داده کاوی در مدیریت تحلیلی روابط با مشتری


داده کاوی چیست و چرا آن را به کار می بریم؟

بسیاری از فروشگاه ها پس از گذشت یک ربع قرن از آغاز فعالیت هنوز مشتری وفادار خود را دارند که این وفاداری تصادفی نیست. اداره کنندگان این فروشگاه ها به سلایق و نیاز های مشتریان خویش واقف شده اند و توان مالی خرید آنها را می شناسند. وقتی کسی از آنها راهنمایی بخواهد پاسخ آنها بر اساس دانش اندوخته شان در مورد ذائقه و بودجه آن مشتری و همچنین دانش آنها در باره محصولات خودشان خواهد بود. داشتن اطلاعات صمیمانه در باره هر شخص آنها را مشتری دایمی اینگونه فروشگاه ها می کند.

تجارت های کوچکی که مدیریت خوبی دارند می توانند به نحوه ایجاد رابطه با مشتریان پی ببرند. آنها با گذشت زمان درباره مشتریانشان به چیزهای بیشتر و بیشتری پی خواهند برد و از آن دانش برای خدمت بهتر به مشتریان استفاده خواهند نمود که نتیجه کار مشتریان وفادار ، خرسند و تجارت های سود آور خواهد بود. شرکتهای بزرگ با صدها هزار یا میلیون ها نفر مشتری از مزیت برقراری روابط شخصی حقیقی با تک تک مشتریان شان بی بهره اند این موسسات عظیم باید به وسایل دیگری برای برقراری رابطه با مشتریان شان تکیه نمایند. آنها باید یاد بگیرند که از آنچه که به وفور دارند ، داده هایی که از طریق تعامل با تک تک مشتریان بدست آمده است نهایت بهره را ببرند.

داده کاوی به عنوان زمینه تحقیقاتی جدید پیشرفت قابل توجهی داشته است . محبوبیت داده کاوی به سرعت در حال افزایش است. داده کاوی در زمینه های مختلفی کاربرد دارد. می توان گفت که زمینه های کاربردی داده کاوی از کف اقیانوسها تا اعماق فضا می باشد. در این مطلب مجموعه کوچکی از دانش کاربرد داده کاوی   در زندگی روزمره ارایه می شود. برخی از زمینه ها کاربردی داده کاوی عبارتند از :

§     مدیریت ، مدیریت بازرگانی و فروش ، بخش بندی بازار ، آنالیز سبد خرید ، مدیریت ارتباط مشتریان

§     مدیریت ریسک ، کشف تقلبات و جرم و کلاهبرداری ، بانکداری

§     امنیت در صنعت ، سرمایه گذاری در صنعت ، کنترل کیفیت در صنعت ، نگهداری وتعمیرات ، تولید و طراحی

§     علوم مهندسی ، فیزیک ، علوم اجتماعی ، روانشناسی ، نجوم ، بیولوژی ، پزشکی ، زمین شناسی

§     صنعت مخابرات ، رسانه ها

§     وب کاوی ، متن کاوی

§     پیش بینی هوا

§     ورزش

§     آموزش و تحصیل

§     تجارت ، بیمه ، بورس ، بانکداری

§     E- commerce ، مدیریت درمان و...

داده کاوی کمک می کند تا نهادی محصول مدار به نهادی مشتری مدار تبدیل گردد. داده کاوی به تعبیری دقیق تر به مجموعه ای از ابزار ها و تکنیک ها اطلاق می شود و یکی از چند تکنولوژی لازم برای حمایت از شرکتی مشتری مدار می باشد. داده کاوی دیدگاهی است که مطابق آن دیدگاه اعمال تجاری باید براساس یادگیری باشند و طی این دیدگاه تصمیمات آگاهانه بهتر از تصمیمات بدون آگاهی می باشند. داده کاوی همچنین به فرایند و به روشی برای استفاده از ابزار ها و تکنیک ها اطلاق می گردد. برای اینکه داده کاوی موثر واقع شود باید سایر نیازمندی های مدیریت ارتباط با مشتریان نیز برآورده شود.

