بخشی از مقاله
چکیده
در صنعت نرمافزار، همانند سایر بخشهای اقتصادی، شناخت، نگهداشت و جذب مشتریان سودآور حائز اهمیت است. شرایط رقابتی و هزینههای جذب مشتریان، سازمانها را برآن داشته تا درصدد بررسی رفتار مشتریان و حفظ باارزشترین آنها باشند. این پژوهش که از نوع تحقیقات کاربردی توصیفی محسوب میشود، مجموعهداده مشتریان مرکز خدمات پشتیبانی شرکت همکاران سیستم در سال 1395 که شامل 2662 رکورد میباشد را در بر میگیرد .
از مجموعه داده عوامل مهمی چون استراتژیکبودن، تعداد سیستمهای نرمافزاری و طولعمر مشتری استخراج شد. این پژوهش بر مبنای روش کریسپ و با استفاده از روش خوشهبندی کا-میانگین بررسی شده است و هدف آن طبقهبندی مشتریان و شناسایی مشتریان سودآور و وفادار میباشد . در ادامه اقدام به خوشهبندی دادههای موجود و ارزیابی خوشهها با استفاده از شاخص دیویسبولدین نمودیم. در آخر به تحلیل مشتریان هر خوشه پرداخته و خوشه های مشتریان سودآور و وفادار را به عنوان خوشه هایی که باید برای آن ها برنامهریزی صورت گیرد مشخص می کنیم.
-1 مقدمه
از آنجایی که در دنیای رقابتی امروز، محیط کسبوکار از محصولمحوری به مشتری محوری تغییر کرده است، درک رفتار مشتری اهمیت بیشتری یافته و یکی از چالشهای مهم در سازمانهای مشتریمحور، شناخت مشتریان و درک تفاوتهای آنها میباشد. در واقع تحلیل رفتار مشتری راهی است برای سازمانها که درک بهتری از بازار داشته باشند و فرصتهای تجاری جدید را کشف نمایند. استفاده از روشهای تحلیل قاعدهمند برای درک رفتار مشتریان و برقراری ارتباط با آنها، در سیستم مدیریت ارتباط مشتری بسیار اهمیت یافته است.
طبق مطالعات گذشته تخمین زده شده است که هزینههای جذب مشتریان جدید، پنج برابر هزینههای حفظ مشتریان موجود خواهد بود.[11] از طرفی، بسیاری از مدیران معتقدند که شرکت نباید برای بهدستآوردن هر مشتری در هر سطح از سودآوری، هزینه پرداخت کند، بلکه باید منابع محدود خود را در جهت کسب و نگهداری مشتریان کلیدی شرکت به صورت بهینه صرف نماید .[10]
با بهدستآوردن درک کلی از مشتریان و سپس بخشبندی آنها، سازمانها می توانند به بهینهسازی برنامههای بازاریابی، جلب رضایت مشتریان و افزایش سود سازمان بهتر بپردازند .[10] بخشبندی مشتریان میتواند به صورت مؤثری موجب کاهش هزینههای بازاریابی سازمان و نفوذ سودآورتر آن در بازار شود و به سازمان در طراحی و ایجاد راهبردهای مختلف برای به حداکثر رساندن ارزشهای مشتریان کمک کند .[11]
تحقیق حاضر، با استفاده از تکنیکهای دادهکاوی، به دنبال بخشبندی مشتریان جهت شناسایی مشتریان کلیدی و سودآور، انتخاب استراتژیهای مناسب بازاریابی و تخصیص بهینه منابع با توجه به ویژگیهای مشتریان هر بخش در جهت بهبود عملکرد سیستم مدیریت ارتباط با مشتری فراهم نماید. به عبارتی، در این مطالعه، مدیریت ارتباط با مشتری در کنار مدیریت سودآوری مورد توجه قرار میگیرد.
-2 پیشینه نظری پژوهش
-1-2 مدیریت ارتباط با مشتری
سیستم مدیریت ارتباط مشتری شامل فعالیتهایی است که یک شرکت به منظور شناسایی، پیداکردن، جذب، توسعه و حفظ وفاداری مشتریان سودآور بهوسیله ارائه کالا و خدمات مناسب، به مشتریان مناسب، از طریق کانالهای مناسب در زمان و هزینه مناسب انجام میدهد. سیستم مدیریت ارتباط مشتری روابط بین شرکت و مشتریان، شرکاء تجاری، عرضه کنندگان و کارمندان را تسهیل میکند. [15 ]
-2-2 دادهکاوی
دادهکاوی را فرایند اکتشاف دانش از پایگاههای حجیم داده دیجیتال نامیدهاند. فیاد و همکاران کشف دانش از پایگاه داده را به عنوان فرایند شناسایی الگوهای قابل فهم معتبر و مفید از دادهها میدانند. این تعریف نشاندهندهی این است که کشف دانش از پایگاهداده شامل چندین گام از جمله انتخاب، پیشپردازش، تبدیل، دادهکاوی، تعبیر و تفسیر و ارزیابی میباشد. دادهکاوی یک حوزه میان رشتهای در آمار، یادگیری ماشین، مدیریت پایگاه داده و تجسمسازی داده محسوب میشود که درک جدیدی از تحلیل دادهها را مهیا میکند. [13]
-3-2 خوشهبندی
هدف از خوشهبندی قرار دادن اشیا با ویژگیهای مشابه در یک گروه است. روشهای زیادی برای خوشهبندی همچون خوشهبندی سلسله مراتبی، خوشهبندی بر مبنای هوش مصنوعی، خوشهبندی افرازی و خوشهبندی مبتنی برچگالی به کار میرود. [14] خوشهبندی به عمل بخشبندی جمعیت ناهمگن به تعدادی از زیرمجموعهها یا خوشههای همگن گفته میشود.وجه تمایز خوشهبندی از روش دستهبندی این است که در این روش بر خلاف روش دستهبندی خوشههای از پیش تعیین شده وجود ندارد.[8] از روشهای متداول خوشهبندی میتوان به روشهای افرازی مانند کا-میانگین و نگاشت خودسازمانده اشاره نمود.
