ابعاد CRM و کاربردهای داده‌کاوی
بر اساس (Ngai, Xiu et al. 2009)، CRM دارای چهار بعد شناسایی مشتری[۱۳۰]، جذب مشتری[۱۳۱]، حفظ مشتری[۱۳۲] و توسعه مشتری[۱۳۳] است. این چهار بعد را می‌توان به عنوان یک چرخه سیستم مدیریت مشتری در نظر گرفت.
شناسایی مشتری: CRM با شناسایی مشتری آغاز می‌شود. این فاز شامل هدف‌گذاری جمعیتی است که بیشترین احتمال برای تبدیل شدن به مشتری شرکت را دارند. علاوه بر این شامل تحلیل مشتریانی که در رقابت از دست رفته‌اند و تعیین چگونگی برگرداندن آنها است.
تحلیل مشتری هدف[۱۳۴] و بخش‌بندی مشتری[۱۳۵] عناصر اصلی شناسایی مشتری هستند (Ngai, Xiu et al. 2009). تحلیل مشتری هدف شامل جستجوی بخش‌های سودآور مشتریان از طریق آنالیز مشخصات پنهان مشتریان است. در این بخش از انواع تکنیک‌های توصیف‌کننده و پیش‌بینی‌کننده داده‌کاوی می‌توان استفاده نمود.
جذب مشتری: این فاز در ادامه فاز شناسایی مشتری است. پس از شناسایی بخش‌های مشتریان بالقوه، سازمان‌ها می‌توانند به صورت مستقیم تلاش و منابع خود را مصرف جذب مشتریان هدف نمایند. عنصر اصلی جذب مشتری، بازاریابی مستقیم[۱۳۶] است. بازاریابی مستقیم یک فرایند ارتقاء انگیزه مشتریان برای سفارش از طریق کانالهای مختلف است (Ngai, Xiu et al. 2009). برای نمونه، پست مستقیم و توزیع کوپن مثال‌های معمولی بازاریابی مستقیم هستند.
حفظ مشتری: این فاز اساسی‌ترین نگرانی برای CRM است. رضایت مشتری[۱۳۷] که در واقع قیاس بین انتظارات مشتری و احساس رضایتمندی وی است، مهمترین شرط برای حفظ مشتریان است. عناصر این فاز شامل بازاریابی یک به یک[۱۳۸]، برنامه‌های وفاداری[۱۳۹] و مدیریت شکایات[۱۴۰] هستند(Ngai, Xiu et al. 2009). بازاریابی یک به یک از ابزارهای داده‌کاوی برای شخصی‌سازی نحوه ارتباط با هر یک از مشتریان استفاده می‌کند. بخش‌بندی و تحلیل ارزش مشتریان در این بعد نیز اهمیت و کاربرد فراوانی دارد.
توسعه مشتری: این فاز در بر گیرنده افزایش پایدار تعداد تراکنش‌ها، ارزش تراکنش‌ها و سودآوری مشتریان است. تحلیل ارزش دوره عمر مشتری، متقاعد کردن مشتری به خرید بیشتر، فروش جانبی و تحلیل سبد خرید عناصر این فاز هستند (Ngai, Xiu et al. 2009). در واقع در این فاز از تکنیک‌های داده‌کاوی برای یافتن راهکارهای مناسب و کارا برای افزایش ارزش قابل اکتساب از مشتریان فعلی استفاده می‌شود.
استفاده از روش RFM[141] برای تحلیل ارزش مشتریان روشی متداول است که در کنار تکنیک‌های خوشه‌بندی کارایی مناسبی از خود نشان داده است. در این روش سه مشخصه تاخیر، فراوانی و مقدار پول به عنوان مبنای خوشه‌بندی و ارزشگذاری مشتریان در نظر گرفته می‌شوند (Cheng and Chen 2008).
داده‌کاوی و بازاریابی هدفمند
امروزه با تغییر رویکرد ارتباط با مشتریان، رویکرد شرکت‌ها در بازاریابی از بازاریابی با حجم بالا[۱۴۲] به بازاریابی یک به یک تغییر یافته و همچنین شرکت‌ها به جای هزینه فراوان برای جذب مشتریان جدید و افزایش سهم بازار خود به دنبال حفظ مشتریان فعلی و افزایش سوددهی آنها هستند. داده‌کاوی به شرکت‌ها کمک می‌کند تا هرچه بیشتر به سمت مشتری‌مداری حرکت کنند.
