ОРГАНИЗАЦИЯ CRM-АНАЛИТИКИ С ИСПОЛЬЗОВАНИЕМ ТЕХНОЛОГИИ DATA MINING Текст научной статьи по специальности «Компьютерные и информационные науки»

ЭКОНОМИКА И ПРЕДПРИНИМАТЕЛЬСТВО

Организация CRM-аналитики с использованием технологии Data mining

Алексеев Кирилл Николаевич,

генеральный директор, АО ТехБиоПром E-mail: ceo@tbprom.ru

Актуальность. Интеллектуальный анализ данных играет большую роль в процессе управления взаимоотношениями с клиентами. В данной статье предпринята попытка интегрировать модели интеллектуального анализа данных и CRM и предложить новую модель интеллектуального анализа данных для CRM. Цель исследования состоит в попытке интегрировать модели интеллектуального анализа данных и CRM и предложить новую модель интеллектуального анализа данных для CRM. Новая модель определяет, какие типы процессов интеллектуального анализа данных подходят для каких этапов/процессов CRM.

Задачи исследования сводятся к анализу основных определений CRM и применения анализа данных для персонализации коммуникаций с клиентами и перехода к микросегментации клиентской базы.

Результаты исследования. Новая модель определяет, какие типы процессов интеллектуального анализа данных соответствуют этапам или процессам CRM. Для разработки интегрированной модели необходимо исследовать существующие модели интеллектуального анализа данных и CRM. По этой причине в статье рассматриваются некоторые из существующих моделей интеллектуального анализа данных из CRM и предлагается интегрированная модель интеллектуального анализа данных для CRM.

Ключевые слова: CRM-системы, большие данные, CRM-аналитика, big data.

Интеллектуальный анализ данных имеет различные приложения для управления взаимоотношениями с клиентами. В этой статье мы исследуем структуру для определения соответствующих методов интеллектуального анализа данных для различных видов деятельности CRM. В частности, в данной статье предпринята попытка интегрировать модели интеллектуального анализа данных и CRM и предложить ее новую модель, которая определяет, какие типы процессов интеллектуального анализа данных соответствуют этапам или процессам CRM. Для разработки интегрированной модели важно понимать существующие модели интеллектуального анализа данных и CRM. Поэтому в статье рассматриваются некоторые из существующих моделей интеллектуального анализа данных и CRM и предлагается интегрированная модель сбора данных для CRM. Управление отношениями с клиентами относится к модели, инструментам и стратегии, объединенных общей аббревиатурой CRM - customer relationship management. CRM существует не только как управленческая концепция, но и как программное обеспечение, чья главная функция заключается в предоставлении организациям возможности сбора, хранения и анализа данных реальных и потенциальных клиентов. Таким образом, становится возможно выполнять целевые действия, которые ведут к увеличению клиентской базы и повышению ее лояльности. [1].

CRM-системы применяются во многих областях, таких как инвестиционный бизнес, информационные технологии, здравоохранение, научные разработки. В свою очередь, массовое использование больших данных в различных секторах привело к изменению многих бизнес-процессов организации, в особенности управления клиентской базой [2].

Типы CRM-систем

Прежде, чем перейти к описанию больших данных и их значения для маркетинга, следует определить классификацию CRM-систем.

Операционная CRM оптимизирует бизнес-процессы, которые включают автоматизацию продаж, автоматизацию маркетинга и автоматизацию в клиентского обслуживания. Основная цель CRM

данного типа - генерировать потенциальных клиентов, преобразовывать их в контакты, готовые к продаже, собирать все необходимые данные

и предоставлять их на протяжении всего жизненного цикла клиента.

Аналитическая CRM помогает высшему руководству, отделам маркетинга и продаж определить наилучший способ обслуживания клиентов. Анализ данных является основной функцией этого типа приложения CRM. Система анализирует данные клиентов, поступающие из разных точек контакта. Это помогает топ-менеджменту принимать более правильные решения, руководителям маркетинга рассчитать эффективность кампании, руководителям отделов продаж увеличить продажи и построить прочные отношения с клиентами [3]. Особенности аналитических CRM:

• Сбор информации о клиентах, поступающей из разных каналов, структурированный анализ данных.

• Помощь организации единой методики работы с данными в отделах продаж, маркетинга и клиентской поддержки для улучшения отношения с клиентами и повышения лояльности.

• Анализ ключевых показателей эффективности маркетинга и продаж, применительно к продуктам организации.

