بخشی از مقاله
چکیده
شناسایی ارزش مشتریان، از مولفههای اصلی موفقیت در شرکت های پخش میباشد که امروزه مورد توجه بیش از پیش قرار گرفته است. شرکت های پخش ، با گروههای مختلفی از مشتریان در ارتباط هستند و با توجه به منابع محدود، آنها باید مشتریان را بر اساس ارزششان رتبهبندی کنند تا بخش مناسبی از منابع بازاریابی را به مشتریان با ارزشتر اختصاص دهند و سود بیشتری کسب نمایند. روشن های داده کاوی که قابلیت کشف دانش از انبوه داده ها را فراهم می کنند، در این موضوع به کمک آمده و آنها را در راستای رسیدن به اهداف بازاریابی و مدیریت ارتباط با مشتری شامل شناسایی، جذب، نگهداشت و ارتقای مشتری یاری می رسانند. و با توجه به رقابت فشرده در بازار و گزینه های متنوعی از محصولات و خدمات که پیش روی مشتریان قرار دارد تحلیل رفتار مشتریان، عامل بسیار مهمی برای بقای شرکت های پخش تلقی می گردد.نظر به موارد مذکور، یکی از موثرترین ابزارهای بررسی رفتار مشتریان، داده کاوی است. در این مقاله به کاربرد داده کاوی در کشف، تحلیل و بهره برداری از الگوهای رفتار مشتریان و تاثیرات آن در مدیریت ارتباط با مشتریان می پردازیم.
کلمات کلیدی: داده کاوی،CRM ، سبد خرید مشتریان
.1 مقدمه
رعایت دادهکاوی به معنای کشف الگوهای مفید از دادهها میباشد. تکنیکهای دادهکاوی قادر به استخراج مشخصهها و نیازهای مخفی مشتریان از پایگاه دادههای بزرگ هستند. همه مدلهای دادهکاوی مانند طبقهبندی و خوشهبندی میتوانند عناصر مدیریت ارتباط با مشتری را که شامل شناسایی، جذب، حفظ و توسعه مشتری است، پشتیبانی کند.[1] مشتریان به عنوان منابع مهم استراتژیک یک سازمان می باشند و جذب و حفظ مشتریان به مهمترین عامل موفقیت سازمان ها تبدیل شده است.[14] هدف از تجارت و کسب و کار، جذب و نگهداری مشتریان است در طی سال های اخیر، تعامل شرکت ها با مشتریان خود تغییرات قابل توجهی یافته است. شرکت ها پی برده اند که ارتباط با مشتریان، ابزار اساسی برای افزایش سودآری شرکت است .[18] با به دست آوردن درک کلی از مشتریان و سپس گروه بندی آنها به دسته ها، سازمان ها می توانند بهتر به بهینه سازی برنامه های بازاریابی، جلب رضایت مشتریان و افزایش سود سازمان بپردازند.[5]
از این رو برای سازمان ها در محیط رقابتی، دستیابی به تقسیم بندی موثر مشتریان برای اعمال استراتژی های ارائه پیشنهاد با کیفیت بالا، یک کار مهم و کلیدی است. تقسیم بندی مشتریان با روش مبتنی بر آمار بدست می آید که داده های مشتریان، مجموعه ای از معیارهای آماری محاسبه می شوند و سپس مشتریان به بخش هایی با استفاده از الگوریتم های خوشه بندی، گروه بندی می شوند.[10] تقسیم بندی مشتریان می تواند به طور موثری موجب کاهش هزینه های بازاریابی سازمان و نفوذ سودآورتر آن در بازار شود[15] و به سازمان در طراحی و ایجاد استراتژی های مختلف برای به حداکثر رساندن ارزش مشتریان کمک کند.[4] سازمانها باید با شناخت درست از مشتریان بتوانند نیازها و خواستهای مشتریان خود را به درستی تشخیص دهند و حتی پیش بینی نمایند، تا بتوانند بهرهوری خود را افزایش دهند. مدیریت ارتباط با مشتریان، راهبردی است که در جهت بهبود روابط سازمان با مشتریان به کار گرفته می شود. به عبارتی میتوان مدیریت ارتباط با مشتریان را یکپارچه کردن عملیات مرتبط با مشتریان در سازمان دانست .[6]
