UNIVERZA V MARIBORU EKONOMSKO-POSLOVNA FAKULTETA

Diplomski projekt

FUNKCIONALNOSTI ANALITIČNEGA CRM NA PRIMERU REŠITVE MICROSOFT DYNAMICS CRM

September, 2016 Sandra Anžič

Diplomski projekt

FUNKCIONALNOSTI ANALITIČNEGA CRM NA PRIMERU REŠITVE MICROSOFT DYNAMICS CRM

Analytical CRM functionalities in the case of Microsoft Dynamics CRM

Kandidatka: Sandra Anžič

Študijski program: Ekonomske in poslovne vede

Študijska usmeritev: Elektronsko poslovanje

Mentorica: doc. dr. Simona Sternad Zabukovšek

Jezikovno pregledala: Petra Števanec, prof. slov.

Študijsko leto: 2015/2016

Kidričevo, september 2016

i

»Ko hodiš, pojdi zmeraj do konca. Spomladi do rožne cvetice, poleti do zrele pšenice, jeseni do polne police,

pozimi do snežne kraljice, v knjigi do zadnje vrstice, v življenju do prave resnice, v sebi do rdečice čez eno in drugo lice.

A če ne prideš ne prvič, ne drugič do krova in pravega kova poskusi: vnovič in zopet in znova.«

(Tone Pavček)

ZAHVALA Zahvala za mentorstvo, znanje in nasvete tekom celotnega študija in pri pripravi diplomskega dela gre doc. dr. Simoni Sternad Zabukovšek.

Predvsem pa bi na tem mestu želela izraziti besedo »hvala« svoji družini in prijateljem, ki so mi v času študija in pisanja diplomskega dela stali ob strani, mi pomagali, me podpirali in motivirali.

iii

POVZETEK

Ker naš svet postaja vse bolj globaliziran in naše aktivnosti vse bolj digitalizirane, sočasno postajajo podatki bogatejši, raznoliki in na voljo kadarkoli in od kjerkoli. Organizacije danes izkoriščajo te velike količine podatkov za podrobnejše prilagoditve sistemov, podporo pri odločanju in razvoju novih proizvodov in storitev. Podatki igrajo pomembno vlogo v vrednosti in ustvarjanju koristi. Upravljanje odnosov z odjemalci (angl. Customer Relationship Management; v nadaljevanju CRM) postaja vse bolj pomembno, tako v malih kot velikih organizacijah, saj kot pravi znameniti rek »Biti zaseden, ne pomeni, biti učinkovit«. Slednje se odraža v dobrem odnosu z odjemalci, kar vpliva na celotno delovanje organizacije, kajti, če organizacija ne pozna dobro želja svojih odjemalcev, se ta ne bo zmogla prilagajati trenutnim tržnim razmeram. Danes informacijsko-tehnološki (angl. Information Technology; v nadaljevanju IT) razvoj organizacijam omogoča zbiranje, obdelavo in interpretacijo vse večjega obsega podatkov o odjemalcih, s čimer organizacije pridobivajo donosne informacije za sprejemanje strateških poslovnih odločitev. Zbiranje, obdelavo in interpretacijo podatkov pa lahko organizacije izvajajo s pomočjo poslovnih rešitev. S poslovno rešitvijo Microsoft Dynamics CRM (v nadaljevanju MS Dynamics CRM) lahko organizacija izvaja analitiko svojih odjemalcev. Analitika ima tudi svoje mesto v rešitvi MS Dynamics CRM. Analitični CRM organizaciji omogoča, da ta pridobi bistvene poglobljene informacije o zgodovini svojih odjemalcev in njihovih preferencah, saj analitični CRM omogoča analiziranje, predvidevanje, ustvarjanje vrednosti za odjemalce in napovedovanje povpraševanja. Ugotovimo, da analitični del MS Dynamics CRM vsebuje kar nekaj funkcionalnosti analitičnega CRM, med njimi najbolj izstopa analiziranje in vizualiranje podatkov s pomočjo različnih vrst grafikonov in posledično iskanje izvora teh podatkov, ki pa zagotavlja dobro poznavanje preferenc odjemalcev in njihovo zgodovino nakupov. Ključne besede: velike količine podatkov, analitični CRM, podatkovno rudarjenje, Microsoft Dynamics CRM

ABSTRACT

As our world becomes increasingly globalized and our activities are more and more digitized, data is becoming richer, more diverse and available anytime and everywhere. Nowadays organizations take advantage of this large amounts of data for further adjustments of their systems, support of their decisions and development of new products and services. Data plays an important role in creating value and benefits. Customer Relationship Management (hereinafter referred to as CRM) is becoming increasingly important, both in small and large organizations. As the famous saying goes: »Being busy is not the same as being effective«. This can reflect in good customer relations, affecting the overall operation of the organization. If the organization does not know the needs of their customers, it will not be able to adapt to their current demand. Today, information technology (hereinafter referred to as IT) development enables organization to collect, process and interpret the growing volume of data of their clients, allowing them to acquire important information for making strategic decisions. The collection, processing and interpretation of data, can be implemented through business solutions. With Microsoft Dynamics CRM (hereinafter referred to as MS Dynamics CRM), an organization can implement software to analyse its customers. Analytical CRM enables organization to acquire information about the history of their customers and their preferences, to analyse, anticipate, create value and forecast their demand. Analytical part of MS Dynamics CRM contains a number of analytical CRM functionalities, among them is the visualization of analysis and data through different types of charts. This functionality can be useful for organization to understand preferences of their customers and their purchase history. Key words: Big Data, analytical CRM, Data mining, Microsoft Dynamics CRM

v

KAZALO VSEBINE

1 UVOD .................................................................................................................................. 1 1.1 Opis področja in opredelitev problema _______________________________________________ 1 1.2 Namen, cilji in hipoteze raziskave ____________________________________________________ 1 1.3 Predpostavke in omejitve __________________________________________________________ 2 1.4 Predvidene metode raziskovanja ____________________________________________________ 2

2 VELIKE KOLIČINE PODATKOV .................................................................................... 3 2.1 Opredelitev pojma velike količine podatkov ___________________________________________ 3 2.2 Lastnosti velikih količin podatkov ____________________________________________________ 5 2.3 Analitika velike količine podatkov ___________________________________________________ 6

2.3.1 Tradicionalno procesiranje in analiziranje podatkov ................................................................. 8 2.3.2 Začetki analiziranja velikih količin podatkov ........................................................................... 10 2.3.3 Arhitektura analitike velikih količin podatkov ......................................................................... 12

2.4 Vizualizacija velikih količin podatkov ________________________________________________ 14

3 REŠITVE CRM ................................................................................................................ 16 3.1 Opredelitev rešitve CRM __________________________________________________________ 16 3.2 Zgodovina CRM _________________________________________________________________ 18 3.3 Vrste CRM ______________________________________________________________________ 20 3.4 Strategija CRM __________________________________________________________________ 21 3.5 Ključni dejavniki uspeha vpeljave CRM ______________________________________________ 22 3.6 Cilji CRM _______________________________________________________________________ 23 3.7 CRM kot rešitev elektronskega poslovanja ___________________________________________ 24 3.8 Ponudniki rešitev CRM ___________________________________________________________ 26

4 ANALITIČNI CRM ......................................................................................................... 28 4.1 Opredelitev analitičnega CRM _____________________________________________________ 28 4.2 Funkcije analitičnega CRM ________________________________________________________ 28 4.3 Proces analiziranja podatkov ______________________________________________________ 29 4.4 Statistika in podatkovno rudarjenje _________________________________________________ 32

5 MICROSOFT DYNAMICS CRM ................................................................................... 34 5.1 Opredelitev Microsoft Dynamics CRM _______________________________________________ 34 5.2 Analitični Microsoft Dynamics CRM _________________________________________________ 36 5.3 Ugotovitve _____________________________________________________________________ 38

6 SKLEP .............................................................................................................................. 40

LITERATURA IN VIRI........................................................................................................... 41

KAZALO SLIK

SLIKA 1: SMART MODEL_________________________________________________________________ 5 SLIKA 2: POZITIVNI POGLEDI NA ANALITIKO VELIKE KOLIČINE PODATKOV _________________________ 8 SLIKA 3: TRADICIONALNA POSLOVNA ANALITIKA ____________________________________________ 9 SLIKA 4: ARHITEKTURA ANALITIKE VELIKE KOLIČINE PODATKOV ________________________________ 13 SLIKA 5: PROCESI ODNOSOV Z ODJEMALCI _________________________________________________ 18 SLIKA 6: PROCES ANALIZIRANJA PODATKOV ________________________________________________ 31 SLIKA 7: GENERIČNI PROCES RUDARJENJA PO PODATKIH _____________________________________ 33 SLIKA 8: NADZORNA PLOŠČA PRODAJNIH DEJAVNOSTI V REŠITVI MICROSOFT DYNAMICS CRM ______ 37 SLIKA 9: PRODAJNI LIJAK ODPRTIH PRILOŽNOSTI V REŠITVI MICROSOFT DYNAMICS CRM ___________ 38 SLIKA 10: POGLED UPORABNIKA NA NADZORNO PLOŠČO V SERVISNEM MODULU V REŠITVI MICROSOFT

DYNAMICS CRM _________________________________________________________________ 39

SEZNAM OKRAJŠAV

BI angl. Business Intelligence oz. Poslovna inteligenca CCTV angl. Closed Circuit Television CRM angl. Customer Relationship Management oz. Upravljanje odnosov z odjemalci EAI angl. Enterprise Application Integration oz. Programske rešitve in procesi ERP angl. Enterprise Resource Planning oz. Celovite informacijske rešitve ETL angl. Extrat, Transform, Load oz. Ekstrakcija, transformacija, nalaganje E-poslovanje angl. Electronic Business oz. Elektronsko poslovanje GPS angl. Global Positioning System oz. Globalni sistem pozicioniranja HDFS angl. Hadoop Distributed File System oz. Porazdeljen datotečni sistem Hadoop HTML angl. Hyper Text Markup Language oz. Označevalni jezik za izdelavo spletnih strani Iframe angl. Inline frame oz. Medvrstični okvir KDU Ključni Dejavniki Uspeha NoSQL angl. Not Only Structured Query Language oz. Ne samo strukturirani poizvedovalni jezik OLAP angl. Online Analytical Processing oz. Sprotna analitična obdelava SCM angl. Supply Chain Management oz. Upravljanje oskrbovalnih verig

1

1 UVOD

1.1 Opis področja in opredelitev problema

Ker živimo v hitro se spreminjajoči dobi, kjer poslovanje organizacij postaja vse bolj globalizirano, se morajo organizacije, če želijo preživeti, nenehno prilagajati zahtevam trga, na katerem delujejo, kar predstavlja nenehno posodabljanje poslovanja v koraku s časom. Vsaka organizacija, ki želi učinkovito upravljati tako z že svojimi obstoječimi, kot tudi s potencialnimi odjemalci, je vsekakor prisiljena upravljati z »modelom upravljanja odnosov s strankami« oziroma s CRM-jem. Danes z rešitvijo CRM organizacije zajemajo tako na posreden kot tudi neposreden način enormne količine podatkov o svojih odjemalcih in dobaviteljih, to pa omogočajo omrežni senzorji, vgrajeni v različne naprave, ki beležijo vsak naš korak. Tako bomo v nadaljnjem poglavju podrobneje opredelili CRM koncept.

Z napredkom interneta in drugih tehnologij pa se je vsekakor spremenila tudi sama oblika podatkov, ki ni več samo strukturirana, ampak za procesiranje in analiziranje izjemno zapletena (Medved, 2014). Nov fenomen v podatkovni znanosti, ki se je pojavil v podatkovni znanosti, je pojem »Velike količine podatkov« (angl. Big Data). V poslovanju predstavljajo organizacijam velike količine podatkov velik problem, če nimajo za to primernih tehnologij, saj same ne zmorejo dovolj hitro in učinkovito analizirati podatkov. Organizacije morajo natančno vedeti, za kaj bodo potrebovale analitiko velikih količin podatkov. Analitični CRM organizaciji omogoča pridobivanje ključnih donosnih informacij o zgodovini svojih odjemalcev in njihovih preferencah, saj analitični CRM omogoča analiziranje, predvidevanje, ustvarjanje vrednosti za odjemalce in napovedovanje povpraševanja. Pri nekaterih organizacijah nastane problem takrat, ko zberejo podatke, a ne vedo kaj z njimi. Ti pa lahko zelo dobro pripomorejo vodstvu pri hitrejšem sprejemanju dobrih poslovnih odločitev.

MS Dynamics CRM je rešitev Microsofta in ima možnost uporabe na tablici/telefonu, kar pomeni, da lahko uporabnik spremlja vse in ima nadzor od koderkoli in kadarkoli. Prednost CRM si lahko predstavljamo kot povečanje prodajne učinkovitosti.

1.2 Namen, cilji in hipoteze raziskave

Namen diplomskega projekta je predstaviti, kako analitični CRM vpliva na poslovanje, predvsem na primeru rešitve Microsoft ponudnika. Najprej se seznanimo s pojmom velike količine podatkov in njegovimi lastnostmi, analitiko velikih količin podatkov in vizualizacijo. V tretjem poglavju spoznamo splošne opredelitve rešitve CRM in zgodovino, ključne dejavnike uspeha (v nadaljevanju KDU) ob vpeljavi rešitve CRM v poslovanje organizacije, ter kakšni so cilji te osrednje poslovne strategije. Zanima nas tudi, kakšen je pomen rešitve CRM v elektronskem poslovanju (angl. Electronic Business; v nadaljevanju e-poslovanje) in kateri so najprimernejši ponudniki rešitev CRM. V naslednjem poglavju podrobneje opredelimo analitični CRM, njegove funkcionalnosti, proces analiziranja podatkov in statistiko ob podatkovnem rudarjenju. Sledi opredeljevanje rešitve MS Dynamics CRM in spoznavanje njenega analitičnega dela.

2

Temeljni cilj diplomskega dela je raziskati vpliv analitične rešitve CRM na poslovanje, podrobneje na primeru rešitve MS Dynamics CRM.

Teoretični cilji:

Razumevanje pojma velike količine podatkov, predvsem v povezavi z rešitvijo CRM.

Ugotoviti, zakaj vložiti čas in denar organizacije v uvedbo rešitve CRM.

Kje je učinkovitost analitične rešitve MS Dynamics CRM največja.

Zastavili bomo naslednji hipotezi: H1: Zavedanje organizacij za učinkovitejše poslovanje z rešitvijo CRM je vedno večje. H2: Poslovna rešitev MS Dynamics CRM ima v analitičnem delu večino funkcionalnosti analitičnega CRM.

1.3 Predpostavke in omejitve

V obravnavanem diplomskem delu je predpostavka ta, da se organizacije, predvsem majhne in srednje velike, premalo zavedajo pomena koncepta CRM. Zato smo mnenja, da je potrebnega več promoviranja in ponujanja tega koncepta potencialnim odjemalcem.

Srečamo se tudi s posameznimi omejitvami. Med metodološke omejitve navajamo metode uporabe tuje literature, kar pomeni, da je mnogo strokovne literature v angleškem jeziku, saj sta izraza CRM in velike količine podatkov zaenkrat mnogo bolj uveljavljena, uporabljena in razvita v tujih državah kakor pri nas. Izvedbene omejitve predstavljajo omejevanje samo na podatke, ki so javno dostopni, torej na spletu in v knjigah, kar pomeni, da ne stopimo v kontakt z nobenim ponudnikom, partnerjem ali uporabnikom rešitve CRM, in sicer, da ne opravimo intervjuja ali ankete, ki bi ga oziroma jo uporabili kot izhodišče za primerjavo med uporabniško izkušnjo s strani uporabnika in partnerja. Omenimo pa lahko, da smo v času študija med predavanji bili prisotni na predavanju, kjer sta bili podjetji Telemach in Istrabenz Plini v vlogi uporabnika rešitve CRM, ne pa ravno v vlogi uporabnika MS Dynamics CRM.

1.4 Predvidene metode raziskovanja

Za izdelovanje diplomskih del poznamo več različnih tehnik in instrumentov, s katerimi zbiramo, obdelujemo, interpretiramo in nato analiziramo pridobljene podatke, ki za nas predstavljajo pomembne informacije. Za izdelavo diplomskega dela uporabimo deskriptivno metodo s študijem domače in tuje literature, ki je dostopna v knjižnici ali na spletu. Pri pisanju dela prav tako pazimo na pravilno rabo virov in na njihovo citiranje. Za zbiranje podatkov in ugotavljanje obstoječega stanja s pomočjo spletnih virov analiziramo izbrano rešitev CRM – MS Dynamics CRM. S pomočjo metode deskripcije opisujemo teorijo v posameznih poglavjih in prav tako povzemamo stališča drugih avtorjev, predvsem pri opredeljevanju posameznih pojmov, kar pomeni, da uporabimo metodo kompilacije. V zadnjem, praktično usmerjenem poglavju uporabimo komparativno metodo, saj ugotavljamo katere funkcionalnosti analitičnega dela CRM so vgrajene v obravnavano poslovno rešitev, torej v rešitev MS Dynamics CRM.

