بخشی از مقاله
چکیده
امروزه با ورود فناوری اطلاعات به عرصه های مختلف جامعه بسیاری از الگوهای زندگی افراد تغییر کرده است به طوریکه امروزه شرکت های ارائه دهنده خدمات دهنده اینترنتی به یکی از پرطرفدارترین حوزه های کسب و کار تبدیل شده اند که همین امر رقابتی را بین این شرکت ها برای جذب مشتریان بیشتر ایجاد کرده است بنابرین داشتن الگوی بازاریابی موفق می تواند این شرکت ها را در سودآوری بیشتر یاری کند.
در این مقاله پروفایل مشتریان یک شرکت ارئه دهنده خدمات اینترنتی در اصفهان با استفاده از تکنیک های داده کاوی و با ترکیب روشهای SOM و K-means برای اعمال در مدلRFM - تاخر،تعداد،ارزش پولی - و درخت تصمیم مورد بررسی قرار گرفته است. روش های داده کاوی باعث شناسایی چهار نوع از مشتریان - مشتریان وفادار، مشتریان بالقوه، مشتریان جدید و مشتریان از دست رفته - شده است که به این ترتیب به بیان پیشنهادهایی جهت توسعه استراتژی های بازاریابی و مدیریت ارتباط با مشتری پرداخته شده است.
.1 مقدمه
در حال حاضر با پیشرفت تکنولوژی فناوری اطلاعات و الکترونیکی شدن کارهای روزمره مردم، تقاضای مردم برای استفاده از اینترنت افزایش یافته است. از این رو صنعت ISP در کشور ایران بطور فزاینده ای در حال رشد است - Wang, .2010 - چالش مهم این شرکت ها بازاریابی موفق در جامعه برای جذب بیشتر و افزایش وفاداری مشتریان است زیرا مدیرانISP این را به خوبی می دانند که هزینه های جذب و توسعه یک مشتری جدید پنج تا هفت برابر بیشتر از هزینه حفظ یک مشتری موجود است - . - Wayland& Cole,1997
داده کاوی ، به مفهوم جستجوی معنا در حجم های بزرگ داده است. توانایی برای تولید اطلاعات مفید از داده های یک مساله برای مدیران صنعتی بسیار مهم است به طوریکه مدیران صنایع با استفاده از تکنیک داده کاوی - DM - اطلاعات و رفتار پنهان مشتریان را از میان داده های بسیار زیاد شناسایی می کنند که در نتیجه آن می توانند مدیریت ارتباط با مشتری - - CRM موثرتری داشته باشند - . - Lee &Siau, 2001; Ranjan & Bhatnagar , 2011 داده کاوی می تواند وابستگیهای بین داده ها را درک کند و به این ترتیب با پیگیری رفتار مشتریان ایده های جالبی در جهت جذب، رضایت و نگهداری آن ها ارائه دهد.
ISP ها نظارت و کنترل ترافیک روان را از طریق شبکه خود به عهده می گیرند بنابرین آنها می توانند ترافیک مشکوک را تشخیص دهند و از ترافیک های مخرب جلوگیری کنند و در زمان های مناسب اقدام به ارائه هشدارهایی به مشتریان خود داشته باشند . - Rowe & et al.,2011 - از اهداف اساسی داده کاوی در ارائه این پژوهش ارائه الگوهای بازاریابی موفق و تعیین بازار هدف برای سرمایه گذاری بر روی افراد سود آور با نگرشی بر رفتار مشتریان این شرکت می باشد همچنین شناخت مشتریان ناراضی و جلوگیری از رویگردانی آن ها از دیگر اهداف این پژوهش خواهد بود که در نتیجه آن به افزایش مشتریان، سود آوری و وفاداری مشتریان منجر خواهد شد.
هنگامی که ارائه دهندگان خدمات، اولویت های مشتری را درک کنند، آنها می توانند استراتژی های بازاریابی مناسب برای توسعه مشتریان و در نتیجه می توانند تقاضای آن ها را برآورده سازد، که منظور افزایش رضایت خدمات و افزایش تمایل آن ها به خرید است. در این مقاله با استفاده از تکنیک های داده کاوی و با ترکیب روش های SOM و K-means برای اعمال در مدل RFM - تاخر،تعداد،ارزش پولی - و درخت تصمیم مشتریان شرکت اینترنتی مورد بررسی قرار گرفته اند.
.2 بررسی ادبیات
.1,2 مدیریت ارتباط با مشتری
تکنیک های داده کاوی در زمینه های مختلف از جمله بازاریابی، تقسیم بندی بازار، پیش بینی تقاضای بازار و تقلب در صنعت مالی و بیمه، ارتباط صنعت از راه دور و صنعت گردشگری و غیره به تصویب رسید، که به طور گسترده ای برای رسیدن به مدیریت ارتباط با مشتری مؤثر و کمک به مدیران صنعتی در تصمیم گیری بازاریابی، مورد استفاده قرار گرفته است - - Ranjan & Bhatnagar, 2011; Wei, Lin,Weng, & Wu, 2012 .کیفیت خدمات یک عامل بسیار مهم در محیط کسب و کار و رقابت است و بسیار تاثیرگذار بر کسب و کارهای مبتنی بر خدمات است - Zhao and Benedetto, 2013 - با افزایش کیفیت خدمات، کسب و کار می تواند ارزش، تعهد - فولرتون، - 2005 و اعتماد بیشتری - Sabiote& Roman,2009 - را برای مشتریان خلق کند و آن ها را تحت تاثیر قرار دهد.
