بخشی از مقاله
خلاصه
ابزارها و فناوری دادهکاوی و دیگر تکنیکهای مدیریت ارتباط با مشتری، روشهایی هستند که فرصتهای جدیدی را برای تجارت فراهمکردهاند. در واقع دیدگاه محصول محوری جای خود را به مشتری محوری داده است. مدیریت ارتباط با مشتری به همه فرآیندهایی گفته میشود که در شرکتها و سازمانها برای شناسایی، ترغیب،گسترش، حفظ و ارائه خدمت به مشتریان بهکارمیرود. در این مقاله به معرفی دادهکاوی، مدیریت ارتباط با مشتری، مزایای بکارگیری سیستمهای مدیریت ارتباط با مشتری میپردازیم و تحقیقات انجام شده در این موضوع را مورد بررسی و مقایسه قرار میدهیم. نتایج حاصل از مطالعات موردی بیانگر توان بالای روشهای دادهکاوی در استخراج دانش و قواعد حاکم بر حجم انبوه دادههای مختلف است. با توجه به کاربرد فراوان الگوریتم درخت تصمیم در مطالعات اخیر این روش به عنوان روشی کاربردی در حوزه مدیریت ارتباط با مشتری پیشنهاد میشود.
.1 مقدمه
ابزارها و فناوریهای انبار داده، دادهکاوی و دیگر تکنیکهای مدیریت ارتباط با مشتری، روشهایی هستند که فرصتهای جدیدی را برای تجارت فراهم کردهاند. در واقع دیدگاه محصول محوری جای خود را به مشتری محوری داده است. بنابراین، با جمع آوری دادههای مربوط به مشتری و تصمیمگیری براساس الگوهای استخراج شده از روابط پنهان میان دادهها به وسیله ابزار دادهکاوی، میتوان به خواسته مشتری محوری خود جامه عمل پوشاند.[1]
دادهکاوی فرایندی است که در آغاز دهه 90 پا به عرصه ظهور گذاشته و با نگرشی نو، به مسئله استخراج اطلاعات از پایگاه دادهها میپردازد. در سال 1989 و 1991 کارگاههای کشف دانش از پایگاه دادهها توسط پیاتتسکی و همکارانش و در فاصله سالهای 1991 تا 1994 کارگاههای فوق، توسط فایاد و پیاتتسکی و دیگران برگزار شد. به طور رسمی اصطلاح دادهکاوی برای اولین بار توسط »فیاض« در اولین کنفرانس بینالمللی »کشف دانش و دادهکاوی « در سال 1995 مطرح شد. از سال 1995 دادهکاوی به صورت جدی وارد مباحث آمار شد و در سال 1996 اولین شماره مجله کشف دانش از پایگاه دادهها منتشر شد.
دادهکاوی حاصل تحول تدریجی در طول تاریخ بوده و از اوایل دهه 90 همزمان با همهگیر شدن استفاده از پایگاههای دادهای به عنوان یک علم مطرح شده است. در متون آکادمیک تعاریف گوناگونی برای دادهکاوی ارائه شده است. در برخی از این تعاریف دادهکاوی در حد ابزاری که کاربران را قادر به ارتباط مستقیم با حجم عظیم دادهها میسازد معرفی گردیده است و در برخی دیگر، تعاریف دقیقتر که درآنها به کاوش در دادهها توجه می شود موجود است. برخی از این تعاریف عبارتند از :
دادهکاوی عبارت است از فرایند استخراج اطلاعات معتبر، از پیش ناشناخته ، قابل فهم و قابل اعتماد از پایگاه دادههای بزرگ و استفاده از آن در تصمیمگیری در فعالیتهای تجاری مهم. اصطلاح دادهکاوی به فرایند نیم خودکار تجزیه و تحلیل پایگاه دادههای بزرگ به منظور یافتن الگوهای مفید اطلاق می شود. دادهکاوی یعنی جستجو در یک پایگاه دادهها برای یافتن الگوهایی میان دادهها. دادهکاوی یعنی استخراج دانش کلان، قابل استناد و جدید از پایگاه دادههای بزرگ. دادهکاوی یعنی تجزیه و تحلیل مجموعه دادههای قابل مشاهده برای یافتن روابط مطمئن بین دادهها.