3

2 VELIKE KOLIČINE PODATKOV

Skoraj vsako desetletje poslovni svet implementira nov pojem, ki naj bi opisoval zajem vrednosti iz računalniških podatkov za sprejemanje odločitev v organizacijah. Najprej se je začel uporabljati pojem poslovna inteligenca (angl. Business Intelligence; v nadaljevanju BI), kasneje se je predvsem za statistične in matematične oblike podatkovne analize začel uveljavljati pojem analitika (angl. Analytics; v nadaljevanju analitika). V zadnjih letih pa se je za poimenovanje, kako uporabiti podatke za učinkovitejše odločanje in vodenje organizacij, uveljavil pojem poslovna analitika (angl. Business Analytics; v nadaljevanju poslovna analitika). V določenem smislu je poslovna analitika kombinacija poslovne inteligence in analitike in hkrati izraža vedno večjo pomembnost kvantitativne metode analitike podatkov za njihovo razumevanje, napovedovanje in optimizacijo (Davenport, 2010).

V nadaljevanju podrobneje spoznamo pojem velike količine podatkov, njegove ključne lastnosti, ki se, odvisno od avtorjev, razlikujejo, saj nekateri zagovarjajo le tri ključne lastnosti, spet drugi kar pet. Sledijo opredelitve analitike velike količine podatkov in pozitivni pogledi nanjo. Pojasnimo tudi tradicionalne podatkovne sisteme, njihove začetke, arhitekturo analitike velike količine podatkov ter kako morajo biti podatki vizualizirani, da so razumljeni in zapomnljivi na željen način.

2.1 Opredelitev pojma velike količine podatkov

Svet postaja vse pametnejši. Ta evolucija je lahko vidna povsod in ni industrije ali sektorja, ki bi bil imun. Industrijo si danes z ekonomskega vidika lahko tudi predstavljamo kot staro in uveljavljeno ribiško industrijo. Danes so moderni ribiški čolni opremljeni z bogato tehnologijo, uporabljajo visoko navigacijsko tehnologijo. V preteklosti ribiči niso imeli takšnih in podobnih tehnologij, ki bi jim omogočale učinkovitejši ribolov, danes pa natančno vedo, kje je njihov potencialni produkt ter kje bo jutri. Danes je svet pametnejši v vsem, od izvedbe športa do zdravstvenega varstva na domu. Celo ljubezen in partnerstvo postajata pametnejša (Marr, 2015a).

Izraz velike količine podatkov je v srcu pametne revolucije. Osnovna ideja za frazo velike količine podatkov je, da vse, kar počnemo, vedno bolj zapušča digitalno sled, ki jo lahko kasneje uporabimo in analiziramo za nastanek pametnejšega (Marr, 2015a).

Mnoge organizacije imajo velike količine podatkov o vključenih interesnih deležnikih v svojem delujočem okolju, a ne vedo kaj bi z njimi, zato imeti mnogo podatkov še ne pomeni imeti koristnih informacij.

Da bi znali pravilno interpretirati podatke v informacije, si lahko pomagamo s t. i. SMART modelom (Slika 1), ki ga podrobneje razloži Marr Bernard v knjigi Big Data.

4

SMART model si lahko predstavljamo kot potreben način za navigacijo velike količine podatkov, da se lahko ti preoblikujejo v produktivne, učinkovite, uspešne, želene informacije in posledično rezultate v poslovanju organizacije. SMART model v kraticah pomeni (Marr, 2015b):

S = Začeti s strategijo (angl. Start with Strategy).

M = ukrep meritve in podatkov (angl. Measure Metrics and Data).

A = uporaba analitike (angl. Apply Analytics).

R = poročilo rezultatov (angl. Report Results).

T = sprememba lastnega poslovanja (angl. Transform your Business).

Vsaka organizacija mora, ne glede na velikost in dostop do podatkov in potrebno analizo, začeti s strategijo SMART modela. Tudi če obstajajo na videz ugodne analitike, bo pomanjkljivost prisotna v polnem odkritju obsega podatkov in bo vedno samo 10 odstotkov sredstev organizacije preusmerjenih v tehnike odkrivanja podatkov, predvsem na začetku. Razlog je preprost. Brez strukture in procesov je lahko realnost poslovanja organizacije enostavno izgubljena. SMART model lahko pomaga zmanjšati to nagnjenost k izgubi realnosti, zmedo in sam obseg podatkov, ki obstajajo. Namesto ubadanja s podatki je potreben razmislek, kaj bi lahko organizacija storila. Začeti je potrebno s poslovnimi cilji in strategijo in to poskušati doseči, da se ugotovi, kako dobro je poslovanje v smeri izpolnjevanja teh ciljev. Ta način bo samodejno usmerjal proti vprašanjem, ki jih organizacija potrebuje za odgovor, kako se bodo zmanjšale zahteve glede podatkov na obvladljivih področjih. Prav tako bo zagotovljena osredotočenost na podatke in realna vrednost. Ko organizacija ve, kaj želi doseči, mora začeti z naslednjim korakom – ukrep meritve in podatkov. Ta korak vključuje raziskovanje vseh možnih vrst in oblik podatkov, ki trenutno obstajajo ali lahko obstajajo in pomagajo odgovoriti na strateška vprašanja. Ko organizacija ugotovi, kaj te meritve sploh so, začne z analiziranjem podatkov, ki jih je ta opredelila kot pomembne in potencialno vpogledne. Pridobivanje spoznanj pa je le del sestavljanke. Kasneje mora organizacija poročati o rezultatih in poskrbeti, da so ti prišli do ljudi, ki jih potrebujejo, da bi izboljšali odločanje in delovanje. Te tri faze SMART poslovnega modela temeljijo na tehnologiji. Tehnologija bo pomagala zbrati podatke, ki jih potrebuje za merjenje, analitika pa bo olajšana na načine, ki niso nikoli prej bili šteti. To pa bo omogočilo pretvorbo vpogleda v vizualizacijo podatkov, ki jih je mogoče hitro in brez težav razumeti v praksi. Ko se organizacija približa tako velikim kot majhnim količinam podatkov in analitiki iz ožjega, bolj praktično usmerjenega vidika, se lahko znebi nepotrebnih težav in zmede velikih količin podatkov. Ob enem pa lahko uživa mnogo koristi in preoblikuje svoje poslovanje (Marr, 2015b).

5

Slika 1: SMART model

Vir: (Marr, Big Data, 2015a)

2.2 Lastnosti velikih količin podatkov

Tudi velike količine imajo svoje karakteristike oziroma lastnosti, te so opredeljene v štiri V-je (angl. Volume, Variety, Velocity, Velacity). V strokovni javnosti so bile najprej omenjene samo tri – hitrost, količina in raznolikost, kasneje so dodali še četrto, zato so tudi mnenja glede verodostojnosti ali vrednosti raznolika in deljena (Marr, 2015a):

Količina – količina podatkov, ki je generirana, je zelo pomembna v tem kontekstu. Gre za velikost podatkov, kjer se določata vrednost in potencial obravnavanih podatkov in ali se določeni podatki lahko obravnavajo kot velike količine ali ne. Pojem »Velike količine podatkov« vsebuje mnogo terminov, ki so povezani v velikost, s tem pa tudi v značilnosti (VentureHire, 2015).

Raznolikost – V preteklosti je bila večina podatkov, ki so bili ustvarjeni, strukturiranih podatkov, bili so lepo opremljeni v stolpce in vrstice, a danes tega ni več. V današnjem času je 90 % generiranih podatkov s strani organizacije nestrukturiranih. Podatki danes prihajajo v različnih oblikah: strukturirani podatki, delno strukturirani podatki, nestrukturirani podatki in celo zapleteno strukturirani podatki. Tukaj je veliko različnih tipov podatkov in vsak izmed njih zahteva različne pristope k njihovemu analiziranju in hkrati različna orodja za analiziranje. Socialna omrežja z objavami lahko tako pripomorejo k različnim vpogledom, kot so na primer subjektivne analize z določeno blagovno znamko, medtem ko so lahko senzorični podatki vir informacij glede tega, kako je proizvod uporabljen in kakšne so slabosti in napake le tega (Rijmenam, 2016).

Verodostojnost in vrednost - vsi razpoložljivi podatki bodo ustvarili veliko vrednost za organizacije, društva in potrošnike. Velika količina podatkov pomeni veliko poslovanja in vsaka industrija bo izkoristila prednosti le tega.

6

Seveda podatki sami po sebi sploh niso dragoceni. Vrednost je v opravljenih analizah in kako se podatki preoblikujejo v informacije in sčasoma v znanje (Rijmenam, 2016).

Hitrost – kadar govorimo o veliki količini podatkov, s tem mislimo hitrost, v kateri so podatki ustvarjeni, shranjeni, analizirani in predstavljeni. V preteklosti je bila tedenska obdelava podatkov nekaj povsem običajnega. V velikih podatkovnih okoljih so podatki obdelani v realnem času ali vsaj blizu realnega časa. Z razpoložljivimi, internetno povezanimi napravami lahko naprave odpošljejo ustvarjene podatke naprej v enakem času, kot so bili le ti ustvarjeni. Zato je današnji izziv organizacij biti v sosledju z enormno hitrostjo ustvarjenih podatkov in uporabljen v realnem času (Rijmenam, 2016).

Nekateri avtorji navajajo in zagovarjajo le tri lastnosti velikih količin podatkov. Gewirtz (2016) navaja le tri lastnosti velikih količin podatkov, te so količina, raznolikost in raznolikost in pravi, da ni samo velika količina podatkov odgovori na velika vprašanja in odpirajo mnogo novih priložnosti, kajti tukaj organizacija ne sme pozabiti na svojega konkurenta, ki uporablja prav tako različne rešitve CRM za interpretacijo velikih količin podatkov. Rezultat interpretacije podatkov so informacije, ki jih konkurent uporabi za svoje konkurenčne prednosti.

Drugi avtorji pa navajajo in zagovarjajo več kakor zgoraj štiri omenjene in pojasnjene lastnosti, in sicer pet. Marr (2015c) navaja, da so se vse količine hitro se premikajočih podatkov različnih vrst in verodostojnosti spremenile v vrednost. Ravno zato je vrednost tista peta lastnost velikih količin podatkov, ki je najbolj pomembna. Vrednost se nanaša na sposobnost organizacije, da ta obrne podatke v vrednosti. Pomembno je, da organizacije naredijo poskus za vsak primer zbiranja podatkov in s tem posledično spodbudijo nastajanje velikih količin podatkov.

2.3 Analitika velike količine podatkov

Ko je organizacija prepričana glede svoje strategije, nato tudi ve, katere so tiste tarče, ki jih želi doseči. Te tarče opredeljujejo jasnost, katere meritve in podatke bo organizacija potrebovala za zbiranje, da bo odgovorila na »SMART vprašanja«, kot smo pojasnili v poglavju 2.1. Med tradicionalno notranje strukturiranimi podatki o finančnih evidencah, podatkovnimi bazami in KDU ter nikoli strukturiranimi, včasih zunanje spremenljivimi podatki, CCTV video posnetki1 in senzoričnimi podatki, jim večina organizacij s svojim poslovanjem ne zmore slediti (Marr, 2015a).

Imeti podatke ni dovolj. Organizacija mora uporabljati analitiko, tako da podatke obrne v pomemben pogled za poslovanje, ki lahko pripomore k izvrševanju zastavljene strategije organizacije in pomaga pri izboljšanju uspešnosti. Podatki in analitika gredo »z roko v roki«. Navsezadnje ni bistveno ustvarjanje novih in vedno širših podatkovnih priložnosti zbiranja le teh, metod in zmogljivosti, če nato kasneje ne naredimo ničesar s podatki ali se ne naučimo nekaj novega iz njih. Tako kot raste področje analitike, hkrati v

1 CCTV video (angl. Closed circuit television) je televizijski sistem, kjer signali niso distribuirani v javnosti, ampak se spremljajo, predvsem za nadzor iz varnostnih razlogov. (Rouse, 2012).

7

sosledju raste tudi količina ustvarjenih podatkov. Kadar organizacija upravlja s količino, hitrostjo, raznolikostjo in verodostojnostjo podatkov na prav način, z uporabo analitik, lahko organizacija uporabi primerno količno, ki lahko pomaga oblikovati strategijo organizacije in obveščanje o sprejemanju poslovnih odločitev (Marr, 2015a).

Analitika velikih količin podatkov preučuje velike količine podatkov za odkrivanje skritih vzorcev, povezav in drugih pogledov. Z današnjo tehnologijo je mogoče analizirati podatke organizacije in pridobiti takojšnje odgovore, kar predstavlja napor z veliko tradicionalno poslovno inteligenco rešitve (SAS Institute Inc, 2016).

Kot navaja SAS Institute Inc (2016), analitika velike količine podatkov prav tako pomaga organizacijam pri njihovih podatkih, njihovi uporabi za definiranje novih poslovnih priložnosti. To v nasprotju pomeni, da se pametno upravlja s poslovnimi potezami, operacije so učinkovitejše, profit so večji in odjemalci zadovoljnejši. Analitika velikih količin podatkov ima veliko vrednost v naslednjih pogledih (Slika 2):

Zniževanje cen – tehnologije velikih količin podatkov, kot so Hadoop2 in oblačne analitike, prinašajo pomembne cenovne prednosti, ko gre za shranjevanje velike količine podatkov, zraven tega lahko identificirajo zmogljivejše poti za poslovanje.

Hitrejše, učinkovitejše sprejemanje odločitev – s hitrostjo Hadoop analitike in pomnilniške analitike, kombinirane z zmožnostjo analiziranja novih podatkovnih virov, je organizacija sposobna za takojšnje analiziranje informacij in sprejemanje odločitev, temelječih na tem, kar se je organizacija naučila.

Novi produkti in storitve – s sposobnostjo ocenitve potreb odjemalcev in zadovoljstva skozi analitiko lahko organizacija ponudi odjemalcu, kar potrebuje in želi. Z analitiko velikih količin podatkov mnogo organizacij ustvarja nove produkte za zadovoljitev potreb odjemalcev.

2 Odprtokodna programska oprema za shranjevanje podatkov in izvajanje aplikacij v blagovnih grozdih strojne opreme. Zagotavlja veliko prostora za shranjevanje vseh vrst podatkov, ima ogromno procesorske moči in sposobnosti za ravnanje praktično neomejenih vzporednih nalog oziroma delovnih mest (Dummiesis, 2016).

8

Slika 2: Pozitivni pogledi na analitiko velike količine podatkov

Vir: (SAS Institute Inc, 2016)

2.3.1 Tradicionalno procesiranje in analiziranje podatkov

Tradicionalni podatkovni sistemi niso sposobni učinkovitega obvladovanja velikih količin podatkov, ker niso zasnovani za tako med seboj si različne podatke z mnogo manj strukture, prav tako jih organizacija sama ne zmore stroškovno in učinkovito hitro prilagajati podatkovnim potrebam. Tradicionalno procesiranje podatkov v analitične namene (Slika 3) poteka po točno določenem vrstnem redu. Vsaka organizacija uporablja različne poslovne rešitve za zbiranje svojih podatkov. Te rešitve so lahko: CRM, celovite informacijske rešitve (angl. Enterprise Resource Planning; v nadaljevanju ERP), upravljanje oskrbovalnih verig (angl. Supply Chain Management; v nadaljevanju SCM), pa tudi rešitve, ki so prilagojene potrebam za upravljanje s financami organizacije. V teh rešitvah se hranijo ogromne količine podatkov o odjemalcih, dobaviteljih, proizvodnji in zaposlenih. Tukaj so orodja, ki integrirajo podatke, podatke iz takšnih aplikacij kasneje prenesejo v podatkovna skladišča, ta proces običajno poteka načrtovano vsak dan ali vsak teden, ali pa celo pogosteje. Administrator podatkovnega skladišča iz podatkov v podatkovnem skladišču najprej ustvari poročilo, prilagojeno rednim potrebam, prav tako pripravi nadzorne plošče in druga vizualizacijska orodja za direktorje in vrhovni management. Poslovni analitik z orodji podatkovne analitike tako sprosti zagon napredne analize področnih podatkovnih skladišč (angl. Data Mart) – t. i. funkcijski silosi. Podatke obdela poslovni uporabnik brez strokovnega znanja o procesiranju in podrobnem analiziranju podatkov. Ta izvede le osnovno vizualizacijo podatkov in analitiko podatkovnega skladišča, pomaga pa si s pomočjo končnih orodij za poslovno poročanje. Kadar uporabnik poročila želi pridobiti več podatkov glede določene informacije, pa začne s podatkovnim rudarjenjem. Danes organizacije poskušajo slediti trendu modrih barv in kvadratnim, preprostim oblikam, s čim bolj osnovnim, začetnim besedilom (Kelly, 2014).

