Zprávy o problémech CRM projektů se během posledních pár let staly folklorem - projekty trvají dlouho, přečerpávají rozpočty, nepřinášejí hodnotu. Zdálo by se, že "poučení z krizového vývoje CRM" již proběhlo a nové projekty se obvyklým pastem dokáží od počátku vyhýbat.


Jako skoro každý mám i já menší profesionální deformaci. Spočívá v tom, že při jakékoliv interakci s bankou, pojišťovnou nebo telekomunikačním operátorem podvědomě hledám projev CRM řešení a odhaduji míru jeho "inteligence". Zatím hledám až na výjimky marně. Žádné individualizované nabídky, žádná snaha o cílený cross-selling, žádné respektování zásadních událostí či významných transakcí.

Kde je zakopaný pes?
Jak je možné, že i investice do CRM "nové generace" jsou tak málo vidět v reálných přínosech pro zákazníka? Souhlasím, jednou z příčin může být čas potřebný k implementaci vlastních technologií a zejména čas nutný ke změně procesů, organizační struktury či zaškolení personálu. Pracuji stejně jako další moji kolegové ve společnosti Adastra na projektech, které s CRM úzce souvisejí. Na základě vlastních zkušeností tak vidím minimálně ještě jednoho zakopaného psa. Tuto příčinu bych nazval "nezájem o data".

Uznejte sami: jaký smysl má velká investice do komplexního CRM balíku, pokud budu s jeho pomocí realizovat marketingové kampaně sice automatizovaně, ale stále masově, neadresně, bez zacílení na individuální potřebu zákazníka? Jaké využití bude mít sofistikovaný systém pro tvorbu call skriptů v call centru, pokud budou všichni zákazníci obsluhováni stejným skriptem?

Inteligentně k inteligentnímu CRM
Ti chytřejší už vědí, že k operativnímu CRM zajišťujícímu automatizaci kontaktu se zákazníkem je třeba dodat analytické CRM. Toto si uvědomují i dodavatelé velkých CRM balíků a začlenili do svých řešení analytické moduly. Demonstrace těchto modulů jsou velmi působivé a snadno vyvolají dojem, že položku analytické CRM je možno odškrtnout ze seznamu problémů.

Bohužel to není tak jednoduché - zmíněné moduly jsou stále jen jakousi "slupkou", prezentační vrstvou pro data, která je nutno integrovat a automaticky analyzovat - to však CRM balíky zatím neumějí. Opravdu "inteligentní" CRM je možno vybudovat jedině na základě integrovaných dat o zákazníkovi a s využitím pokročilých analytických metod. Segmentace zákazníků, měření profitability zákazníků a predikce jejich chování jsou možné pouze na základě sofistikovaných analýz demografických a historických transakčních dat o zákaznících.
 
Zatímco kvalita demografických dat bývá často velmi problematická, transakční data musí být již z principu velmi přesná. Při sestavování prediktivních modelů se klade na tato tzv. behaviorální data velký důraz. Jejich integrace a skladování může být obtížné jak pro jejich objem, tak i z důvodů existence mnoha různých oddělených systémů.

Řeč je o datové integraci
Problém zvaný "integrace" dlouhodobě obsazuje vedoucí příčky v průzkumech problémů IT manažerů velkých firem. Tomu se samozřejmě přizpůsobují i IT dodavatelé, takže téměř každý z nich se dnes profiluje jako integrátor. (O tom, zda systémový, či nesystémový, většinou mlčí). Léků na integrační problémy přišlo i odešlo v uplynulých letech mnoho. Žádný nebyl všelékem, ale většina z nich si časem našla své opodstatnění a dnes žijí v symbióze.

Máme tedy integraci na úrovni hardware, systémového software, různých middlewarů, síťových protokolů, integraci uživatelských prostředí v intranetovém prohlížeči, integrace aplikační logiky apod. Mezi nejnovější hity patří pojem Web Services, tedy integrace na úrovni obchodních procesů podpořená jednotným frameworkem na bázi XML, výměny zpráv a jednotné identifikace služeb. Jedním z předpokládaných všeléků byl i data warehousing a business intelligence.

Datová integrace zažívá obrovskou renesanci, a to pod přísnou kontrolou návratnosti investic. Jádrem datové integrace (data warehousingu) jsou prostředky pro extrakci, skladování, čištění, integraci velkých objemů dat a jejich zpřístupnění s potřebnou odezvou. Přesně tyto požadavky má i analytické CRM, které potřebuje veškerá data o zákazníkovi v integrované podobě, a to jak ve smyslu fyzické dostupnosti, tak i logické návaznosti.

To se ovšem snadno řekne!
Integrace dat však s sebou nese velké množství problémů, jejichž řešení je více či méně komplexní (viz tabulka). Ty technologické většinou přicházejí na řadu "až" po vyřešení potíží organizačních, politických a obchodních.

Tyto problémy je možno do velké míry eliminovat, pokud má realizační tým k dispozici jasnou metodiku jak pro integraci dat, tak i pro vlastní analytické CRM. Adastra využívá vlastní metodiky CRM.360, která kombinuje současné světové poznatky v oboru s reálnými zkušenostmi z desítek projektů. Metodika pokrývá projektovou, technologickou i obchodní část problematiky.
 