کیفیت خدمات برای موفقیت کسب و کار و وفاداری مشتری در دراز مدت بسیار مهم است . - Prentice, 2013 - مدیریت ارتباط با مشتری به عنوان پذیرش فناوری اطلاعات برای توسعه مشتریان جدید و حفظ مشتریان قدیمی در جهت حفظ ارتباط بلند مدت با مشتری تعریف می شود که هدف آن بهبود بخشیدن ارتباط با مشتری و افزایش وفاداری مشتری خواهد بود که به سودآوری شرکت کمک خواهد کرد - . - Hennig-Thurau, Gwinner ,& Gremler, 2002; Swift, 2001
.2,2 روش SOM و K-means
در میان تکنیک های داده کاوی، روش های SOM و K-means از متداولترین روش های گروه های خوشه بندی هستند. تجزیه و تحلیل خوشه ای برای شناسایی مجموعه ایی از گروه هایی است که هر دو برای به حداقل رساندن تغییرات داخل گروه و به حداکثر رساندن تغییرات بین گروه بر اساس عملکرد از راه دور و عدم تشابه استفاده شده است - SOM . - Witten & Frank, 2005 یک روش شبکه عصبی برای خوشه بندی بازار می باشد. که شبکه ای است که توسط یک الگوریتم آموزش بدون نظارت رقابتی، می تواند به طور خودکار ویژگی های قوی در مجموعه داده ای بزرگ را شناسایی کند و پس از خوشه بندی، ساختار آن بر روی یک نقشه گرافیکی پیش بینی شده در یک نمایشگر شفاف تر و قابل فهم تر است.
یکی از تکنیک های معمول که در روش K-means دیده می شود الگوریتم خوشه بندی است که شامل دو مرحله اصلی می باشد. ابتدا با قرار دادن نزدیک ترین نمونه در کلاس - مرحله انتساب - و پس از پیدا کردن مرکز ثقل کلاس دوباره نمونه های اختصاص یافته به کلاس - مرحله برآورد مجدد - را محاسبه کنید.علیرغم مزایای استفاده از SOM این روش معیارهایی را برای اعتبار سنجی از نتایج تجزیه و تحلیل خوشه ای ارائه نمی دهد. پیدا کردن مرزهای خوشه بندی از نتایج SOM بسیار مشکل است. علاوه بر این روش K-means حساس به انتخاب نقطه شروع برای تجزیه و تبدیل آیتم ها به خوشه های اولیه K است .در این راستا، این مقاله برای پیدا کردن مرزهای خوشه از نتایج SOM، روش K-means را اعمال می کند.
.3 موردکاوی
این پژوهش پیاده سازی تکنیک های داده کاوی در شرکت خدمات اینترنتی با 9000 داده است این داده ها که از فروردین سال 1393 تا فروردین 1394 جمع آوری شده است برای شناسایی مشتریان سودآور شرکت و کشف الگوهای بازاریابی مناسب انجام شده است.در حالت کلی، تمرکز اصلی ما در این پروژه روی کشف الگوهای بازاریابی موفق و این موضوع که بعد از جذب مشتریان ، چگونه با بهترین خدمات و محصولات، وفاداری آن ها را افزایش دهیم و مانع از رفتن آن ها به سمت رقیب شویم خواهد بود که در نتیجه آن بتوانیم در افزایش سودآوری و توسعه شرکت قدمی برداشته باشیم. برای این منظور باید تحلیلی بر روی رفتار مشتریان شرکت داشته باشیم.
.1,3 فرمولها و معادلات آماده سازی و پاک سازی داده ها
پس از گرفتن داده ها و شناسایی و پاک سازی آن ها، سه فیلد اصلی را به عنوان فیلدهای مهم در روال انجام پروژه شناسایی کردیم که عبارتند از:صورتحساب کل: در این فیلد کل هزینه هایی که یک کاربر در طول عضویتش در این شرکت پرداخت کرده وجود دارد.شارژ مازاد:کاربرانی که زمان اشتراکشان به پایان نرسیده است ولی ترافیک حجمی آنها به پایان رسیده است .تعداد ماه فعال: در این فیلد تعداد ماههایی است که کاربر عضو این شرکت بوده است.
.2,3 مرحله مدلسازی
با گذر از مراحل قبل که شناخت داده ها و آماده سازی آن ها برای انجام پروژه بود وارد مرحله مدل سازی می شویم در این مرحله به طور خام 751 داده برای پیاده سازی پروژه داریم که در حقیقت بسیاری از داده ها در مرحله آماده سازی حذف شدند هدف ما در این پروژه شناسایی مشتریان سود آور شرکت می باشد که به این منظور ابتدا مشتریان را با استفاده از نرم افزار کلمنتاین بر اساس سه فیلد تعداد ماه عضویت، تعداد شارژ مازاد و صورت حساب خوشه بندی می کنیم.
- این فیلدها بر اساس نظر افراد خبره شرکت ISP مذکور انتخاب شده است - ، به هر خوشه یک برچسب نام متناسب با ویژگی های مرکز خوشه اختصاص می دهیم و دو خوشه را حتماً مشتریان سود ده زیاد و مشتریان سود ده کم می نامیم - با توجه به مرکز آن خوشه - و از این به بعد دیگر روی همان دو خوشه مانور می دهیم و به خوشه های دیگر کاری نداریم.
