چکیده مقاله

مديريت ارتباط با مشتری نمی‌تواند بدون ردیابی الگوهای درون داده های مشتری انجام شود. از وقتیکه هدف داده کاوی، به استخراج الگوهای معنی دار و روابط مجموعه داده های بزرگ می‌پردازد، داده کاوی می‌تواند روابط با مشتری را مجددا تعریف کرده و ارتقا دهد. خوشبختانه، سازمانهای ارتباطاتی بیشتر از هر فرد دیگری مشتری هایشان را می‌شناسند. آنها میدانند که چه فردی مشتری است. بسادگی قادر به پیگیری فعالیتهای مشتریان خود هستند. حجم بزرگی از داده که توسط سازمانهای ارتباطاتی تولید می‌شود، به روش های سنتی و با استفاده از آنالیز داده ای دستی، قابل تجزیه و تحلیل نیست. همین موضوع دلیل ایست که چرا تکنیک های داده کاوی متفاوتی باید به کار گرفته شوند. داده کاوی به فهم مشتری های خود کمک میکند. این مقاله، باارزش ترین نرم افزارهای داده کاوی را برای مدیریت روابط مشتری در ارتباطات مشخص می‌کند.

کلمات کلیدی: داده کاوی، مدیریت روابط مشتری، تقسیم بندی مشتریان، مدیریت رویگردانی مشتریان، ارتباطات

الف. معرفی

انقلاب فناوری اطلاعات مجموعه ی عظیمی از داده ها را فراهم می‌کند.  اندازه ی این پایگاه داده ها در محدوده ی ترابایت می‌باشند. همچنین آنالیز این حجم از داده به روش سنتی امکان پذیر نبود. به همین دلیل، داده کاوی توجه چشمگیر و بزرگی را جذب کرد. همچنین قادر به اکتشاف داده ها، تولید فرضیه ها و یادگیری از داده ها می‌باشیم. داده کاوی، فرآیند خودکار کشف اطلاعات مفید در مخازن داده های بزرگ می‌باشد. این فرآیند، موارد زیر را حمایت و پشتیبانی می‌کند:

• ذخیره سازی داده های معقول،

• قدرت پردازش مقرون به صرفه،

• در دسترس بودن داده ها،

• بسیاری از ابزارهای در دسترس تجاری برای داده کاوی

داده کاوی می‌تواند برای هر فعالیت کاری مفید باشد. اما این مقاله توصیف میکند که چرا داده کاوی برای صنعت ارتباطات باارزش است. از وقتی‌که سازمانهای ارتباطاتی مشتاق به پیاده سازی فلسفی سازمانهای مشتری محور هستند، به ابزارهای مدیریت روابط مشتری متفاوتی نیز مجهز شده اند. نرم افزارهای مدیریت روابط مشتری که از پردازش تحلیلی داده و داده کاوی استفاده می‌کنند، مدیریت روابط مشتری تحلیلی نامیده می‌شود. این مقاله با ارزش ترین نرم افزارهای داده کاوی در مدیریت روابط مشتری در ارتباطات را توصیف خواهد کرد.

پروژه ی داده کاوی برای مدیریت روابط مشتری، چندین فاز را شامل می‌شود:

1. مطرح کردن مشکلی که حل و فصل شود. هر یک از نرم افزارهای مدیریت روابط مشتری ، ملزومات و اهداف کاری خود را دارند. مدل داده کاوی بایستی در رابطه با این اهداف مطرح شود. صحبت با افراد حاضر در کسب و کار، بهترین روش مطرح کردن مشکلی است که حل و فصل می‌شود. توصیه می‌شود که لیستی از سوالات مناسب تهیه شود.