9

Slika 3: Tradicionalna poslovna analitika

Vir: (Kelly, 2014)

Večinoma že znanih podatkov oziroma podatke iz notranjih virov organizacije analizira t. i. tradicionalna analitika. V podatkovnih skladišč se uporabljajo postopki ekstrakcije, transformacije in nalaganja (angl. Extract, Transform and Load; v nadaljevanju ETL), kar pomeni, da so podatki, preneseni v podatkovno skladišče, strukturirani in v skladu s poslovnimi metapodatki3, kar pa tudi pomeni, da imajo lastnost kakovosti in normalizacije. Ker pa se danes dogaja mnogo velikih sprememb v količini in potencialu današnjih podatkov, organizacija potrebuje preprostejše načine upravljanja informacij. Ko se organizacija

začne

soočati z na stotine gigabajti podatkov, mora ta preučiti celoten pristop upravljanja (strateško, operativno in kulturno), ter se odločiti, katere podatke bo uporabila in na kakšen način. Večina organizacij pri pridobivanju vrednosti iz velike količine podatkov napreduje počasi. Pri nas lahko srečamo tudi organizacije, ki poskušajo za velike količine podatkov uporabiti tradicionalne pristope upravljanja podatkov, konča pa se pri spoznanju, da stara pravila ne pridejo več v poštev na novih količinah podatkov (Medved, 2014).

3 Metapodatek je podatek, ki vsebuje informacije o nekem podatku in ni del le-tega. Primer metapodatka je dimenzija fotografije, vendar ni del slike (Wikipedija, 2016a).

10

2.3.2 Začetki analiziranja velikih količin podatkov

Pojem velike količine podatkov je prisoten nekje 4 leta, večina organizacij danes razume, da če zajamejo vse podatke, ki se pojavijo v njihovem poslovanju, lahko s pomočjo poslovne analitike pridobijo pomembno dodano vrednost le teh. Prav tako se je ta pojem pojavil že leta 1950 in ponekod so že uporabljali ta izraz, vendar so organizacije uporabljale osnovno analitiko (številke v preglednici, ki so bile ročno pregledane), ki se je s časom spreminjala, organizacije pa so bile deležne novih spoznanj in trendov. Nove ugodnosti, ki so mnogo velikih podatkovnih analitik prinašale »na mizo«, pa so bile hitrost in učinkovitost. Že pred nekaj leti naj bi organizacije zbirale podatke, ki bi jih lahko uporabile za prihodnje odločitve, a danes lahko takšno poslovanje definiramo kot vpogled za takojšnje odločitve. Sposobnost za hitrejše delo – in ostati agilen – daje organizaciji konkurenčno prednost, česar prej ni imela (SAS Institute Inc, 2016).

Kakor velika količina podatkov je bil tudi razvoj analitik mogoč po številu ključnih inovacij. Napredek v shranjevanju in zmogljivost v predelavi sedaj pomeni, da imamo dostop do velikega nabora podatkov, ki ga v preteklosti nismo imeli ali ga nismo znali uporabiti. Poznana so seveda boljša omrežja za povezovanje podatkov, določenih skupaj za analizo in nove programske opreme, kot so MapReduce, Big Table in Hadoop, ki dovoljujejo razčlenitev podatkov za analizo. Če je organizacija v preteklosti želela dostopati do podatkov ali imeti možnost pridobiti vpogled v te podatke, so morali podatki biti strukturirani v relacijske podatkovne baze in je bilo potrebno uporabiti orodje – »SQL (angl. Structured Query Language) poizvedbo« in izvleči vsakršno vrednost. Danes ni več tako. Podatki so lahko v skoraj kateri koli obliki, lahko so strukturirani/nestrukturirani, besedilni, avdio, video, senzorični podatki, predstavljeni so lahko grdo ali lepo in lahko hkrati iz njih pridobimo pravo vrednost (Marr, 2015a).

Marr (2016, str. 106) predstavi spodnjo mejo: podatki so lahko informacije. Tukaj je mnogo načinov, da informacije obstajajo in/ali so lahko predstavljene:

besedilni podatki (vključene so številke),

zvočni podatki (avdio datoteke in glasba),

slikovni podatki (slike in grafika),

video podatki (kombinacija zvočnih in vizualnih),

senzorični podatki.

Besede, števila, slike, fotografije, pogovori, zvoki in video so zelo dobro znani in očitni viri podatkov ali informacij. Sprejemljivi posamično ali skupinsko, nudijo zakladnico informacij. Obstajajo tudi informacije, proizvedene iz senzorjev, na stvareh, ki jih niti nikoli ne štejemo za informacije osebnih lokacij prek globalnega sistema pozicioniranja (angl. Global Positioning System; v nadaljevanju GPS), senzorji v mobilnem telefonu, vibracije motorja ali temperatura oceana zadnje nedelje. Nekdo nekje trenutno ve vse našteto, ker se podatki iz senzorjev preoblikujejo v količinski format podatkov, ki jih je mogoče analizirati. In kot so senzorji vedno na voljo za vse, kar iz avtomobilskega motorja do hladilnika v stanovanju, televizorja. Podatki, ki jih lahko sedaj analiziramo, predstavljajo pravo eksplozijo le teh. Ti podatki so pogosto v kombinaciji z eno ali nekaj bolj tradicionalnimi podatkovnimi bazami. Ta dogajanja v zadnjem času odpirajo latentno vrednost v gospodarstvu in družbi. Samo ti sklopi podatkov ali podatkovne točke so lahko

11

zanimive, vendar prava spoznanja pridejo, ko se uporabljajo analitični podatki, ki jih združimo in ekstrahiramo v večjo vrednost kot samo vrednost originalnih podatkov (Marr, 2015a).

Med najpogostejše tipe analitike sodijo (Marr, 2015a):

besedilna analitika,

govorna analitika,

video/slikovna analitika.

Besedilna analitika zajema elektronska sporočila, spletne preglede, objave iz raznoraznih socialnih omrežij, opombe agentov klicnega centra in veliko število drugih pisnih povratnih informacij, saj imajo vsi vpoglede v želje in potrebe odjemalca. Te vpoglede lahko organizacija vidi le, če jih zna na pravilen način pridobiti, shraniti, obdelati in vizualizirati. Besedilna analitika je način za pridobivanje pomena nestrukturiranega besedila in odkrivanje vzorcev in tem. Besedilna analitika je ključ do uspešnega programa upravljanja izkušenj odjemalca (Clarabridge, 2016).

Govorna analitika bi morala biti na čelu vsake organizacije, saj ta prenaša obveščevalne podatke, pridobljene iz velikih količin podatkov, ne samo koristnih, ampak tudi izpodbojnih v realnem času. Govorna analitika ponuja možnost ustvarjanja pomembnih govornih podatkov in interakcijskih trendov za pomoč organizaciji pri izboljšanju storitev, zmanjševanju stroškov in rasti prihodkov v njihovem kontaktnem centru ter na drugih poslovnih področjih. Prvotno imenovano avdio-rudarjenje, v katerem so bile zvočne datoteke, je le-ta pretvorila v besedilo, da je bilo omogočeno iskanje določenih besed ali besednih zvez. Govorna analitika zdaj vključuje poglobljeno iskanje, ki temelji na fonetikih s sposobnostjo za odkrivanje določenih občutkov, izraženih ob telefonskem klicu. Stare tehnike avdio-rudarskih ponudnikov so imeli ujemanje natančnosti okoli 50 odstotkov. Današnja tehnologija govorne analitike pa se ponaša z natančnostjo, večjo od 80 do 90 odstotkov. Z izboljšano natančnostjo si govorna analitika prizadeva izboljšati hitrost, s katero se dostavijo rezultati. Poslovna inteligenca se lahko zagotovi v skoraj realnem času, kar pripomore k poslovnim odločitvam uporabnika. Zaradi izboljšane tehnologije in zmogljivosti govorna analitika predstavlja zrel trg, ki je še vedno v fazah sprejemanja znotraj klicnega trga (Vreede, 2014).

Video/slikovna analitika se nanaša na trenutek, ko možgani hkrati obdelajo milijone slik, gibanj, zvoka in drugih ezoteričnih informacij iz več virov. Človeški vid je bogat in močan, omogoča nam prepoznavanje in interpretacijo velikih količin podatkov že samo s pogledom. To je tako rekoč popolna integracija v naših možganih. Kamere ustvarjajo fizične posnetke. Skozi stoletja so se te razvile iz surove, statične, enobarvne evidence visoke resolucije digitalnega videa, a razlaga videa je še vedno v veliki meri uganka za možgane. Današnja velika računalniška infrastruktura se še vedno bori s tem, da analizira videoposnetek v realnem času. Video/slikovna analitika hitro odpravi te omejitve in odpira možnosti za zagotovitev koristi te vizije v našem vsakdanjem življenju. Z vizijo bodo stroji zmožni preseči zgolj izvajanje posebnih, dobro opredeljenih nalog. Ti bodo lahko »videli« in zaznali podatke iz slik in videoposnetkov na svoj dinamičen način, iz

12

katerega se bodo nenehno učili in akumulirali znanje, kakor podobno delamo ljudje (Prabhat, 2016).

2.3.3 Arhitektura analitike velikih količin podatkov

Glede arhitekture velikih količin podatkov so mnenja zelo deljena, saj nekateri menijo, da je ta fenomen povzročil zastarelost podatkovnega skladišča, v nasprotju pa Chan (2013, str. 8) kljub temu meni, da pa le-ta ostaja ključna tehnologija analitike velikih količin podatkov, predvsem strukturiranih podatkov. Chan je mnenja, da obstaja povezanost med podatkovnim skladiščenjem in Hadoopovo arhitekturo za velike količine podatkov: nestrukturirani podatki so lahko hranjeni v Hadoop-u in MapReduced, sledi korak integriranja podatkov s podatkovnim skladiščem za kasnejše analitično procesiranje, hkrati je lahko podatkovno skladišče vir za kompleksna in zapletena Hadoop opravila, to pa hkrati povečuje masivne paralelne zmogljivosti obeh sistemov. Iz pametnih telefonov ali GPS naprav lahko tudi kombiniramo realno-časovne lokacijske podatke z zgodovinskimi podatki, ti pa predstavljajo vir podatkovnega skladišča in na takšen način zagotovimo na primer prodajalcem realno časovna spoznanja za ciljno promoviranje izdelkov za določenega individualnega odjemalca.

Sherman (2013, str. 5-6) trdi, da organizacija lahko prav tako kombinira na primer nestrukturirane podatke v sistemih velikih količin podatkov s strukturiranimi transakcijskimi podatki, tako zagotovi kompleksen in celoten pregled nad poslovanjem, kar posledično pripelje do uvedbe analitične aplikacije, ki je lahko vir dragocenih spoznanj in ugotovitev. To pa kasneje vodi do izboljšanja poslovnih procesov in zato povečanja prihodkov. Ker vsaka podatkovna integracija zahteva določeno arhitekturo, jo zahteva tudi zgoraj omenjena, ki bo vključevala obe vrsti podatkov. Najbolje bo, če organizacija uporabi mešano arhitekturo, ki naj bi bila sestavljena iz naslednjih komponent:

Hadoop in druga orodja za hranjenje, upravljanje in analiziranje nestrukturiranih podatkov.

Podatkovna skladišča, tudi področna podatkovna skladišča za shranjevanje transakcijskih podatkov in združenih rezultatov analitičnih procesov nestrukturiranih podatkov.

Analitične podatkovne baze, ki so razmeroma samostojne in služijo izvajanju kompleksnih podatkovnih analiz.

Tehnologije za integracijo podatkov - orodje ETL; programska oprema za virtualizacijo podatkov in Hadoop priključki, ki služijo povezovanju informacij na različnih platformah in njihovo dostavljanje podatkovnim analitikom ter uporabnikom.

Orodja za poslovno obveščanje in analitiko.

Dodano bi še lahko bilo orodje za vizualizacijo prav vseh podatkov.

Chan (2013, str. 7) pojasni (Slika 4) arhitekturo analitike velikih količin podatkov, ki jo razdeli na analitiko strukturiranih in analitiko delno ter nestrukturiranih podatkov. Strukturirani podatki so zajeti skozi različne podatkovne vire, z ETL procesom pa pridejo do podatkovnega skladišča. Za izboljšanje poslovanja organizacije pa lahko uporabimo orodja tradicionalne BI za paketno analitično obdelavo (na primer sprotna analitična

13

obdelava (angl. Online Analytical Processing; v nadaljevanju OLAP), podatkovno rudarjenje, poizvedbe in poročanje). Nestrukturirani in delno-strukturirani podatki so naloženi v porazdeljen datotečni sistem Hadoop (angl. Hadoop Distributed File System; v nadaljevanju HDFS). MapReduce poskrbi za napake odpornega ogrodja za porazdeljeno izvajanje v HDFS. Vpogled v podatke, ki bodo povzročili določeno izvedbo, je posledica Hadoop-MapReduce analitike in BI analitike, ki se lahko izrabi ob operativnih in analitičnih aplikacijah. Ker Hadoop ni ustrezen za procesiranje dogodkov v realnem času, se zato priporoča geoprostorska inteligenca za izboljšanje kakovosti predvidene analize. Tudi strukturirani poizvedovalni jezik (angl. Not Only Structured Query Language; v nadaljevanju NoSQL) podatkovnih baz je lahko dokumentno usmerjena podatkovna baza in jo lahko uporabimo skupaj s Hadoop za spretno branje Hadoop podatkov. Ugotovitve, ki jih lahko pridobimo z analitiko v realnem času, lahko apliciramo za poslovanje in sprejemanje odločitev v realnem času.

Slika 4: Arhitektura analitike velike količine podatkov

Vir: (Chan, 2013)

14

2.4 Vizualizacija velikih količin podatkov

Podatkovna vizualizacija je bila prvič omenjena leta 1993 v knjigi »Visual Cues: Practical Data Visualization«, avtorjev Peter R. Keller in Mary Keller.

Ljudje mnogokrat hitreje razumemo podatke, če so le ti predstavljeni grafično, kakor če so le zapisani kot vrstice in stolpci številk v preglednici. Zato imamo tehnologije za vizualizacijo. Vizualizacija podatkov prav tako omogoča predvidevanje gibanja v prihodnosti. Organizacija bo iz podatkov iztisnila večjo poslovno vrednost le, če bo podatke učinkovito uporabila.

Vizualizacija podatkov sicer ni novejši trend, saj so uporabniki podatke vizualizirali že ob samem pojavu Excela, v katerem so to storili z grafi različnih vrst in oblik. Danes vizualizacija podatkov v novi generaciji orodij predstavlja bolj sodobno uporabniško naravnano izkušnjo, orodja so intuitivnejša za uporabo in hitrejše odzivna, vsebujejo pa tudi lepše oblikovane grafične komponente, več drugih grafikonov in funkcionalnosti. Orodja za vizualizacijo podatkov so tesno povezana z orodji za poslovno obveščanje. Glavna razlika pri poslovnem obveščanju meji na že bolj prilagojeno delo z vnaprej pripravljenimi podatkovnimi strukturami (dimenzijski podatkovni modeli, OLAP kocke), medtem ko gre pri orodjih za vizualizacijo podatkov bolj za možnost vključitve poljubnega vira podatkov. Koristnost vizualizacije podatkov pa je, ko organizacija išče področja poslovanja, ki izstopajo v pozitivnem/negativnem smislu, tudi kadar gre za vprašanja in strategije glede umeščanja izdelkov na trg, kaj vpliva na vedenje odjemalcev, pa tudi želeno predvideno gibanje prodaje v prihodnosti. Uporabnik vizualizacije podatkov tako hitreje sprejema poslovne odločitve, učinkoviteje posluje in je boljši v poslovni agilnosti (Medved, 2014).

Najprimernejši proces vizualizacije podatkov je proces, usmerjen v uporabnikov način razmišljanja, kadar gre za učinkovito raziskovanje in vizualiziranje podatkov. Uporabnik najprej preveri podatke in se prepriča, ali so pravilno zajeti in interpretirani. Po pregledu podatkov se uporabnik odloči, kaj sploh želi vizualizirati ter katere informacije želi sporočiti prejemniku vizualizacije. Poznati mora ciljno publiko prejemnika vizualizacije, željen način in posledično rezultat, da bo publika razumela in sprejela vizualizacijo. Orodja običajno sama ponudijo priporočeno vrsto grafikona, ki je najbolj primerna za določeno število, vrsto dimenzij in mere (Medved, 2014).

Nashriq s soavtorji (2012, str. 287-288) opredeljuje pet dejavnikov pri dobri podatkovni vizualizaciji operativnih preglednih plošč, ki jih prav tako lahko posplošimo na osnovno področje vizualne analitike podatkov:

1. Razumevanje. Informacije, predvsem ključne, ne smejo biti nepopolne, popačene, netočne; saj so ravne te podlaga za sprejemanje odločitev, kajti če bomo na podlagi nerealnih podatkov hitro ukrepali in sprejemali odločitve, lahko ogrozimo delovanje in tudi nadaljnji obstoj organizacije. Predstavljene informacije morajo biti prilagojene vlogi in interesu uporabnika organizacije na način, da jih bo ta razumel in posledično sprejel potrebne odločitve.

15

2. Oblikovanje in estetika. Tukaj morajo na primer grafikoni biti oblikovani na učinkovit, interaktiven, dinamičen način, v trendu barv, oblik in slogov. Uporabnik se bo osredotočil na pomembne dogodke in jih hitro prepoznal le, če bo uporabljena pravšnja mera estetike.

