بخشی از مقاله
چکیده
بررسی عوامل موثر بر ریزش مشتری و اتخاذ سیاست های مناسب در زمینه این عوامل از روش های موثر حفظ وفاداری مشتریان و افزایش سودآوری است. مدیریت ریزش مشتری به عنوان یک ابزار قوی، رفتار مشتریان را با استفاده از داده هایی که از میلیون ها تراکنش مشتری که در پایگاه های داده های بزرگ جمع آوری شده است، با استفاده از تکنیک های داده کاوی تحلیل کرده و مشتریان مستعد ریزش را شناسایی و با هدف قرار دادن این مشتریان، استراتژیهای مناسب و موثر جهت حفظ آنها طرح و ریزی و اجرا می کند.
سازمان هایی که پایگاه های داده های بزرگ را در اختیار دارند می توانند با استفاده از فرایند داده کاوی به کشف الگوهای ناشناخته و کارآمد اقدام کنند. استفاده از داده های بزرگ می تواند الگوهای کشف شده را بسیار به واقعیت نزدیک کند. سازمان های بزرگ از مزایای داده های بزرگ بیشتر استفاده می کنند و این باعث می شود که مدل کسب و کار آنها به واقعیت نزدیکتر باشد. این پژوهش از نظر محتوایی کیفی بوده و به بررسی سازمانهایی می پردازد که از داده های بزرگ بهره مند هستند و با استفاده از آنها در جهت کاهش ریزش مشتری اقدام می کنند.
-1 مقدمه
با متحول شدن شرایط اقتصادی، اجتماعی شرایط کاری سازمانها متحول شده است. با اشباع بازار و افزایش رقابت جهت ادامه حیات و حفظ موقعیت تجاری، سازمانها استراتژی کسب و کار خود را به سوی شناسایی مشتریان احتمالی که سازمان را ترک خواهند نمود متمرکز نمودند. به منظور پیشگیری از ریزش مشتری، رفتار مشتری با توجه به مجموعه اطلاعات و دادههای جمعآوری شده، تحلیل شده، مشتریان مستعد ترک ریزش شناسایی و در نهایت با هدف قراردادن این دسته از مشتریان استراتژیهای مناسب و مؤثر جهت حفظ آنها طرحریزی و اجرا میگردد. در این راستا ایجاد یک مدل دقیق نقش تعیین کنندهای در مدیریت ریزش مشتری دارد.
هدف مدیریت ریزش مشتری کمینه کردن زیان حاصل از ریزش مشتری و بیشینه کردن سود حاصل از حفظ مشتریان با ارزش میباشد. حفظ مشتری برای سازمان سودآورتر است چون هزینه جذب مشتریان جدید پنج تا شش برابر بیشتر از هزینه حفظ مشتریان موجود میباشد. مشتریان قدیمیتر سود بیشتری ایجاد میکنند چون نسبت به فعالیتهای بازاریابی دیگر رقبا حساسیت کمتری داشته و در نتیجه هزینه سرویسدهی به آنها کمتر است. از طرفی با صحبت کردن مثبت در مورد سازمان، مشتریان جدیدی را به سازمان سوق میدهند. از دست دادن مشتریان به خاطر کاهش فروش هزینه محسوب میشود.
اصلیترین مرحله در مدیریت ریزش مشتری ایجاد مدل پیشبینی است. مدیریت کارآمد ریزش مشتریان مستلزم ساخت مدل پیشبینی دقیق و کارآمد است. فنون دادهکاوی در ارائه مدلهای پیشبینی ریزش مشتری به شکل وسیعی مورد استفاده قرار گرفته است دقت یک مدل پیشبینی بسیار مهم است تا بتواند آن دسته از مشتریانی که گرایش به ریزش دارند را به خوبی شناسایی کند.