2. گردآوری و تهیه داده. این مرحله می‌تواند اغلب نادیده گرفته شود. در صورتیکه، یک انبار داده ای  بعنوان منبعی از داده های مورد نیاز برای تجزیه و تحلیل استفاده شده باشد.  بدین خاطر که این داده ها بایستی  قبل از ورود به انبار داده ای، پاکسازی، جمع آوری و تغییرشکل داده شوند. این تحلیلی است که یک تحلیلگر به تعریف زیر مجموعه ای از داده ها برای پردازش می‌پردازد. مطمئنا، این داده می‌تواند از طریق پایگاه داده ی رابطه ای، فايل يک سطحی، صفحه گسترده یا دیگر منابع در دسترس قرار بگیرد. در مورد مرحله ی تهیه داده ها، معمولا زمان و تلاش زیادی به کار گرفته می‌شود. بخصوص زمانیکه داده ی مورد نیاز در مخازن داده های متعددی قرار می‌گیرد. اگر متغیرهای خلاصه ای مورد استفاده قرار بگیرد،  این متغیرها بایستی از داده های خام استخراج شوند. گزینش متغیر از مدلی که ارائه شده ، مرحله ای اساسی در فرآیند داده کاوی است. معمولا بایستی این متغیرها در رابطه با نیازهای الگوریتم داده کاوی تغییر یابند.

3. مدلسازی. در این فاز، داده برای نرم افزار داده کاوی ارائه شده است. گاهی اوقات، این متغیرهایی که انتخاب میشوند، متغیرهای مناسبی نیستند و در این مورد، تحلیلگر بایستی به عقب برگشته و تغییراتی را در داده هایی که مورد استفاده اش قرار میگیرند، اعمال کند.

4. تفسیر نتایج. این نتایج بایستی نمایش منسجمی ارائه کرده و به مردم حاضر در کسب و کار داده شود. این مدل بایستی با توجه به اهداف حل مشکل، مورد ارزیابی قرار بگیرد.

5. اعمال نتایج تغییر رفتار سازمان برای مزیت های رقابتی. هدف نهایی ، اجرای آن چیزی است که کشف شده تا مشکل کسب و کار را مرتفع کند. درس‌هایی که از اطلاعات مشتری آموخته می‌شود، بایستی برای ارتقای رفتارهای کسب و کار و روابط با مشتری مورد استفاده قرار بگیرد. تشخیص و تعیین این نکته مهم است که چگونه این مدل برای مزیت های کاری مورد استفاده قرار خواهد گرفت.

ترتیب پنج فازی که بیان شد، مهم نمیباشد. چرا که فرآیند داده‌کاوی بخودی خود خطی نیست. بدین معناست که می‌تواند یکی با یکی جابجا شود و یکی بر دیگری مقدم شود. چرا که فاز بعدی به نتایج مرتبط با فاز قبلی بستگی دارد. مدل این فرآیند شبیه به CRISP-DM بعنوان مدل توصیف شده توسط Larose ، Chapman ، Clinton، Kerber، Rhabaza، Reinartz، Shearer و Wirth می‌باشد. فرآیند داده کاوی Crows توسط Edelstein ارائه شد. همچنین این مدل توسط Berry و Linoff معرفی شد.

ب. دلایل استفاده از تکنیک های داده کاوی داده ها برای مدیریت روابط مشتری در ارتباطات

چندین دلیل برای اجرای تکنیک های داده کاوی برای مدیریت روابط مشتری در ارتباطات وجود دارد:

  • بازار رقابتی. پس از سال ها حضور در یک بازار انحصاری، بازار ارتباطات بصورت رقابتی می‌باشد. این انحصار تغییر چندانی نکرده است. اما بازارهای مشتریان دائما در حال تغییر است. مشتریان به آسانی قادر به تغییر ارائه دهندگان می‌باشند. چرا که بسیاری از تامین کنندگان در دسترس می‌باشند. به همین دلیل، سازمانهای ارتباطاتی، راه حل های داده کاوی را برای دستیابی به مزیت های رقابتی استخراج می‌کنند. با فهم ویژگی های جمعیت شناختی و رفتار مشتریان، سازمانهای ارتباطاتی قادر به سازماندهی استراتژی های بازاریابی خود بودند تا از این خدمات استفاده کرده و وفاداری مشتریان را افزایش دهند و همچنین سودآوری مشتریان را بهبود بخشند.
  • میزان رویگردانی بالا. رویگردانی مشتری بصورت سالانه و ماهانه  می‌باشد. موقعیتهای رقابتی منجر به میزان بالایی از رویگردانی می‌شود. ذاتا، رشد بازار ارتباطات، بصورت نمایی است و از وقتیکه مشتریان زیادی از راه می‌رسند، این رویگردانی دیگر یک مشکلی نیست. سرانجام، بازار به بلوغ رسیده و میزان این رویگردانی نیز بالا میرود. بلوغ بازار و افزایش رقابت در سازمانهای ارتباطاتی پیشرو بر مشتریان موجود خود تمرکز می‌کند تا روشی برای ادامه ی فعالیت آنان بیابد. داده کاوی ممکن است در آنالیز رویگردانی مشتری استفاده شده تا پیش‌بینی کند که آیا مشتری رویگردان خواهد شد و خیر.
  • جمع آوری داده های بزرگ. سازمانهای ارتباطاتی حجم زیادی از داده ها را جمع آوری می‌کنند. از وقتیکه محصول اصلی این سازمان این، برقرای تماس می‌شود، مشتریان، صدهاهزار تراکنش را در هر روز انجام می‌دهند. ثبت جزئیات این تماس، در پایگاه داده صورت می‌گیرد. این جزئیات، منبع داده ای بزرگی هستند. موسسات ارتباطاتی، داده های مشتری را جمع آوری می‌کنند. این منابع،  مشتری های خود و  داده ی شبکه را توصیف کرده که موقعیت اجزای شبکه را شرح می‌دهد. همه ی آنها میتواند برای چندین ابزار داده کاوی ارائه شود.

ج. داده ای که کاوش می‌شود

حجم بزرگی از داده هایی توسط سازمان‌های ارتباطاتی ایجاد می‌شود، نمی‌تواند بصورت سنتی و با استفاده از آنایز دستی داده، مورد تحلیل قرار بگیرد. همین علت است که تکنیکهای داده کاوی متفاوتی اجرا می‌شود.

همانطور که قبلا ذکر شد، اطلاعات هر یک از مشتریان در پایگاه داده ذخیره می‌شوند. این اطلاعات بعنوان رکوردهای جزئی شناخته می‌شود. این رکوردها شامل اطلاعاتی پیرامون منشاء و قرار دادن تماس، تاریخ و زمان تماس و مدت زمان آن می‌شود. اما این رکوردها برای داده کاوی مناسب نیستند. بنابراین، بایستی تغییر شکل یابند. این مهم بدین علت است که هدف داده کاوی، کشف الگوهایی است که مشتریان نگران آنها هستند. بنابراین، داده ی خام بایستی در سطح مشتری جمع آوری شود. بسیاری از این متغیرها می‌تواند مورد استفاده قرار بگیرد. Weiss میانگینی از مدت تماس، درصد تماس های بدون پاسخ، درصد تماس های ردیافتی یا گرفته شده با پیش کد متفاوت، درصد تماس های هفتگی و درصد تماس های روزانه، میانگین تماس های دریافتی روزانه و میانگین تماس های گرفته شده ی روزانه را ارائه می‌دهد.

برخی از این مشخصه های دیگر، دقایق مکالمه در زمان عادی، دقایق مکالمه در زمان تخفیف ، دقایق مکالمه در شب، دقایق مکالمه در زمان خانگی، دقایق مکالمه بین المللی همگی میتواند مورد استفاده قرار بگیرند. این متغیرها از داده های جزئی جمع آوری شده در زمانی خاص ، استخراج شده اند.

همه ی این مشخصه ها می‌تواند برای تشکیل پرونده ی مشتری استفاده شود که یکی از باارزش ترین نرم افزارهای داده کاوی در ارتباطات می‌باشد. ایجاد ویژگی های مفید، مرحله ای اساسی در فرآیند داده کاوی است.

در کنار رکوردهای جزئی تماس، سازمان‌های ارتباطاتی، داده های زیادی در پایگاه داده های خود ذخیره می‌کنند. برای مثال، اطلاعاتی درباره ی مشتری جمع آوری می‌کنند. داده های مشتری می‌تواند در رابطه با داده های جزئیات تماس به منظور کسب نتایح بهتری از داده کاوی، مورد استفاده قرار بگیرند. همانطور که در شکل 1 نشان داده شده است.