Стратегическая CRM позволяет организации обмениваться информацией о клиентах между различными бизнес-единицами, такими как отдел продаж, отдел маркетинга, отдел технической поддержки или отдел производства. Например, обратная связь от отдела поддержки могла бы быть полезной для отдела маркетинга при продвижении новых продуктов и услуг на рынке.

Определение больших данных

Термин «большие данные» относится к цифровой экономике и широкому использованию технологий, которые предоставляют нужному пользователю в нужное время нужную информацию из массы данных, которая в течение длительного времени растет экспоненциально в нашем обществе. Задача состоит не только в том, чтобы справиться с быстро растущими объемами данных, но и в том, чтобы справиться с трудностями управления все более разнородными форматами, а также все более сложными и взаимосвязанными данными.

Большие данные характеризуются моделью 5V. Эта модель состоит из следующих компонентов (рис. 1):

• объем;

• разнообразие;

• скорость;

• ценность;

• точность.

Объем: большие данные в первую очередь должны быть многомерными. Количество источников данных постоянно растет, а их количество увеличивается: от показателей конверсии, связанных с рекламными кампаниями в Интернете или работой торгового персонала до административных данных, связанных с единичными транзакциями или повторными покупками.

Разнообразие: Этот показатель описывает разнообразие типов данных, которые организации по всему миру собирают или анализируют каждый день. К этому показателю относятся не только данные по платежам клиентов, показатели веб-сайта или метрики социальных сетей, но также и данные с носимых устройств, банковских или бонусных карт. Каждый маркетинговый инструмент может агрегировать разные виды данных, которые, в свою очередь, могут быть по-разному интерпретированы разными отделами в организации.

Рис. 1. Характеристика больших данных

По мнению автора, современным компаниям необходима стандартизация и распространение информации таким образом, чтобы всем заинтересованным участникам были доступны целевые данные. С ростом внедрения CRM-технологии и больших данных задача доступности информации решается быстрее, чем при классическом маркетинговом подходе.

Скорость: Данный показатель в контексте больших данных относится к двум связанным понятиям: скорость роста, с которой новые данные создаются с помощью новых технологических решений, и соответствующая потребность в том, чтобы эти данные были доступны и проанализированы в режиме реального времени.

Поскольку все больше маркетинговых инструментов предназначено для наблюдения за клиентами и сбора данных, существует большой спрос на возможность анализировать полученные данные, а затем передавать их обратно в отдел продаж или маркетинга. Процесс передачи данных приведет только к увеличению скорости больших данных при работе с клиентами.

Ценность: большие данные довольно часто несущественны сами по себе. Измерение ценности данных является постоянным процессом с множеством вариантов и подходов - будь то структурированные или неструктурированные данные, их ценность измеряется тем, насколько они важны для организации.

сз о

со £

m Р

сг

СТ1 А

=Е

Именно то, как организация использует данные, позволяет ей полностью осознать их ценность и потенциал для улучшения возможностей принятия решений, связанных с управлением клиентской базой.

С другой стороны, важно отметить, что накопление большого количества данных не обязательно приводит к глубокому пониманию и ценности для организации. В настоящее время предприятия имеют доступ к большему количеству данных, чем когда-либо прежде, но наличие доступа к большему количеству данных может затруднить выделение ключевых позиций, поскольку чем больше наборы данных, тем сложнее становится их выборка, визуализация и анализ. Важно не количество данных, а то, как организация их использует в своей деятельности.

Точность: Большие данные должны быть точными для того, чтобы принимать правильные управленческие решения. Предположим, что организация приняла решение инвестировать в инфраструктуру, необходимую для сбора и интерпретации данных в общесистемном масштабе.

Предпосылки применения больших данных в маркетинге

Большие данные совершили качественное изменение в цифровую эпоху. Сегодня общество генерирует огромные объемы данных в любых секторах и отраслях. Объем данных, которые собираются и обрабатываются организациями с помощью цифровых датчиков, средств связи, программ вычислений и хранения, позволили получить информацию, являющуюся ценной для бизнеса, научных центров, правительства и общества в целом [4].

Большой объем потоковой передачи данных со смартфонов, компьютеров, парковочных счетчиков, средств транспорта и супермаркетов [5]. Поисковые системы, такие как Яндекс и Google, ежедневно собирают огромное количество данных и делятся полезной информацией в интересах других организаций, а также для собственных нужд.