3. Vizualna podoba. Kadar želimo imeti strnjen pregled primerjave velikih količin podatkov, vizualna podoba odigra ključno vlogo. Grafikoni se običajno uporabljajo za kvalitativno podatkovno primerjavo, običajno v eni obliki, brez dodatnega tekstovnega opisa, ki lahko zmoti uporabnika pri določanju pomembnih podatkov. Mnogo podatkovnih točk je lahko predstavljenih z uporabo (običajno) enega podatka za določanje trenda ključnega podatka.

4. Zapomnljivost podatkov. Stopnjo zapomnljivosti podatkov skušamo izboljšati s premišljeno uporabo barv in grafikonov. Uporabnik si bo skušal zapomniti tisti podatek, ki je grafično in barvno najbolj poudarjen, predvsem kadar je prikazanih veliko in preveč pomembnih podatkov.

Tako kot se povečuje količina podatkov, morajo tudi orodja za vizualizacijo in analizo podatkov postajati vse bolj zmogljiva. Predstavitev podatkov pri veliki količini podatkov in majhni količini podatkov je enaka, drugačne so le tehnologije, ki to omogočajo, saj gre pri veliki količini podatkov za milijone podatkov in so ravno zato potrebne zmogljivejše tehnologije, ki opravijo želeno vizualizacijo v sprejemljivem in odzivnem času. Kljub temu da se zdi vizualizacija preprosta, pa v ozadju vsekakor ni, saj skriva zahtevno in zmogljivo rešitev. Kljub temu da obstajajo orodja in tehnologije, ki omogočajo učinkovitejše delo, še vseeno ni prišel čas, ko bi nas nadomestile avtomatizirane rešitve in se »ravnale po intuiciji« sprejemanja odločitev (Medved, 2014).

16

3 REŠITVE CRM

Dober CRM integrira korporacijsko strategijo, poslovno metodologijo in tehnologijo za doseganje nešteto ciljev organizacije, ki želijo upravljati z odjemalčevim okoljem. Nobeno poslovanje ne zmore preživeti brez razumevanja svojih odjemalcev in imeti pozitivno naravnane zveze z njimi. CRM zagotavlja funkcionalnosti sprednje in zadnje pisarne (na primer marketing, prodaja, podpora odjemalcem), ki običajno ni na razpolago v tradicionalnih rešitvah ERP (Thompson & Motiwalla, 2012).

Zgodovina rešitve CRM je zelo kratka, ko gre za tehnološki vidik storitev odjemalcev. Čeprav marketinške akcije in strategije segajo daleč nazaj, se večina organizacij raje zanaša na splošna sredstva, da bi pritegnili potencialne odjemalce in pridobili njihovo zvestobo (Wingard, 2016).

Obstajajo trije osnovni tipi rešitve CRM, s številnimi hibridi vsakega izmed njih. Da bi organizacija vedela, kateri je najprimernejši za njo, ta potrebuje vsaj osnovno razumevanje vseh treh. Osnovne tri vrste rešitve CRM so strateški CRM, analitični CRM, operativni CRM. Rešitve CRM so se izkazale za dobro pomoč pri začetni prodaji izdelkov in storitev in hkrati vodijo do bolj zadovoljnih odjemalcev (Tucker, 2015).

V nadaljevanju opredelimo strategijo rešitve CRM, ki se mora skladati s cilji organizacije in upoštevati deset temeljnih dejavnikov za uspešno uvedbo rešitve CRM, saj je v nasprotnem primeru uvedba rešitve CRM neuspešna.

Na trgu se je v zadnjih desetletjih zelo dramatično spremenil način poslovanja, ki je danes dosegel, da je ravno odjemalec tisti, ki izbira dobavitelja. Pred nekaj desetletji je odjemalec lahko izbiral med le nekaj vrstami določenega izdelka/storitve, danes pa tej izbiri ni meja (v nadaljevanju navedemo vodilne ponudnike rešitve CRM). Ponudba se oblikuje glede na povpraševanje, in ker so odjemalci danes vedno bolj zahtevni, je postal zahtevnejši tudi trg. Če organizacija ne posluje elektronsko, pomeni, da bo v prihodnje začela stagnirati. Kakor se trg prilagaja tržnim razmeram, tako se tudi rešitev CRM prilagaja e-poslovanju (Salim, 2008).

3.1 Opredelitev rešitve CRM

CRM si lahko predstavljamo kot filozofijo, in sicer kako pridobiti in obdržati odjemalce. Prav tako je CRM koncept in poslovna strategija. V določeni organizaciji, kjer je ta usmerjena k odjemalcu, je CRM način poslovanja, ki omogoča konkurenčno prednost, saj zajame povezave z obstoječimi in potencialnimi odjemalci, dobavitelji, partnerji. Danes ta filozofija ni več konkurenčna prednost, kakor je bila nekoč, temveč predstavlja manjkajoči del pri poslovanju, saj ni prisotnega 360° pogleda na odjemalca, ker je CRM strategija prilagodljiva, fleksibilna in povezljiva. Ne gre samo za prodajo, temveč globlji odnos. Pojem 20/80 v poslovanju pomeni, da 20 % določenih odjemalcev doprinese 80 % celotnega prihodka organizaciji, medtem ko preostalih 80 % odjemalcev doprinese preostalih 20 % celotnega prihodka organizaciji. In ravno zato želimo s CRM strategijo še bolje povezati in vzdrževati teh izjemno »močnih« 20 % odjemalcev. Vsebino prenašanja sporočil opravlja operativni CRM, medtem ko ločitev 20 %/80 % opravi analitični CRM.

17

Pri rešitvi CRM gre za interakcijo med ljudmi (uporabniki rešitve CRM), tehnologijo in strategijo (Deželak, 2015a).

Kadar je govora o rešitvi CRM, gre vzporedno za računalniško programsko opremo, oblikovano za vzpostavitev in oblikovanje dolgoročnega odnosa. Trud za vzpostavitev je v smiselni povezavi z odjemalčevimi karakteristikami. Cilj za vzpostavitev odnosa je v vzpostavljanju zaupanja med odjemalcem in kupcem, ki sta vodilo lojalnega obnašanja in hkrati člena za dogovor v smiselni globlji obveznosti. Zaupanja in lojalnosti še ni moč kupiti, temveč morata temeljiti na pozitivnih izkušnjah. Samo kadar se odjemalec pravzaprav uči skozi različne situacije poslovnega odnosa, se na ta način organizacija obnaša k odjemalcu usmerjenim načinom in tako pridobi njegovo zaupanje. Zavestna odvrnitev od tradicionalnega pogleda konvencionalnega marketinga je povezana tudi s poudarkom na odnosu z odjemalci. Ta konvencionalna vrsta marketinga je bila primarno usmerjena na pridobitev odjemalcev in izvedbo izoliranega posameznega poslovanja. Temeljna podlaga za premik v smeri odnosa usmerjenosti je vrednost, da je pridobivanje novih odjemalcev povezano z izjemno visokimi naložbami na zrelih trgih, z minimalnimi stopnjami rasti in da izguba odjemalcev slabi samo organizacijo in tako krepi konkurenco. Zaradi tega, kar je pomembno, ne le za zmago odjemalca kot v fazi pred nabavo, temveč za spremljanje njih skozi nakup in faze uporabe, jih vezati čim dlje, tudi tja, kjer so ponujene rešitve za težave tistim, ki so se obrnili zaradi njihovih različnih potreb (Seidel, 2004).

CRM obstaja, odkar se je prvič pojavil ta izraz. V preteklosti je trgovec v mali vasi poznal vse svoje odjemalce in tudi predmete, za katere so bili posamezni odjemalci zainteresirani. Tako je lahko bil prepričan v svoje imetje, saj je točno vedel, kakšne so potrebe njegovih odjemalcev. Prav tako je lahko bil v vlogi svetovalca, ob upoštevanju, da imajo odjemalci posebne preference. CRM je strategija, ki omogoča organizacijam opredeliti odjemalce, jih pritegniti in obdržati. Cilj je povečati zadovoljstvo odjemalcev, s čimer se posledično povečuje profitabilnost organizacije. Vsaka organizacija lahko sama razsodi, v čem se razlikuje od drugih organizacij, glede na odjemalce, ki jih ima (Hoeven, 2009).

Kovačič, Groznik in Ribič (2005) utemeljujejo, da se skozi mnogo funkcijskih področij danes pojavljajo procesi, ki vsebujejo neposreden stik z odjemalci in tradicionalno zavzemajo področja trženja, prodaje in storitev. Kljub temu da je kakršnakoli delitev procesov v nekaj kategorij v nasprotju s prednostmi procesnega razmišljanja, se bomo omejili na procese odnosov z odjemalci. Ti procesi so posledično v odvisnem razmerju v ozadju (na primer proizvodnje, logistike in finančnih procesov). Obravnavali bomo tri vrste procesov (Slika 5). To so trženjski, prodajni in storitveni procesi. Trženjski procesi naj odjemalca napeljejo k odnosu, lahko bi rekli tudi transakciji z organizacijo, drugi so usmerjeni k nakupu odjemalca, slednji pa predstavlja poprodajne aktivnosti. V nekaterih organizacijah te aktivnosti tvorijo en proces, v drugih so razčlenjene v tri ali tudi več procesov. V vsakem primeru so povezani z informacijskim tokom. Kadar govorimo o organizaciji odjemalca, govorimo ali o managementu naročil ali servisiranju odjemalca. Ob načrtovanju takšnih procesov morata sodelovati obe strani – odjemalec in ponudnik (dobavitelj). Pri tem pa se vsekakor pojavljajo ovire, saj imajo ponudniki več odjemalcev, težko pa je izdelati proces, ki bi enako zadovoljil vse.

18

Vplivanje na organizacijo sodelujočega partnerja je zelo oteženo in je potrebno res dobro sodelovanje, da lahko procesi stečejo nemoteno.

Burnham (2013) pojasnjuje, da z rešitvijo CRM lahko organizacija shranjuje odjemalčeve in možne kontaktne informacije, račune, prav tako pa vodi in prodaja priložnosti iz enega osrednjega mesta, idealno v oblaku, kjer so informacije dostopne v veliki meri in v realnem času. Medtem ko dandanes rešitev CRM najverjetneje ne izzove tako velikega navdušenja, kot to počnejo razne mrežne platforme (na primer Facebook ali Twitter), je vsaka rešitev CRM, podobno, zgrajena okrog ljudi in odnosov med njimi. In točno zato so tako dragocene za hitro rastoče organizacije.

Slika 5: Procesi odnosov z odjemalci

Vir: (Anderson, 2013)

Rešitev CRM je večplastna platforma, kjer so shranjene vse stvari, ki so ključne za razvoj in ohranjanje odnosov z odjemalci. Brez podpore za rešitev CRM poslovna razmerja zgledajo in delujejo bistveno drugače. Če si predstavljamo manjkajoče stike z odjemalci in pomembne informacije glede njih, to organizacijo nauči, da zamuda organizacije porine odjemalca v roke svojega najradikalnejšega konkurenta. Slika dveh najboljših odjemalcev, ki si prizadevata za enake možnosti, izhaja v zmoti potencialni odjemalec, kjer je prisotne nekaj neprijazne konkurence znotraj poslovanja. Brez centraliziranega programa se organizacija prijavi in sledi interakciji z odjemalci, v nasprotnem primeru organizacija zaostaja za načrtom in v stikih (Microsoft, 2016).

3.2 Zgodovina CRM

V prejšnjem stoletju so bili procesi dobro prilagojeni vodenju odnosov z odjemalci. Še pred pojavom velikih blagovnic so trgovci dodobra poznali svojo trgovino, prav tako je trgovina poznala svoje odjemalce, poznali so jih tako po imenu kot tudi njihove želje in

19

potrebe. Odjemalci so sčasoma postajali mobilnejši, rastli so trgovski centri, prodajalci pa so s pomočjo masovnega marketinga izkoristili prednosti ekonomije obsega. Cene so postajale nižje in dobrine vedno bolj uniformirane v kvaliteti. Prav tako je odnos med prodajalcem in odjemalcem postajal vedno bolj neoseben in brezbrižen. Tudi osebni odnos pri prodaji je izginil. Rezultat tega je naslednji. Odjemalci postajajo vedno bolj nezanesljivi in nestalni, vedno znova si iščejo novega dobavitelja (Berglez, 2005).

V zadnjih nekaj letih je v odgovor na nelojalne odjemalce zrastel pomen CRM-ja kot novega poslovnega pristopa. Njegov cilj je ponovna vpeljava osebnega marketinga v poslovno okolje. Koncept je dokaj enostaven: raje tržiti masi ljudi ali masi podjetij kot tržiti vsakemu odjemalcu posebej. Gre za pristop »ena na ena« ter za uporabo informacij o odjemalcih, oblikovanje takšnih ponudb, ki jih bo odjemalec verjetno sprejel, takšen pristop je omogočil tudi napredek na področju IT (Berglez, 2005).

CRM zajema vse funkcije v organizaciji (marketing, proizvodnjo, servisiranje odjemalcev, terensko prodajo in terenske storitve), ki so posredno ali neposredno potrebne za kontakt z odjemalci (Berglez, 2005).

Pred letom 1993 je pojem CRM vseboval dva zelo velika segmenta trgov (Berglez, 2005):

1. Podpora za avtomatizacijo prodaje; 2. Podpora za servisiranje odjemalcev.

Prvi segment trga se je razvil z namenom nudenja podpore prodajnemu osebju pri obvladovanju točk stikov z odjemalci in s preskrbo prodajnega osebja s koledarji vseh predvidenih dogodkov, povezanih z odjemalci. Pomen tega prvega segmenta se je razširil z vključitvijo priložnostnega managementa, ki podpira metodologijo prodaje in integracijo z drugimi funkcijami organizacije (npr. s proizvodnjo). Drugi segment trga je namenjen zadovoljevanju odjemalcev po prodaji. Cilj podpore odjemalcev je kar se da hitra in učinkovita razrešitev notranjih, kot tudi zunanjih problemov odjemalcev. S hitrimi in točnimi odgovori odjemalcem si lahko organizacija prihrani stroške in si poveča lojalnost odjemalcev ter izkupiček. Danes CRM vsebuje vse aplikacije, povezane z odjemalci, poleg obeh segmentov trgov še management prodaje in marketinga in management stikov in aktivnosti (Berglez, 2005).

Marketing in prodaja, temeljni področji v vsaki organizaciji, sta se v zadnjih letih zelo spremenili. Danes potencialni odjemalci večino nakupnega procesa opravijo, še preden se srečajo s prodajalcem. Internet odjemalcem omogoča, da lahko podrobno preučijo posamezne izdelke in storitve in zato se odločitev o nakupu mnogokrat zgodi že pred prvim stikom s prodajalcem. Ravno zaradi teh spremenjenih okoliščin je še toliko bolj pomembno, da je prodajni proces čim bolje podprt z določeno rešitvijo za CRM. To organizaciji namreč zagotavlja, da s potencialnimi in z obstoječimi odjemalci vzpostavi odličen poslovni odnos, ki se kasneje odraža v lojalnosti odjemalcev na dolgi rok (Bauman, 2015a).

Berglez (2005) tudi povzema, da se CRM (še zmeraj) spreminja in razvija že od njegovih samih zametkov. Na začetku je bil osredotočen od znotraj navzven. Tako usmerjen je

20

prepotoval tri stopnje svojega razvoja, in sicer: stopnjo tehnologije, stopnjo integracije in stopnjo procesov. Zadnja obdobja spremljamo velik premik k četrti stopnji razvoja CRM-ja, ki je, za razliko od predhodnih treh, usmerjena od zunaj navznoter. Tukaj gre za CRM, osredotočen na odjemalca. Ta pristop pa skriva tudi finančne obete.

Danes je pomembno, da organizacija sledi in se prilagaja sodobnim poslovnim trendom. Za svoj posel mora izkoristiti možnosti, ki jih ponuja internet, digitalni marketing in preostale sodobne informacijske rešitve, ki pripomorejo k iskanju novih odjemalcev. Danes so uspešne tiste organizacije, ki znajo za prodajo svojih izdelkov in storitev izčrpati sodobne tehnološke pristope in rešitve. Sem pa sodijo tudi rešitve CRM, ki so danes nujno potrebne, če želi organizacija ustvariti dobre odnose s svojimi odjemalci (Bauman, 2015a).

3.3 Vrste CRM

Ločimo tri vrste informacijskih rešitev, ki podpirajo aktivnosti v zvezi z odjemalci pri poslovanju organizacije, te vrste so: operativni CRM, analitični CRM in sodelovalni CRM. Podrobneje so pojasnjeni v nadaljevanju (Kovačič, Groznik, & Ribič, 2005).

Operativni CRM podpira operativno raven, sem štejemo podporo prodaji, trženjskim in storitvenim dejavnostim ter sprejemanju naročil. Sem sodi tudi vzpostavitev klicnega centra in raznih spletnih portalov. Gre za operativno raven podatkov o posameznih odjemalcih, proizvodih in transakcijah. Ta raven zagotavlja podporo vsem vrstam komuniciranja z odjemalcem (preko pošte, telefona, interneta, posrednikov, terenskih prodajalcev). Programske rešitve, ki podpirajo operativno usmerjeno rešitev CRM-ja, so del t. i. programske opreme sprednje pisarne.