مدیریت روابط تحلیلی با مشتریان

لازم است موسسات بزرگ مانند تجارت های کوچک از منافع برقراری روابط یک به یک با مشتریان شان بهره مند گردند. با توجه به آن که خواستگاه دانش داده کاوی در مدیریت روابط با مشتر یان است ، تمرکز این بخش بر نقشی است که داده کاوی می تواند در بهبود مدیریت روابط با مشتریان از طریق افزایش توان موسسات برای برقراری این روابط ایفا کند. برای بیشتر شرکت ها استقرار یک تجارت حول روابط با مشتریان تغییر بنیادین است. بانکها همواره به حفظ تعامل بین هزینه ای که به سرمایه گذاران در بانک می پردازند و سود حاصل از وام های پرداختی به وام گیرند گان توجه می کنند. شرکتهای مخابرات بر نوع و چگونگی ارتباطات تلفنی مشتریان توجه دارند.شرکت های بیمه بر تعامل پرداخت خسارت بیمه گذاران و مدیریت سرمایه گذاری های انجام یافته با پول حاصل از دریافت حق بیمه ها متمرکز شده اند.

در تمامی صنایع ، شرکت های آینده نگر به سمت این هدف حرکت می نمایند که تمام مشتریان را بصورت فردی درک نمایند و از این شناخت برای تسهیل تجارتی استفاده نمایند. این موسسات یاد می گیرند که ارزش هر مشتری را درنظر بگیرند ، تشخیص دهند که کدام یک از مشتریان ارزش سرمایه گذاری و صرف تلاش مداوم را دارند و از کدام بایستی صرف نظر نمود. یک شرکت به منظور ایجاد رابطه ای با مشتریان خود باید قادر باشد:

§     متوجه آنچه مشتریانش انجام می دهند باشد

§     عملکرد شرکت و مشتریان شرکت در طول دوره های مختلف را همیشه به یاد داشته باشد

§     از آنچه به یاد می آورد درس بگیرد

§     بر اساس آنچه یاد گرفته عمل کند تا مشتریانش سود آور تر باشند

نیازمندی های مدیریت روابط تحلیلی با مشتریان:

1.      سیستم های پردازش تعاملات برای پی بردن به تعاملات مشتریان

2.      انبار داده ها برای ذخیره اطلاعات در مورد رفتار های گذشته مشتریان

3.      یک استراتژی برای رابطه با مشتری جهت به مرحله عمل درآوردن برنامه ها

نقش سیستم های پردازش تعاملات :

یک تجارت کوچک با مشتریانش روابطی را از طریق توجه به نیاز های مشتریان ، به یاد داشتن ترجیحات مشتریان ، درس گرفتن از تعاملات گذشته برقرار می نماید . چگونه یک شرکت عظیم می تواند چنین کار مشابهی را انجام دهد؟ این امکان وجود دارد که اغلب کارمندان این شرکت با مشتریان رابطه نداشته باشند       و حتی در صورت وجود تعامل با مشتری ممکن است این روابط هر بار با فروشنده یا کارمند متفاوتی در مرکز تلفن برقرار شود. چه چیزی می تواند جایگزین حس خلاق یک فروشنده شود که مشتریانش را با اسم و از روی چهره و صدا می شناسد و عادتها و ترجیحات آنها را به یاد می آورد؟ در شرکت های تجاری عظیم توجه به آنچه مشتری انجام می دهد بصورت خودکار در آمده است . سیستم های پردازش تعاملات همه جا وجود دارند و این سیستم ها داده هایی را در مورد همه چیز جمع آوری می کنند. خروجی سیستم های پردازش تعاملات می تواند ، نتایج ثبت شده توسط دستگاه های اتوماتیک ، سرورهای وب ، اسکنر های فروش و موارد مشابه باشد.امروزه ما همواره جریان مداومی از اطلاعات تعاملی را ایجاد می نماییم. وقتی شما گوشی نلفن را بر می دارید تا یک کالا سفارش دهید ، جزئیات تماس شما در اداره تلفن محلی ثبت می شود. زمان تماس  شماره ای که با آن تماس گرفته اید ، شرکتی که با آن تماس گرفته اید و ... . در شرکتی که با آن تماس گرفته اید نیز اطلاعات مشابهی ثبت می شود نظیر مدت مکالمه شما ، نحوه پرداخت صورتحساب ، اسم و آدرس شما.

