کاربردهای داده کاوی در مدیریت ارتباط با مشتری – بخش اول

ک

در این مطلب می خواهم در مورد کاربردهای داده کاوی در مدیریت ارتباط با مشتری دیدگاه ها و نکاتی را بیان کنم، و این مطلب برای کسانی که می‌ خواهند با داده کاوی آشنایی پیدا کرده و بدانند که داده کاوی چه کاربردهایی در مدیریت ارتباط با مشتریان می تواند داشته باشد، مفید بوده و امیدوارم اطلاعات قابلی را در این زمینه عرضه کند. لازم به ذکر است، از آنجا که این مطلب نیاز به بحث دارد و شامل موارد زیادی می شود ذکر آنها در یک مقاله نمی گنجد و می بایست در چند بخش آورده شود.

در آغاز اجازه دهید مروری بر برخی از مفاهیم اساسی و کاربردی داده کاوی داشته باشیم و سپس در انتها به کاربرهای داده کاوی در حوزه مدیریت ارتباط با مشتری خواهیم پرداخت.

ابتدا بیایید از خود برسیم که چه کسانی ارزشمندترین مشتریان ما هستند؟ این سوال اساسی است که صاحبان هر کسب و کار باید لزوما آن را از خود بپرسند چرا که این سوال به نوعی به کسب و کار آنها شکل می دهد و آن را معنا دار می کند. سوال دیگر که باید پرسیده شود این است که کدامیک از مشتریان بالقوه ما تبدیل به مشتریان دائمی و وفادار ما می شوند‌ و دیگر اینکه ما پیشنهاد محصولات جدیدمان را به کدامیک از مشتریانمان باید ارائه کنیم؟

چطور می توانیم از رویگردانی مشتریان جلوگیری کنیم  و اینکه با حجم انبوه داده های تولید شده توسط مشتریان مان چه کار باید بکنیم.

داده کاوی چیست و ضرورت های استفاده از داده کاوی چیست؟ چطور می توان به مدل ها و الگوهایی فراتر از داده های خام در دسترس مشتریان رسید؟

استفاده از داده کاوی چه مزیت هایی برای CRM دارد؟ و دیگر اینکه داده کاوی در چه زمینه هایی از کسب و کار قابل استفاده است؟

ما می دانیم که امروزه همه کسب و کارها از دیدگاه های محصول محور ، تولید محور و فروش محور به سمت دیدگاه مشتری محور سوق داده شده و حرکت کرده اند. و هدف اصلی کسب و کارهای مشتری محور برقراری رابطه بلند مدت و سود آور با هر مشتری می باشد.

ظهور اینترنت و ابزارهای فناورانه باعث سرعت بخشیدن به تحول در زمینه ارتباط با مشتریان شده است.

اما چرا بحث و موضوع داده کاوی در رابطه ارتباط با مشتریان ضرورت پیدا کرده است؟ اصولا هر کاری که ما انجام می دهیم به واسطه نیازهایی است که برایمان ایجاد شده است. یکی از دلایل مهمی که به داده کاوی در این مبحث نیاز شده این است که در سال های اخیر حجم بسیار زیادی از داده های مشتریان در اختیار کسب و کارها قرار گرفته و کسب و کارها مقدار بسیار زیادی از داده های مشتریان را جمع آوری کرده اند. اما این داده های خام به خودی خود هیچ مفهوم و کاربردی برای کسب و کار ندارند از این رو می بایست مورد تجزیه و تحلیل قرار گیرند. اما حجم داده ها زیاد است و تجزیه و تحلیل کردن آنها به شکل دستی هم کار دشواری است و هم احتمال خطا در آن فراوان است و هم زمان زیادی از ما می گیرد و هوش انسانی از توان تجزیه و تحلیل این حجم عظیم از داده ها با نهایت دقت یعنی با خطای صفر و در کمترین زمان ممکن ناتوان است.حتی اگر قادر به تجزیه و تحلیل داده ها باشیم، زمان بسیار زیادی نیاز دارد که هدر دادن این بخش از زمان برای ما مقرون به صرفه نیست  و در واقع ما به ابزاری برای تحلیل این حجم عظیم از داده ها نیاز داریم. و طبیعتا داده های خام به درد ما نمی خورند. پس ما می بایست داده ها و اطلاعات را خیلی کاربردی تر کنیم. ما باید اطلاعات مفید را از اطلاعات بی مفهوم و پوچ جدا کنیم و یکسری اطلاعات کاربردی و شسته و رفته تولید کنیم.

ما باید بتوانیم الگو، مدل یا مفهومی از داده های مشتریان استخراج کنیم که فراتر از داده های خام باشد؛ در واقع باید بتوانیم با استفاده از روشهایی این اطلاعات را خلاصه سازی کنیم و حجم وسیع اطلاعات را به صورت دانش استخراج کنیم.

مورد دیگر اینکه ما برای جمع آوری و نگهداری این داده ها هزینه می کنیم، ما در حال هزینه کردن برای تولید و نگهداری داده های خام هستیم در حالی که به این شکل و روند هیچ سودی از آنها حاصل نمی کنیم و برای اینکه داده ها سود آور و قابل استفاده و کاربردی شوند حتما باید تجزیه و تحلیل شوند شاید بسیاری از کسب و کارها همواره در حال جمع آوری داده های مشتریان هستند و لی در عمل هیچ استفاده ای از این داده ها نمی برند و در واقع داده های خام هیچ کمکی به آنها نمی کند. و از فرایند تجزیه و تحلیل داده کاملا بی خبر بوده و نمی دانند که این داده های خام چه منبع گرانبهایی برای کارشان هستند و تحلیل آنها تا چه اندازه می تواند به کارشان کمک کند.