Analitični CRM vsebuje programske rešitve za management poslovne učinkovitosti (na primer analiza povpraševanja, dobičkonosnost proizvodov in storitev, analize trženjskih akcij in učinkovitost prodaje). Ta raven skrbi za vzdrževanje agregatnih podatkov o analizah prodajnih kampanj, tržnih segmentov, ključnih odjemalcev in skupin proizvodov. Značilna je uporaba podatkovnega rudarjenja. Gre za ustvarjanje boljšega odnosa in izkušnje s končnimi uporabniki.

Sodelovalni CRM omogoča organizaciji uporabo kombinacije novejših in tradicionalnih tehnologij za interakcijo in sodelovanje z odjemalci, med uslužbenci in s poslovnimi partnerji organizacije. Vključuje elektronsko pošto, spletne strani, klicne centre in možnost osebnega komuniciranja.

Različne vrste rešitve CRM ponujajo različne ugodnosti za samo organizacijo. Preden začne organizacija uporabljati določeno vrsto rešitve CRM, je pomembno, da pogleda na svoje dolgoročne cilje in strategije, ki jim želi slediti s svojim delovanjem. Pomembno je, da se prepriča, da je izbrana določena rešitev CRM najboljša možnost za povečanje obsega prodaje in povečanje poslovanja organizacije (Rasheed, 2014).

Vse ravni oz. vrste se med seboj prepletajo. Uspešen CRM zahteva tudi povezavo z vsemi drugimi programskimi rešitvami in procesi v organizaciji (angl. Enterprise Application Integration, v nadaljevanju EAI) ter hkratno povezavo z zunanjimi partnerji, dobavitelji in distributerji (Kovačič, Groznik, & Ribič, 2005).

21

3.4 Strategija CRM

Kovačič, Groznik in Ribič (2004) pojasnjujejo, da strategija praktično vpliva na vse poslovne procese v organizaciji in hkrati spreminja vse aktivnosti v zvezi z odjemalci in za njih. Sestavljena je iz treh skupin različnih dejavnosti, lahko bi rekli tudi treh vrst informacijskih rešitev, ki te dejavnosti podpirajo, in sicer: analitični CRM, operativni CRM, svetovalni (kolaborativni) CRM. Medtem ko je načeloma lahko pojasniti, kaj CRM je in kako lahko organizaciji koristi, pa se običajno zaplete pri njegovi realizaciji, saj ocene vodilnih raziskovalnih podjetij navajajo, da je 50 % - 80 % uvajanj neuspešnih in le redka raziskovalna podjetja na koncu uspejo namero o osredotočanju na odjemalca preoblikovati v poslovno realnost, zato se izpostavljajo trije vzroki:

1. Pretekli poslovni modeli niso zahtevali dovolj osredotočanja na odjemalca. 2. Tehnologija, ki omogoča CRM, je mlada in draga. 3. Odpor sprememb v organizacijah ostaja še vedno zelo velik.

Večina organizacij v prvi vrsti CRM opredeljuje kot izdelek, vendar CRM ni izdelek, temveč poslovna strategija, ki zahteva obstoj integriranega pogleda na odjemalca. Da pa lahko udejanjimo CRM, ta zahteva razvoj vrste integriranih rešitev, ki se povezujejo s področji avtomatizacije storitev, dela na terenu, prodaje in trženja, pri tem pa se moramo njihove izgradnje lotiti na zdravih temeljih. Tehnologija pa predstavlja le en dejavnik uspešnega pretvarjanja CRM v prakso. Uvedba CRM prav tako vključuje preoblikovanje funkcijskih vlog v organizaciji, prenovo poslovnih procesov, motiviranje zaposlenih in šele proti koncu dejansko uvedbo potrebnih tehnologij. Možnosti neuspeha pa se bistveno zmanjšajo, če organizacije upoštevajo KDU in se projekta uvajanja lotijo na pravi način (Kovačič, Groznik, & Ribič, 2005).

Strategija CRM mora biti predstavljena vzporedno s cilji organizacije, ki povzamejo trenutno stanje in pokažejo, kako se bo poslovanje odvijalo v prihodnje. Strategija CRM mora obsegati tri dele. Najprej mora biti opredeljena destinacija – vizija družbe in cilji, ki izhajajo iz te vizije. Vizija bo kasneje močno odvisna od teh ciljev in družbe. Definicija CRM mora temeljiti na ciljih in strategiji, ki jih v celoti podpira vodstvo organizacije. Naslednji, drugi del strategije je revizija trenutnega stanja – spretnosti, viri, konkurenti in tudi partnerji. Kot treji del strategije mora biti opredeljena pot poslovanja, ki ji želi slediti organizacija. Ta pot lahko traja več let, zato je pomembno, da se že na začetku poti opredeli načrt te poti (Thompson & Scott, 2004).

CRM postaja pomemben komplementarni element trženjske strategije ravno zaradi tega, ker se v večini gospodarskih panog pojavlja veliko konkurentov, življenjski cikli proizvodov so krajši, diferenciacija proizvodov izginja, tehnološke inovacije pa se kopirajo z neizmerno hitrostjo. Za merjenje vidika poslovanja z odjemalci so najprimernejši naslednji generični kazalniki: tržni delež, ohranjanje odjemalcev, pridobivanje odjemalcev, zadovoljstvo in donosnost odjemalcev. Zagotavljanje zvestobe pa je odvisno od ponudb, na podlagi katerih odjemalci vrednotijo proizvode, nakupne izkušnje in ugled organizacije. Namen strategije CRM je maksimiranje nakupne izkušnje posameznega odjemalca glede na njeno donosnost. Tak način pa vpliva na izboljšanje odnosov z odjemalci, povečanje zvestobe, pridobivanje novih odjemalcev, večji obseg prodajnih

22

prihodkov in, ne nazadnje, večji ugled organizacije. Vpliv odnosov z odjemalci na njihovo zvestobo je temeljni predmet, ki ga obravnava strategija CRM. Zato je potrebo zagotoviti merjenje zvestobe odjemalcev in njen vpliv na obseg prodaje ter dobička v prihodnosti. Merjenje učinkovitosti izvajanja strategije CRM lahko opredelimo kot kazalnik, in sicer kot razmerje med razliko v številu odjemalcev ob koncu obravnavanega obdobja in številu novih odjemalcev, pridobljenih v tem obdobju ter številom odjemalcev na začetku obravnavanega obdobja (Kovačič, Groznik, & Ribič, 2005).

Strategija CRM je torej poslovna usmeritev, ki temelji na učenju vedenjskih vzorcev in preferenc odjemalcev ter hkrati spremljanju njihovega zadovoljstva z namenom izboljšaanja odnosov z odjemalci ter povečanju njihove zvestobe. Strategija CRM mora obravnavati naslednje kritične dejavnike (Kovačič, Groznik, & Ribič, 2005):

Vzpostavitev komunikacijske infrastrukture za učinkovito pridobivanje informacij.

Prepoznavanje individualnih odjemalcev.

Razlikovanje odjemalcev po vrednosti in njihovih potrebah.

Prilagajanje ponudb in načina komuniciranja zahtevam posameznega odjemalca.

3.5 Ključni dejavniki uspeha vpeljave CRM

Kot jih navajajo in ob enem pojasnjujejo Kovačič, Groznik in Ribič (2005) se ključni dejavniki uspeha strategije CRM v splošnem vežejo na področja poslovnih strategij, organizacijske strukture, organizacijske kulture, tehnologije in podpore vodstva:

1. Jasna opredelitev in široka podpora v prodajalca usmerjeni poslovni strategiji. Ta mora izvirati iz poslovnih potreb organizacije in njihove opredelitve odjemalca. Njena osnovna funkcija je promocija ideje CRM v celotni organizaciji in vzdolž vseh poslovnih funkcij. Da pa je to mogoče, je potrebno poskrbeti, da je strategija dobro razumljena in sprejeta na ravni celotne organizacije.

2. Postavitev merljivih poslovnih ciljev. Ti morajo biti kot osnova za izgradnjo funkcionalnih rešitev v sistemu CRM in morajo voditi k uresničevanju poslovnih strategij.

3. Jasno razumevanje zahtev naših odjemalcev. Bistvo poslovne pobude CRM je ravno v gradnji boljših odnosov z odjemalci. Vsi odnosi niso enako pomembni, za pravilno oblikovanje strategij, poslovnih aktivnosti in tehnologij pa je kritičnega pomena poznavanje vrednosti odjemalcev, njihovih potreb, zahtev in obnašanja. Bistveno je optimizirati odnose z odjemalci v smeri doseganja obojestranskih koristi.

4. Primerna organizacijska struktura in kultura. Obe morata težiti k odpravljanju meja, ki so se tradicionalno oblikovale med posameznimi funkcijskimi področji. Večja bo stopnja povezanosti in sodelovanja med funkcijskimi področji, boljše izkušnje bo organizacija zmožna zagotoviti svojim odjemalcem.

5. CRM-ju prijazno informacijsko okolje. Izvedbo strategije CRM omogoča napredna vloga informatike. Na CRM organizacija ne sme gledati kot na tehnološko pobudo. Izgradnja informacijskega okolja mora vedno izhajati iz poslovnih ciljev in usmeritev in ne obratno. Njegova glavna vloga je posredovati prave informacije pravim ljudem ob pravem času, na prava mesta.

23

6. Povezano delovanje množice tržnih poti. Današnji odjemalci zahtevajo možnost komuniciranja in izvajanja poslovnih aktivnosti preko različnih tržnih in komunikacijskih poti, pri čemer pričakujejo njihovo integracijsko delovanje. Organizacijska struktura in informacijsko okolje morata podpirati integrirano delovanje v smislu zagotavljanja optimalne izkušnje odjemalca prek meja funkcionalnih ovir in ovir, ki jih izraža uporaba različnih tržnih poti. Tukaj je najpomembnejša prenova ključnih poslovnih procesov v organizaciji.

7. Zavedanje velikega pomena zaposlenih in njihove motiviranosti. Zaposleni so sposobni spodbujati ali odpravljati napore organizacije pri uvajanju novih strategij. Potrebno je poskrbeti za široko sprejetje in podporo pri uvajanju novih sprememb in nove smeri razmišljanja s strani zaposlenih.

8. Podpora in sodelovanje vodstva organizacije igrata pri uvajanju osrednjo vlogo. 9. Strokovni način uvajanja rešitev CRM. Za celotno uvajanje morajo skrbeti za to

usposobljeni timi, ki so sestavljeni iz strokovnjakov z različnih področij. Manjkati ne smejo strokovnjaki s področja trženja, prodaje in informatike, prav tako je v projekt potrebno vključiti izkušene zunanje svetovalce in izvajalce z različnih področij, saj je zelo malo verjetno, da organizacija razpolaga z vsemi potrebnimi znanji za uspešno realizacijo projekta.

10. CRM je potrebno obravnavati kot neprekinjen proces uvajanja sprememb. V času uvajanja, zlasti potem, ko sistem zaživi, moramo velik poudarek nameniti merjenju, nadzoru in tudi spremljanju delovanja sistema, kateri služi pridobivanju povratnih informacij, na podlagi katerih lahko organizacija kasneje uvaja postopne izboljšave.

Zelo dobra popotnica je upoštevanje vseh desetih temeljnih dejavnikov, vendar ni tudi zagotovilo za uspešno uvedbo. Lahko bi rekli, da pravega »recepta« ni, saj nanj vpliva mnogo dejavnikov. Vsaka organizacija je prisiljena na podlagi poznavanja lastnega okolja in virov izoblikovati svoj način uvajanja, kjer so našteti dejavniki lahko v veliko pomoč (Kovačič, Groznik, & Ribič, 2005).

3.6 Cilji CRM

CRM je torej poslovna strategija, ki si prizadeva za maksimiranje vrednosti za organizacijo preko doseganja dolgoročne konkurenčne prednosti v obliki maksimiranja nakupnih izkušenj odjemalca. Značilna je izjemna usmerjenost k odjemalcem in merjenje vseh aktivnosti, ki so povezane z njimi, saj neposredno vplivajo na kreiranje vrednosti za organizacijo. Zato sta temeljna cilja CRM, ki ju je mogoče doseči prek maksimiranja nakupnih izkušenj odjemalca, naslednja: prvi cilj - povečati obseg prodajnih prihodkov ter drugi - zmanjšati obseg stroškov trženja, prodaje in prodajnih storitev (Kovačič, Groznik, & Ribič, 2005).

Prvi cilj se realizira z izboljševanjem zvestobe odjemalcev prek CRM. CRM temelji na njihovi donosnosti, zato zahteva dobro poznavanje odjemalcev in njihovih vedenjskih vzorcev, saj je le tako mogoče oceniti njihovo domnevno donosnost. Na podlagi ocenjene donosnosti se posameznim odjemalcem dodelijo ugodnosti, ki imajo lahko obliko nižjih cen, ugodnejših plačilnih in dobavnih pogojev ter pogojev jamstva. Ti instrumenti torej

24

omogočajo izvajanje naslednjih prodajnih taktik, ki vodijo k povečanju obsega prodajnih prihodkov organizacije (Kovačič, Groznik, & Ribič, 2005):

Prodaja dražjih oz. donosnejših proizvodov (angl. Up-selling), ki temelji na dejstvu, da so zvesti odjemalci pripravljeni plačati del cene, ki izhaja iz neekonomskih koristi.

Prodaja cenejših oz. manj donosnih proizvodov (angl. Down-selling), ki je smiselna pri odjemalcih z nižjo kupno močjo.

Drugi cilj pa temelji na predpostavki, da je ceneje zadržati obstoječe odjemalce kot pridobiti nove, hkrati pa so zadovoljni obstoječi odjemalci temeljni generator novih odjemalcev. Zadržanje obstoječih odjemalcev zahteva dobro poznavanje njihovih preferenc in vedenjskih vzorcev, zato je tudi obvezna uporaba informacijske tehnologije, ki podpira učinkovito podporo v obliki hitrejšega ter bolj kakovostnega zbiranja in obdelave podatkov ter pridobivanja in uporabe znanja o odjemalcih z namenom maksimiranja nakupnih izkušenj in kreiranja poslovne vrednosti za organizacijo. Poleg tega uporaba komunikacijske tehnologije omogoča vzpostavitev novih, cenejših komunikacijskih kanalov, ki omogočajo neposredno trženje z minimalnimi stroški. Hkrati se zmanjšajo stroški prodaje in prodajnih storitev, saj se obseg neposredne prodaje in povezanih storitev, ki se izvajajo skozi komunikacijski kanal, ki zahteva uporabo poslovnih prostorov in večji obseg človeških virov, zmanjša (Kovačič, Groznik, & Ribič, 2005).

Rešitev CRM lahko organizaciji zelo pomaga pri obvladovanju aktivnosti z obstoječimi odjemalci, a je organizacija še vedno tista, ki mora izbrati primeren produkt oziroma ustrezen trenutek za prodajo dodatnih izdelkov/storitev. Prav tako rešitev CRM težko neposredno pomaga pri skrajšanju nakupnega procesa ali pri podražitvi izdelkov/storitev. Rešitev CRM je del poslovnega cilja za povečanje prodaje. Zagotovo je v vsaki organizaciji nujno potrebna, vendar je za izpolnjevanje zastavljenih ciljev potrebno izboljšati tudi druge ravni poslovanja. (Bauman, 2015b).

3.7 CRM kot rešitev elektronskega poslovanja

CRM kot rešitev e-poslovanja je orodje, ki daje učinkovito podporo procesom CRM in zato posledično bistveno vpliva na učinkovitost izvajanja strategije CRM. Prednosti, izhajajoče iz tovrstnih tehnoloških rešitev, so: učinkovito komuniciranje z odjemalci in zato hiter zajem podatkov o stikih, odjemalcih in transakcijah, obdelava omenjenih podatkov ter oblikovanje prirejenih ponudb, ki zaključujejo komunikacijski krog med odjemalcem in prodajalcem. Tehnološka rešitev CRM je torej sestavljena iz dveh sistemov (Kovačič, Groznik, & Ribič, 2005):

1. Transakcijski sistem – skrbi za učinkovito komuniciranje in zajem podatkov; 2. Analitični sistem – skrbi za obdelavo podatkov in oblikovanje prirejenih ponudb.

Kovačič, Groznik in Ribič (2005) navajajo, da prvi sistem omogoča management vseh komunikacijskih kanalov, preko katerih poteka komuniciranje in opravljanje transakcij. Potrebno je zagotoviti usklajeno delovanje vseh komunikacijskih kanalov (na primer svetovni splet, klicni center, elektronska pošta, navadna pošta, osebna prodaja), kar pa na eni strani pomeni učinkovito zbiranje podatkov, ki so podlaga za delovanje

25

analitičnega sistema, na drugi strani pa posredovanje odjemalcem prirejenih ponudb, ki izhajajo iz analize predhodno zbranih podatkov.