Большие данные могут поступать из структурированных или неструктурированных каналов [6]. Такими каналами могут быть социальные сети, запись голоса, обработка изображений, видео, открытые правительственные данные (OGD), действия клиентов на сайтах и мес-сенджерах. Действия посетителей и клиентов необходимо отслеживать для того, чтобы бизнес мог понять закономерности поведения и влиять на него [7].

По данным Boston Consulting Group [8], ожидается, что аналитика данных изменит CRM-стратегию ^ фирмы в ключевых областях, включая эффектив-= ность маркетинга, ценообразование и управле-е ние финансами, сегментацию и персонализацию, S управление жизненным циклом клиентов, а также ° анализ лояльности и процента оттока потребите-sS лей.

В отличие от традиционных аналитических систем, технологии больших данных позволяют компаниям собирать и анализировать мнения клиентов, оцифровывать их отношение и поведение, вступать в двусторонний диалог со своими клиентами. Аналитика на основе текста, эмоциональной составляющей, данных социальных сетей, мобильных устройств и датчиков может использоваться для анализа многоструктурных клиентских данных с целью создания прогностических моделей, превосходящих те, которые можно генерировать с помощью устаревших инструментов. Этот факт позволяет организации предлагать своим клиентам персонализированные продукты и услуги, которые отвечают их потребностям лучше, чем конкуренты, в режиме реального времени и по оптимальной цене.

Несмотря на практически неограниченный доступ к различным данным о клиентах и развитие сложных инструментов управления данными, только 35% маркетинговых решений принимаются на основе аналитической информации о клиентах [9].

В частности, технологии больших данных позволяют компаниям автоматизировать CRM-процессы, начиная от сбора, управления, интеграции и анализа данных о клиентах и заканчивая использованием информации о клиентах в процессе принятия решений, поскольку они усовершенствованы с помощью алгоритмов машинного обучения в режиме реального времени. что делает человеческое суждение ненужным.

Учитывая его расширенные функциональные возможности (по сравнению с унаследованными CRM-системами), ученые утверждают, что принятие решений на основе больших данных приводит к принятию более эффективных управленческих решений и, таким образом, является потенциальным источником конкурентного преимущества. Хотя истории успеха больших данных фирм-инноваторов, ставших лидерами отрасли, предоставляют доказательства в поддержку этого утверждения, неясно, является ли преимущество, обеспечиваемое использованием клиентской аналитики больших данных, устойчивым во времени или может конкурировать с конкурентами, чтобы стать необходимой предпосылкой для выживания фирмы, а не привести к устойчивому конкурентному преимуществу.

Таким образом использование клиентской аналитики больших данных, как ожидается, значительно улучшит процесс принятия решений в управлении клиентской базой, что приведет к повышению производительности и конкурентных преимуществ. Однако в существующих исследованиях не указывается используют ли фирмы аналитику больших данных для управления CRM-стратегией, и, соответственно, степень, в которой аналитика больших данных используется организацией, влияет на результаты отношений с клиентами и финансовые показатели бизнеса.

Понятие интеллектуального анализа данных

Интеллектуальный анализ данных - это процесс выявления закономерностей и связей в больших объемах данных. Благодаря сложной системе поиска данных, использующей статистические алгоритмы для выявления закономерностей и корреляций, интеллектуальный анализ данных извлекает знания, сокрытые в корпоративных хранилищах данных.

В реальных приложениях процесс интеллектуального анализа данных можно разбить на шесть основных этапов: понимание бизнес-задачи, понимание данных, подготовка данных, моделирование, оценка и развертывание, как это определено в межотраслевом стандарте анализа данных CRISP-DM[10].

Роль интеллектуального анализа данных в CRM-аналитике

Интеллектуальный анализ данных все еще относительно новая технология, организации многих отраслей рынка, в которую инвестируют чтобы воспользоваться существующими историческими данными для подготовки релевантных прогнозов.

Методы интеллектуального анализа данных в CRM-аналитике могут помочь организациям обнаружить и выбрать соответствующую информацию, которая затем может быть использована для получения целостного представления о жизненном цикле клиента, который состоит из четырех этапов: идентификация клиента, привлечение клиента, удержание клиента и развитие клиента. Чем больше данных имеется в базе данных, тем лучше будут создаваться модели, использование которых приведет к увеличению стоимости бизнеса [12].

Применение интеллектуального анализа данных в CRM

Технология Data mining помогает отделу маркетинга успешно решать следующие бизнес-задачи.

1. Анализ совместных покупок.

