Denne artikel stammer fra det trykte Computerworlds arkiv. Artiklen blev publiceret den Computerworld d. 13. november 2001.
Store selskaber søger i stigende grad at henvende sig personligt til kunderne på grundlag af business information-teknologier, men det er en opgave, der kræver fagfolk, siger Sonofons data mining-specialist.
Udgangspunktet er, at man har for meget information. Kunsten er at udvælge og at bringe de mange data i en håndtÈrbar form.
- Når man arbejder med at trække data ud af store systemer, kommer man til at stå med alt for mange variabler. For eksempel teleselskabernes regningssystemer indeholder for meget information, til at hverken mennesket eller maskinerne kan holde rede på det. Udfordringen ligger derfor i at udvælge de rigtige kombinationer af data, og det kræver erfaring i data-mining og kendskab til området, siger Jens Heilesen, der er data-mining-specialist hos Sonofon.
Inden for det sidste års tid har databasefirmaer som Oracle og Microsoft tilbudt analyseværktøj som en del af deres produkter. Data mining-specialisten er dog skeptisk.
Kend kunden
- Det kræver hårdt arbejde i lang tid at få brugbare data frem. For at enklere værktøjer kan fungere, kræver det, at de mange data er tilrettelagt i databaserne, så det er nemt at trække det relevante ud. Desuden risikerer du at nå frem til kombinationer af information, der kommer til at fungere som misinformation, hvis du automatiserer processen, siger han.
Baggrunden for Sonofons brug af business intelligence i form af data-mining er, at mobilmarkedet ved at nå sine grænser: Med udgangen af juni i år havde godt 3,6 millioner danskere mobiltelefon. Derfor drejer en stor del af selskabernes bestræbelser sig dels om at forhindre eksisterende kunder i at sive til konkurrenterne, dels om at udvikle tilbud og produkter, der kan få andres kunder til at overveje at skifte selskab. Det sker ved mere personaliserede kampagner. Som i andre brancher benyttes i stigende grad direct marketing, der i høj grad har business intelligence-systemer som forudsætning.
Mobilselskaberne benytter data mining til for eksempel at hente viden ud af regningssystemet om, i hvilken rækkefølge forskellige kundegrupper efterspørger produkter og tjenester.
- Typisk bevæger kunderne sig mod at benytte mere og mere komplekse mobilservices i takt med, at mobiltelefoni bliver en mere strategisk del af deres forretning. En opgave kan lyde på at finde frem til kunder, der har et specifikt behov for eksempel for at sende hurtigere data over mobilnettet. Så indsamler vi oplysninger i organisationen, og gennem anvendelse af data mining-teknikker er vi ofte i stand til at stykke et billede sammen af en potentiel kunde til i dette tilfælde mobildata, som vi kan benytte i vores markedsføring, fortæller Jens Heilesen.
Ofte handler det dog lige så meget om at søge at øge tilfredsheden og dermed fastholde kunden som at øge salget.
- Vi benytter rent faktisk business intelligence til at finde frem til kunder, hvis aftaler med fordel kan samles i et nyt og ofte billigere abonnement, siger han.
Boks: Nøglebegreber og buzz-words i business intelligence
Begrebet business intelligence dækker populært sagt over indsamling og strukturering af forretningsrelevante data i - oftest større - virksomheder: I praksis vil opgaven for det meste bestå i at samle så mange af de oplysninger, virksomheden har om kunden, i en form, der kan bruges til at lægge strategi og planlægge markedsføring udfra. I daglig tale benyttes business intelligence bredt fra at betegne indsamlingsprocesserne ved datamining, som også kaldes knowledge discovery, til organiseringen i en særlig data warehouse-database.
EIS (Executive Information Systems) var betegnelsen for de ledelses informations systemer, der lagde grunden til business intelligence i begyndelsen af 90'erne.
OLAP (OnLine Analytical Processing) betegner analyse-teknologierne i det såkaldte ETC-lag (Extract Transformation Load), hvor de rå informatiuoner bliver trukket ud af forretningssystemerne.
ODS (Operational Data Store) er et stadig mere benyttet begreb inden for business intelligence, som står for visning og analyse af særligt udvalgte data i næsten realtid fra for eksempel en produktion. Dette gør det for eksempel muligt for driftledere, som overvåger arbejdsprocesserm der er spredt geografisk, hurtigt at reagere på flaskehals-problemer.
