Transcript Note 8 Sales Force Automation & Data Mining x

MÜŞTERİ İLİŞKİLERİ
YÖNETİMİ
SATIŞ GÜCÜ OTOMASYONU VE
VERİ MADENCİLİĞİ
080702007 EMEL KOÇ
İÇERİK
1. Satış Gücü Otomasyonu
1.1. SFA Olası Problemleri
1.2. SFA Görevleri
1.2.1. İletişim ve Zaman Yönetimi
1.2.2. Liderlik ve Fırsat Yönetimi
1.2.3. Bilgi Yönetimi ve Intranet Erişimi
1.2.4. Fiyat, Teklif ve Sipariş Yapılandırma
1.2.5. Takip Yönetimi
1.2.6. Analiz ve Raporlama Araçları
1.3. Çagrı Merkezi
2. Veri Madenciliği
2.1. Neden Veri Madenciliği
2.2. Organizasyona Yararları
2.3. Karar Destek Sistemleri
2.4. KDS Veri Tabanları
2.5. KDS İşlevleri
2.6. Çözüm Ürettiği İş Problemleri
2.7. Fonksiyonları
2.8. Bilgi Keşfi Metodolojileri
2.8.1. Karar Ağaçları
2.8.2. Genetik Algoritma
2.8.3. Hafıza Tabanlı Nedenler
2.8.4. Sinir Ağları
2.9. Olap-Molap-Rolap
1. SATIŞ GÜCÜ OTOMASYONU


Satış gücü otomasyonu nedir?
 Müşteri koşul ve ihtiyaçlarına hakim olma
 Dijital ve kablosuz teknolojiler ile erişim
 Müşteri bilgilerini koruma
SFA çeşitli yazılım ve donanım uygulamalarının
kullanımı doğrultusunda manuel bir süreci,
elektronik bir sürece çevirmektir. (Rivers ve Dart,
(1999))
SATIŞ GÜCÜ OTOMASYONU

SFA YARARLARI:
 Satış verimliliğini arttırır.
 Müşteriye yüksek kalitede hizmet sunar.
 Müşteri memnuniyetini arttırır.
 Sadık müşteri profili yaratır.
SATIŞ GÜCÜ OTOMASYONU

Satış Hiyerarşisi
Identity lead
(suspected interest)
Re-contact
(winback interest)
Quality leads
(value estimates)
No
Yes
Close
(ask for the sale)
Contact buying center
(recognize key player)
Develop relationship
(cultivate interest)
Negotiate terms
(long-term view)
1.1. SFA Olası Problemleri



PLANLAMA

Amaçların eksik veya zayıf tanımlanması

Satış gücünün geri beslemesini elde etme başarısızlığı

Karşı fonksiyonel takımların bağlantılarının kurulmaması
İLETİŞİM

İletişim özellikleri, fayda eksikliği

Organizasyonel çıkarlara odaklanma, satış elemanlarının çıkarlarını ihmal etme

Satış gücünde küçülme ihtimaline adapte olamama

Organizasyonel eğitimin önemsenmemesi ve satış elemanlarının eğitimi için yapılan
yatırımların azlığı

Belirlilik rolünün artması, rol yükünün azalması, stres ve fazla iş yükü
ÖLÇME

Ölçüm süreç eksiklikleri

Süreçlerin zayıf tanımlanması veya ihmal edilmesi

Teşvik ve ödül mekanizmalarının bağlantılarının hatalı olması
Kaynak: Earl D. Honeycutt, Tanya Thelen, Shawn T. Thelen, Shoren T. Hodge(2005);
“Implements to Sales Force Automation”, Industrial Marketing Management, Volume 34,
pp.313-322.
1.2. SFA Görevleri
İletişim ve
zaman yönetimi
Liderlik ve
Fırsat yönetimi
Fiyat, teklif ve
sipariş yapılandırma
Bilgi yönetimi ve
Intranet erişimi
Takip yönetimi
Analiz ve
raporlama araçları
1.2.1. İletişim ve Zaman Yönetimi







Var olan ve olası müşterilerle iletişim
Organizasyon yapısı çerçevesinde organizasyonun ve müşterilerinin
verilerinin entegrasyonu