داده کاوی

شکل 1

موسسات ارتباطاتی بهتر از سایرین مشتریان را می‌شناسند. آنها می‌دانند که چه افرادی مشتری هستند. آنها می‌توانند به سادگی رفتار مشتریان را پیگیری کنند. این مسئله برای مدیریت روابط مشتری از اهمیت خاصی برخوردار است. این مسئله در ادامه ی بخش مورد بحث قرار خواهد گرفت.

د. مدیریت روابط مشتری درارتباطات

با توجه به کنسرسیوم بین المللی مهندسی، سازمانهای ارتباطاتی قادر به پذیرش یکی از دو استراتژی پایه هستند:

  • استراتژی تولید (محصول)
  • استراتژی مشتری

استراتژی اول در زمانیکه سازمان‌ها، خدمات خود را بازاریابی می‌کنند، بسیار معروف بود. این استراتژی منجر به هزینه های بازاریابی بالا شد و از سوی دیگر وفاداری مشتریان بسیار کم بود. به همین دلیل، سازمانها، تولیدات خود را در رابطه با نیازهای مشتریان خود سازماندهی می‌کنند. به منظور ارائه خدمات مربوط به مشتریان خود، بیشتر موسسات ارتباطاتی، دومین مرحله از این دو استراتژی را پذیرفتند. آنها درک می‌کنند که فهم رفتار مشتری و پاسخ به نیازهای آنان، از اهمیت بسزایی برخوردار است. چرا که اگر یکی از این عوامل صورت نپذیرد، رقابتی شکل نخواهد گرفت. سازمانهای امروز مشتری محور هستند. آنها بایستی محیطی را فراهم کنند که به کسب و کار اجازه دهد تا نگاهی کلی و 360 درجه ای به مشتری های خود داشته باشند.

برای ایجاد محیطی بهتری جهت مدیریت روابط، سازمانها نیاز به بررسی رویکرد جدیدی تحت عنوان مدیریت روابط مشتری دارند. این رویکرد، استراتژی ای برای دستیابی به مزیتهای رقابتی می‌باشد.

مدیریت روابط مشتری بعنوان مجموعه ای از فعالیتهای کسب و کار معرفی می‌شود تا در جهت رعایت حقوق مشتری در تولیدات و خدمات، وفاداری و سودآوری مشتریان را تشخیص، تایید، حفظ و ارتقا داده و با کیفیت تر سازد. این ارتقای کیفیت از طریق کانالی مناسب  و از لحاظ حقوق زمانی و هزینه ای می‌باشد. حقوق در رابطه با محصولات یا خدمات، بدین معناست که نیازهای مشتریان بایستی مورد توجه قرار گیرد. حقوق مشتری بدین معناست که همه ی مشتریان شبیه هم نیستند. بلکه تعاملات سازمانی با مشتریان نیازمند حرکت به سمت فعالیت های بازاریابی هستند. تعدادی از رسانه های در دسترس وجود دارد و یک سازمان بایستی یکی از حقوق را انتخاب کند.  زمان مناسب، یکی از نتایج این واقعیت می‌باشد که تعاملات زیادی میان مشتریان وجود دارد. هدف هر سازمان کاهش هزینه هاست. زمانیکه بسیاری از مشتریان در برابر قیمت حساس باشند، اجزای هزینه های مناسب بایستی مورد توجه قرار بگیرد.

مدیریت روابط مشتری، منجر به تغییر شکل سازمانی شده و اینکه چگونه این موضوع کسب و کار مشتریان را هدایت میکند. هر سازمان بخصوص سازمان های ارتباطاتی، بایستی استراتژی مدیریت روابط مشتری را مطرح کنند. چرا که رضایت مشتری یکی از پایه های موفقیت هر سازمان میباشد.

گروه Meta، مدیریت روابط مشتری را به سه بخش دسته بندی میکند:

  • مدیریت روابط مشتری عملیاتی که با خودکار سازی فرآیندهای کسب و کاردر ارتباط است، شامل نقاط تماس با مشتری می‌شود. در رابطه با Beck و Summer، این نرم افزارها، خودکارسازی فروش، خدمات مشتری و بازاریابی را شامل می‌شود.
  • مدیریت روابط مشتری تحلیلی شامل استفاده ی داده های مشتری برای آنالیز، مدلسازی و ارزیابی  می‌باشد. همچنین روش هایی مانند داده کاوی و OLAP و نرم افزارهای مدیریت روابط مشتری را اجرا می‌کند.
  • مدیریت روابط مشتری مشارکتی شامل استفاده ی خدمات مشارکتی و زیرساختها، به منظور برقراری تعاملات بین سازمان و کانال مربوطه اش میشود.