Drugi sistem pa omogoča izvajanje analize zbranih podatkov, in sicer s polnjenjem podatkovnega skladišča, kjer se podatki preoblikujejo in dopolnijo z obstoječimi profili odjemalcev ter podatki demografskih in gospodarskih trendov. Tako pripravljeni podatki so dobra osnova za izvajanje analiz (kot so na primer segmentacija odjemalcev po vrednosti, segmentacija odjemalcev glede na potrebe, analiza nakupovalnih navad, analiza verjetnosti odziva na ponudbo). Takšne analize je potrebno izvajati redno, da so profili odjemalcev ažurni. Profil odjemalca je dokument, na podlagi katerega se izvajajo prirejene ponudbe. Sam profil je opredeljen z nizom podatkov, ki so demografske narave: starost, premoženje, spol, naslov, osebni interesi, ter s podatkov, izhajajočih iz analize transakcijskih podatkov: pogostost nakupov, vrednost nakupov, verjetnost nakupov posameznih vrst proizvodov. Vsebuje vse informacije, ki jih potrebuje generator ponudb4, da priredi ponudbe po meri odjemalcev. Oblikovanje ponudb zahteva fleksibilnost, ki zagotavlja odziv na spremembe profilov odjemalcev in poslovnih pravil ter učinkovit management vsebine, kot so podatki o proizvodih v različnih oblikah (na primer elektronske slike, ceniki, podatki o zalogah). Na podlagi profila odjemalca je potrebno torej oblikovati vse elemente ponudbe: proizvode oz. storitve, ki so predmet ponudbe, ceno, plačilne in dobavne pogoje ter jamstvo. Iz navedenih elementov je potrebno oblikovati ponudbo, ki jo je mogoče poslati skozi ustrezni komunikacijski kanal. Tako odjemalec, ko se prijavi v sistem spletne trgovine, dobi najnovejšo ponudbo v obliki spletne strani. Ponudba ima delno drugačno obliko, če je poslana z elektronsko pošto. V tem primeru ima praviloma obliko tekstovnega dokumenta, kamor so umeščeni kazalci, ki kažejo na spletne strani spletne trgovine. Drugače je spet pri pošiljanju ponudbe prek navadne pošte. Tukaj generator ponudb oblikuje na primer Wordov dokument, ki ga ustrezno opremi s slikovnim materialom. Dokument je potrebno le natisniti in poslati z navadno pošto (Kovačič, Groznik, & Ribič, 2005).

E-poslovanje je popolnoma spremenilo način prodajanja izdelkov/storitev. Gibanje, ki se je začelo pojavljati v 20. stoletju, ko so se knjige in glasba začele pojavljate le v virtualni obliki, kot prenos s spleta na osebne naprave (na primer na statični računalnik, tablični računalnik in druge pametne naprave). Čeprav nobena verodostojna študija ne zmore natančno dokazati, koliko prenosov se izvede preko spleta, pa organizacije nenehno iščejo načine, da se pridružijo revoluciji e-poslovanja. Organizacije skušajo odjemalcem ustvariti dobro uporabniško izkušnjo, ki temelji na novih tehnologijah, z dobrimi storitvami, prilagojenimi za njih (Mackechnie, 2016).

V stari dobi ekonomije je reden odjemalec obiskoval trgovino in lastnik trgovine ga je usmeril k novim izdelkom, ki bi si jih odjemalec morda zaželel. Takšen osebni pristop bi lahko prihranil čas za odjemalca in gradil dolgoročni odnos. V gospodarstvu, ki temelji na e-poslovanju, je ta naloga, da učinkovito ravna s pomočjo rešitve CRM. Rešitev CRM

4 Generator ponudb je orodje, ki na podlagi profilov odjemalcev in poslovnih pravil oblikuje ponudbe (Kovačič, Groznik, & Ribič, 2005).

26

spremlja vsako sleherno interakcijo z odjemalcem in si tako izboljša odnos z odjemalcem in poveča verjetnost prodaje. Danes bi lahko rekli, da je pionir v tovrstnem načinu poslovanja vsekakor organizacija Amazon s svojo spletno trgovino in e-poslovanjem. S svojo navzkrižno prodajo ustvarja predloge prihodnjih nakupov, ki temeljijo na preteklih nakupih posamezne skupine odjemalcev (Mackechnie, 2016).

3.8 Ponudniki rešitev CRM

Za rešitev CRM bi lahko rekli, da je »seznam z možgani«. Ne samo, da beleži kontaktne podatke o odjemalcih organizacije, ampak si tudi zapomni podatke o odnosu in vsaki interakciji, bodisi po telefonu ali elektronski pošti. Te informacije so zelo pomembne in so priložnost, ki omogoča prepoznavanje možnosti za izpopolnjevanje ali navzkrižno prodajo, pretvorbo obstoječih odjemalcev na nove izdelke/storitve, nova ciljna trženja ali celo avtomatizirano oblikovanje računov. Izbira prave rešitve CRM za določeno organizacijo lahko močno izboljša sodelovanje in produktivnost uslužbencev, poveča prodajo in celo poveča zadovoljstvo odjemalcev. Najboljši pristop, da organizacija razume, kako so njeni uslužbenci usposobljeni za uporabo določene vrste rešitve CRM, je tudi ta, kakšen je njihov način uporabe preostalih rešitev v organizaciji. Organizacija mora dobro razmisliti, kakšna orodja trenutno uporabljajo uslužbenci in kakšni so procesi, ki jim sledijo. Rezultat uporabe orodij in izpeljanih procesov mora biti natančno definirana slika. Opredeljena morajo biti najpogostejša opravila. Organizacija si ne bi želela uvedbe rešitve, ki dejansko onemogoča izvajanje ključnih nalog (Marvin & Rashid, 2016).

Vsi ponudniki rešitev imajo svoje prednosti in slabosti, nekateri so bolj usmerjeni k malim in srednje velikim organizacijam in imajo širše e-mail marketing zmogljivosti za organizacije. Nekatere rešitve CRM so enostavnejše za uporabo, s preprosto navigacijo in standardnimi delovnimi tokovi, medtem ko drugi ponudniki ponujajo globlje in bolj zapletene stopnje prilagajanja. Nekateri ponudniki ponujajo svoje rešitve po zelo ugodnih cenah, drugi po zelo visokih, predvsem ko se njihova prodaja rešitev začne povečevati, začnejo tudi dodajati določene funkcionalnosti. Trenutno najboljši globalni ponudniki teh rešitev so Apptivo CRM, Salesforce s prodajo rešitve Cloud Lightning Professional ter ponudnik Zoho CRM. Organizacija mora upoštevati potrebe uslužbencev, velikost organizacije, obseg prodajne ekipe, sredstva, s katerimi naj bi organizacija poslovala, povečevala obseg vodstva in odjemalcev (Marvin & Rashid, 2016).

Ko organizacija ugotovi, da potrebuje rešitev CRM, se najprej znajde pred odločitvijo, katero rešitev CRM in ponudnika izbrati. Trg ponuja veliko različnih rešitev CRM, med njimi se najdejo tudi brezplačne, ki pa so praviloma napačna izbira, saj se v praksi kaj kmalu izkaže, da brezplačna rešitev CRM slej kot prej ni dovolj. Sčasoma praktično vsaka organizacija začne razmišljati o nadgradnji rešitve CRM na plačljivo različico. Zelo pogosto se zgodi, da brezplačne rešitve CRM v organizaciji niti ne zaživijo, morda je razlog v reku: »Kar je brezplačno, ni veliko vredno. Kar ima ceno, cenimo«. Plačljiva rešitev CRM lahko, v nasprotju z brezplačno, prinese še dodatne koristi, o katerih na začetku organizacija ni razmišljala. Najpogostejši koristi sta: pomoč uporabnikom in prilagodljive nadgradnje po meri organizacije (Žohar, 2016).

27

Najuglednejši ponudniki rešitev CRM v globalnem kriteriju so Oracle, IBM, SAP in SAS. V zadnjih letih je na trgu mogoče zaslediti precejšnje uravnovešenje ponudnikov rešitev CRM. PeopleSoft in Siebel sta dva pionirska ponudnika, ki sta sedaj vključena v Oracle, IBM pa se vedno bolj integrira v ponujanje analitičnih rešitev, saj gradi celovitejše analitične zmogljivosti rešitve CRM (Buttle & Maklan, 2015).

28

4 ANALITIČNI CRM

O'Brien in Marakas (2011) navajata nekatere bistvene poslovne vrednosti analitičnega CRM, ta organizaciji omogoča ustvarjanje poglobljenih povzetkov o zgodovini odjemalca, njegovih preferencah in koristne informacije iz podatkovnega skladišča in drugih podatkovnih baz organizacije. Sočasno analitični CRM omogoča analiziranje, predvidevanje, ustvarjanje vrednosti za odjemalce in analiziranje vedenja odjemalcev ter napovedovanje povpraševanja. Z ustreznimi informacijami in ponudbami, ki so prilagojene odjemalcem, analitični CRM organizacijo približa odjemalcem.

V naslednjih podpoglavjih spoznamo funkcije analitičnega CRM, ki so pomembne, da uporabnik rešitve CRM razume uporabo analitičnega dela in tudi rešitve kot celote. Opredelimo in pojasnimo tudi korake procesa analiziranja podatkov in podatkovno rudarjenje, ki sledi razmišljanju v realnem svetu.

4.1 Opredelitev analitičnega CRM

V analitičnem CRM gre za obravnavo podatkov, zbranih skozi transakcijski sistem CRM. Na podlagi vrednotenja tovrstnih podatkov se ugotovijo vedenjski vzorci ter določijo profili odjemalcev, na katerih temelji oblikovanje prirejenih ponudb. Ugotavljanje vedenjskih vzorcev zahteva hevrističen pristop k reševanju problemov in obdelavo ogromnih količin podatkov, zato se namenoma ponuja uporaba rudarjenja po podatkih (angl. Data Mining) (Kovačič, Groznik, & Ribič, 2005).

Šebjan (2015) navaja, da analitični CRM integrira notranje procese in funkcije ter zunanje mreže za ustvarjanje in zagotavljanje vrednosti ciljnim odjemalcem z dobičkom. Temelji na visoko kakovostnih podatkih o odjemalcih in deluje s pomočjo informacijske tehnologije. Globalna analiza analitičnega CRM zavzema povpraševanje po družbenih omrežjih, v ospredje se postavlja avtomatizirana prodaja, spodbuja se uvedba programske opreme analitičnega CRM v bančnem in zavarovalniškem sektorju, prav tako je zelo v ospredju mobilni analitični CRM.

Analitični CRM se nanaša na zajem, shranjevanje, pridobivanje, integracijo, obdelavo, interpretiranje in posredovanje podatkov o odjemalcih. Organizacija uporabi podatke, jih pretvori v informacije in kasneje o njih poroča v zvezi z odjemalci. Cilj je povečanje vrednosti za odjemalce in organizacijo (Šebjan, 2015).

4.2 Funkcije analitičnega CRM

Funkcije analitičnega CRM so pomembne za razumevanje uporabe samega dela analitičnega CRM. Funkcije so naslednje (Šebjan, 2015):

Ustvarjanje celovite baze znanja o odjemalcih med zagotavljanjem njihove vrednosti.

Merjenje in napovedovanje vedenja odjemalcev z analiziranjem znanja o odjemalcih.

29

Kadar govorimo o vedenju odjemalcev, govorimo o njihovih preferencah, prednostih in aktivnostih, njihovo vrednost pa enačimo z dobičkonosnostjo, potenciali in vrednostmi življenjske dobe.

Ena izmed funkcij analitičnega CRM je tudi urejanje rezultatov analiz za izboljšanje vrednosti odjemalcev in pridobivanje le teh.

Prav tako med funkcije sodi izboljšanje odnosov z obstoječimi odjemalci, to storimo z analizo njihovih potreb.

Kot zadnjo funkcijo bomo navedli izboljšanje zvestobe odjemalcev in znižanje nagnjenosti odjemalcev k zamenjavi organizacije. Kakor se povsod funkcije povezujejo in dopolnjujejo s cilji, lahko tudi tukaj navedemo, da je cilj pri analitičnem CRM zagotoviti pomoč pri analitičnih sposobnostih.

Operativni CRM podpira poslovni proces oddelka za trgovanje, medtem ko analitični CRM zagotavlja poslovno inteligenco z analiziranjem vedenja odjemalcev in njihovega zaznavanja. Analitični CRM zagotavlja informacije o zahtevah odjemalcev in transakcije, prav tako pa tudi odziv odjemalcev na marketing organizacije, prodajo in storitvene pobude. Hkrati tudi ustvarja statistične modele vedenja odjemalcev in vrednosti odnosa z odjemalci v nekem časovnem obdobju in tudi narekuje pridobivanje, ohranjanje in izgubljanje odjemalcev (Rainer & Cegielski, 2012).

4.3 Proces analiziranja podatkov

Analiziranje podatkov o odjemalcih se lahko uporabi za načrtovanje in izvedbo marketinško usmerjenih akcij za optimalno učinkovitost marketinga, navzkrižno prodajo. Analiziranje podatkov se prav tako lahko uporabi za načrtovanje in izvedbo posebnih akcij za odjemalce in pridobitev novih in kasnejše zadrževanje. Proces analiziranja podatkov pripomore tudi k analiziranju vedenja odjemalcev za pomoč pri odločanju o produktih in odločitve vodstva. Sistemi procesov analiziranja podatkov so sestavljeni iz standardnega poročanja, spletnega analitičnega obdelovanja podatkov – OLAP in podatkovnega rudarjenja, področja uporabe v realnem času ter orodij za analizo podatkov o odjemalcih za podporo pri marketinških odločitvah. Orodja za analizo podatkov pa vključujejo tehnologijo za podatkovno rudarjenje, analitično obdelavo, statistično področje uporabe in orodja za modeliranje (Šebjan, 2015).

Proces razumevanja podatkov (Slika 6) poteka po naslednjih korakih (Berthold, Borgelt, Hoppner, & Klawonn, 2010):

1. Najprej moramo kot uporabniki razumeti celoten projekt, in si zastaviti nekaj vprašanj, kot so: Kaj točno je problem »pričakovana korist«? Kakšna naj bi bila rešitev? Kaj je organizaciji znano o področju? Učinkovita analiza podatkov predpisuje razumevanje izbranega problema. Kot uporabniki moramo poznati cilj raziskave in na katera vprašanja nameravamo odgovoriti, saj je pomembno, da imamo jasno usmeritev že pred zbiranjem samih podatkov za zagotovitev, da bomo lahko odgovorili na vprašanja z uporabo že zbranih podatkov.

30

2. Sledi korak razumevanja podatkov, zakaj so podatki takšni, kot so in si zastavimo naslednja vprašanja: Katere podatke imamo kot uporabniki na voljo? So podatki pomembni za problem? Je veljavno? Ali se to odraža v naših pričakovanjih? Ali so kakovostni podatki in ali kakovost podatkov zadošča? Sledi razmislek, ali so podatki prilagojeni našemu problemu, če so prilagojeni delno, sledi ponovno prvi korak, in sicer razumevanje projekta in kasneje samih podatkov, če niso, se projekt prekine.

3. Ko so podatki prilagojeni obravnavanemu problemu, sledi korak priprave podatkov in zastavitev naslednjih vprašanj: Na katere podatke se moramokot uporabniki osredotočiti? Kako se podatki najbolje preoblikujejo za modeliranje? Kako lahko povečamo kakovost naših podatkov? Pomembno je, da razumemo, kako so bili podatki zbrani in za kateri namen. Skrbno oblikovan načrt se oblikuje le v primeru, kadar se zbirajo novi podatki, saj je vrsta analize odvisna od tega, kako in kateri podatki se zbirajo.

4. Korak njihovega modeliranja podatkov in vprašanja, kot so: Kakšna arhitektura modela, ki ustreza problemu, je najboljša? Kakšna je najboljša tehnika/metoda, da bi oblikovali model? Kako se model izvede tehnično?

5. Če ni več mogoče kakovosti tehnično izboljšati, sledi korak vrednotenja in naslednja vprašanja: Kako dober je model v smislu zahtev projekta? Kaj smo se iz projekta naučili? Ta analiza omogoča vpogled v pomembne značilnosti podatkov in zagotavlja smernice pri izbiri ustrezne metode za nadaljnjo analizo.

6. Po vrednotenju naj bi bil poslovni zastavljen cilj dosežen in kasneje se ta preoblikuje v sam razvoj in zastavitev zadnjih par vprašanj, kot so: Kako je model najbolje razporediti? Kako vemo, da naš model še vedno velja? Ta korak lahko tudi vodi k oblikovanju novih raziskovalnih vprašanj, kar ponovno vodi k prvemu koraku.

31

Slika 6: Proces analiziranja podatkov

Vir: (Berthold, Borgelt, Hoppner, & Klawonn, 2010)

Runkler (2012) navede štiri faze analiziranja podatkov:

1. Priprava (načrtovanje, zbiranje podatkov, značilnosti generacije in selekcioniranje podatkov).

2. Predobdelava podatkov (čiščenje, filtriranje, zaključevanje, popravki, standardizacija in transformacija).

3. Analiziranje (vizualizacija, korelacija, regresija, napovedovanje, klasificiranje in grozdenje).

4. Poobdelava podatkov (interpretacija rezultatov, dokumentiranje in vrednotenje).

32

4.4 Statistika in podatkovno rudarjenje

Statistične metode imajo pomembno vlogo pri rudarjenju s podatk, kadar gre za odkrivanje odnosov v podatkih in napovedovanje prihodnjih rezultatov. Vloga statistike zadeva uporabo različnih izračunov numeričnih vrednosti. Statistika pomaga razumeti različne porazdelitve podatkov, in sicer, kako uporabiti podatke za preverjanje hipotez in ocenjevanje negotovih sklepov (Šebjan, 2015).