Temel bilgiler: müşteri adı, iş, adres, telefon numarası, e-mail adresi…

Karmaşık bilgiler: organizasyon yapısı, karar ağacı
Satış temsilcilerine, müşterilerinin doğum günü, hobileri, favori restoranları vb.
bilgilerine erişim imkanı sağlar.
Örneğin harita sunma özelliği ile müşterilere lokasyon bazlı yardım imkanı
sağlar.
Müşteri ile e-mail, sms ve taslak mesajlarla her daim iletişim özelliğine
sahiptir.
Yöneticiler satış birimi ve takım elemanları ile bilgileri paylaşabilirler.
Zaman yönetimi ajandası- seyahat, aktivite düzenleme, randevu ve toplantı
hatırlatma
1.2.2. Liderlik ve Fırsat Yönetimi




Potansiyel müşterileri belirlemek
Ürün odaklı hizmet

Yeterli ölçüde sipariş

Satın alma kararını doğru verebilmek

Potansiyel müşterilere ne şekilde ulaşılacağını belirlemek
Fırsat yönetimi = Liderlik yönetimi + Aktivite ve Bilgi yönetimi
Satış Tahmini (Sales Forecast)

Müşterinin olası getirisi para birimi bazında ne kadar tutarlı olursa, şirket
için o kadar yararlı olur.

Geleceğe yönelik tahmini satış bilgileri pazar değişimi ile doğru
orantılıdır.
1.2.3. Bilgi Yönetimi ve Intranet Erişimi




Geniş, kolay yönetilebilen, organizasyonel bilgilerin yönetimi
Intranet, şirket içi network
Extranet, bilgilerin paylaşımı
Extranet, özellikle B2B etkileşimlerinde kullanılmaktadır.

Sipariş verme etkisi artmaktadır.

Mevcut durum bilgisi sunmaktadır.
1.2.4. Fiyat, Teklif ve Sipariş Yapılandırma



Fiyat listesi, indirim formu, fiyat kotalarını içerir
Ürün konfigürasyonu satış temsilcileri için önemlidir.

Teklif süresini azaltır.
Çapraz Satış (Cross-selling)

Extranet ile müşteriye kendi siparişini verebilme hizmeti

Web’den alınan sipariş sayısı satışta ve insanlarla etkileşimde önemlidir.
1.2.5. Takip Yönetimi


İletişim yönetiminin bir parçasıdır.
İletişim ve gecikme durumu organizasyonu

Sipariş zamanında ulaştı mı?

E-mail gönderimi

Şikayet kontrol
1.2.6. Analiz ve Raporlama Araçları



Arama ve satış raporlarına erişim
Satış yönetimine analiz imkanı sağlar

Süre-müşteri-bölge bazlı
Yöneticilere bilgilere erişim imkanı

Averaj nasıl, yüzdelik satışlar nasıl
1.3. Çağrı Merkezi




Müşteriye direk ulaşım
Tipik çağrı merkezi hiyerarşisi:

Telefon numarası çevirme

Menü seçenekleri

Müşteri temsilcisini bekleme

Kimlik bilgileri alımı ve onaylanması

Temsilcinin önceki bilgilere erişimi

Sorun tanımlanması

Sorun çözüldüğünde bilgilendirme
Arama Yönlendirme (Call Routing)
Etkileşimli Ses Yanıtı (Interactive Voice Response)

Arama ID Sistemi (Caller ID Systems)

Atomatik Dagıtım Sistemi (Automatic Distribution System)

Trouble ticket

Arama Notu (Caller Note)
VERİ MADENCİLİĞİ
2. VERİ MADENCİLİĞİ



Veri Madenciliği nedir?
Büyük miktarda veri içinden, gelecekle ilgili tahmin yapmamızı sağlayacak
bağıntı ve kuralların aranmasıdır.
Müşteri sınıflandırmada RFM(recency, frequency and monetary) ön plandadır.
RFM ile müşterilere 1.2 ve 3 olmak üzere kodlar atanır.

Kod 1 = 1 yıl ve üzeri en son satın alım zamanı

Kod 2 = 1 aydan fazla, 1 yıldan az en son satın alım zamanı

Kod 3 = Geçen aylarda en son satın alım zamanı
333 (en iyi) 111 (en zayıf)
2.1. Neden Veri Madenciliği?