در چندین سال گذشته، شاهد انفجاری در برنامه های کاربردی نرم افزار مدیریت روابط مشتری بوده ایم. هر موردی در نرم افزار مدیریت به محوریت نرم افزار بعنوان یکی از ابزار مدیریت روابط مشتری مطرح است. برای کشف الگویی در داده ها و جهت پیشگویی درباره ی آینده، تکنیک‌های داده کاوی مورد استفاده قرار گرفته اند. این تکنیک‌ها از سازمان مشتری محور پشتیبانی می‌کنند و به سازمانهای ارتباطاتی جهت بهره برداری از مقادیر زیادی از داده های تولید شده توسط مشتریان خود، کمک می‌کنند.

داده کاوی می‌تواند مدلی را ارائه کند که قادر به بهره برداری از رفتار مشتریان بوده و این رفتار را پیش‌بینی می‌کند. اما این مهم تنها گامی برای فرآیندی بزرگتر می‌باشد. موفقیت در داده کاوی توسط فرآیند کسب کار بخصوص بازاریابی از فعالیتها مطرح می‌شود. چرا که بازاریابان، نخستین کابران مدیریت روابط مشتری هستند. بازاریابان بایسنی نتایج داده کاوی را قبل از بکارگیری در فعالیت، بدانند. از وقتیکه داده کاوی، شروع به استخراج الگوهای پنهان در رفتار مشتری کرد، فهم این نتایج میتواند پیچیده باشد. اما  ارتقای این مدیریت از اهمیت خاصی برخوردار است. نرم افزار داده کاوی بایستی با نرم افزار مدیریت تبلیغات با رویکرد کاری مشتری محور مورد استفاده قرار گیرد. داده کاوی می‌تواند برای بازاریابی و در پاسخ به مدلسازی و بهینه سازی بازاریابی مورد استفاده قرار بگیرد.

فناوری داده کاوی از استراتژی رابطه با مشتری پشتیبانی می‌کند.اما  فناوری بخودی خود برابر با استراتژی نیست. اشتباه گرفتن تکنولوژی از استراتژی، دلیل اصلی این است که چرا بسیاری از سرمایه گذاری های مدیریت روابط مشتری، پتانسیل مناسبی را ارائه نمی‌دهد. همانطور که در شکل 2 نشان داده شده، سازمان بایستی با استراتژی مدیریت روابط مشتری شروع کرده و این استراتژی بایستی فرآیند کسب و کار را مدیریت کند. داده کاوی می‌تواند به فعالیتهای کسب و کار کمک کرده تا استراتژی را اجرا کنند. اما نمی‌تواند اطمینان دهد که سازمان به سمت مشتری محور بودن پیش می‌رود. کلید موفقیت در مدیریت روابط مشتری، توسعه و پیاده سازی استراتژی می‌باشد.

سیستم مدیریت مشتری

شکل 2

چندین نرم افزار داده کاوی وجود دارد که از مدیریت روابط مشتری پشتیبانی میکند که در بخش بعدی تشریح خواهد شد.

ه. ایجاد نرم افزار های داده کاوی برای مدیریت روابط مشتری

دو نرم افزار با ارزش داده کاوی برای مدیریت روابط مشتری در ارتباطات، بر تقسیم بندی مشتریان و پیش بینی روگردانی تمرکز میکند. این مدل های داده کاوی از داده ی مهمی استفاده میکند که در پایگاه داده نیز وجود دارد تا الگوهایی را بسازد که مربوط به تقسیم بندی مشتریان می‌باشند.

1. تقسیم بندی مشتری

تقسیم بندی مشتریان یکی از مهم ترین روش های داده کاوی استفاده شده در بازاریابی و تقسیم بندی مشتریان می‌باشد. همچنین به سازمانهای ارتباطاتی کمک می‌کند تا ویژگی های مشتری را کشف کنند و فعالیتهای بازاریابی مناسبی در رابطه با اطلاعات بدست آمده، استخراج کنند.