عدم توجه به اصول و مفاهیم بنیادی CRM که باید در شرکت اجرا شود موجب می شود که در بازار رقابتی مشتریان تجربه خوشایندی از رابطه با شرکت بدست نیاورند و به سوی شرکتهای دیگر و خدمات بهتر متمایل شوند. تحقیقات نشان داده است که هزینه جذب مشتریان جدید به دلیل هزینه های بازاریابی و تبلیغات، بیشتر از هزینه های حفظ مشتریان است. به طور کلی تحقیقات نشان می دهد که هزینه های جذب مشتریان جدید پنج برابر بیشتر از حفظ یا مدیریت مشتریان موجود است. این امر بدین معناست که به جای متمایز ساختن محصولات، سازمانها باید مشتریان را بشناسند و از تاکید بر سهم بازار به سهم مشتری تغییر جهت دهند. با توجه به قانون 80/20 ، %20 مشتریان، در %80 فروش سازمان سهیم هستند که این امر نشانگر لزوم حفظ روابط بلندمدت با مشتریان سودآور به منظور حداکثر سازی سود است .[2]
تحقیقات بسیاری در زمینه های مختلف مرتبط با علوم داده کاوی و مدیریت ارتباط با مشتری انجام شده است . هوانگ، جانگ، و سو در سال 2004، از بازگشت منطقی1 برای طبقه بندی مشتریان بر پایه وفاداری مشتری استفاده کرده اند.[8] دنیس، مارسلند و کوکت در سال 2001، چهارچوب مدیریت دانش مشتری را با استفاده از K-means پیشنهاد دادند. کیم و استریت در سال 2004، سیستمی پیشنهاد دادند که از ANN و الگوریتم ژنتیک برای مشتری هدف استفاده می کرد.کیم در سال 2006، از بازگشت منطقی و ANN برای انتخاب ویژگی، برای پیشگویی چرخه2 استفاده کرد. بیسنس در سال 2004، شیب - انحراف - چرخه عمرمشتری را بر پایه طبقه بندی شبکه بیزین شناخت.ژاو و سینها در سال 2008، از درخت تصمیم و بازگشت منطقی برای چرخه پیشگویی با یکی کردن دانش دامین به داده کاوی، اتخاذ کردند.تسال و تو در سال 2009، شبکه عصبی هیبرید را برای پیشگویی چرخه استفاده کردند.
شیم، چویی و سو در سال 2012، از استراتژی های CRM برای یک فروشگاه آنلاین کوچک در تحقیق خود بهره بردند به این صورت که با استفاده از ارزش های RFM مشتریان وفادار را شناسایی کرده و سپس مدلی را توسعه دادند که مشتریان را با تکنیک های داده کاوی مانند درخت تصمیم، شبکه عصبی، بازگشت منطقی و بگینگ با هر کدام از اینها به عنوان یک پایه طبقه بندی کننده. به دو دسته وفادار و غیر وفادارتقسیم می کرد.[12] کشاو دهال و همکاران، یک مجموعه ی جدید از ویژگی ها برای مدل های داده های طبقه بندی و استخراج مانند بیز ساده و تعمیم یافته پیشنهاد داده اند. این آزمایش با استفاده از الگوریتم های مختلف طبقه بندی انجام شده و مقایسه کارایی بین طبقه بندیها مانند درخت تصمیم گیری، شبکه عصبی و غیره انجام گرفته است و آنها دریافتند که طبقه بندی ساده بیز در معاملات بزرگ برای حل بسیاری از مشکلات پیچیده مفید بوده است.[12] دهاندایودام و همکارانش، تلاشی برای بهبود الگوریتم خوشه بندی برای بخش بندی مشتریان با استفاده از آر اف ام - تاخر، فرکانس، پول - داشته اند.