Technologická metodika je založena na architektuře CRM.360 pro komplexní CRM infrastrukturu. Jedná se o řešení pro integraci dat na bázi datového skladu, vlastní prostředí analytického CRM a obousměrné interface s okolními systémy, zejména s kontaktním CRM. Technologická metodika umožňuje řadu alternativních technologií v každé kategorii. Základní kategorie jsou RDBMS, ETL, OLAP servery, analytické nástroje, nástroje pro data mining a portálové technologie.
 
Obchodní metodika obsahuje jednak vertikálově nezávislé know-how a jednak řešení oblastí specifických pro vybraná odvětví. V současné době jsou k dispozici řešení pro odvětví bankovnictví a finance, pojišťovnitcví, telekomunikace a maloobchodní řetězce.

Data warehouse zužitkujete násobně
Investice do data warehouse se vyplatí nejen pro CRM, ale i pro další obchodní účely.

Datová integrace pomocí data warehouse infrastruktury je typická back-office aplikace a jako taková má obvykle problém s opodstatněním investice. Návratnost data warehouse samotného je často obtížně vyčíslitelná, jeho přínosy jsou zahrnuty pod přínosy aplikací, kterým "poskytuje data".
 
Prvotním motivátorem pro budování data warehouse byly typicky aplikace pro podporu rozhodování - DSS či business intelligence aplikace. Ty jsou i dnes jedním z nejvýznamnějších "odběratelů" dat u existujících data warehousů. Téměř totožná data v pozměněné struktuře však může DW poskytovat i pro analytické CRM.
 
V základu podobná data jistě využije i specializovaný software pro ALM či řízení rizik. Rovněž pro systémy pro detekci podvodného jednání (fraud detection) potřebují dlouhou transakční historii zákazníků a jsou tedy typickým "odběratelem" DW. Požadavky nového Basel II na kapitálovou přiměřenost se dokonce bez DW nedají splnit - důvodem je nutnost dlouhých časových řad.
 
Jednou z nejpodstatnějších aplikací, která může využít DW jako poskytovatele dat, je i systém pro výpočet profitability, ať už jako specializovaný SW nebo jako jeden z datamartů v rámci DW infrastruktury. Profitabilita jednotlivých zákazníků je mimo jiné opět jedním z klíčových vstupů pro analytické CRM.

Všechny uvedené aplikace, a jistě i mnoho dalších, zužitkují poměrně nákladné investice do jednotné DW infrastruktury. Podstatnou část těchto nákladů tvoří náklady na extrakce a čištění dat. Rovněž investice do software, hardware, diskové kapacity apod. jsou tímto způsobem využity pro více obchodních účelů. V porovnání s jinými technologiemi má investice do data warehouse výbornou návratnost, za předpokladu, že je vnímána jako korporátní záležitost a také tak využívána.

Pozn. red.: Autor pracuje jako ředitel pro vývoj řešení ve firmě Adastra.

Překážky integrace dat
Organizační - Datové zdroje často "vlastní" určitá organizační jednotka v rámci firmy. Bývá obtížné identifikovat konkrétní osobu, která je zodpovědná za daný zdroj po stránce technické a administrativní a získat dostatek času této osoby. Dalším problémem může být dostupnost jednotlivých systémů, na nichž často závisí provozuschopnost firmy. Obvyklým jevem je i nutnost koordinace s jinými projekty, které se integrovaných systémů přímo dotýkají, například výměna nebo upgrade některého ze zdrojů.

Politické - Projekty datové integrace vyžadují silnou politickou podporu, protože jsou do velké míry závislé na spolupráci jiných částí organizace. Integrace dat je pro původní vlastníky dat vždy spojena s částečnou ztrátou kontroly nad těmito daty a tím i s částečným oslabením jejich moci. Některé vlivné jednotky či zájmové skupiny mohou mít důvody, proč neposkytnout data ostatním. Jiné mohou mít vlastní projekty, které se do jisté míry překrývají s integračním projektem a nemají zájem o "svůj" projekt přijít. Častým předmětem politických rozhodnutí je také interpretace integrovaných dat.

Obchodní - Při integraci dat se jedná o jejich sjednocení fyzické i logické. Ohledně logické integrace je nutné stanovit jasná pravidla interpretace dat pocházející z různých systémů. Např. počty prodaných produktů , počty zákazníků apod. jsou velmi závislé na definici pojmu produkt, zákazník a také na metodice výpočtu. Definice a popis transformace jednotlivých datových elementů je klíčovým momentem při integraci dat. Shoda různých obchodních uživatelů navzájem a shoda s datovými specialisty je nezbytná, přestože její dosažení bývá velmi obtížné.

Technologické - Data se nacházejí na různých technologických platformách, často nekompatibilních. Síťové prostředí může, ale také nemusí, být dimenzováno pro potřeby integrace velkých objemů dat. Integrovaná data je nutné někde ukládat, obvykle na specializovaných serverech s přístupem k velké diskové kapacitě. Úložiště integrovaných dat musí mít parametry odpovídající známým požadavků, ale i budoucím- zatím neznámým - požadavkům. Rychlost odezvy, dostupnost dat pro uživatele a jejich kvalita jsou jedny z vlastností, jejich dodržení je pro úspěch nezbytné. Zároveň se však jedná o parametry, které jsou ovlivněny mnoha faktory mimo kontrolu vlastní datové integrace.