Интеллектуальные алгоритмы помогают выяснить, какие товары клиенты обычно покупают вместе. Эти знания могут улучшить складирование, стратегии размещения магазинов и правила запуска рекламных акций.

2. Прогнозирование продаж.

Изучение временных моделей помогает компаниям принимать решения о запасах. Кроме того, интеллектуальный анализ данных клиентской базы помогает в управлении цепочками поставок, планировании финансовых операций и позволяет осуществлять контроль над внутренними процессами продаж.

3. Маркетинг баз данных.

Специалисты отдела продаж, работающие в CRM-системе, могут создавать профили клиентов на основе реальных демографических харак-

теристик, вкусов, предпочтении, покупательского поведения и т.д. Профили клиентов помогают отделу маркетинга в разработке персонализированных кампании и рекламных предложении.

Результатом маркетинга баз данных станет повышение производительности труда, оптимальному распределению ресурсов компании и принесет желаемую рентабельность инвестиции [11].

4. Управление жизненным циклом клиента.

Интеллектуальный анализ данных помогает организации прогнозировать пожизненную ценность каждого клиента (LTV) и соответствующим образом обслуживать каждый сегмент в зависимости от его ценности для организации.

5. Сегментация клиентов.

Сегментация, основанная на интеллектуальном анализе данных, позволяет узнать, какие клиенты заинтересованы в покупке продуктов компании, и разработать маркетинговые кампании и акции, учитывая вкусы и предпочтения каждого сегмента. Это повысит эффективность и приведет к желаемому уровню ROI, поскольку организация не будет ориентироваться на клиентов, проявляющих небольшой интерес к предлагаемому продукту. [11]

6. Кастомизация продукции.

Отдел производства совместно с отделом маркетинга могут представить продукцию в соответствии с обнаруженными потребностями клиентов. Для этого оба отдела должны уметь использовать данные, чтобы предсказать, какие функции должны быть объединены, удалены или изменены для удовлетворения потребительского спроса.

7. Обнаружение мошенничества.

Анализируя прошлые сделки, которые впоследствии были признаны мошенническими, компания может принять корректирующие меры и предотвратить возникновение таких событий в будущем. К примеру, страховые компании, банки и другие финансовые учреждения получают огромную выгоду от этой функции.

8. Гарантийное обслуживание.

Производителям необходимо спрогнозировать

количество клиентов, которые представят гарантийные претензии, а также среднюю стоимость этих претензий. Это позволит обеспечить эффективное и результативное управление оборотными средствами компании.

Инструменты интеллектуального анализа данных облегчают перспективный анализ, который является улучшенным инструментом по сравнению с описательной аналитикой, предоставляемой ретроспективными инструментами. Появление больших хранилищ данных в совокупности с доступностью программного обеспечения для интеллектуального анализа создают возможности для компаний находить инновационные способы реализации эффективных стратегий взаимодействия с клиентами.

Интеллектуальный анализ данных играет важную роль на всех этапах жизненного цикла клиен-

сз о

со £

m Р

сг

от А

=Е

та, а также в процессе управления клиентской базой. Аналитическая модель определяет, какие типы процессов интеллектуального анализа данных подходят для этапов/процессов CRM[13].

CRM-аналитика на основе модели анализа больших данных

Важную роль в процессе интеллектуального анализа данных играет CRM-система. Анализ связей представляет собой инструмент интеллектуального анализа данных, который можно рассматривать как метод ассоциаций[12]. Он рассматривает связь, отношения того, как связаны люди, места и вещи. При кластеризации цель состоит в том, чтобы сгруппировать объекты таким образом, чтобы объекты, относящиеся к одному кластеру, были похожи, а объекты, принадлежащие к разным кластерам, -непохожи.

Наиболее распространенными инструментами интеллектуального анализа данных для кластеризации являются кластерный анализ и самоорганизующаяся карта [14]. В качестве приложения кластеризация может быть использована для сегментации рынка с целью группировки потребителей и заказчиков (рис. 2).

Ое

Рис. 2. Модель кластерного анализа[15]

Программное обеспечение для интеллектуального анализа данных, которое может быть использовано, включает традиционные статистические методы (такие как кластерный анализ, дискри-минантный анализ и регрессионный анализ) и нетрадиционный статистический анализ (такие как нейронные сети, деревья решений, анализ связей и анализ ассоциаций).