Elde var olan büyük miktardaki veri
Rekabetin artması
Hazır teknoloji
2.2. Organizasyona Yararları





Hangi müşteriler sadık müşteri olarak
kalacak, hangileri elimizden uçup gidiyor?
Belli bir ürünü alan insanların ortak
özellikleri neler?
Hangi müşteri tipine hangi ürünleri
satabiliriz?
Hangi müşteriye başka ne pazarlayabiliriz?
Müşterinin bundan sonra isteyeceği ürün ve
miktar ne olabilir?
2.3. KARAR DESTEK SİSTEMLERİ


Model oluşturma gerçek dünyaya ait bir sorunu standart bir
yapıya dönüştürerek çözmeyi içerir.
Yapısal olmayan yönetsel sorunlar standart modellerle
çözülemezler.
Böyle sorunlar için bir karar destek sistemi kullanmak gerekir.
KDS daha çok karar verme işinin yapısal olmayan şekliyle
ilgilidir.
2.4. KDS VERİ TABANLARI















Bellekler için destek
Veri eksiltme
Veri miktarını değiştirme
Ayrıntı seviyelerinde değiştirme
Çoklu kaynaklar
Dizili kaynaklar,veri kaynağı katalogu
Geniş zaman çerçevesi
Herkese açık ve özel veri tabanları
Doğruluk derecelerini değiştirme
Küme işlemler
Rasgele erişim
İlişkiler ve gözlemler için destek
Başarım
Diğer KDS bileşenleri için arabirim
Son kullanıcı arabirimi
2.5. KDS İŞLEVLERİ
1-KDS teknik temeli olmayan karar vericilerin sistemle
tam etkileşimli çalışabilmelerini sağlamak için
kullanım kolaylığı sunmalıdır.
2-Geniş ve çeşitli veriye erişimi olmalıdır.
3-Değişik tipte analiz ve model sağlamalıdır.
2.6. Çözüm Ürettiği İş Problemleri







Churn Analyse: Hangi müşteri rakiplere kaymaya meyilli…
Cross-Selling: Müşteriler daha çok hangi ürünü almaya
meyilliler…
Fraud-Detection: Acaba bu müşteri sigorta talep eden bir
sahtekar mı?...
Risk Management: Bu müşterinin kredi talebini onaylamalı
mıyım?...
Customer Segmentation: Benim müşterilerim kimler…
Targeted ads: Spesifik bir kullanıcıya hangi reklamları
göstermeliyim…
Sales Forecast: Gelecek ay ne kadar satış yapacağım…
2.7. Fonksiyonları






Sınıflandırma
Kümeleme
Birliktelik Kuralları Keşfi
Sıralı Örüntü Keşfi
Regresyon
Sapma Bulma
2.8. Bilgi Keşfi Metodolojileri




Karar Ağacı
Genetik Algoritma
Hafıza Tabanlı Nedenler
Sinir ağları
2.8.1 Karar Ağaçları
2.8.2. Genetik Algoritma
First Generation
Second Generation
Third Generation
1
ad
6
ads
12
ads
15
ads
16
ads
25
ads
22
ads
19
ads
28
ads
25
ads
31
ads
11
ads
2.8.3. Hafıza Tabanlı Nedenler



Geçmiş verileri kullanarak geleceğe yönelik tahminlerde
bulunma
Marka bağımlılığı
RFM

Son işlem güncelliği

İşlem sıklığı

Harcanan toplam para
2.8.4. Sinir ağları
Metodoloji
Karar Ağacı
Sınıflandırma
Kümeleme
İlişkilendirme
Modelleme
X
X
X
Genetik Algoritma
X
Hafıza Tabanlı
Düşünce
X
Sinir Ağları
X
X
X
Olap-Molap-Rolap



Bir OLAP için ana işlem bir veri küpünün oluşumudur.
Bir veri küpü olası bütün birliktelikler ile verinin çok boyutlu
sunumudur.
OLAP küpleri, tutuldukları yerlere göre farklı isimler alırlar.

MOLAP (Multidimensional OLAP): küpler çok boyutlu
veritabanında tutuluyorsa

WOLAP (Web OLAP): web üzerinden erişiliyorsa

DOLAP (Desktop OLAP): uç birimde tutuluyorsa

ROLAP (Relational OLAP): ilişkisel veritabanında
tutuluyorsa adını alır.
KAYNAKÇA




CRM – Integration Marketing Strategy and Information Technology William G.
Zikmund
Data Mining with Sql Server 2005
http://www.proakademi.net/makaleOku.asp?id=186
Rivers L.Mark ve Jack Dart (1999), “The Acquisition and Use of Sales Force
Automation by Mid-Sized Manifacturers”, Journal of Personal Selling&Sales
Management, Volume 19, Number 2, pp.59-73
TEŞEKKÜRLER…