بازاریابان سه روش را برای افزایش ارزش مشتری مد نظر قرار داده‌اند (اکبری ۱۳۸۹):
| دانلود متن کامل این پایان نامه در سایت abisho.ir |
- افزایش میزان مصرف و استفاده مشتریان
- فروختن محصول بیشتر به آنان
- نگه‌داشتن مشتری برای دوره زمانی طولانی‌تر
به صورت عمومی چرخه عمر مشتریان دارای ۴ مرحله است (Rygielski, Wang et al. 2002):
- مشتریان احتمالی[۱۴۳]: افرادی که هنوز مشتری نیستند ولی در بازار هدف قرار دارند.
- پاسخگوها[۱۴۴]: مشتریان احتمالی که به محصول یا خدمت مورد نظر علاقه نشان داده‌اند.
- مشتریان فعال[۱۴۵]: افرادی که در حال حاضر از محصول یا خدمت استفاده می‌کنند.
- مشتریان سابق[۱۴۶]: افرادی که به دلایل مختلف دیگر ارزشی برای شرکت ندارند و در دامنه بازار هدف قرار نمی‌گیرند؛ یا افرادی که به سمت خرید از رقبا تغییر موضع داده‌اند.
داده‌کاوی در CRM در زمبنه ارتباط مناسب با هر یک از این گروه‌ها مدل‌های مناسبی ارائه می‌کند. به عنوان مثال می‌توان از داده‌کاوی برای پیش‌بینی این که کدامیک از مشتریان احتمالی می‌توانند به مشتری فعال و سودآور تبدیل شوند، استفاده کرد.
داده‌کاوی و رویگردانی مشتری
از دست دادن مشتری مهم است، زیرا هزینه‌ای که برای جذب مشتری جدید مصرف می‌شود بسیار بیشتر از هزینه‌ای است که صرف نگهداری مشتریان موجود می‌شود؛ این امر به خصوص در مورد صنایع قدیمی و بازار نسبتا اشباع شده بیشتر صدق می‌کند. وقتی بازار اشباع شود و نرخ پاسخگویی به فعالیت‌های جذب مشتری کاهش یابد، هزینه جذب مشتریان جدید افزایش خواهد یافت. هدف داده‌کاوی از تولید مدل‌های رویگردانی مشتری، شناسایی مشتریان با ارزشی است که در خطر از دست رفتن قرار دارند. بر اساس این مدل‌ها و برای حفظ مشتریان با ارزشی که بدون مشوق‌های اضافی شرکت را ترک می‌کنند، پیشنهادهای خوبی داده می‌شود.
یکی از اولین چالش‌ها در مدلسازی رویگردانی مشتری این است که تعیین کنیم از دست رفتن مشتری چیست و چه زمانی اتفاق افتاده یا می‌افتد (شهرابی ۱۳۹۰a). تعیین و تشخیص این امر در برخی از صنایع دشوار است؛ زیرا در اکثر موارد نحوه رفتار مشتریان در هیچ پایگاه داده‌ای ثبت نمی‌شود. به عنوان مثال زمانی که یک مشتری وفادار، خرید معمول قهوه‌ی خود را متوقف می‌کند و به مغازه دیگری مراجعه می‌کند، فروشنده مغازه قهوه که نوع سفارش وی را به خاطر دارد این مسئله را در می‌یابد ولی در هیچ پایگاه اطلاعاتی ذخیره نمی‌شود.
حتی زمانی که اطلاعات جامعی از مشتریان در اختیار باشد، تشخیص یک مشتری از دست رفته از کسی که برای مدتی قطع رابطه کرده دشوار است. ممکن است خرید بعدی یک مشتری وفادار با کمی تاخیر همراه باشد؛ در این صورت آیا می‌توان وی را به عنوان مشتری رویگردان در نظر گرفت؟
کشف رویگردانی مشتری، زمانی که یک ارتباط پرداختی ماهانه مانند کارت‌های اعتباری وجود داشته باشد کمی آسان‌تر است. همچنین مفهوم رویگردانی مشتری در تجارت‌هایی که مشتریان دارای یک اشتراک بلند مدت هستند، راحت‌تر از سایر موارد تعریف می‌شود؛ به همین دلیل، مدلسازی رویگردانی مشتری در این گونه تجارت‌ها معمول‌تر است. شرکت‌های تلفن راه دور، تلفن همراه، شرکت‌های بیمه، شرکت‌های خدمات مالی، تامین‌کنندگان خدمات اینترنت و تلویزیون کابلی، مجلات و برخی از خرده‌فروشان مثال‌هایی از این تجارت‌ها هستند.