В свою очередь основными этапами интеллектуального анализа данных для эффективной CRM-аналитики являются: определение бизнес-задачи; базы данных; просмотр данных; подготовка данных для моделирования; построение моделей; оценка модели;

развертывание образца результаты. Общие преимущества использования интеллектуального анализа данных в CRM-аналитике: • фильтрация данных для устранения дубликатов данных;

• извлечение, управление данными, анализ и доступ к сервисным клиентам, сохранение моделей клиентов;

• быстрый и точный доступ к интегрированным данным;

• использование усовершенствованного анализа данных и отчетности

• повышение удовлетворенности конечных клиентов;

• привлечение потенциальных клиентов, удержание существующих клиентов и увеличение доли рынка.

В общей сложности в течение определенного временного периода интеллектуальный анализ данных может быть использован для точного прогнозирования изменений. [16]

Заключение

По сути, использование больших данных является своего рода технологическим взрывом. Этому взрыву технологий в будущем будет способствовать распространение Интернета вещей (IoT) и искусственного интеллекта (AI). Задача этой технологической инновации заключается не только в сборе данных, но и в их обработке.

В качестве основных моделей CRM-анализа на основе больших данных автором предложены кластерный анализ и самоорганизующаяся карта.

Литература

1. P. Greenberg, CRM at the Speed of Light: Social CRM 2.0 Strategies, Tools, and Techniques for Engaging yOur Customers, fourth ed., McGraw-Hill Osborne Media, 2009

2. Алексеев К.Н. Инженерный подход. Управление маркетингом, основанном на данных // Издательские решения. - 2019. С. 22-27.

3. Евдокимова А.Б. Применение облачных информационных технологий с целью повышения эффективности управления в экономических системах для компаний малого и среднего бизнеса [Научная статья] - Режим доступа: https:// cyberleninka.ru/article/n/primenenie-oblachnyh-informatsionnyh-tehnologiy-s-tselyu-povysheniya-effektivnosti-upravleniya-v-ekonomicheskih-sistemah-dlya (Дата обращения: 21.03.2021).

4. Алексеев К.Н. Роль больших данных в цифровой экономике // Цифровая экономика. - 2019. Том 4. - № 3 - С. 93-95.

5. Лапенков В.Ю. Цифровая трансформация в консалтинге // Креативная экономика. -2019. - Том 13. - № 1. - С. 63-74.

6. Чмирева Е.В. Алгоритм выбора CRM-системы для совершенствования процесса взаимодействия с клиентами // Научный результат. Информационные технологии. 2017. № 4. URL: https://cyberleninka.ru/article/n/algoritm-vybora-crm-sistemy-dlya-sovershenstvovaniya-protsessa-vzaimodeystviya-s-klientami (дата обращения: 21.04.2021).

7. Авдеева Е. А. CRM система как основа повышения конкурентоспособности организации / Е.А. Авдеева, У.А. Чаплыгина // Научно-методический электронный журнал Концепт. -2017. - № 13. - С. 62-66.

8. Интернет-ресурс: Boston Consulting Group [Электронный источник] - Режим доступа: https://www.bcg.com/ru-ru/publications/2018/ big-leap-toward-ai-scale (Дата обращения: 21.04.2021)

9. Agius S. Exploring potential improvements to retail banks' CRM systems: a means to increase customer trust and loyalty. University of Malta, 2017.

10. S.S. Askool, K. Nakata, Scoping study to identify factors influencing the acceptance of social CRM, in: IEEE International Conference on Management oflnnovation and Technology (ICMIT), IEEE, 2010, pp. 1055-1060.

11. Манин Александр Владимирович, Ветрова Татьяна Владимировна Практики разработки стратегий crm в российских компаниях // Российский журнал менеджмента. 2017. № 4. URL: https://cyberleninka.ru/article/n/praktiki-razrabotki-strategiy-crm-v-rossiyskih-kompaniyah (дата обращения: 21.04.2021).

12. I. Hargreaves, D. Roth, M.R. Karim, M. Nayebi, G. Ruhe, Effective customer relationship management at ATB financial: a case study on industry-academia collaboration in data analytics, in: Highlighting the Importance of Big DataManagement and Analysis for Various Applications, Springer, Cham, 2018, pp.45-59

13. S. Fan, R.Y. Lau, J.L Zhao, Demystifying big data analytics for business intelligence through the lens of marketing mix. Big Data Res. 2(1) (2015)28-32.

14. F. Ohlhorst, Big data analytics: turning big data into money, 2013

15. Источник изображения: https://www.tidydata.ru/ segmentation

16. Феномен big data // Век качества. 2014. № 4. URL: https://cyberleninka.ru/article/n/fenomen-big-data (дата обращения: 21.04.2021).

