بخشی از مقاله
چکیده
رشد سریع فناوری اطلاعات امروزه باعث تغییرات بسیاری در روش های بازاریابی سازمان ها نموده است و ازطرفی با توجه به رقابت فشرده بازار و گزینه های متنوعی که از محصولات و خدمات متنوع پیشروی مشتریان قرار دارد، تحلیل رفتارمشتریان، به عامل بسیار مهمی برای بازاریابی و بقای سازمان ها مبدل گشته است. نظر به موارد مذکور، یکی از موثرترین ابزارهای بررسی در جهت تعدیل منافع مشتریان و شرکت ها کشف دانش مفید از طریق داده کاوی است.
پژوهش پیش رو از نظر هدف کاربردی و از نظر گرد آوری داده پژوهشی اسنادی به شمار می رود و سعی بر آن شده تا از نظرات خبرگان و صاحبنظران در این زمینه که تجربه استفاده از این تکنیک و موفقیت های آن را لمس کرده اند، بهره مند شویم تا بتوانیم الگوهای مناسبی را در این زمینه کشف نماییم . قوانین استخراج شده مربوط به مشتریان و بازارها - خوشه بندی - شرکت ها و تولیدکنندگان را قادر می سازد تا بر اساس الگوهای کشف شده سیاست گذاری نمایند و درک بهتری از انتظارات کنونی و آتی مشتریان داشته باشند.
کلمات کلیدی: داده کاوی، بازاریابی، روش CLV،روش RFM،خوشه بندی ، بهبود مدیریت ارتباط با مشتری CRM
مقدمه
شناخت مشتریان و همچنین شناخت نیازهای مشتریان ، عمل موثری در کسب برتری در ارائه خدمات به مشتری است. مدیران باید مشتریان خود را اولویت بندی کرده و کانون توجه خود را بر مشتریان کلیدی متمرکز کنند و روز به روز هزینه از دست دادن مشتری را بیشتر درک کنند .لذا وقتی مشتریان ازتجارت با ما دست میشویند و شروع به تجارت بارقبای ما می نمایند، چند موقعیت ناخوشایند اتفاق میافتد، اول این که ما درآمد جاری خود را به خاطر رابطه تجاری موجود از دست میدهیم.
دوم این که اگررابطه تجاری با مشتری از دست برود نیازی به استخدام افراد جدید نداریم. سوم این که شهرت و اعتبار ما از دست میرود .مشتریان ما احتمالا تجربیات خودشان را با مشتریان دیگر در میان خواهندگذاشت این زیان ممکن است منجر به از دست رفتن اعتماد مشتریان کنونی ما و هر مشتری بالقوه ای شود. امروزه تدوین سیاستهای و استراتژیهای رقابتی ازسوی صاحب نظران تاکید میشود. لذا شرکت ها نمیتوانند هدف اصلی کار خود نظیر دستیابی به مزیت رقابتی یا ایجاد سود را نادیده بگیرند .
شناسایی گروههای مختلف مشتریان و تعیین خواسته ها و نیازهای آنان میتواند باعث به وجود آمدن رضایت مشتری برای شرکتها و تولید کنندگان شود و همین امر موجب وفاداری بیشترمشتریان میشود. شناسایی مشتریان کلیدی و حفظ این گونه مشتریان در بلند مدت نسبت به جذب مشتریان جدید ،برای جایگزینی مشتریانی که قطع رابطه کرده اند، سودمندتر است. زیرا هزینه جذب یک مشتری کلیدی جدید 5 برابر هزینه حفظ یک مشتری است. مشتریانی که شرکت بتواند رضایت آنها را جلب کند، تجربیات مثبت خود را برای دیگران بیان میکنند و به این ترتیب وسیله تبلیغ برای شرکت میشوند و در نتیجه هزینه جذب مشتریان جدیدکاهش می یابد ومشتری جدید با حصول اطمینان وارد چرخه مشتریان خواهد شد.
انتخاب مشتریان هدف یا مشتریانی که به یک پیشنهاد محصول یا خدمت پاسخ می دهند مهمترین مسئله در بازاریابی مستقیم است .انبارهای داده مشتریان و داده های بازاریابی برای این هدف ایجاد شده اند اطلاعات از قبیل اطلاعات جمعیت شناختی ، ویژگی های شخصی مشتریان مانند حرفه، سن و ... در این انباره های داده موجود است. داده های زیادی هر روزه در بسیاری از سازمان ها تولید می شود. از سوی دیگر استفاده از اینترنت و رشد تجارت الکترونیک فعالیت های بازار را گسترش داده و حجم عظیمی از اطلاعات مربوط به مشتریان را ایجاد کرده است.