تقسیم بندی مشتریان به مشتریان مشابه، بر مبنای معیارهای متفاوتی گروه بندی می‌شود. در این روش، دستیابی به هدف و هر گروه امکان پذیر بوده و وابسته به ویژگی های آنها می‌باشد. تقسیم بندی مشتریان، بازاریابی و استراتژی های قیمتی را ارتقا می‌دهد. برای مثال، پیشنهاد قیمتی مناسبی یا دقایقی آزاد به گروه امکان پذیر است.

در مجموعه اصطلاحات مربوط به داده کاوی، عبارت “تقسیم کردن” به ندرت استفاده شده است. عبارت مناسب تر دسته بندی می‌باشد. الگوریتم دسته بندی (خوشه بندی) برای دسته های داده ای استفاده می‌شوند. دسته بندی روش مناسبی برای آنالیز مجموعه ی بزرگ و پیچیده ای از داده ها می‌باشد. با اجرای تکنیک دسته بندی، آنالیزگر می‌تواند مشکلی بزرگ را به گروه هایی با مشخصه های ویژه تقسیم کنند. از وقتیکه هر دسته توصیفی ارائه میشود، آنالیزگر قادر به درک ماهیت مشکل میباشد. اما آنالیزور بایستی در رابطه با متغیرهای مدل، تجربه داشته باشد.

دسته بندی همان تکنیک داده کاوی غیرمستقیم است. بدین معناست که هیچ متغیر وابسته ای وجود ندارد تا نتیجه ی خاصی را پیدا کند. زمان تهیه ی مدل داده کاوی، آنالیزگر نتایج آنرا نمی‌شناسد. اما این مدل یکی از نقاط قوت خوشه میباشد. چرا که به آنالیز مجموعه ی کاملی از داده ها میپردازد و در جستجوی الگوهایی است که توسط تکینیک مستقیم از دست رفته است. همچنین مجموعه داده های بزرگ و هر گونه ای از داده را مدیریت می‌کند. اما گاهی اوقات این نتایج برای فهم و تفسیر مشکل می‌باشد.

تعیین گروه های مشتریان با ویژگی های مشابه به موسسات ارتباطاتی جهت درک رفتار مشتریان کمک می‌کند. همچنین می‌تواند ابزار قدرتمندی برای تشخیص تقاضای مشتری می‌باشد.

چالش اصلی اجرای تکنیک‌های داده کاوی برای هدف تقسیم، برای فرآیند و روند تقسیم شدن متمرکز شده است. داده ای که بایست واکاوی شود، موارد زیر را دربرمی‌گیرد:

  • داده های رفتاری
  • اطلاعات دموگرافیک (جمعیت شناسی)

داده های رفتاری به تشخیص گروه های مشتری کمک می‌کند. کسانی که رفتار های داده ای مشابهی دارند. در این روش، تمرکز بر رفتار مشتریان به جای خود آنها، امکان پذیر است. تشخیص نیازهای مشتریان از داده های دموگرافیک، هیچ ارزشی را در بازار ایجاد نمیکند. به همین دلیل پیشنهاد شده است تا رفتار داده های دموگرافیک را تلفیق کنند. همانطور که در شکل 3 نیز نشان داده شده است.

داده های رفتاری مشتری

شکل 3

2. پیش بینی رویگردانی

وفادارای مشتریان به شکلی است که سازمانهای ارتباطاتی بایستی به این مهم رسیدگی کنند. این موضوع می‌تواند ده برابر جذب یک مشتری به جای حفظ مشتری موجود، هزینه در برداشته باشد. از سوی دیگر، هزینه ی حفظ مشتری کمتر از هزینه ی برگرداندن آن پس از ترک سازمان است. به همین دلیل است که داده کاوی با هدف پیش بینی روگردانی مورد استفاده قرار گرفته است. رویگردانی می‌تواند بعنوان نرخ ناخالص از دست دادن مشتری در طول مدت زمان ارائه شده، مطرح گردد:

رویگردانی ماهانه = (Cstart + Cnew – Cend)/ Cstart

که در آن:

Cstart = تعداد مشتریان در شروع ماه

Cend = تعداد مشتریان در پایان ماه

Cnew = ناخالص مشتریان در طول ماه.