Podatkovno rudarjenje pa zajema sklop metod in tehnik za raziskovanje in analiziranje podatkov in izvira iz treh različnih disciplin – managementa, statistike in računalništva. Metodološki pristopi k podatkovnemu rudarjenju, tehnike in programska orodja pa so: OLAP, iskalna orodja, statistična orodja, vizualizacija podatkov, predstavitve ter programska oprema za izdelovanje poročil. Organizacija na tem področju ustvarja pomembna znanja o odjemalcih, razvija razumevanje prihodnjih vedenj odjemalcev, vpliva na inovativen razvoj produktov, njihovo izboljšanje in povečanje poslovnih priložnosti (Šebjan, 2015).

Rudarjenje po podatkih – gre za analizo velikih količin podatkov s pomočjo avtomatiziranih ali pol-avtomatiziranih procesov z namenom odkrivanja implicitnih, predhodno neznanih odvisnosti. Pri vsem tem se uporabljajo statistične metode (na primer standardni odklon, standardna porazdelitev in varianca, regresijska analiza, analiza skupine), s katerimi lahko izluščimo vzorce, povezave, spremembe, anomalije in pravila med podatki. Uporablja se torej drugačen pristop kakor pri standardnih analitičnih orodjih OLAP. Ta pristop je podoben razmišljanju v realnem svetu, to pomeni z nenehnim postavljanjem domnev, ki jih je skozi različne tehnike rudarjenja mogoče potrditi ali ovreči (Kovačič, Groznik, & Ribič, 2005).

Generični proces rudarjenja po podatkih izvajamo v naslednjih korakih (Kovačič, Groznik, & Ribič, 2005):

1. Opredelitev problema predstavlja identifikacija problema, za katerega potrebujemo rešitev, ki se skriva v podatkih. Potrebno je vedeti, da rudarjenje po podatkih ni primerno za reševanje kateregakoli problema. Izkaže se predvsem, ko je govora o reševanju problemov, kjer nastopa večje število odvisnih spremenljivk ter obstaja velika količina podatkov.

2. Opredelitev podatkovnega modela je opredelitev ciljnih podatkovnih struktur, izvirnih podatkovnih virov, izvirnih podatkovnih tipov, tudi njihovih opisov in uporabe. Podatkovni viri označujejo fizično lokacijo, kjer so določeni izvorni podatki shranjeni oziroma od koder so ti izpeljani. Praviloma se za potrebe CRM-ja obravnavajo podatki o proizvodih, transakcijski podatki, podatki o odjemalcih in drugi podatki, ki so potrebni za razumevanje vedenja odjemalcev.

3. Polnjenje podatkovnega modela predstavlja oblikovanje in uporabo programskih algoritmov, ki omogočajo zajem podatkov iz opredeljenih izvirnih podatkovnih virov, preoblikovanje le teh v skladu s ciljnimi podatkovnimi strukturami in polnjenje podatkovnega modela. Oblikovanje in tudi uporaba programskih algoritmov sta po navadi enostavna, saj se v ta namen uporabijo orodja sistemov za management poslovnih skladišč, ki omogočajo hiter in učinkovit zajem

33

podatkov, njihovo filtriranje, tudi agregiranje in preoblikovanje, skladno s podatkovnim modelom.

4. Vrednotenje podatkov pomeni preverjanje skladnosti vsebine podatkovnega modela z zahtevami do popolnosti, natančnosti in ustreznosti podatkov. Običajno postane proces rudarjenja po podatkih nepraktičen in brezpredmeten, če traja toliko časa, da rezultat sploh ni več uporaben. V takšnih primerih je smiselno zmanjšati količine podatkov, in sicer s stiskanjem podatkov ali pa z zmanjševanjem števila obravnavanih spremenljivk.

5. Izbira tehnike rudarjenja po podatkih običajno ni očitna, gre bolj za preizkušanje več tehnik (na primer za analizo nakupovalne košarice je treba izbrati tehniko analize povezav, ki je bila razvita ravno v ta namen). Pravi izziv pomeni, kako izbrano tehniko pravilno uporabiti. Vsaka izmed tehnik zahteva izbiro vhodnih parametrov, to pa zahteva zraven poznavanja poslovnega problema tudi precej izkušenj in znanja o sami tehniki rudarjenja.

6. Interpretacija rezultatov je prevajanje rezultatov v poslovni kontekst. Vsaka tehnika rudarjenja po podatkih lahko kot izhodni rezultat ponudi zelo pomembne informacije, ki jih je treba pravilno interpretirati. Faza te interpretacije rezultatov pa praviloma zahteva vložek poslovnega analitika, ki rezultate rudarjenja prevede v poslovni kontekst.

7. Uporaba rezultatov je ključni del rudarjenja po podatkih, saj predstavlja vir nove vrednosti. Že v sami fazi opredelitve poslovnega problema je treba razmisliti, kako vgraditi rezultate rudarjenja v poslovne procese. Pri naravi rudarjenja po podatkih gre za oblikovanje matematičnih predstavitev podatkov oz. modelov, ki niso pomembni samo zato, ker poglabljajo znanje o obravnavani problematiki. Predvsem je pomembno vgraditi tovrstne modele v poslovne procese na način, da nenehno rudarjenje po podatkih usmerja njihovo izvajanje.

Slika 7: Generični proces rudarjenja po podatkih

Vir: (Kovačič, Groznik, & Ribič, 2005)

34

5 MICROSOFT DYNAMICS CRM

Rešitev CRM je postala obvezen del sodobnega poslovanja. Pristen in kakovosten odnos z odjemalci je v današnjem poslovnem okolju zelo velika prednost pred konkurenco. K učinkovitemu vodenju teh odnosov izredno pripomore rešitev CRM, s katero lahko organizacija ureja, analizira in koristi podatke ključnih odjemalcev. Dober odnos z odjemalci je bistvenega pomena za celotno delovanje organizacije, saj lahko organizacija samo s poznavanjem želja svojih odjemalcev svoje izdelke/storitve popolnoma prilagodi trenutnim potrebam tržišča. Z vodenjem evidence podatkov o odjemalcih lahko organizacija razbere, kdo so njene ciljne skupine, na kakšne načine ti uporabljajo proizvode, in tako se lahko poiščejo nove poslovne priložnosti s predvidevanjem njihovega obnašanja v prihodnosti (Trend, 2016).

V okviru analitičnega CRM Jha (2008) opredeljuje, da se tukaj kreirajo informacije, povezane z odjemalci. Te informacije je mogoče v organizaciji najti na različnih področjih, kot so podatki o prodaji (na primer pretekli nakupi), finančni podatki (na primer pretekla plačila), marketinški podatki (odzivnost na promocijske akcije) in podatki o produktih. Ti podatki pa se lahko povezujejo tudi s podatki z zunanjimi viri, kot so geodemografski podatki in podatki o življenjskem slogu. Analitični CRM omogoča analiziranje podatkov o odjemalcih, ki se lahko uporabijo za načrtovanje in izvedbo marketinško usmerjenih akcij za optimalno učinkovitost marketinga, načrtovanje in izvedbo posebnih akcij za odjemalce, vključno s pridobivanjem novih, navzkrižno prodajo, dodatno prodajo in zadrževanje že obstoječih odjemalcev, analiziranje vedenja odjemalcev za pomoč pri odločanju o produktih (na primer cena, razvoj novih produktov), odločitve vodstva (na primer finančno napovedovanje, analiza donosnosti odjemalcev) in napovedovanje verjetnosti odhoda odjemalcev k drugi organizaciji.

5.1 Opredelitev Microsoft Dynamics CRM

MS Dynamics CRM je poslovna rešitev podjetja Microsoft in ta rešitev CRM spada v skupino rešitev Microsoft Dynamics. Pri MS Dynamics CRM gre za obvladovanje odnosov z odjemalci, to pa predstavlja ključni dejavnik uspeha. Rešitev je primerna za male in srednje velike organizacije Microsoft (2016), saj se strategija rešitve CRM, ne glede na velikost organizacije, vedno znova vrti okrog vprašanja: Kako povečati število odjemalcev in jih dolgoročno obdržati? MS Dynamics CRM ima možnost uporabe tudi na tabličnem računalniku in mobilnem telefonu, to pomeni, da lahko uporabnik spremlja vse in ima nadzor od koderkoli in kadarkoli, torej gre za vpogled v podatke v realnem času. Rešitev je lahko nameščena na lokaciji (angl. On Premise) ali v oblaku (MS Dynamics CRM Online). Uporabnik lahko do vsebine dostopa preko interneta v brskalniku ali preko orodja Microsoft Outlook. Anonimni dostop ni dovoljen, potreben je uporabniški račun, s katerim so urejene nastavitve in možnosti dostopa do določenih podatkov. MS Dynamics CRM določa dostop uporabniku do določenih podatkov s t. i. varnostnimi vlogami. Namenjene so za uporabo določenih pravic. Vsak uporabnik mora imeti vsaj eno varnostno vlogo, saj te določajo (Deželak 2015b):

35

Zapise, ki jih lahko uporabnik uporablja.

Gumbe, ki se pojavljajo.

Akcije, ki jih lahko uporabnik izvaja na posameznih zapisih.

Obrazce, ki jih lahko uporabnik uporablja.

Rešitve CRM nudijo bolj povezano prodajo, marketing in oddelek odnosov s strankami ter izboljšano uporabniško izkušnjo. Organizacija lahko izkoristi možnost poslovanja v oblaku in popolne integracije Dynamics z ostalimi Dynamics (NAV ali AX) in Microsoft rešitvami (Outlook, Share Point) (Adacta, 2016).

MS Dynamics CRM je organiziran na podlagi treh modulov, ki si delijo skupno podatkovno bazo, vsak modul pa nudi del funkcionalnosti (Deželak, 2015a):

1. Prodaja – gre za upravljanje priložnosti. Proces je avtomatiziran od začetka do konca. Pojavi se kartica odjemalca. Vsi poslovni kontakti so na enem mestu. Vidna je zgodovina poslovnih dogodkov. Uporabnik lahko planira in sledi prodajnim aktivnostim.

2. Trženje – uporabnik lahko ureja ciljne sezname za trženje in planira trženjske akcije ter aktivnosti. Prav tako v tem modulu poteka direktno pošiljanje e-pošte.

3. Storitve – v ta modul sodijo reklamacije s strani odjemalcev in izterjave s strani organizacije kot prodajalca izdelkov/storitev. Modul vsebuje tudi funkcijo upravljanje servisnih storitev, medtem ko je lahko servis podporna ali pa glavna storitev. Uporabnik lahko vodi te servisne pogodbe in planira kapacitete aktivnosti (na primer koledar servisiranj) in upravlja s servisnimi zahtevki iz orodja Microsoft Outlook.

Funkcije v prodaji vključujejo mobilno prodajo, upravljanje računov, družabne vpoglede, sodelovanje pri prodaji in analize prodaje. Odjemalci so danes obveščeni bolje kot kdaj koli prej, posledično to pomeni, da tako sprejemajo odločitve o nakupih, preden lahko prodajalec vpliva nanje. Prodajalci se morajo tako prilagoditi novemu načinu odločanja odjemalcev in z njimi ustvarjati globlje odnose in prilagajati način komunikacije za vsakega odjemalca posebej, to pomeni, segmentirati ga v pravo ciljno skupino in izvajati marketinški pristop »ena na ena«. S storitvijo MS Dynamics CRM, organizacija Microsoft pomaga pri razvoju teh novih načinov komunikacije z odjemalci. Prodajni zastopniki se lahko osredotočijo na svoj cilj in hitreje povečajo prodajo. Funkcije storitev pa vključujejo storitev preko več kanalov, enotno središče za storitve, upravljanje primerov na ravni organizacije, zbirko znanja. Družabna omrežja in njihove mobilne naprave so v celoti preoblikovale pričakovanja odjemalcev glede storitev. Tako danes želijo dobiti kakovost in storitve, prilagojene njihovim zahtevam, in to ne samo na spletu, temveč tudi v mobilnih napravah in telefonih. Z rešitvijo MS Dynamics CRM lahko organizacija pridobi odjemalce za celo življenje tako, da jim ponuja ustrezne in prilagojene storitve vedno in prek vseh kanalov. Svojim posrednikom lahko ponudi vse, kar ti potrebujejo za zagotavljanje najboljših storitev za odjemalce (Microsoft, 2016).

Glede povezljivosti MS Dynamics CRM ima možnost povezave z rešitvami ERP, kakor tudi z Microsoft Outlook, Office 365, SharePoint, Skype, Power BI. Integracija med notranjimi procesi in funkcijami ter zunanjimi mrežami je pri rešitvi MS Dynamics CRM slabše

36

podprta. Ni popolnoma avtomatizirane prodaje, saj se prodaja še zmeraj izvaja s pomočjo uporabnikov omenjene rešitve. Medtem ko pri obravnavani poslovni rešitvi deluje zajem, shranjevanje in pridobivanje podatkov, se ročno vpisovanje podatkov veže bolj na samo rešitev; integracija in obdelava podatkov je podprta, kadar gre za usklajevanje ponudb; medtem ko je interpretiranje podatkov malo v zaledju, saj sama rešitev nima BI orodij, ki bi omogočale obdelavo velikih količin podatkov o odjemalcih organizacije, saj je hkrati potrebna OLAP tehnologija (Deželak, 2015a).

5.2 Analitični Microsoft Dynamics CRM

Kar zadeva analitični del MS Dynamics CRM s funkcijo merjenja in napovedovanja vedenja odjemalcev, Deželak (2015b) navaja, da ta ni dobro razvita, saj rešitev ne vsebuje prednosti in aktivnosti odjemalca, le dobičkonosnost je vidna uporabniku. Vsekakor pa omenjena rešitev podpira delovanje izboljšanja odnosov z obstoječimi odjemalci, saj uporabniku ponuja možne rešitve za ponoven nakup s strani odjemalca.

Poročanje in analitika v rešitvi MS Dynamics CRM potekata predvsem na nadzorni plošči rešitve, ta omogoča prikaz podatkov iz različnih modulov na skupnem zaslonu. Prek nadzorne plošče dobimo hiter vpogled v ključne podatke – prilagojene glede na uporabnikovo vlogo v organizaciji (Slika 8). Na sliki 8 je prikazana nadzorna plošča prodajnih dejavnosti. Uporabnik lahko tako na primer vidi, koliko in katere priložnosti ima organizacija v obliki shematičnega prikaza prodajnega lijaka. Prek nadzorne plošče dobi uporabnik hiter vpogled v ključne podatke, ki so prilagojene glede na vlogo uporabnika; kot vidimo na sliki, lahko ta pridobi informacije glede možnih strank po izvorni akciji. Izvorna akcija je izbrano polje, ki ga uporabnik izbere, preden želi vizualni pogled podatkov za trenutne potrebe. Uporabnik lahko sam dodaja in ureja grafikone ter si prilagaja pogled nadzorne plošče in prikazuje le tiste podatke, ki so njemu pomembni. Na nadzorni plošči ima uporabnik prikazane različne vrste svojih dejavnosti (na primer načrtovane, odprte, zaprte dejavnosti). Na enem mestu se mu torej prikažejo različna poročila, ki omogočajo takojšnji vpogled v ključne kazalnike v organizaciji.

Nadzorne plošče v rešitvi MS Dynamics CRM so zbirke seznamov pogledov, grafov, medvrstičnih okvirjev5, ki lahko pomikajo stvari, kot so informacije, spletne strani, ki so lahko spremenjene za prikaz KDU in druge pomembne podatke (The CRM Book, 2016).

Komponente nadzorne plošče so (Deželak, 2015b):

grafikon,

seznam,

spletni vir in

medvrstični okvir (angl. Inline frame; v nadaljevanju Iframe).

5 Medvrstični okvir je element označevalnega jezika za izdelavo spletnih strani (angl. Hyper Text Markup Language; v nadaljevanju HTML), ki omogoča, da v en HTML dokument (spletno stran) vstavimo zunanje objekte, vključno z drugimi HTML objekti (Presentia, 2008).

37

Slika 8: Nadzorna plošča prodajnih dejavnosti v rešitvi Microsoft Dynamics CRM

Vir: Lasten vir

Podatkovno rudarjenje je vsekakor prisotno v tej rešitvi, saj se lahko uporabnik pomika med zapisi in brska v globino določenega zapisa in hkrati ugotavlja, od kod izvirajo določeni podatki, ki kasneje predstavljajo ključno iskano informacijo. Rešitev ima možnost izvoza podatkov na primer v orodje Microsoft Excel, kjer uporabnik poseže po orodjih za vizualizacijo različnih oblik, veliko oblikovnih grafičnih komponentah in več drugih grafikonih in funkcionalnostih. Če uporabnik potrebuje podrobnejše informacije iz prodajnega lijaka (Slika 9), se ta pomakne na željen podatek prodajnega lijaka in tako začne s procesom podatkovnega rudarjenja, z izbiro polj. Prodajni lijak je sestavljen iz slojev, ki v našem primeru predstavljajo faze in vrste priložnosti, vzporedno s prodajnim lijakom pa so nanizani deleži teh posameznih plasti - običajno v valuti (Deželak, 2015b).