همانگونه که در تعاریف گوناگون دادهکاوی مشاهده می شود، تقریبا در تمامی تعاریف به مفاهیمی چون استخراج دانش، تحلیل و یافتن الگوی بین دادهها اشاره شده است.[3] ایده اصلی دادهکاوی بر این امر استوار است که دادههای قدیمی حاوی اطلاعاتی هستند که در آینده مورد استفاده قرار گرفته و مفید خواهند بود. هدف دادهکاوی یافتن الگوهایی در دادههای پیشین است که نیازها، ترجیحات و تمایلات را روشن تر می نماید. این حقیقت که الگوها همواره واضح نیستند و علائم دریافت شده از دادهها گاهی مبهم وگیج کننده هستند کار را سخت می نماید.
لذا جدا کردن علائم از چیزهایی به درد نخور یعنی تشخیص الگوهایی اساسی در بطن متغیرهایی به ظاهر تصادفی، یکی از نقشهای مهم دادهکاوی است.[4] مدیریت ارتباط با مشتری به همه فرآیندها و فناوریهایی گفته میشود که در شرکتها و سازمانها برای شناسایی، ترغیب،گسترش، حفظ و ارائه خدمت به مشتریان به کار میرود .[5] [6] مفهوم بازاریابی انبوه که در گذشته کاربرد فراوانی داشت، اکنون با ایدهی مشتری محوری جایگزین شده است. از طرفی، فزونی و دسترسی انبوه به اطلاعات، مشتریان را آگاهتر و ماهرتر ساخته است. بنابراین سازمانها باید از خط مش هایی چون مدیریت ارتباط با مشتری، برای جذب و نگهداشت مشتری بهره ببرند .[7] نقطهی کور مدیریت، کوتاهی در ایجاد سازمانهای مشتریمدار و عدم درک نقشی که مدیریت ایفا میکند.
عدم ارتباط حقیقی و پایدار منجر به نابودی عواملی چون نوآوری، وفاداری مشتری و رشد سودآور در شرکتها شده است .[5] [6] سازمانها از طریق CRM1 به مزیت رقابتی و سوددهی بیشتر دست مییابند. CRM به عنوان یک فرآیند متشکل از نظارت بر مشتری - مثل جمعآوری دادههای مناسب آنان - مدیریت و ارزشیابی دادهها و نهایتا ایجاد مزیت رقابتی از اطلاعات استخراج شده در تعاملات با آنان است.
CRM به عنوان یک فرآیند تعاملی که به یک تعادل بهینه بین سرمایهگذاری شرکت و برآورده کردن نیازهای مشتریان جهت ایجاد حداکثر سود دست یافته تعریف شده است. مدیریت ارتباط با مشتری یک فرآیند تجاری است که تمام جوانب مشخصههای مشتری را آدرسدهی میکند، دانش مشتری را به وجود میآورد، روابط را با مشتری شکل میدهد و برداشت آنها را از محصولات یا خدمات سازمان ایجاد میکند. مدیریت ارتباط با مشتری توسط چهار عنصر دانش، هدف، فروش و خدمت تعریف شده است.
مدیریت ارتباط با مشتری با در نظر گرفتن اینکه چه محصولات یا خدماتی، به چه مشتریانی، در چه زمانی و از طریق چه کانالی عرضه شود، بهبود را در پی خواهد داشت. وظیفه اصلی CRM تسهیل در برقراری ارتباط مشتری با سازمان - به هر صورتی که مشتری تمایل دارد - بدون محدودیت زمانی، مکانی و ملیتی است به نحوی که مشتری احساس نماید، با سازمان واحدی در تماس میباشد که وی را میشناسد، برای وی ارزش قائل است و نیازهای او را به سرعت و با آسانترین روش ارتباطی مرتفع مینماید. شرکتهایی که به طور موفقیت آمیزی CRM را پیادهسازی کردهاند، نتایج بسیار خوبی در زمینه کسب وفاداری مشتریان و سوددهی دراز مدت آنها بدست آورد اند.