ORGANIZATION OF CRM ANALYTICS USING THE DATA MINING TECHNOLOGY

Alexeev K.N.

TehBioProm JSC

Relevance. Data mining plays a large role in the customer relationship management process.

This article attempts to integrate data mining and CRM models and propose a new data mining model for CRM. The research objective is to try to integrate data mining and CRM models and propose a new data mining model for CRM. The new model defines which types of data mining processes are suitable for which stages / processes of CRM.

The objectives of the research are reduced to the analysis of the basic definitions of CRM and the application of data analysis to

personalize communications with customers and the transition to micro-segmentation of the customer base.

Research results. The new model defines which types of data mining processes correspond to the stages or processes of the CRM. To develop an integrated model, it is necessary to investigate existing data mining and CRM models. For this reason, this article explores some of the existing data mining models from CRM and proposes an integrated data mining model for CRM.

Keywords: CRM systems, big data, CRM analytics, big data. References

1. P. Greenberg, CRM at the Speed of Light: Social CRM 2.0 Strategies, Tools, and Techniques for Engaging yOur Customers, fourth ed., McGraw-Hill Osborne Media, 2009

2. Alekseev K.N. Engineering approach. Data-driven marketing management / / Publishing Solutions. - 2019. p. 22-27.

3. Evdokimova A. B. Application of cloud-based information technologies to improve management efficiency in economic systems for small and medium-sized businesses [Scientific article] - Access mode: https://cyberleninka.ru/article/n/primenenie-oblachnyh-informatsionnyh-tehnologiy-s-tselyu-povysheniya-effektivnosti-upravleniya-v-ekonomicheskih-sistemah-dlya (Accessed: 21.03.2021).

4. Alekseev K.N. The role of big data in the digital economy. -2019. Volume 4. - No. 3-pp. 93-95.

5. Lapenkov V. Yu. Digital transformation in consulting / / Creative Economy. - 2019. - Volume 13. - No. 1. - pp. 63-74.

6. Chmireva E.V. Algorithm for choosing a CRM system-a system for improving the process of interaction with customers. Nauch-ny rezultat. Information technologies. 2017. No. 4. URL: https:// cyberleninka.ru/article/n/algoritm-vybora-crm-sistemy-dlya-sovershenstvovaniya-protsessa-vzaimodeystviya-s-klientami (accessed 21.04.2021).

7. Avdeeva E. A. V CRM-sistema kak osnova povysheniya konkurentnosti organizatsii [In CRM-system as a basis for improving the competitiveness of an organization]. Nauchno-metodicheskiy elektronny zhurnal Kontseptem-2017, no. 13, pp. 62-66.

8. Online resource: Boston Consulting Group [Electronic source] -Access mode: https://www.bcg.com/ru-ru/publications/2018/ big-leap-toward-ai-scale (Accessed: 21.04.2021)

9. Agius S. Exploring potential improvements to retail banks' CRM systems: a means to increase customer trust and loyalty. University of Malta, 2017.

10. S.S. Askool, K. Nakata, Scoping study to identify factors influencing the acceptance of social CRM, in: IEEE International Conference on Management oflnnovation and Technology (ICMIT), IEEE, 2010, pp. 1055-1060.

11. Alexander V. Manin, Tatyana V. Vetrova CRM strategy development practices in Russian companies // Russian Journal of Management. 2017. No. 4. URL: https://cyberleninka.ru/arti-cle/n/praktiki-razrabotki-strategiy-crm-v-rossiyskih-kompaniyah (accessed 21.04.2021).

12. Hargreaves, D. Roth, M.R. Karim, M. Nayebi, G. Ruhe, Effective customer relationship management at ATB nancial: a case study on industry-academia collaboration in data analytics, in: Highlighting the Importance of Big DataManagement and Analysis for Various Applications, Springer, Cham, 2018, pp.45-59

13. S. Fan, R.Y. Lau, J.L Zhao, Demystifying big data analytics for business intelligence through the lens of marketing mix. Big Data Res. 2(1) (2015)28-32.

14. F. Ohlhorst, Big data analytics: turning big data into money, 2013

15. Image source: https://www.tidydata.ru/segmentation

16. The phenomenon of big data / / Vek kachestva. 2014. No. 4. URL: https://cyberleninka.ru/article/n/fenomen-big-data (accessed: 21.04.2021).

C3

о

CO

от m Р от

от А

IE