38

Slika 9: Prodajni lijak odprtih priložnosti v rešitvi Microsoft Dynamics CRM

Vir: Lasten vir

5.3 Ugotovitve

Rešitev MS Dynamics CRM podpira le del funkcionalnosti, ki zajema ustvarjanje celovite baze znanja o odjemalcih.

Omenjena rešitev podpira poglobljen povzetek o zgodovini odjemalca, njegovih preferencah in določene donosne informacije iz podatkovnega skladišča. S stopnjo realizacije nakupa lahko uporabnik predvideva in meri vedenje odjemalca na podlagi preteklih poslovnih dogodkov.

Rešitev MS Dynamics CRM omogoča urejanje rezultatov analiz (Slika 10). Urejanje rezultatov analiz lahko uporabnik prikaže s pomočjo različnih vrst grafikonov in funkcionalnosti določenega grafikona. Osebno si lahko prilagaja vmesnik, glede na trenutne potrebe s kreiranjem več različnih delovnih tabel na nadzorni plošči.

V zgoraj omenjeni rešitvi CRM lahko uporabnik izbira med paličnim, stolpčnim, črtnim, tortnim in lijakastim grafikonom.

Obravnavana rešitev CRM pa ne podpira podrobne analize potreb obstoječih odjemalcev.

Organizacija izboljša in gradi zvestobo svojih odjemalcev z dajanjem določenih popustov na ponudbo in s preglednim servisnim modulom, kjer so razporejeni servisni zahtevki, pogodbe, primeri, katalogi izdelkov in baza znanja.

39

Vloga analitičnega CRM je v omenjeni rešitvi izpolnjena, ko govorimo o odzivih odjemalcev na marketing organizacije, prodajo in storitvene dejavnosti, saj so ti vizualizirani na nadzornih ploščah, kjer uporabnik z iskalnimi in statističnimi orodji s pomočjo podatkovnega rudarjenja obdela velike količine podatkov in prireja ponudbe za posameznega odjemalca.

Slika 10: Pogled uporabnika na nadzorno ploščo v servisnem modulu v rešitvi Microsoft Dynamics CRM

Vir: (Atum.com, 2014)

40

6 SKLEP

Rešitev CRM je potrebovala dolgo časa, da je danes razumljena in predstavljena v takšni obliki, kot je; od preprostega orodja za podporo pri prodaji in podporo za servisiranje odjemalcev, do močnega orodja za odločanje. Njen pomen in razširjenost sta naraščala z naraščanjem konkurenčnosti trgov in informiranjem odjemalcev. Da večina organizacij uporablja podatke in z njimi izvaja analize, z namenom izboljšanja poslovnih odločitev in posledično poslovne uspešnosti, vsekakor drži. Zagovarjamo svoj temeljni cilj, saj smo skozi poglavja pojasnili in opredelili, kakšna je učinkovitost analitične rešitve MS Dynamics CRM na poslovanje organizacije.

Ugotovili smo, da je vloga analitičnega CRM v omenjeni rešitvi izpolnjena, saj so odzivi odjemalcev na določene dejavnosti, ki jih izvaja organizacija v okviru navzkrižne prodaje s pomočjo iskalnih in statističnih orodjih, kjer s podatkovnim rudarjenjem kasneje obdela velike količine podatkov, učinkoviti.

Dosegli smo tudi teoretični cilj razumevanja pojma velikih količin podatkov v povezavi z rešitvijo CRM. Ugotovili smo tudi, zakaj vložiti čas in denar organizacije ravno v uvedbo rešitve CRM. Vložit čas in denar v to uvedbo prinaša dolgoročne pozitivne rezultate za organizacijo le, če jih ta prepozna in vzporedno sledi svojim zastavljenim ciljem in strategijam, kajti skupina analitičnih orodij s podatkovnim skladiščenjem in podatkovno bazo strateškim odločevalcem omogoča, da najdejo ustrezne vpoglede v podatke, z namenom sprejemanja boljših odločitev in izboljšanja uspešnosti organizacije, v kateri delujejo. H1, ki govori o vedno večjem zavedanju organizacij za učinkoviteje poslovanje z rešitvijo CRM, sprejmemo, kljub temu da je v poslovnem okolju prisotnih še kar nekaj organizacij, ki pa se tega zavedajo, a še vseeno ne razmišljajo resno, da potrebujejo rešitev CRM. H2 prav tako sprejmemo, saj ima rešitev MS Dynamics CRM večino funkcionalnosti analitičnega CRM, kar smo podrobneje pojasnili v ugotovitvah v poglavju 5.3.

Zaradi izvedbenih omejitev nismo podrobneje pojasnili vsake funkcije analitičnega CRM na primeru rešitve MS Dynamics CRM, saj smo bili omejeni le na javno dostopne podatke na spletu in v knjigah ter lastne zapiske in izročke predavanj s strani gostujočih predavateljev, ki v praksi delujejo tudi kot partnerji in ponudniki rešitve CRM. Povzamemo lahko, da analitična rešitev CRM prinaša veliko koristi za organizacijo, le če jim ta zna slediti in biti nenehno učeča se organizacija.

41

LITERATURA IN VIRI

Adacta. (2016). Rešitve CRM. Pridobljeno 3. september 2016 iz Adacta.: http://www.adacta.si/solutions/crm

Anderson, P. (2013). Is Using Outlook As CRM Healthy For Your Business? Pridobljeno 7. avgust 2016 iz TweakYourBiz.: http://tweakyourbiz.com/technology/2013/03/20/is-using-outlook-as-crm-healthy-for-your-business/

Atum. (2014). Service Customer Care Manager view. Pridobljeno 3. september 2016 iz Atum.: http://www.atum.com/wordpress/wp-content/uploads/2014/01/Service-Customer-Care-Manager-view.png

Bauman, M. (2015a). Zakaj prav vsako podjetje potrebuje CRM. Pridobljeno 3. september 2016 iz Intrix.: https://www.intrix.si/blog/crm/zakaj-prav-vsako-podjetje-potrebuje-crm/

Bauman, M. (2015b). Pred uvedbo sistema CRM si morate postaviti poslovne cilje. Pridobljeno 3. september 2016 iz Intrix.: https://www.intrix.si/blog/crm/pred-uvedbo-sistema-crm-si-morate-postaviti-poslovne-cilje/

Berglez, A. (2005). Dejavniki uspešne uvedbe CRM - diplomsko delo. Pridobljeno 5. julij 2016 iz Digitalna Knjižnica Univerze v Mariboru.

Berthold, M., Borgelt, C., Hoppner, F., & Klawonn, F. (2010). Guide to Intelligent Data Analysis: How to Intelligently Make Sense of Real Data. London: Springer.

Burnham, J. (2013). What is CRM? Pridobljeno 10. avgust 2016 iz Salesforce.: https://www.salesforce.com/blog/2013/01/what-is-crm-your-business-nerve-center.html

Buttle, F., & Maklan, S. (2015). Customer Relationship Management: Concepts and Technologies. New York: Routledge Taylor & Francis Group.

Chan, J. O. (2013). An Architecture For Big Data Analytics. Pridobljeno 10. avgust 2016 iz Communications of the IIMA.: http://search.proquest.com/docview/1518604853?accountid=2894

Clarabridge. (2016). Text Analytics. Pridobljeno 2. september 2016 iz Clarabridge.: http://www.clarabridge.com/text-analytics/

Davenport, T. H. (2010). New World of Business Analytics. Pridobljeno 2. september 2016 iz SAS Institute Inc.: http://www.sas.com/resources/asset/IIA_NewWorldofBusinessAnalytics_March2010.pdf

42

Deželak, Z. (2015a). E-rešitve management odnosov s strankami; Microsoft Dynamics CRM - izročki predavanj. Pridobljeno 4. november 2015 iz Portal Ekonomsko-poslovne fakultete Maribor.

Deželak, Z. (2015b). E-rešitve management odnosov s strankami; Microsoft Dynamics CRM - izročki predavanj in lastni zapiski. Pridobljeno 4. november 2015 iz Portal Ekonomsko-poslovne fakultete Maribor.

Dummiesis. (2016). Pomen MapReduce v Hadoop. Pridobljeno 1. september 2016 iz Dummiesis.: http://dummiesis.com/sl/pages/1467968

Gavez, P. (2013). Poslovni potencial koncepta Big Data - delo diplomskega seminarja. Pridobljeno 28. julij 2016 iz Digitalna Knjižnica Univerze v Mariboru.

Gewirtz, D. (2016). Big Data Analytics. Pridobljeno iz ZDNet.: http://www.zdnet.com/article/volume-velocity-and-variety-understanding-the-three-vs-of-big-data/

Hoeven, H. v. (2009). ERP and Business Processes. Vlijem: Llumina Press. Pridobljeno 28. julij 2016

Jaklič, J. (1999). Upravljanje in uporaba podatkovnih virov. Ljubljana: Ekonomska fakulteta.

Jha, L. (2008). Customer Relationship Management: A Strategic Approach. New Delhi: Global Indian Publications.

Juras, M. (2016). Uvedba SAP ERP rešitve v izbrano trgovsko podjetje - diplomsko delo. Pridobljeno 28. julij 2016 iz Digitalna knjižnica Univerze v Mariboru.

Kelly, J. (2014). Enterprises Struggling to Derive Maximum Value from Big Data. Pridobljeno 11. julij 2016 iz Wikibon.: http://wikibon.org/wiki/v/Big_Data:_Hadoop,_Business_Analytics_and_Beyond#

Kovačič, A. (1998). Informatizacija poslovanja. Ljubljana: Ekonomska fakulteta.

Kovačič, A., Groznik, A., & Ribič, M. (2005). Temelji elektronskega poslovanja. Ljubljana: Ekonomska fakulteta.

Mackechnie, C. (2016). The Effect of E-Business on Customer Service. Pridobljeno 3. september 2016 iz Small Business Chron.: http://smallbusiness.chron.com/effect-e-business-customer-service-2097.html

Marr, B. (2015a). Big Data. Padstow: TJ INternational Ltd.

Marr, B. (2015b). Take a SMART Approach to Big Data Analytics. Pridobljeno 2. september 2016 iz Data Informed.: http://data-informed.com/smart-approach-big-data-analytics/

43

Marr, B. (2015c). Big Data and Analytics Hub. Pridobljeno iz Internacional Business Machines Corporation.: http://www.ibmbigdatahub.com/blog/why-only-one-5-vs-big-data-really-matters

Marvin, B., & Rashid, F. (2016). The Best CRM Software of 2016. Pridobljeno 3. september 2016 iz Personal Computer Mag.: http://www.pcmag.com/article2/0,2817,2367263,00.asp

Medved, J. (2014). Big data tehnologije za analizo velike količine poslovnih podatkov - magistrsko delo. Pridobljeno 28. julij 2016 iz Digitalna Knjižnica Univerze v Mariboru.

Microsoft. (2016). Microsoft Dynamics CRM. Pridobljeno 28. julij 2016 iz Microsoft.: https://www.microsoft.com/sl-si/dynamics/CRM.aspx

Nashriq, N. R. (2012). Comparative Analysis on Data Visualization for Operations Dashboard. International Journal of Information and Education Technology., 2(4), 287-290. Pridobljeno 28. julij 2016

O'Brien, J., & Marakas, G. (2011). Management Information System. New York: McGraw-Hill Companies.

Prabhat, S. (2016). Video and Image Analytics. Pridobljeno 2. september 2016 iz Parc.: https://www.parc.com/services/focus-area/video_image_analytics/

Presentia. (2008). Kaj je Iframe? Pridobljeno 3. sepmetber 2016 iz Presentia.: http://www.presentia.si/baza-znanja-helpdesk/2008/kaj-je-iframe/

Rainer, R., & Cegielski, C. (2012). Introduction to Information Systems Supporting and Transforming Business. New York: John Wiley & Sons.

Rasheed, N. (2014). Different kinds of crm systems software solutions. Pridobljeno 3. september 2016 iz Project management.: http://project-management.com/different-kinds-of-crm-systems-software-solutions/

Rijmenam, M. (2016). Why The 3V’s Are Not Sufficient To Describe Big Data. Pridobljeno 9. julij 2016 iz DataFloq.: https://datafloq.com/read/3vs-sufficient-describe-big-data/166

Rouse, M. (2012). Closed Circuit Television. Pridobljeno 10. julij 2016 iz WhatIs.: http://whatis.techtarget.com/definition/CCTV-closed-circuit-television

Runkler, T. (2012). Data Analytics: Models and Algorithms for Intelligent Data Analysis. Wiesbaden: Springer.

Salim, L. (2008). What is CRM? How can it affect on e-business. Pridobljeno 3. september 2016 iz Electronic Biznis.: https://electronicbizniz.wordpress.com/2008/04/30/what-is-crm-how-can-it-affect-on-e-business/

44

SAS Institute Inc. (2016). Big Data Analytics. Pridobljeno 10. julij 2016 iz SAS Institute Inc.: http://www.sas.com/en_us/insights/analytics/big-data-analytics.html

Seidel, B. S.-W. (2004). Complaint Management, The heart of CRM. Texas: Texere. Pridobljeno 10. julij 2016

Sherman, R. (2013). Taking Advantage of Big Data Analytics. Pridobljeno 10. julij 2016 iz TechTarget.: http://docs.media.bitpipe.com/io_11x/io_114349/item_852033/Taking%20Advantage%20of%20Big%20Data%20Analytics_ch1_final.pdf

Solomon, M. S. (2009). Marketing: real people, real decision. Harlow: Rotolito Lombarda. Pridobljeno 10. julij 2016

Statistični urad Republike Slovenije. (2013). Indeksi cen življenjskih potrebščin, Slovenija, junij 2013 - končni podatki. Pridobljeno 10. julij 2016 iz Statistični urad republike Slovenije.: http://www.stat.si/novica_prikazi.aspx?id=5606.

Šebjan, U. (2015). E-rešitve management odnosov s strankami; Vloga statistike pri uporabi analitičnih orodij in pripomočkov IR analitičnega CRM - Izročki predavanj. Pridobljeno 2. december 2015 iz Portal Ekonomsko-poslovne fakultete Maribor.

The CRM Book. (2016). Dashboards. Pridobljeno 3. september 2016 iz The CRM Book.: http://crmbook.powerobjects.com/basics/analytics/dashboards/

Thompson, E., & Scott, N. (2004). How to Develop a CRM Strategy. Pridobljeno 3. september 2016 iz UniShare.: https://unishare.un.org/LotusQuickr/crm/Main.nsf/0/26723115651B71E6852572DB00188D23/$file/how_to_develop_a_CRM_Strategy.pdf

Thompson, J., & Motiwalla, L. (2012). E-rešitve management odnosov s strankami; Enetrprise Systems For Management - Izorčki predavanj. Pridobljeno 19. november 2015 iz Portal Ekonomsko-poslovne fakultete Maribor.

Trend. (2016). Microsoft Dynamics CRM. Pridobljeno 4. september 2016 iz Trend.: http://www.tend.si/vec-o-ponudbi/n/microsoft-dynamics-crm-260/

Tucker, R. (2015). The Three Types of CRM Systems. Pridobljeno 3. september 2016 iz LinkedIn.: https://www.linkedin.com/pulse/three-types-crm-systems-randy-tucker

VentureHire. (2013). What is big data nad its characteristics. Pridobljeno 10. julij 2016 iz SlideShare.: http://www.slideshare.net/venturehire/what-is-big-data-and-its-characteristics

Vreede, S. V. (2014). What is Speech Analytics? Call Center and Business Application. Pridobljeno 2. september 2016 iz Smart Customer Service.: http://www.smartcustomerservice.com/Articles/What-Is/What-is-Speech-Analytics-Call-Center-and-Business-Applications-98113.aspx

45

Wikipedia. (2016). Customer relationship management. Pridobljeno 28. julij 2016 iz Wikipedia.: https://en.wikipedia.org/wiki/Customer_relationship_management

Wikipedija. (2016a). Metapodatek. Pridobljeno 1. september 2016 iz Wikipedija.: https://sl.wikipedia.org/wiki/Metapodatek

Wikipedija. (2016b). Upravljanje odnosov s strankami. Pridobljeno 28. julij 2016 iz Wikipedia.: https://sl.wikipedia.org/wiki/Upravljanje_odnosov_s_strankami

Wingard, N. (2016). Crm History: The Evolution of Better Customer Service. Pridobljeno 3. september 2016 iz StreetDirectory.: http://www.streetdirectory.com/travel_guide/124130/enterprise_information_systems/crm_history_the_evolution_of_better_customer_service.html

Žohar, U. (2016). Zakaj brezplačni CRM ni primeren za vaše podjetje. Pridobljeno 3. september 2016 iz Intrix.: https://www.intrix.si/blog/crm/zakaj-brezplacni-crm-ni-primeren-za-vase-podjetje/

1