خوشهبندی کا-میانگین
در خوشهبندی کا -میانگین ابتدا m نقطه به طور تصادفی به عنوان مرکز اولیه خوشهها انتخاب میشوند. سپس هر نمونه به نزدیکترین مرکز خوشه تخصیص مییابد. در گام بعد مرکز هر خوشه به میانگین فاصله نمونههای تشکیل دهندهاش بهروزرسانی میشود . این الگوریتم تا زمانی که نمونهای بین خوشهها جابجا نشود ادامه مییابد.[8] این روش، به ویژه در مواردی که تعداد مشاهدات زیاد باشد و یا اینکه پایگاهداده عظیم باشد، مناسب میباشد و روشی است که به طور گسترده جهت بخشبندی بازار مورد استفاده قرار گرفته است .[14]
-3 پیشینه تجربی پژوهش
در این بخش اشارهای مختصر به تحقیقات داخلی و خارجی انجام شده در زمینه پژوهش مذکور پرداخته می شود. حسینزاده در سال 1386 به دستهبندی مشتریان هدف در صنعت بیمه با استفاده از دادهکاوی جهت پایاننامه کارشناسی ارشد پرداخت. در این پایاننامه مشتریان هدف شرکت بیمه دستهبندی شده و مشتریان بالقوه متناسب با ارائه هر نوع از محصولات جدید بیمهای شناسایی گردیدند. با استفاده از روش دستهبندی در دادهکاوی گروه هدف جهت مدلسازی و استخراج قوانین مشخص گردید و با استفاده از شبکههای عصبی به پیشبینی رفتار خرید محصولات در آینده و در نهایت با مقایسه قوانین بدست آمده و دانش به اتخاذ راهکارهای مناسب پرداخته شده است .[3]
حسینی بامکان در سال 1388، چارچوبی جهت بهبود مدیریت ارتباط با مشتری در بانک پارسیان ارائه داد. ابتدا به خوشهبندی مشتریان با استقاده از نگاشت خودسازمانده کوهنن پرداخته و سپس قوانین همبستگی بین سرویسها در خوشه مورد نظر کشف شده و سرویس مناسب به مشتریان بالقوه آنها ارائه گردیده است .[4] رستخیز در سال 1388، تحقیقی با عنوان بخشبندی مشتریان بر اساس ریسک با استفاده از دادهکاوی پرداخت که در آن با استفاده از شبکه خودسازمانده به عنوان یکی از پرکاربردترین تکنیکهای خوشهبندی، مشتریان بیمه بدنه اتومبیل را با توجه به ریسک آنها شناسایی و بخشبندی نمود. از نتایج این تحقیق میتوان به این اشاره کرد که مشتریان برای شرکتهای بیمهای از جنبههای مختلف با یکدیگر متفاوت می باشند .[5]
کاظمی و همکاران در سال 1392 در یک مقاله، مدلی برای جذب مشتری با استفاده از درخت تصمیم، مقایسه و انتخاب درخت بهینه و تعیین متغیرهای مدل در یک سازمان تولید کننده مبلمان اداری ارائه داده است. از این طریق به سازمان این امکان داده میشود که در هر مراجعه فرآیند فروش را به سمتی سوق دهد که منجر به خرید از سوی مراجعه کننده شود .[1]
لیاو و همکارانش در سال 2009 با استفاده از تکنیکهای دادهکاوی به پیشبینی میزان تقاضا برای ارتقا و بهبود خدمات بیمه عمر در تایوان پرداختند. این تحقیق به بررسی عاملهایی که بیشترین هماهنگی را با نیازهای مصرفکنندگان در زمینه عمر دارند از طریق بکارگیری تکنیک دادهکاوی به منظور استخراج الگوهای موجود در پایگاهداده پرداخته است. از طریق خوشهبندی مشتریان را به پنج گروه اصلی دستهبندی نمود و برای هر گروه خدمات مورد نیاز مشخص گردید و در نهایت از این طریق به بخشبندی بازار برای خدمات بیمه عمر پرداخته شد .[16]
لیانگ در 2010 به یکیکردن تکنیکهای دادهکاوی برای آنالیز ارزش مشتری در صنعت نگهداری اتومبیل میپردازد. در این تحقیق ابتدا متدهای K-means و SOM را برای آنالیز ارزش مشتری به کار میبرد. با استفاده از نتایج این دو روش مشتریان به گروههای با ارزش بالا، متوسط و پایین تقسیم میشوند. تئوری درخت تصمیم استفاده میشود تا خصوصیات هر بخش مشتری را بدست آورد. در آخر، سعی داشته با بیان استراتژیهایی ارزش مشتری را ارتقا بخشد.[12]
-4 روششناسی تحقیق
برای دستیابی به اهداف پژوهش، روش پژوهش بر مبنای روش کریسپ دنبال میشود که یکی از این روشهای بسیار قوی، در دادهکاوی است. این روش از گامهای شناخت سیستم، شناخت دادهها، آمادهسازی داده، مدلسازی، ارزیابی و توسعه سیستم تشکیل شده است. [9 ]