CRM مستلزم حرکت به سمت مشتری مداری و تعریف استراتژی بازار از دیدگاه برون سازمانی است. این روند تحت عنوان چرخه زندگی مشتری مطرح میشود که شامل جذب مشتریان جدید، افزایش ارزش مشتری و حفظ مشتریان خوب است .[8] فروشندگان معتقدندکه سه روش برای افزایش ارزش مشتری وجود دارد: -1 افزایش خرید مشتری از محصولی که قبلا خریداری کرده است. -2 فروش محصولات با حاشیه سود بالاتر به مشتری -3 حفظ مشتری برای یک دوره زمانی طولانی تر .[9]
در حال حاضر، دادهکاوی عمدتاً کاربردهای زیر را در سیستم مدیریت ارتباط با مشتری داراست: [10]
طبقهبندی مشتری: مشتریان را بر اساس جنسیت، شغل، سن، یا عادت مصرف و عادت خرید آنها تقسیمبندی میکند. فناوری دادهکاوی میتواند تعداد زیادی از مشتریان را به گروههای مختلف تقسیم کند که بر اساس آن محصولات و خدمات مشتری محور ارائه خواهند شد. رایج ترین روشها خوشهبندی و طبقهبندی است.
تحلیل کسب مشتری: برای توسعه شرکتها، شناسایی مشتریان جدید ضروری است. با استفاده از فناوری دادهکاوی، شرکتها میتوانند مشتریان بالقوه را با بررسی ویژگیهای مشتریان و عادات خرید و مصرف آنها شناسایی کنند تا برنامه فروش هدفمندتری را ایجاد کنند. روشهای رایج آن پیشبینی، طبقهبندی و تحلیل همبستگی است.
تحلیل حفظ و از دست دادن مشتری: توسعه شرکتها مستلزم کسب مداوم مشتریان جدید است، اما مشتریان قدیمی حتی مهمتر از آنها هستند. تحقیقات بسیاری نشان دادهاند که هزینه بدست آوردن یک مشتری جدید چندین برابر هزینه حفظ یک مشتری قدیمی است، پس اگر شرکتی به دنبال کسب توسعه پایدار است باید حفظ مشتریان قدیمی را مدنظر قرار دهد. فناوری دادهکاوی میتواند به تحلیل ویژگیهای مشتریان از دست داده کمک کند، یک مدل مرتبط ایجاد کرده و مشتریان بالقوهای را که ممکن است از دست بروند را با این مدل شناسایی کنند. بعد از آگاهی از اینکه کدام مشتری ممکن است از دست برود، شرکت میتواند اقدامات مربوطه را برای حفظ مشتریان انجام داده و رضایت آنها را افزایش دهد.
پیش بینی و تحلیل توانایی سودآوری مشتری: یک قانون کلاسیک دو-هشت در مدیریت ارتباط با مشتری وجود دارد که بیان میکند هشتاد درصد از مشتریان بیست درصد از سود شرکت را ایجاد میکنند، درحالیکه بیست درصد دیگر از مشتریان هشتاد درصد باقیمانده از سود شرکت را ایجاد میکنند. مشتریان این بیست درصد سود بیشتری را برای شرکت به ارمغان میآورند، پس آنها همان مشتریانی هستند که شرکت باید از آنها مراقبت بیشتری انجام دهد. با تحلیل اطلاعات و دادههای مشتری، میتوان مشتریان این بیست درصد را پیدا کرده و خدمات ویژهای برای آنها فراهم کرد تا وفاداری مشتری را بهبود بخشیده و مشتریان طلایی بالقوه را با استفاده از مدل مشتری بیست استخراج کنند.
