بخشی از مقاله
چکیده
داده کاوی یکی از موضوعات پرکاربرد و در حال رشد در عرصه مدیریت، حسابداری و اقتصاد است و تکنولوژی بسیار مهمی برای کمک به مدیران در بازاریابی مستقیم میباشد. تکنیکهای داده کاوی میتوانند تغییرات در رفتار مشتری را کشف و پیش بینی کنند. این امکان فرآیند ایجاد یک رابطه بلند مدت و مستحکم را بین بانک و مشتریانش تسهیل میکند.
هدف از این تحقیق ارائه مدلی مناسب جهت بخشبندی مشتریان بر اساس ارزش دوره عمر آنهاست. در واقع بخشبندی مشتریان، گروهبندی آنها بر اساس نیازها و رفتار گروه های مختلف است، بعلاوه امکان ارائه محصول یا خدمات به مشتریان مورد نظر را فراهم نموده و ارتباط نزدیکتری را با آنها ایجاد میکند و یکی از مهمترین مقولهها در رسیدن به بازاریابی مدرن و مدیریت ارتباط با مشتری - - CRM است.
تحلیل ارزش دوره عمر مشتری - - CLV تکنیکی از مدلهای دستهبندی و خوشهبندی از تکنیکهای مطرح شده در مدلهای داده کاوی میباشند که در سالهای اخیر به عنوان مبنایی برای بخشبندی مشتریان، مورد توجه بسیاری از محققان قرار گرفته است.
در این تحقیق 351 مشتری یکی از بانکهای خصوصی کشور مورد بررسی قرار گرفتند. در این دسته بندی از سه متغیر اصلی تازگی مبادلات - تعداد روزهای سپری شده از آخرین گردش مثبت حساب مشتریان - ، فراوانی - تعداد گردش های مثبت حساب مشتریان - و ارزش مالی - مانده حساب مشتریان در پایان دوره - استفاده شده است.
روش فرایند تحلیل سلسله مراتبی - - AHP جهت تعیین وزن هر یک از شاخصها و مدل WRFM جهت رتبهبندی CLV مشتریان به کار برده شده است. جهت خوشه بندی مشتریان از الگوریتم K-MEAN استفاده شد و تعداد خوشهها نیز 8 دسته تعیین گردید. پس از دستهبندی و تعیین رتبه هریک از دستهها، استراتژی مناسبی که بانک میبایست در برخورد با هر یک از این دستهها به کارگیرد، بیان شده است.
مقدمه
در دنیای امروز بازاریابی انبوه دیگر قادر به برآورده کردن احتیاجات مشتریان نیست و در حقیقت هر مشتری میخواهد بر اساس نیازهای فردی و منحصر به فرد خود سرویس دهی شود. بازاریابی مستقیم یکی از استراتژیهای بازاریابی مدرن و رو به گسترش در صنعت بانکداری ایران است و در این میان دسته بندی - بخش بندی - مشتریان و شناخت مشتریان هدف از اهمیت فراوانی برخوردار است.
در واقع این مشتریان هدف هستند که برای ارائه محصولات و خدمات جدید در بازاریابی مستقیم انتخاب میشوند. بنابراین بهبود فرایند شناسایی مشتریان هدف در شرایط رقابتی حاکم بر صنعت بانکداری دارای اهمیت زیادی است. بخش بندی مشتری فعالیتی حساس در چرخه خدمات مالی است و شامل گروه بندی مشتریان بر اساس اطلاعات مشترک آنهاست. حال این اطلاعات میتواند اطلاعات مربوط به نوع زندگی مشتری باشد و یا دادههای مربوط به مبادلات آنها
اما یکی از چالش های کلیدی برنامهریزان و مدیران در حوزه خدمات بانکی، دستیابی به معیارهایی برای دسته بندی مشتریان این نوع خدمات است. بدیهی است استفاده از الگوی مناسب بخش بندی مشتریان به بانک این فرصت را می دهد که پیشنهادات ارزشمند خود را متناسب با نیازها و خواستههای بخش های هدفگیری شده طراحی و ارائه نموده و در نتیجه عملکرد بانک از منظرهای مختلف بهبود یابد.
در شرایط کنونی به دلیل وجود حجم انبوهی از دادهها در پایگاه داده، امکانات کامپیوتری و الگوریتمهای قوی، جانشین تحلیلهای دستی شده است تا اطلاعات و دانش را از دادههای موجود استخراج کند. داده کاوی فرآیند کشف رابطهها، الگوها و روند معنیداری است که به بررسی حجم وسیعی از اطلاعات ذخیره شده در پایگاه داده با فناوری تشخیص الگو میپردازد.