تکنیکهای دادهکاوی گام بزرگی در پیش بینی ریزش مشتری هستند که شامل آماده سازی دادهها و دستهبندی است. آماده سازی داده یا به عبارتی انتخاب متغیر یکی از مهمترین بخشها در فرآیند دادهکاوی میباشد. استخراج متغیرها نقش بسیار مهمی را در مدلهای پیش بینی بازی میکنند که تحت عنوان نرخ پیشبینی میباشد. اگر در ابتدا مجموعه قوی از متغیرها استخراج شود بهبود قابل توجهی در مدل پیشبینی حاصل میشود.
در گذشته عموماً استخراج اطلاعات مفید از دادههای ثبت شده به صورت دستی و بر گفته تحلیلگران بوده است. با توجه به اینکه تجزیه و تحلیل دستی دادهها بسیار کند و گران بود و هر روز بر پیچیدگی و حجم دادهها افزوده میشد، تحلیل به سمت تحلیلهای غیر مستقیم خودکار و استفاده از روشهای رایانهای حرکت کرده است [2] و نیاز مبرمی مبنی بر استفاده از فناوریهای جدید و ابزارهای خودکار به وجود آمده است تا به صورت هوشمند حجم زیاد داده را به اطلاعات و دانش تبدیل کند.
در سالهای اخیر فناوریهای تولید و گردآوری داده به سرعت در حال رشد بوده و مسئله پیش روی سازمانها به ویژه در حوزه تصمیمگیری دیگر جمعآوری صرف دادهها نیست بلکه دستیابی به توان استخراج دانش مفید نهفته در دادهها دغدغه اصلی سازمانهاست. در چنین شرایطی است که باید از رشد فناوری برای استفاده مؤثر از این دانش سود جست و دادهکاوی یک جواب مناسب برای استخراج این ثروت است
هدف ما بررسی ریزش مشتری در سازمانهایی که حجم زیادی از دادهها و اطلاعات را در اختیار دارندو اصطلاحاً از پایگاههای داده بزرگ استفاده میکنند است. مطالعات و پژوهشهای انجام شده نشان میدهد که در ایران سه دسته از سازمانها دارای این ویژگی هستند. این سه دسته عبارتند از:
- 1 صنعت بیمه و خدمات بهداشت و درمان - 2 مؤسسات مالی و بانکها - 3 صنعت مخابرات
در ادامه هر یک از صنایع در حوزه عوامل ریزش مشتری به تفصیل مورد بررسی قرار خواهند گرفت
-2 مدیریت ریزش مشتری
ریزش مشتری اصطلاحی تجاری است که برای از دست رفتن مشتریان استفاده میشود. سازمانها و شرکتهایی مانند بانکها و شرکتهای مخابراتی ارائهدهندگان خدمات اینترنتی، شرکتهای تلویزیون کابلی، شرکتهای بیمه و غیره اغلب از ریزش مشتریان و نرخ از دست دادن مشتریان بهعنوان یکی از معیارهای کلیدی سنجش در کسب و کار استفاده میکنند. دلیل این امر این است که هزینه نگهداری یک مشتری موجود بسیار کمتر از هزینه جذب یک مشتری تازه است.
بنابراین این نوع شرکتها اغلب واحدها و بخشهایی به نام خدمات مشتریان دارند که سعی میکنند مشتریان رویگردان را دوباره به شرکت باز گردانند. زیرا مشتریان قدیمیمعمولاً ارزش بیشتری از مشتریان جدید خلق میکنند. شرکتها اغلب بین رویگردانی داوطلبانه با رویگردانی غیرداوطلبانه تمایز قایل میشوند. رویگردانی داوطلبانه زمانی رخ میدهد که مشتریشخصاً تصمیم میگیرد که از این شرکت به شرکت دیگر انتقال یابد. اما رویگردانی غیر داوطلبانه هنگامی رخ میدهد که شرایط به گونهای باشد که به عنوان مثال مشتری برای مدت طولانی تغییر مکان دهد یا دچار سانحه و مرگ شود و یا موارد غیرارادی دیگر.
