|
|
PUBLICATIES |
||||||||||
| Momenteel
kan men drie niveaus onderscheiden, waarop de databasemarketeer zijn selecties op de
database kan maken. Het eerste - minst diepe niveau - is met behulp van SQL. Hiermee kan
men relatief eenvoudige selecties uitvoeren op een database. Met SQL kan men
"queries" definieren zoals: "Selecteer alle klanten die in de regio
Amsterdam wonen, die ouder zijn dan 20 jaar met een inkomen dat minder dan 2000,= per
maand bedraagt". SQL is destijds geïntroduceerd als hulpmiddel voor de
eindgebruiker, maar al snel werd duidelijk dat de mathematische grondslag van deze taal
voor een groot deel van de eindgebruikers (en vaak ook de automatiseerders) te
gecompliceerd was om comfortabel mee uit de voeten te kunnen. Toch is met de opkomst van
SQL het vakgebied van databasemarketing pas werkelijk ontstaan. Immers, met SQL was je in
principe in staat om zelfstandig selecties uit te voeren. In de loop der jaren zijn ook
diverse hulpmiddelen op de markt gekomen om gebruikers te ondersteunen bij het formuleren
van queries. Op het tweede niveau treffen we OLAP (On Line Analytical Processing) technologie aan. OLAP impliceert het on line kunnen analyseren en manipuleren van gegevens. Het is dus in tegenstelling tot SQL niet nodig om vantevoren een vraag te formuleren. Wel dienen de gegevens waarmee men de analyses wil uitvoeren - ook wel dimensies genoemd - te worden geselecteerd. Stel nu, dat we als dimensies beschouwen KLANT, PRODUCT, REGIO en TIJD. Als we geïnteresseerd zijn in de verkopen van product X in regio A in de periode van januari 1998 tot, zeg, september 1998, dan biedt de huidige generatie hulpmiddelen ons de faciliteiten om grafisch deze dimensies met behulp van eenvoudige muisgestuurde acties aan elkaar te relateren. De resultaten kunnen in allerhande charts, maar ook in spreadsheets worden gepresenteerd en eventueel verder bewerkt. Ook gecompliceerde vragen als: 'vergelijk het voortschrijdend gemiddelde van alle verkopen (van alle klanten en alle producten) in de regio's A, B, en C in 1998 met de twee voorgaande jaren per maand en toon de verschillen van meer dan 10%, zowel positief als negatief.' Bovendien zijn er zogenaamde drill down faciliteiten om gedetailleerd te onderzoeken hoe deze verschillen zijn opgebouwd, met andere woorden, er kan worden ingezoomd op de gedetailleerde verkoopgegevens, zodat duidelijk wordt welke klanten of welke producten de afwijkingen veroorzaken. Voor het derde en diepste niveau van gegevensanalyse ten behoeve van databasemarketing
maken we gebruik van Data Mining. Bij Data Mining spreken we van het expliciet maken en
ontsluiten van verborgen informatie in grote gegevensverzamelingen. In tegenstelling met
het traditioneel bevragen van databases met behulp van SQL, of het analyseren met OLAP,
hoef je met Data Mining geen expliciete vragen te stellen om de gewenste kennis te
vergaren. Met behulp van technieken uit de kunstmatige intelligentie, zoals neurale
netwerken, genetische algoritmen, en statistische technieken worden routines losgelaten op
het DataWarehouse om bepaalde verbanden c.q. patronen te identificeren. |