داده کاوی از مهمترین ابزارهای در دسترس سازمانها برای ارزیابی، شناسایی، دسته بندی و پیش بینی رفتار مشتریان است و دادهکاوی بر اساس دادههای گذشته به پیش بینی بازاریابیهای آینده کمک زیادی خواهد نمود. بسیاری از محققان به این نتیجه رسیدهاند که مبادلات گذشته مشتریان، تخمین زنندههای بسیار خوبی جهت پیش بینی رفتار مشتریان در آینده میباشند. در سازمانهای خدمات مالی و بانکها نیز وضعیت گذشته حساب مشتری میتواند به عنوان عاملی تعیین کننده در رفتار مشتری در دوره های بعدی برای سودآوری بانک باشد.
روش RFM یکی از روشهای به کار گرفته شده بر اساس این نظریه است. این روش تنها به محاسبه CLV نمیپردازد بلکه بر اساس این مدل می توان مشتریان را بر اساس شاخص های مختلف بخش بندی نمود و با استفاده از رتبهبندی این دستهها، معیاری جهت تصمیم گیری و برنامهریزی در مورد گروههای مختلف مشتریان فراهم کرد. در بسیاری از موارد با استفاده از تکنیکهای داده کاوی مانند خوشه بندی، میتوان مدیریت ارتباط با مشتری را بهبود بخشید و سود فراوانی را برای شرکت به ارمغان آورد.
موسسات مالی و بانکها از سازمانهایی هستند که به لحاظ ماهیت کار خود بسیار نیازمند فرایندهای مدیریت مشتریان میباشند. مدیریت مناسب اطلاعات جمع آوری شده، زمینه دستیابی به اطلاعات مشتریان را فراهم میکند و مدیریت موفق ارتباط با مشتری منجر به بهبود فعالیت های بازاریابی و رضایت بیشتر مشتریان میگردد و می توان ارتباطات با مشتری را توسعه داد و سرویسهای بهتری را برای آنها فراهم کرد. بنابراین هدف اصلی از انجام این تحقیق ارائه الگویی جهت سنجش ارزش مشتریان بانک و استفاده از نتایج آن در گروه بندی مشتریان میباشد.
ادبیات و پیشینه تحقیق داده کاوی
در طول دهه گذشته، با پیشرفت روز افزون کاربرد پایگاه داده، حجم دادههای ثبت شده بطور متوسط هر پنج سال دو برابر شده است. بنابر اعلام دانشگاهMIT دانش نوین داده کاوی یکی از ده دانش در حال توسعه است که دهه آینده را با انقلاب تکنولوژیکی مواجه میسازد. ریشه اصطلاح داده کاوی به کاوش در معادن طلا و زغال سنگ مربوط میشود.
- توربان و همکاران، 1 - 2007 داده کاوی را به عنوان فرایندی معرفی می کنند که در آن از ابزارهای مختلفی برای استخراج و شناسایی اطلاعات مفید از پایگاه داده جهت دستیابی مکرر به دانش استفاده میشود. داده کاوی با ارائه ابزارهایی به شرکتها کمک مینماید که الگوها و روندهای مربوط به دادههای مشتریان را استخراج نموده و مدیریت ارتباط با مشتری را بهبود بخشند
به بیانی ساده، داده کاوی فرایند کشف اطلاعات مفید از منابع داده حجیم و بزرگ است.
- امیلینسکی و ویرمانی،2 - 1999 داده کاوی را جستجوی الگو در پایگاههای داده بزرگ معرفی کردهاند. داده کاوی را شاید بتوان کاوش دانش از درون دادهها نیز نامید.
فنون داده کاوی در یک نگاه کلی به دو منظور بکار میروند: توصیف و پیش بینی . - Han and Kamber, 2006 - فنون پیش بینی شامل دستهبندیَو رگرسیون4میباشد. دستهبندی برای پیش بینی متغیرهای هدف گسسته به کار میرود، در حالی که کاربرد رگرسیون برای پیش بینی متغیرهای هدف پیوسته است . - Tan,Steinbach and Kumar,2005 - فنون توصیفی نیز شامل خوشه بندیِ، تخمین و ... است. در جدول - - 1 انواع مدلهای داده کاوی و وظایف هر یک از آنها نشان داده شده است.
جدول - - 1 انواع مدلهای داده کاوی و روشهای مورد استفاده
- انگای و همکاران،6 - 2009 با جمع بندی مقالات متعدد پیرامون مدلهای داده کاوی در مدیریت ارتباط با مشتری، این مدلها را به هفت گروه اصلی تقسیم بندی، مینمایند. این مدلها عبارتند از: وابستگی7، دسته بندیَ، خوشه بندیُ، تخمین زدن10، رگرسیون11، کشف توالیو بصری سازی.13 همچنین آنها بیان میکنند که برای پشتیبانی بهتر از تصمیمگیریها در سیستمهای مدیریت ارتباط با مشتری، اغلب لازم است تا سازمانها، ترکیبی از این مدلها و تکنیکها را بکار گیرند. در جدول - - 2 انواع مدل های داده کاوی مورد استفاده توسط محققین برای بخش بندی مشتریان آورده شده است.
جدول - - 2 انواع مدلهای داده کاوی مورد استفاده در تحقیقات پیشین
