Ügyféloldali üzleti intelligencia

Gyula előadásában (“Az adatbányászok már a spájzban vannak”) arról beszélt, hogy ha az adatbányászatot sokkal tágabb értelemben fogalmazzuk meg, akkor az elmúlt évek trendjei alapján ezek a technológiák már nemcsak a vállalatok számára jelentenek üzleti előnyöket. Olyan, fogyasztók számára készített alkalmazásokat mutatott be, melyek adatok feldolgozásával többletszolgáltatásokat, többletinformációt adnak. Az előadásban megjelenő példák azt demonstrálták, hogy gyakran a vásárlók kerülnek lépéselőnybe a Google keresője, a különböző árösszehasonlító, árelőrejelző oldalak segítségével.

Az előadás hatására úgy gondolom, érdemes lehet összeszedni azokat a megoldásokat, melyek a személyek számára szóló üzleti intelligencia rendszereknek tekinthetők. Az összeállítás rendezőelvének az BI 8 lépcsőjét választottam, ezeken fogunk végighaladni és egy-egy ügyfeleknek szóló megoldást példaként felmutatni.

1.) Standard riportok: ezen a területen találhatjuk a legtöbb megoldást. A Paymo és RescueTime alkalmazásokon keresztül könnyen tudunk riportokat készíteni arra vonatkozóan, hogy mivel töltjük az időnket a számítógép előtt (Én Paymo segítségével az összes munkával töltött időmet figyelem). De ide sorolnám az árösszehasonlító oldalakat (Árgép, NetRisk), hiszen hasznos riportnak tekinthető hogy hol mennyiért lehet megkapni bizonyos termékeket. A Google Trends, a különböző árfolyam és devizaárfolyam értékek követése is hasznos riportokat generálnak, de például az adott munkahelyi pozícióhoz köthető kereset-összehasonlító oldalak (Merces) is olyan információkkal szolgálhatnak az álláskeresőknek, melyeket ezen szolgáltatások nélkül csak nagyon keservesen lehetne elérni.

2.) Ad-Hoc Riportok: Kis túlzással a speciális keresőket sorolom ebbe a kategóriába. Egy álláskereső, ingatlankereső vagy társkereső oldalon saját magunk állíthatjuk össze, hogy milyen szempontok szerint szeretnénk leválogatni az eredményt. Bár a keresés eredményét nehéz riportnak tekinteni, de abban az esetben, ha a keresés eredménye a nekünk való tetszés becslése alapján rendezetett, talán ez a túlzás megbocsájtható.

3.) OLAP: Megmondom őszintén még nem találtam OLAP jellegű ügyfeleknek szóló alkalmazást. A személyhez köthető, vagy a személyek számára fontos adatok ritkán szoktak olyan jellegűek lenni, melyeknél az aggregáció, a lefúrás érdekes lehet.

4.) Riasztások (alerts): Kovács Gyula egyik legkarakterisztikusabb példája az Apnoti weboldal volt, ahol az általunk megadott termékcsoportokkal, termékekkel kapcsolatban riasztást kapunk e-mailben, ha az valamely webáruházban rendkívül olcsón jelenik meg. Tipikusan az árak elgépelése kapcsán érdekes ez a riasztás, hiszen ekkor a szemfüles vásárlók a hiba kijavításáig rendkívül kedvező áron vehetik meg a termékeket.

5.) Statisztikai analízis (statistical analysis): Hogy ehhez a ponthoz is hozhassunk példát, ide soroltam azokat az oldalakat, melyek egy zene rövid részlete vagy annak eldúdolt verziója alapján megtalál egy-egy zeneszámot (pl. midomi). A hipotézis vizsgálat alapú feladatnak is tekinthető probléma megoldásánál biztosan figyelembe veszik azt is, hogy az éppen aktuálisan megjelent slágerek előfordulása nagyobb a keresések között.

6.) Előrejelzés (forcasting):  Egy másik, Gyula által is bemutatott kedvenc a SeatGeek weboldal, ahol arra vonatkozó előrejelzéseket kaphatunk, hogy egy adott repülőjegy ára a közeljövőben nőni vagy csökkenni fog. A feladat megoldásával mi is próbálkoztunk néhány európai desztináció és Budapest viszonylatában. Annyi kiderült számunkra, hogy megfelelő méretű adathalmaz összeállítása sok időt vehet igénybe (akár több évet is), ezért ilyen megoldásokkal csak egy megfelelő iparági partnerrel karöltve érdemes nekikezdeni.

7.) Prediktiv modellezés: A szűkebben vett adatbányászati területen belül két példát emelnék ki: egyrészt én ide sorolom a különböző spam szűrőket is (Gmailben jelentem, hogy az adott levél spam volt, a Google belső algoritmusai pedig ilyen jelentések alapján szűri a levelezésembe beérkező leveleket). Ennél kevésbé erőltetett példa az IMDB filmajánló szolgáltatása, a párommal gyakran keresünk magunknak úgy új filmeket, hogy korábbi kedvenceink kapcsán ajánlott filmötleteket kérünk az oldal ajánló rendszerétől. A jobb javaslatok kedvéért még a filmpreferenciáink rendszeres és proaktív közlését is elvégezzük az adott weboldalon.

8.) Optimalizáció: Az útvonalkereső, illetve navigációs szoftverek tipikusan a legrövidebb/leggyorsabb útvonalakat ajánlják nekünk, az újratervezés során is folyamatosan az optimális útvonalat kapjuk.

A példák sora arra mutat rá, hogy a megoldások tipikusan a weben érhetők el (kivétel talán a zenefelismerő és navigációs megoldások, melyekhez okostelefon, vagy céleszköz tartozik). Segítségükkel az informáltság előnye már az ügyfelek oldalán is megjelenik. Gyula például a kötelező gépjármű biztosítás piacát mutatta be: mióta az összehasonlító oldalak kapcsán a felhasználók a legolcsóbb megoldást választhatják, az árak a felükre csökkentek, félő, hogy a gyilkos árverseny kapcsán ez a piac lényegében tönkremegy. Én nem osztom ezt a félelmet, szerintem a cégek számára egyszerűen más hívószavak, új stratégiák megjelenítése válik szükségessé.

További ügyféloldali üzleti intelligencia megoldásokra szívesen fogadunk példákat és ötleteket kommentben. Én a nagy keresgélésben találtam rá Bőgel György blogbejegyzésére, amiben nagyon hasonló gondolatok mentén tárgyalja az üzleti, közösségi és egyéni adatbányászat, adatelemzés irányait [update: a blogbejegyzés azóta nem érhető el].