تحلیل فروش چندگانه: رابطه بین شرکت های مدرن و مشتریان همواره در حال تغییر است. برای بهبود وفاداری مشتریان، شرکتها باید فروش چندگانه را روی مشتریان فعلی انجام دهند، که به معنی تأمین کالاها و خدمات جدید برای مشتریان از طریق تحلیل ویژگیهای مشتری و محصولات خریداری شده یا ویژگی خدمات صورت میگیرد. در دادهکاوی، تحلیل فروش چندگانه همواره با استفاده از قانون همبستگی - شرکت پذیری - انجام میشود. تحلیل اعتبار مشتری: دادهکاوی قادر است درجه اعتبار جزیی مشتری را از بین مقدار زیادی دادههای سوابق تحلیل کند، که بر اساس آن شرکت ها میتوانند استراتژیهای فروش مختلفی را برای مشتریان دارای درجه اعتبار متفاوت اتخاذ کنند.
.2 الگوریتم های داده کاوی
در این بخش قصد داریم مهمترین الگوریتمها و مدلهای دادهکاوی را بررسی کنیم. بسیاری از محصولات تجاری دادهکاوی از مجموعه این الگوریتمها استفاده میکنند و معمولا هر کدام از آنها در یک بخش خاص قدرت دارند. نکته مهم دیگر این است که در بین این الگوریتمها و مدلها، بهترین وجود ندارد و با توجه به دادهها و کارایی مورد نظر باید مدل انتخاب گردد .[11]
شبکههای عصبی
شبکههای عصبی از پرکاربردترین و عملیترین روشهای مدلسازی مسائل پیچیده و بزرگ که شامل صدها متغیر هستند میباشد. شبکههای عصبی میتوانند برای مسائل کلاس بندی - که خروجی یک کلاس است - یا مسائل رگرسیون - که خروجی یک مقدار عددی است - استفاده شوند.
درختهای تصمیم
درختهای تصمیم روشی برای نمایش یک سری از قوانین هستند که منتهی به یک رده یا مقدار میشوند. برای مثال، میخواهیم متقاضیان وام را به دارندگان ریسک اعتبار خوب و بد تقسیم کنیم. شکل 1 یک درخت تصمیم که این مسئله را حل میکند نشان میدهد و همه مؤلفههای اساسی یک درخت تصمیم در آن نشان داده شده است: نود تصمیم، شاخهها و برگها.
شکل:1 درخت تصمیمگیری
هر مسیر در درخت تصمیم تا یک برگ معمولا قابل فهم است. از این لحاظ یک درخت تصمیم میتواند پیشبینیهای خود را توضیح دهد، که یک مزیت مهم است. با این حال این وضوح ممکن است گمراهکننده باشد. برای مثال، جداسازیهای سخت در درختهای تصمیم دقتی را نشان میدهند که کمتر در واقعیت نمود دارند - چرا باید کسی که حقوق او 400001 است از نظر ریسک اعتبار خوب باشد درحالیکه کسی که حقوقش 40000 است بد باشد. - بعلاوه، از آنجا که چندین درخت میتوانند دادههای مشابه ای را با دقت مشابه نشان دهند، چه تفسیری ممکن است از قوانین شود؟
در میانههای دهه 80 مخترعی به نامJerome H. Friedman CART متدی را توسعه داد. MARS، مانند بیشتر الگوریتمهای شبکههای عصبی و درخت تصمیم، تمایل به over fit شدن برای دادههای آموزشدهنده دارد. که میتوان آن را به دو طریق درست کرد. اول اینکه، cross validation بصورت دستی انجام شود و الگوریتم برای تولید پیشبینی خوب روی مجوعه تست تنظیم شود. دوم اینکه، پارامترهای تنظیم متفاوتی درخود الگوریتم وجود دارد که cross validation درونی را هدایت میکند.