در چند سال اخیر به سرعت تعداد و اندازه انباره های داده الکترونیکی افزایش یافته است و شناخت مشتریان هدف با توجه به این حجم عظیم اطلاعات به آسانی میسر نیست برای استخراج دانش پنهان و پیشگویانه از حجم زیادی از داده ها، تکنیک های داده کاوی مورد نیاز است. استفاده از روشهای داده کاوی برای تعیین اولویت های مشتریان در فعالیت های اقتصادی، باعث بهبود و تسریع فرایند تصمیم گیری در بازار می گردد به بیان دیگر برای رسیدن به یک روش دقیق به منظور تشخیص پتانسیل مشتریان برای پذیرش یک محصول و خدمت جدید، روش های داده کاوی را به کار می گیریم .
الگوهای خرید مربوط به هر یک از مشتریان می تواند از طریق داده کاوی تعیین گردد و این امکان را برای سازمان ها به وجود می آورد تا استراتژی های بازاریابی را توسعه داده و برای هر دسته از مشتریان تصمیمات مناسبی اتخاذ کنند .مشتریان با هم برابر نیستند وهدف داده کاوی این است که شرکتها بدانند مشتریان چگونه تمایل به تعامل دارند تا بتوانند وفاداری آنها را جلب کنند و پیرو آن به افزایش درآمد وکاهش هزینه دست یابند.شناخت بهتر مشتریان ودرک تفاوت بین آنها به شرکتها کمک میکند تا در ارائه محصولات جدید و تخصیص منابع به مشتریان مطلوبتر، کارآمدی بیشتری داشته باشند. شناخت مشتری میتواند در هدفمند کردن تبلیغات و سیاستهای حفظ مشتری، نیز موثر باشد.
بخش بندی و خوشه بندی یکی از مباحث مطرح در حوزه مدیریت بازاریابی و فروش است . بخش بندی شکستن جمع زیادی از مشتریان به بخش های مختلف است به طوری که مشتریان موجود در هر بخش به یکدیگر شبیه و مشتریان بخشهای مختلف با یکدیگر متفاوت هستند و همچنین فروش محصولات طبقه بندی شده و قرار گرفته در گروه بندی ها و خوشه های مناسب باعث تسریع در فرآیند سفارش دهی و فروش خواهد شد .
بخش بندی دیدگاهی کلی از تمام بانک اطلاعاتی مشتریان ارائه می دهد و به صاحبان کسب وکار امکان اعمال رفتار و سیاستهای متفاوت را به مشتریان هر بخش میدهد. در حالت ایده آل هر سازمان باید هر یک از مشتر یانش را بطور کامل بشناسد. ولی این کار در عمل امکانپذیرنیست و در واقع بخش بندی این امکان را فراهم می آورد تا مشتریانی که شبیه به هم هستند در یک بخش قرار گیرند. دراین صورت مدیریت و شناخت این بخشها بسیار ساده تر از شناخت تک تک مشتریان است.
داده کاوی برای بخشبندی مشتریان، دارای ابزارهای متفاوتی میباشد مانند الگوریتم ژنتیک،الگوریتم میانگین k ،تکنیک های خوشه بندی کردن وغیره. بنابراین در این مقاله سعی بر آن شده تا با ارائه مدل مفهومی و سنجش آن با نرم افزار Weka یک سیستم خبره تولید شود ، که مدیریت را در تصمیم گیری و اخذ استراتژهای مناسب برای برخورد با مشتریان یک شرکت پشتیبانی میکند.
پیشینه
مالتوس در سال 2001به ارزیابی مدلها در بازاریابی مستقیم پرداخت و نتایج را با هم مقایسه کرد.[3] او نشان داد که مدل رگرسیون خطی بهتر است کلمبو و جیانگ در سال 2000یک مدل - RFM تازگی ، تکرار و حجم مالی خرید - را برای دسته بندی مشتریان در بازاریابی مستقیم ارائه کردندچیوو در سال 2002مدل ترکیبی الگوریتم ژنتیک و استدلال بر مبنای موردی را برای بهبود دسته بندی مشتریان ارائه کردند . کوهونن و همکاران در سال 2000مدل ترکیبی الگوریتم درخت تصمیم و استدلال بر مبنای موردی را در بازاریابی مستقیم ارائه کردند .
ها و همکاران در سال 2005مدل پاسخ بازاریابی مستقیم را براساس شبکه عصبی را پیشنهاد دادند و به دقت و صحت %95 دست یافتند . بوس و چن در سال 2009مدلهای بازاریابی مستقیم را معرفی و بررسی کردند .گویندراجان و چاندراسکاران در سال 2010عملکرد مدلی بر اساس الگوریتم نزدیکترین همسایگی را در بازاریابی مستقیم ارزیابی کردند .کوی و همکاران در سال 2008مدل جدیدی در بازاریابی مستقیم ارائه و عملکرد آن را براساس انتخاب ویژگی ها ارزیابی کردند .