در بسیاری از کاربردها، دلایل غیر داوطلبانه برای ریزش در مدلهای تحلیلی رویگردانی به حساب آورده نمیشوند و در عوض تحلیلگران بیشتر تمایل دارند به ریزش داوطلبانه تمرکز کنند. زیرا این نوع بیشتر مربوط به عواملی است که به وضعیت رابطه با مشتریان شرکت برمیگردد. عنوان مثال ممکن است به عاملهایی مانند چگونگی صدور صورتحساب ها و یا خدمات پس از فروش بستگی داشته باشد.
نکته دیگر این است که هنگامی که شرکتها میزان ریزش مشتریان را محاسبه میکنند، اغلب بین ریزش خالص و ریزش ناخالص تفاوت قائل میشوند. ریزش ناخالص عبارت است از میزان از دست دادن مشتریان موجود و درآمد مرتبط با آنها برای کالاها و خدمات قرارداد بسته شده در طول یک دوره زمانی اما ریزش خالص برابر است با ریزش ناخالص به علاوه میزان اکتساب همان تعداد مشتری در محل اصلی.
در سالهای بعد از 2000 تعدادی بستههای نرمافزاری به نام بستههای هوشمندی تجاری و هوشمندی کسب و کار، در دسترس قرار گرفتهاند که میتوانند در درون پایگاههای دادههای مربوط به اطلاعات مشتریان جستجو کنند و عواملی را که با ریزش و یا رویگردانی مشتریان مرتبط است تحلیل کنند عواملی مانند نارضایتی از سرویس یا پشتیبانی فنی، اختلافات مربوط به صورتحسابها، توافق نداشتن بر سر سیاستهای شرکت و غیره.
ابزارهای نرمافزاری پیچیدهتری نیز وجود دارند که از روشهای تحلیلهای پیشبینی کننده استفاده میکنند و در آن از مدلهای پیشبینی ریزش استفاده میکنند که تمایل مشتریان را به ریزش ارزیابی میکنند. برخی شرکتها مایلند که مشتریان خوبشان به همان وضعیت بمانند و بدتر نشود.
ارزش طول عمر مشتری که گاهی از آن به عنوان مدیریت چرخه عمر مشتری یاد میشود در واقع ارزش خالص جریان نقدی گردش وجوه نقدی آینده است که به ارتباط با مشتری نسبت داده میشود. استفاده از این مفهوم در سنجشهای بازاریابی گرایش به سمت خدماترسانی به مشتریان و رضایت درازمدت مشتری را نشان میدهد و نه اینکه صرفاً سود کوتاه مدت را حداکثر کند.
ارزش طول عمر مشتری این مفهوم را دیقاً بیان میکند که هر مشتری از لحاظ پولی چقدر ارزش دارد و بنابراین سازمان دیقاً چه مقدار باید برای کسب هر مشتری هزینه کند. در واقعیت محاسبه دقیق ارزش طول عمر مشتری کار مشکلی است زیرا پیچیدگیها و نامطمئنی های زیادی در زمینه نحوه ارتباط با مشتریان وجود دارد و محاسبه بستگی به ماهیت ارتباط با مشتری دارد
ارتباط با مشتریان اغلب به دو دسته تقسیم میشوند. دسته اول که وضعیت قراردادی یا نگهداری نامیده میشود. مشتری که قرارداد را تجدید نمیکند، به عنوان مشتری از دست رفته تلقی میشود. نمونههایی از این وضعیت شامل آبومان مجلات و بیمه اتومبیل هستند. دسته دیگر به عنوان وضعیت مهاجرت مشتری نامیده میشوند. در این وضعیت مشتری که در دوره زمانی خاصی خرید نمیکند، هنوز عنوان مشتری شرکت محسوب میشود. زیرا ممکن است در آینده خریدهای خوبی داشته باشد.
در حالت اول - نگهداری - ، شرکت میداند که چه هنگام رابطه پایان یافته است اما در حالت دوم یعنی حالت مهاجرت، یکی از چالشهای اصلی این است که شرکت ممکن است نداند چه زمانی ارتباط با مشتری قطع شده و پایان یافته است.