نقش ذخیره سازی داده ها :

شرکت های مشتری مدار هر اطلاعاتی در مورد هر تعاملی با مشتری را برای یادگیری با ارزش قلمداد می کنند. مواردی همچون هر تماسی با پشتیبانی مشتریان ، هر تعاملی با برگه های فروش ، هر نوع سفارش کاتالوگ ، هر بازدید از وب سایت شرکت. ولی یاد گیری نیازمند چیزی بیش از گرد آوری ساده داده ها می باشد. در واقع بیشتر شرکتها صدها گیگابایت یا ترابایت از داده ها را درباره مشتریانشان جمع آوری می کنند بدون این که چیزی یاد بگیرند. معمولاً در یادگیری باید داده هایی از منابع زیاد دسته بندی شودند. منابعی همچون اطلاعات موجود در صورتحسابها، داده های اسکنر ها ، فرم های ثبت نام ، تقاضانامه ها و جزئیات تماس ها. ذخیره سازی داده ها به شرکت ها اجازه می دهد آنچه در مورد مشتریانشان جلب توجه می کند را به یاد بیاورند. یکی از مهم ترین جنبه های ذخیره سازی داده ها توانایی دنبال کردن رفتار مشتری در در طول زمان های مختلف است. الگوهای مشتریان در طول زمان مشخص می گردد. در ذخیره سازی داده ها لازم است داده های صحیح قدیمی بکار گرفته شود تا داده کاوی بتواند این روشهای مهم را کشف کند. بسیاری از الگو های مهم در مدیریت روابط با مشتری تنها با گذشت زمان ظاهر می شود. مثلاً یک شرکت تهیه کاتالوگ برای اولین بار اطلاعات مربوط به بیش از یک سال بسته های پستی مربوط به کاتالوگ ها و پاسخ هایی که از مشتریانشان گرفته بودند را جمع آوری و نگهداری نمود. آنها در یافتند که بخشی از مشتریان هستند که تنها از طریق کاتالوگ و در زمانی نزدیک به عید سفارش داده اند. با داشتن شناخت در مورد آن بخش از مشتریان ، آنان در مورد اینکه چه کاری انجام دهدند تصمیماتی گرفتند. آنها می توانستند روشهایی را برای افزایش علاقه به سفارش دادن در بقیه طول سال نیز ایجاد نمایند. آنها می توانستند نسبت کلی پاسخ ها را از طریق نفرستادن بسته های پستی برای این بخش در بقیه طول سال افزایش دهدند. ذخیره ساز داده ها برای شرکت مانند یک حافظه عمل می کند ولی حافظه بدون هوش و آگاهی فایده چندانی ندارد ؛ پس در اینجا داده کاوی وارد عمل می گردد و در واقع از طریق آن آگاهی به ما اجازه می دهد در حافظه های قبلی خود جستجو کنیم به الگو های خاصی توجه کنیم  و قوانینی را ایجاد نماییم.

 

 

نقش استراتژی مدیریت روابط با مشتری :

برای کارایی داده کاوی باید این امر در زمینه ای رخ دهد که به سازمان اجازه تغییر رفتار بر اساس نتیجه حاصل از یادگیری را بدهد. داده کاوی باید در بطن استراتژی روابط با مشتری شرکت قرار گیرد تا برنامه عملیاتی که بایستی انجام گردد مشخص شود. وقتی مشتریان کم اهمیت معین شدند چگونه باید با آنها رفتار کرد؟ آیا برنامه هایی برای ترغیب علاقه آنها جهت افزایش اهمیتشان وجود دارد؟ در این بخش داده کاوی می تواند در اتخاذ تصمیمات آگاهانه تر کمک کند و می تواند نشان دهد از چه آزمایشی باید استفاده نمود و نهایتاً این خود مدیران آن تجارت هستند که باید تصمیم بگیرند.

با داده کاوی چه کارهایی می توان انجام داد ؟

بسیاری از مسایل اقتصادی و تجاری را می توان در قالب یکی از شش عمل زیر گنجاند:

1.      دسته بندی

2.      تخمین

3.      پیش بینی

4.      دسته بندی شباهت

5.      خوشه بندی

6.       توصیف و نمایه سازی

1.      دسته بندی:

دسته بندی یکی از معمول ترین عمل های داده کاوی و یکی از واجبات بشر است . ما برای شناخت         و برقراری رابطه در باره دنیا به طور مداوم دسته بندی ، قسمت بندی و درجه بندی می کنیم. دسته بندی شامل بررسی ویژگی های یک شیئ که به تازگی یافته شده و تخصیص آن به یکی از مجموعه های از قبل تعیین شده می باشد.

