk umum .
Tujuannya adalah untuk meningkatkan jumlah setiap pelanggan membeli . Di mana
ada banyak produk ( misalnya supermarket ), jangkauan dan jumlah kombinasi
dapat membuat analisis seperti sangat rumit
Pada
tingkat yang lebih canggih, data dapat digunakan untuk upaya pemodelan
prediktif . Misalnya mencari untuk melihat mana pelanggan akan paling mungkin
untuk menanggapi sepotong surat langsung atau peluncuran produk baru .
Tujuannya biasanya untuk mengurangi ukuran milis Anda sementara memaksimalkan
jumlah orang yang akan merespon dan sehingga mengurangi biaya per respon dan
meningkatkan nilai per respon .
Selain
itu, data database dapat digunakan untuk segmentasi . Perbedaan utama antara
segmentasi melalui database sebagai lawan penelitian segmentasi pasar adalah
bahwa hasil dapat ditandai kembali ke database, sehingga setiap pelanggan
diberi label dengan segmen mereka. Ini berarti bahwa jika Anda perlu untuk mail
segmen tertentu dari database ini adalah sepenuhnya mungkin, sedangkan untuk
riset pasar Anda biasanya mengambil menebak tingkat kedua . Kesulitannya adalah
Anda biasanya terbatas dalam jumlah variabel yang telah tersedia untuk
segmentas
CRM IN ACTION
Joko Ristono
Tidak ada komentar:
Posting Komentar