سه شنبه , ۶ آبان ۱۳۹۹
صفحه اصلی » داده کاوی » داده کاوی و مدیریت رابطه با مشتریان
داده کاوی و مدیریت ارتباط با مشتری یکی از مباحثی است که در دهه اخیر مورد توجه زیادی قرار گرفته است.

داده کاوی و مدیریت رابطه با مشتریان

نیازهای مشتریان از طریق داده های جمع آوری شده قابل کشف است. صاحبان کسب و کار میل به استخراج اطلاعاتی ناشناخته، معتبر و قابل درک از بانکهای اطلاعاتی خود و استفاده از آن برای کسب سود بیشتر دارند که از طریق حفظ مشتریان قدیمی و جذب مشتریان جدید حاصل می شود. مدیران بازاریابی فقط زمانی می توانند به موفقیت امید داشته باشند که بتوانند رفتارهای آینده مشتریان را پیش بینی کنند. برای این منظور شرکتها باید داده هایی کامل از فعالیتهای گذشته مشتریان خود داشته باشند، هدف اصلی از ایجاد پروفایل برای هر مشتری آگاهی از فعالیتهای گذشته مشتریان است (آیب، رومدهانه و فدل[۲]، ۲۰۱۰) تا بتوان از آنها در داده کاوی استفاده کرد.

امروزه فرهنگ کاری جدیدی در حال گسترش است که در آن، اقتصادهای مبتنی بر روابط با مشتریان، بطور اساسی در حال تغییر هستند و شرکتها بدنبال یافتن راه حلهایی هستند که از طریق آنها، به این چالشها رسیدگی کنند. شرکتهای تولیدی امروزه با افزایش ارزش مشتریان در خلال چرخه عمر هر کدام از مشتریان در خرید از شرکت مواجه هستند و پارادایم قدیمی طراحی کن- بساز – بفروش به پارادایم جدید بفروش- بساز- مجدد طراحی کن (تبدیل نگاه محصول محور به مشتری محور) تبدیل شده است (پن پریاسیمی و ویجییاسری[۱]، ۲۰۱۸). این تغییر مهم موجب شده است تداوم کسب و کار با مشتری تضمین بلند مدت نداشته باشد. به همین دلیل برای موفقیت یک سازمان لازم است، سازمانها نیازهای مشتریان خود را به درستی درک کرده، خواسته های آنها را پیش بینی کنند و با مجهز شدن به این دانش، استراتژیها و برنامه های فروش و بازاریابی خود را بهبود بخشند.

از جمله موارد استفاده داده کاوی در زمینه مدیریت ارتباط با مشتری، می توان به تدوین استراتژی در مورد روشهای ارتباط با مشتری، تشویق مشتریان به خرید بیشتر و وفادار کردن مشتری به خدمات و محصولات خود اشاره کرد. در بیشتر شرکتهای تولیدی و یا شرکت های پخش، مسئله ترفیعات فروش از جمله مباحث مهم بازاریابی و فروش است. همانگونه که بیان شد، مهمترین دغدغه بازاریابان شرکتها این است که مناسب ترین سیاستها برای پیشبرد فروش را انتخاب کنند. از جمله استراتژیهای پیشبرد، سیاست تخفیف دهی به مشتریان است. سیاست گذاری برای تخفیف دهی نیازمند مدلی است که قادر باشد مناسب ترین نوع تخفیف را به انواع مشتریان در خریدهای متفاوت آنها پیشنهاد دهد. لذا رویکرد داده کاوی می تواند به عنوان ابزاری برای ایجاد یک مدل هوشمند در سیاست گذاری تخفیف استفاده شود. به نحوی که با خوشه بندی مشتریان بر اساس شاخصهای مناسب و برچسب گذاری آنها، سیاست مناسب برای هر خوشه را پیشنهاد داد.

دنیای مدرن در واقع دنیایی داده‏ گرا است. ما با داده‏ های عددی و غیرعددی در بخش های صنعتی، بازرگانی، مدیریتی، مالی و علمی احاطه شده‏ ایم. این داده‏ ها باید تحلیل و پردازش شوند تا تبدیل به اطلاعاتی شوند که آگاهی بخش ، آموزش دهنده و پاسخگو باشند یا به شکل دیگری به درک و تصمیم‏ گیری ما کمک کنند.

در سال‏های اخیر رشد انفجارآمیزی از روش ها برای اکتشاف دانش جدید از داده‏ های خام به وقوع پیوسته است. در پاسخ به این امر، رشته‏ ی جدیدی از کاوش داده ‏ها موسوم به داده ‏کاوی[۳] به طور ویژه گسترش یافته است تا اطلاعات با ارزشی از مجموعه داده ‏های عظیم استخراج نمایند.

امروزه فناوری داده‏ کاوی به صورت موضوعی داغ برای تصمیم‏ گیران در آمده است ، زیرا این فن ، اطلاعات نهفته ی با ارزش تجاری و علمی را از داده ‏های حجیم ذخیره شده استخراج می‏کند. با این وجود ، ماهیت داده‏ کاوی فناوری جدیدی محسوب نمی‏شود. استخراج اطلاعات و دانش از داده‏ های ذخیره شده یک مفهوم کاملا دیرینه در مطالعات علمی و پزشکی می‏باشد. آنچه که جدید است همگرایی و اشتراک چندین رشته و فناوری‏های متناظر آن‏ها است که فرصت منحصر به فردی برای داده‏ کاوی به دنیای علم ، تجارت و اقتصاد ایجاد کرده است. اما داده ‏کاوی یا کشف دانش و معرفت از پایگاه داده ‏ها[۴] با این تعریف یک شاخه‏ی نسبتا جدید علمی است که از انجام تحقیقات در رشته‌های آمار، یادگیری ماشین[۵] ، علوم رایانه (به ویژه پایگاه داده‏ ها) شکل گرفته است. در حالی که مرزهای این رشته ‏ها در داده ‏کاوی مبهم است، ولی می‏توان گفت که مهمترین این رشته‌ها آمار می‏باشد به طوری که بدون آمار داده‏ کاوی مفهومی نخواهد داشت. با وجود اینکه داده ‏کاوی یک رشته‏ی نسبتا جدید علمی می ‏باشد و کاربردهای متنوع و گسترده ای در رشته‌هایی مانند بازرگانی، پزشکی، مهندسی، علوم رایانه، صنعت، کنترل کیفیت، ارتباطات و کشاورزی پیدا کرده است. امروزه مرز و محدودیتی برای دانش داده‏ کاوی متصور نیست و مرز آن را از اعماق اقیانوس ها تا بیکران فضا می‏دانند. به عبارت دیگر کاربرد دانش داده‏ کاوی در تمامی حوزه های برخوردار از داده بوده و تنها محدودیت دانش داده‏ کاوی نبود داده است.


[۱] PonPeriasamy & Vijayasree

[۲] Ayeb, Roomdehaneh & Fedel

 DataMining

 Knowledge Discovery in Database (KDD)

 Machine Learning

درباره‌ افشین صفایی

این مطلب را نیز بخوانید

علم داده

۱۰ کتاب رو میزی برای هر تحلیلگر داده

در دنیایی زندگی می کنیم که از داده اشباع شده است. در حال حاضر ۲٫۷ …

دیدگاهتان را بنویسید

نشانی ایمیل شما منتشر نخواهد شد. بخش‌های موردنیاز علامت‌گذاری شده‌اند *