عمل دسته بندی با تعریف درستی از دسته ها و مجموعه ای از ویژگی ها که حاوی مثال های از پیش دسته بندی شده هستند ، مشخص می گردد. دسته بندی شامل ساختن مدلی است که بتوان از آن برای داده های دسته بندی نشده و برای دسته بندی نمودن آنها استفاده نمود. اشیائی که باید دسته بندی شوند معمولاً بوسیله اطلاعاتی در جدول پایگاه داده ها با یک فایل ارایه می شوند ، و عمل دسته بندی با افزودن ستون جدیدی با کد دسته بندی خاصی انجام می شود.

مثال هایی از اعمال دسته بندی:

§     دسته بندی متقاضیان اعتباری به عنوان کم خطر ، متوسط و پرخطر

§     انتخاب محتویات برای نشان دادن در یک صفحه وب

§     تشخیص مدعیان حق بیمه که دریافت حق بیمه شامل آنها نمی شود

2.      تخمین:

تخمین با نتایجی که با ارقام پیوسته نشان داده شده اند سرو کار دارد . در تخمین داده های ورودی ارایه می شوند و به رقمی در متغییر های ناشناس مداوم چون درآمد و یا تراز کارت اعتباری ختم می شود. در عمل تخمین اغلب برای انجام دسته بندی استفاده می شود. یک شرکت تولید کننده کارتهای اعتباری که مایل است یک فضای تبلیغاتی را در پاکت های صورتحساب به یک تولید کننده پوتین اسکی بفروشد باید مدل دسته بندی تهیه کند که همه دارندگان کارتها را در یک یا دو دسته قرار دهد ، اسکی باز یا غیر اسکی باز. روش دیگر ایجاد مدلی است که به هر دارنده کارت ، یک امتیاز تمایل به اسکی تخصیص می دهد. این ارقام می تواند صفر و یک باشد که نشانگر احتمال تخمین زده شده است که دارنده کارت یک اسکی باز است یا نه ؟ عمل دسته بندی اکنون به ایجاد امتیاز آستانه ای منجر می گردد. هر کسی که امتیازی بیش یا مساوی با امتیاز آستانه داشته باشد به عنوان اسکی باز قلمداد می شود. هر کسی که امتیازی کمتر از امتیاز مورد نظر را داشته باشد اسکی باز محسوب نمی گردد.

مدل های رگرسیون و شبکه های عصبی برای تخمین مناسبند. تجزیه بقاء برای تخمین وقتی مناسب است  که هدف تخمین زمان یک واقعه مانند توقف خرید یک مشتری باشد. انواع مدل های رگرسیون به عنوان مهمترین ابزار وتکنیک مورد استفاده برای تخمین می باشند.

3.      پیش بینی:

پیش بینی مانند دسته بندی یا تخمین است با این تفاوت که اطلاعات مطابق برخی از رفتارهای پیش بینی شده ، آینده یا ارقام تخمین زده آینده دسته بندی می شودند. در عمل پیش بینی ، تنها روش برای بررسی صحت مدل ، دیدن آینده و مقایسه نتیجه مدل و پدیده واقع شده می باشد. هر یک از تکنیک های استفاده شده در دسته بندی و تخمین را می توان برای استفاده در پیش بینی تطبیق داد ، جایی که متغییری که باید پیش بینی شود از قبل معلوم است و داده های پیشین برای آن وجود دارد. از داده های پیشین برای تهیه یک مدل که بیانگر رفتار مشاهده کنونی است استفاده می شود. وقتی این مدل برای ورودی های کنونی بکار رفت نتیجه کار پیش بینی رفتار آینده خواهد بود. مثالهایی از پیش بینی که از طریق تکنیک های داده کاوی انجام می گردد از این قرارند:

§     پیش بینی اینکه کدام مشتریان در طول شش ماه آینده خواهند رفت.