یک فروشگاه زنجیره ای را در نظر بگیرید، آیا صاحب این فروشگاه می تواند بگوید که در چه روزهایی از ماه خرید بیشتری از سوی مشتریان صورت گرفته می شود و اینکه مشتری در قبال خرید یک محصول چه محصول دیگری را می خرد و چه هماهنگی بین خرید های آنها وجود دارد. مشتریان وفادارش چه کسانی هستند و چه امری منجر به این وفاداری شده. در چه صورت یک جنس به فروش نرفته، اصلا سلیقه مشتریان، بالخصوص مشتریان وفادار را می دانند، آنها در خرید چه چیزی برایشان مهم است . برند محصولات، کیفیت محصولات، رفتار کارکنان با آنها، حس امنیت خاطر، هوای مطبوع فروشگاه و چیزهایی از این قبیل. و بسیاری سوالات کاربردی دیگر که جواب آنها در دست تحلیل داده ها است و کمک فراوانی به صاحب فروشگاه می کند. صاحب یک فروشگاه در واقع باید بتواند الگوها و رفتارهای مشتریان را شناسایی کرده و بشناسد.

وقتی که ما توان تحلیل کردن در کسب و کار را نداشته باشیم، کسب و کار شکل روتین و تکراری به خود می گیرد و چون فرصت ها و تهدیدات برایمان قابل شناسای نیستند پس سودهای زیادی را از دست داده و جلوی بسیاری از ضررهای احتمالی را هم نمی توانیم بگیریم.

در واقع ما از شیوه خدمت رسانی یکسان به مشتریان استفاده می کنیم در حالیکه می دانیم که مشتری ها یکسان نیستند و با هم متفاوت هستند. در کل زمانی که توانایی آنالیتیک در کسب و کار وجود نداشته باشد دیگر مشتریان ما برایمان از یکدیگر قابل تشخیص نیستند و کشف سرنخ ها هم به درستی انجام نمی گیرد و جمع آوری این حجم عظیم از داده های مشتری هیچ ارزشی ندارد و به هیچ دردی نمی خورد. ما اگر در کسب و کار داده های مشتری را جمع آوری نکنیم در واقع CRM عملیاتی را ناقص می گذاریم و اگر توانایی تحلیلی ایجاد نکنیم کار جمع آوری داده ها را ناقص گذاشته ایم و زیر ساخت های IT را با مشکل مواجه می کنیم.

در واقع زمان، انرژی و هزینه های ما صرف جمع آوری داده ای می شود که در صورتی توانایی تجزیه و تحلیل آن را نداشته باشیم به هیچ دردمان نمی خورد و فقط منابع خودمان را هدر داده ایم، این درحالی است که بخواهیم ضررهای احتمالی آینده را که در اثر نبود تحلیل  داده ها به وجود می آید، نادیده بگیریم، و به انها توجهی نداشته باشیم.

پس باید به این نکته توجه داشته باشیم و تمام سعی مان را به کار گیریم تا داده های جمع آوری شده را به اطلاعات، اطلاعات را به دانش و دانش را به خرد و هوش تبدیل کنیم و در نهایت این هوش را به ارزش تبدیل کنیم. یعنی اینکه ما باید به عنوان صاحب کسب و کار استفاده بهینه و حداکثری  از داده ها را با توانایی تحلیلی که ایجاد می کنیم  و با استفاده از ابزارهای داده کاوی در شرکت مان به وجود آورد.

اگر ما داده های مشتریان را جمع آوری می کنیم اما در انتهای سال نرخ ریزش مشتریان زیاد است، اگر داده های مشتری را جمع می کنیم اما باز هم نمی توانیم نرخ  سفارش کالاها را پیش بینی کنیم. اگر داده های مشتری را جمع می کنیم اما نمی توانیم تشخیص دهیم که کدام مشتری ریسک اعتباریش بالا است. اگر داده های مشتری را جمع می کنیم اما نمی دانیم که چه پیشنهادی قابل قبولی را باید به مشتری ارائه کنیم، این یعنی اینکه ما توانایی تجزیه و تحلیل در شرکت نداریم. و با یک شرکتی که کارهایش را روتین وار و یکنواخت انجام می دهد روبه رو هستیم. اما برای اینکه یک شرکت مثمرثمر داشته باشیم که توانای تجزیه و تحلیل داده ها را داشته باشد به ابزار نیاز داریم.

ابزارهای زیادی برای داده کاوی وجود دارد .یکی از این ابزارهای ارزشمندکه کار تجزیه و تحلیل داده ها را خیلی خوب انجام می دهد داده کاوی یا Data Mining است.

نکته ای که در این میان باید به آن توجه داشته باشیم این است که رقبای کاری ما هم همواره در حال جمع آوری دیتاهای مشتریان بوده اند و اگر آنها سریعتر و زودتر از ما به فکر تحلیل داده ها بیفتند می توانند حتی مشتریان ما را هم به سمت خودشان بکشانند.از این رو هر روز ممکن است متحمل ضررهایی شویم که از فقدان داده کاوی در کسب و کارمان به وجود می آید. پس ما به طور جد برای پیشبرد و پیشرفت در کارمان نیازمند داده کاوی هستیم. بنابراین به طور خلاصه می توان گفت که نیاز به ابزاری برای تحلیل حجم زیاد داده های مشتریان وجود دارد. داده کاوی بهترین وسیله برای تحلیل داده های مشتریان در مدیریت ارتباط با مشتریان تحلیلی می باشد، که می توانند سازمان را برای کشف دانش نهفته در حجم زیادی از داده های مرتبط با مشتریان کمک کند.

درباره نویسنده

محمدمهدی لطفی نژاد

ارسال دیدگاه

نوشته‌های تازه

آخرین دیدگاه‌ها

بایگانی

دسته‌ها

اطلاعات