در نهایت، برای مدلسازی رویگردانی مشتری دو رویکرد اساسی وجود دارد. رویکرد اول، رویگردانی مشتری را به عنوان یک نتیجه دوگانه می‌بیند و پیش‌بینی می‌کند که کدام مشتری می‌ماند و کدام می‌رود. رویکرد دوم، درصدد است که دوره بقای مشتری[۱۴۷] را پیش‌بینی کند.
رویکرد اول: پیش‌بینی و تعیین مشتریانی که سیستم را ترک می‌کنند
مدلسازی رویگردانی مشتری به صورت یک نتیجه دوگانه، نیازمند درنظر گرفتن یک افق زمانی است. این مدل‌ها معمولا افق زمانی کوتاهی در حد ۶۰ یا ۹۰ روز دارند. البته افق زمانی نباید انقدر کوتاه باشد که زمانی برای انجام اقدامات پیشگیرانه بر اساس پیش‌بینی‌های مدل وجود نداشته باشد. مدل‌های روگردانی مشتری با نتایج دوگانه را می‌توان با ابزارهای معمول دسته‌بندی مانند رگرسیون لجستیک، درخت‌های تصمیم و شبکه‌های عصبی تهیه کرد. داده‌های پیشین که جمعیتی از مشتریان را در یک بازه زمانی توصیف می‌کند، با برچسبی که نشان می‌دهد آیا مشتری در زمان‌های بعدی فعال بوده یا نه ترکیب می‌شوند. وظیفه مدلسازی، ایجاد تمایز بین مشتریانی است که مانده‌اند و آنهایی که رفته‌اند.
معمولا پیش‌بینی کننده‌های مدل رویگردانی مشتری، ترکیبی از اطلاعاتی هستند که یا در زمان جذب مشتری درباره آنها جمع‌آوری شده است؛ یا مانند دیرکرد در پرداخت‌ها و مشکلات رخ داده با خدمات، در زمان ارتباط با مشتری پیش آمده است. دسته اول مدل‌های داده‌کاوی پیشگویی‌کننده رویگردانی مشتری، اطلاعاتی را در مورد چگونگی کم کردن رویگردانی‌های مشتریان در آینده با جذب نمودن مشتریانی با تمایل کمتر به رویگردانی فراهم می‌کنند. دسته دوم، بینشی برای کم کردن خطر رویگردانی مشتریانی که هم‌اکنون وجود دارند فراهم می‌کند (شهرابی ۱۳۹۰a).
رویکرد دوم: پیش‌بینی مدت زمانی که مشتریان باقی خواهند ماند
در این رویکرد، هدف درک این مطلب است که مشتری تا چه زمانی احتمال دارد باقی بماند. تخمین زمان نگهداری مشتری جزء مهمی از مدل ارزش عمر مشتری است و این تخمین می‌تواند مبنایی برای امتیاز وفاداری مشتری نیز باشد. یک مشتری وفادار کسی است که برای مدت طولانی در آینده باقی خواهد ماند، نه کسی که زمان زیادی را تا به امروز باقی مانده است.
یکی از رویکردهای مدلسازی طول عمر مشتری برای تخمین مدت زمان حفظ مشتری، داشتن تصاویر لحظه‌ای از گستره‌ی جمعیت مشتریان فعلی و در نظر گرفتن وضعیت آنها در ابتدای جذب شدن به سیستم است. مشکل این رویکرد این است که هرچه مشتریان با طول عمر طولانی‌تر وجود داشته باشند، شرایط متفاوت‌تری در هنگام جذب شدنشان وجود داشته است. قطعا استفاده از خصوصیات مشتری که در بیست سال پیش مشترک سیستم شده است برای پیش‌بینی این که کدام یک از مشتریان امروزی برای مدت طولانی در آینده، مشترک خدمات ما خواهند بود راه مطمئنی نیست.
پیشینه تحقیق
تحقیقات متعددی در زمینه پیش‌بینی رویگردانی مشتری انجام شده است. در این تحقیقات به دو موضوع بیشتر توجه شده است:
More Stories
پیش‌بینی رویگردانی مشتریان در مدیریت ارتباط با مشتری با استفاده از تکنیک‌های داده‌کاوی؛ مورد مطالعه …
سايت مقالات فارسی – پیش‌بینی رویگردانی مشتریان در مدیریت ارتباط با مشتری با استفاده از تکنیک‌های داده‌کاوی؛ …
فايل دانشگاهی – پیش‌بینی رویگردانی مشتریان در مدیریت ارتباط با مشتری با استفاده از تکنیک‌های داده‌کاوی؛ مورد مطالعه …