پی ایساک دوی و همکاران، روشی برای طراحی تبلیغات خرده فروشی، مطلع شده توسط انجمنهای محصولاتی مشاهده شده در گروه های مشابه از مشتریان ارایه کرده اند. این کار با استفاده از خوشه بندی و قانون ارتباط به شناسایی رفتار مشتری می پردازد. این مقاله بر رضایت مشتری بیشتر متمرکز شده است. بارت بزنس و همکاران، بر معرفی یک اندازه گیری از چرخه پرداخت آینده یک مشتری متمرکز شده اند. این موضوع بهبود تصمیم گیری بازاریابی را در پی دارد. طبقه بندی شبکه های بیزی برای مشکل برآورد شیب چرخه زندگی مشتری مورد استفاده قرار گرفته است. آنها نتیجه گرفتند که طبقه بندی شبکه های بیزی به خوبی در پیش بینی تکامل مشتری آینده کار میکند. که تقویت مشتریان وفادار را در پی دارد . در این مقاله، به روشنی بیان شده که طبقه بندی شبکه های بیزی برای مشکل برآورد چرخه عمر مشتری مناسب است و مفهوم مارکوف را برای انتخاب ویژگی موثر دانست .[22]
.2 دادهکاوی
داده کاوی فرآیند جستجوی خبره و ماهری برای شناسایی الگوهای معتبر، نو، بالقوه، مفید و قابل فهم در داده ها است. اصلی ترین دلیلی که سبب شده داده کاوی در کانون توجهات قرار بگیرد، مساله در دسترس بودن حجم وسیعی از داده ها و نیاز شدید به تحلیل این داده ها و استخراج دانش سودمند ازآن ها است. علت توجه روز افزون به داده کاوی در سال های اخیر، وجود انبوه داده ها و ضرورت تبدیل آنها به اطلاعات و دانش مفید است. اطلاعات و دانشی که از این طریق به دست می آید، می تواند در کاربردهای فراوان از مدیریت کسب و کار گرفته تا کنترل تولید وتجزیه و تحلیل بازار و طراحی مهندسی و اکتشافات علمی به کار رود. داده کاوی را می توان تکامل طبیعی فناوری اطلاعات دانست.[23] داده کاوی نوعی فرایند تصمیم گیری است که ایده اصلی آن استخراج اطلاعات و الگوهای ارزشمند، یافتن ارتباطات بین داده ها و یافتن فاکتورهای تاثیرگذاری که مورد توجه قرار نگرفته اند، می باشد. در واقع، دادهکاوی از طریق یافتن قوانین و پیش بینی رفتارها، میتواند در تصمیم گیری به مدیران کمک نماید.[19]
.3 الگوریتم K میانگین
الگوریتم کا میانگین، الگوریتمی در زمینه خوشه بندی داده در علم داده کاوی است که براساس خوشه های تعیینی داده های در دسترس را به گروه هایی با ویژگی های نزدیک به هم و مشابه در گروه های معینی، تفکیک می کند. در واقع در این الگوریتم ابتدا k مقدار از اشیا به عنوان مراکز اولیه خوشه ها انتخاب شده و بعد از محاسبه فاصله هر شی با مرکز خوشه، هر شی به خوشه نزدیک به مرکز خوشه k اختصاص می یابد.[11] این الگوریتم به طور رایج استفاده میشود و هدفش بهینه سازی یک تابع هدف است که این گونه توصیف میشود:
در معادله بالا، mi مرکز خوشه ci است که d - x − mi - فاصله اقلیدسی بین نقطه x و mi است. بنابراین، تابع معیار E، فاصله هر نقطه از مرکز خوشهای که به آن متعلق دارد را حداقل مینماید - شکل . - 3-1 در واقع، الگوریتم به وسیله ی مقداردهی اولیه برای یک مجموعه از k مرکز خوشه آغاز میشود. سپس هر شی از مجموعه داده را به خوشهای نسبت می دهد که مرکز آن از همهی خوشهها نزدیکتر است و دوباره مراکز را محاسبه میکند. فرایند ادامه پیدا میکند تا مراکز خوشهها تغییر نکند.[13