بیشتر مدلهایی که برای محاسبه ارزش پول آن به مشتری به کار میروند، در حالت اول یعنی حالت قراردادی اعمال میشوند. این مدلها چندین پیش فرض ساده دارند و اغلب ورودیهای زیر را دربرمیگیرند:
نرخ ریزش: در صدی از مشتریان که در یک دوره زمانی به ارتباطشان با شرکت خاتمه میدهند. چنانچه از این نرخ عدد یک را کم کنیم نرخ حفظ مشتری به دست میآید.
نرخ تنزیل: هزینه سرمایه استفاده شده برای تحصیل درآمد در آینده از جانب مشتری است. تنزیل مفهومی پیشرفته است که اغلب در محاسبه ارزش طول عمر مشتری از آن چشمپوشی میشود. گاهی به جای آن از نرخ بهره جاری استفاده میشود، اما خیلی کار درستی نیست.
هزینه حفظ مشتری: عبارت است از پولی که یک شرکت باید برای حفظ یک مشتری موجود در یک دوره زمانی معین هزینه کند. هزینه حفظ مشتری شامل اقلامی مانند پشتیبانی مشتری، تهیه صورتحساب، مشوقهای ترویجی و غیره است.
دوره زمانی: عبارت است از واحد زمانی که رابطه با مشتری برای تحلیل مدنظر قرار میگیرد. اغلب این واحد زمانی را یک سال در نظر میگیرند. ارزش طول عمر مشتری یک محاسبه چند دوره ای است که معمولاً بین سه تا هفت سال در آینده طول میکشد. در عمل، تحلیلهای فراتر از این دوره زمانی بیشتر نوعی گمانهزنی است و خیلی قابل اعتماد نیست. تعداد دورههای زمانی که در محاسبات استفاده میشود آگاهی عنوان افق مدل نیز مینامند.
درآمد دوره ای: مقدار درآمد جمعآوریشده از یک مشتری در یک دوره زمانی.
حاشیه سود: عبارت است از سود به عنوان در صدی از درآمد. بسته به شرایط ممکن است به صورت در صدی از سود ناخالص یا سود خالص منعکس شود. در بازاریابی تدریجی که باعث هیچگونه سربار افزایشی نمیشود و در مقابل سود تخصیص مییابدمعمولاً، حاشیه سود ناخالص قابل قبول است.
ارزش طول عمر مشتریمعمولاً برای قضاوت در مورد مناسب بودن و به صرفه بودن هزینه جذب مشتری به کار میرود. عنوان مثال اگر هزینه جذب یک مشتری جدید 50 دلار باشد و ارزش طول عمر آن 60 دلار باشد آنگاه مشتری سودآور تلقی میشود و جذب بیشتر مشتریان مشابه قابل قبول است.
-3 فنون داده کاوی و جایگاه آن در مدیریت ریزش مشتری
فنون دادهکاوی موجب انقلابی بزرگ در عینیت بخشیدن به مفاهیم مدیریت روابط مشتری در سازمانهای با دادههای بزرگ شدهاند. قابلیت دادهکاوی عملیاتی نمودن مفاهیم مدیریت ارتباط با مشتری این فناوری را در ردیف اجزای اصلی مدیریت روابط با مشتری و راهبردهای مطرح در آن نظیر مدیریت ریزش مشتری قرار داده است.
اصلیترین مرحله در مدیریت ریزش مشتری ایجاد مدل پیشبینی است. مدیریت کارآمد ریزش مشتریان مستلزم ساخت مدل پیشبینی دقیق و کارآمد است. فنون دادهکاوی در ارائه مدلهای پیشبینی ریزش مشتری به شکل وسیعی مورد استفاده قرار گرفته است. ازاینرو بخش حاضر با تکیه بر روشها و تکنیکهای دادهکاوی مورد استفاده و طبقه بندی تحقیقات انجام شده میپردازد. جدول 1 فهرستی از مدلها را نشان میدهد که در طی سالهای 2003 تا 2012 مورد استفاده قرار گرفته است. از دلایل محبوبیت مدلهای صدر جدول میتوان به سهولت استفاده عملکرد مناسب، قابلیت استفاده برای انواع مختلف دادهها و مقاومت در برابر دادههای مفقود و پرت اشاره کرد.