§     پیش بینی اینکه کدام مشترکین تلفن تقاضای خدمات با ارزش افزوده مانند مکالمه سه جانبه یا پست صوتی را خواهند نمود.

4.      دسته بندی شباهت یا قوانین وابستگی:

عمل دسته بندی شباهت برای تعیین این است که چه چیزهایی به طور همزمان رخ می دهند. مثال معمول این موضوع تعیین کالاهایی است که با هم در یک چرخ دستی خرید در سوپر مارکت قرار می گیرند چیزی که در حاصل ، تجزیه سبد بازار نامیده می شود. فروشگاه های زنجیره ای خرده فروشی می توانند از دسته بندی شباهت برای تعیین چیدمان کالاها در قفسه های فروشگاه یا در یک کاتالوگ استفاده نمایند تا اقلامی که اغلب با هم خریده می شوند در کنار هم قرار گیرند. از دسته بندی شباهت می توان برای اقدامات زیر نیز استفاده کرد:

§     تعیین موقعیت های فروش های ضربدری و همزمان

§     برای طراحی بسته بندی های جذاب

§     دسته بندی محصولات و خدمات

دسته بندی شباهت یک روش ساده برای ایجاد قوانین از داده ها است.

5.      خوشه بندی:

خوشه بندی به عمل تقسیم جمعیت ناهمگن به تعدادی از زیر مجموعه ها یا خوشه های همگن گفته می شود. نکته متمایز کننده خوشه بندی از دسته بندی در این است که خوشه بندی به دسته های از پیش تعیین شده تکیه ندارد. در دسته بندی هر اطلاعاتی به دسته ای از پیش تعیین شده بر اساس مدلی اختصاص می یابد که از طریق کاربر مثالهای از قبل دسته بندی شده ایجاد گردیده است. در خوشه بندی هیچ دسته از پیش تعیین شده ای وجود ندارد. خوشه های علایم ممکن است بیماری های مختلفی را نشان دهند . خوشه های ویژگی های مشتریان ممکن است حاکی از بخش های مختلف بازار باشند . خوشه بندی معمولاً به عنوان پیش درآمدی برای انواع دیگری از داده کاوی یا مدل سازی بکار می رود. به عنوان مثال ، خوشه بندی ممکن است اولین گام در تلاش برای تقسیم بندی بازار باشد. خوشه بندی می تواند به این سوال پاسخ دهد که مشتریان به چه نوع تبلیغاتی به بهترین نحو پاسخ می دهند. برای انجام این کار اول باید مشتریان را به خوشه ها یا افرادی با عادتهای مشابه خرید تقسیم نمود و سپس پرسید که چه نوع تبلیغاتی برای هر خوشه به بهترین نحو عمل می کند.

6.      نمایه سازی :

گاهی اوقات هدف داده کاوی تنها توصیف آن چیزی است که در یک پایگاه داده پیچیده در جریان است. نتایج نمایه سازی درک ما را از مردم ، محصولات یا فرآیند هایی که داده ها را در مرحله اول تولید کرده اند افزایش می دهد. توصیف خوب رفتار اغلب توضیح خوبی هم به همراه دارد. شکاف جنسیتی مشهور در سیاست آمریکا مثالی از این دست است که چگونه این توصیف ساده که تعداد زنان حامی حزب دموکرات بیش از مردان است می تواند توجـه بیشتر و مطالعات تکمیلی را برای روزنامه نگاران ، جامعه شناسان  اقتصاد دانان و دانشمندان علوم سیاسی ایجاد کند.

درختهای تصمیم ابزار مفیدی برای نمایه سازی می باشد. قوانین وابستگی و خوشه بندی را نیز می توان برای نمایه سازی ها استفاده نمود.

در پایان تاکید می گردد که زمینه های کاربردی داده کاوی بسیار گسترده تر از موارد فوق الذکر بوده و کشور ما مستعد بسترهای مختلف استفاده از این تکنیک می باشد.

 

منابع :

برگرفته از آموخته ها ی کارگاه های تخصصی داده کاوی و مجموعـه مقالات ارایه شده در دومین کنفرانس داده کاوی ایران در دانشگاه صنعتی امیرکبیر سال 1387.

کامران حاتمی

گزارش تخلف
بعدی