بنابراین سوال کلیدی این است که: چگونه پیش‌بینی مشتریانی که قصد ترک سازمان را دارند، داشته باشیم؟

تکنیکهای داده کاوی می‌تواند برای پاسخ به این سوال استفاده شود.

با استفاده از داده کاوی، تولید لیستی از مشتریان با احتمال بالای ترک سازمان امکان پذیر است. تکنیک‌های داده کاوی به سازمانهای ارتباطاتی جهت شناسایی الگوهای رفتاری مشتریان در رویگردانی از سازمان کمک میکند که توسط رقبا فریب خورده و اقدام به ترک سازمان می‌کنند. در این روش، آنها اقدام به برنامه ریزی عملیاتی خاص، جهت پیش بینی رویگردانی در سازمانها میکنند.

رویگردانی می‌تواند، به رویگردانی داوطلبانه و غیرارادی تقسیم شود. اگر مشتری شروع به فعالیت کند، قادر به ترک داوطلبانه ی سازمان خواهد بود. رویگردانی غیرارادی مدلی است که سازمان، سرویس خود را بعلت حسابهای غیرپولی تکراری متوقف می‌کند. تعیین انوع مختلف رویگردانی بر مبنای دلایل حاصله از رویگردانی بسیار مهم است. برخی دلایل برای رویگردانی داوطلبانه در شکل 4 نشان داده شده اند.

دلایل رویگردانی داوطلبانه

شکل 4

Geppert لیستی از عوامل رویگردانی را ارائه می‌دهد:

  • قیمت
  • کیفیت خدمات
  • کلاهبرداری
  • عدم پاسخگویی حامل
  • خیانت های تجاری
  • نگرانی های حریم خصوصی
  • فقدان ویژگی
  • فن آوری های جدید معرفی شده توسط رقیب
  • رقیب جدید ورود به بازار
  • صدور صورتحساب یا اختلافات خدمات

گزارش وفاداری Walker نشان داد که وقتی که قیمت برای مشتریان اهمیت داشته باشد، معیار اصلی وفادارای آنها نمی‌باشد. برنده شدن مشتریان در قیمت، به جای خدمات منجر به رویگردانی بالایی می‌شود.

این سازمان مجبور به تصمیم گیری در مورد نوع رویگردانی پیش بینی شده، و تکنیکهای داده کاوی برای انجام استفاده می‌کند. سازمانهای ارتباطاتی معمولا بر مشتریانی تمرکز می‌کنند که پیشنهاد بهتری ارائه می‌کنند. اما بسیار مهم است که مدل داده کاوی برای رویگردانی داوطلبانه، هیچ شانس مشابهی، برای رویگردانی غیر ارادی پیش‌بینی نمی‌نماید.

رویگردانی مشتری بوسیله ی داده کاوی از داده ی تاریخی پیش‌بینی شده است. تکنیکهای داده کاوی برای این هدف مورد استفاده قرار گرفتند تا از حساب داده ای، اطلاعات مالی و اطلاعات مربوط به مشتری بهره ببرند. داشتن متغیری هدفمند از اهمیت بسزایی برخوردار است تا مدل پیش بینی، ارائه شود و در این مورد، این مهم یک شاخص از رویگردانی است.

داده ی های زمانی مانند استفاده ی ماهانه می‌توانند مورد بررسی قرار بگیرند. اما پیشنهاد می‌شود که تغییر استفاده ی سه ماهه ی میانگین آنها، محاسبه شود و از آن بعنوان یک پیش‌بینی استفاده شود. برخی از عوامل دیگر، مانند تعداد تماس ها و تغییر در میانگین تماسها، شاخص های خوبی هستند. چندین تکنیک متفاوت برای هدف پیش‌بینی رویگردانی مورد استفاده قرار گرفته است. اما معروف ترین آنها موارد زیر هستند:

  • درخت تصمیم گیری
  • شبکه های عصبی
  • رگرسیون

مدل پیش بینی رویگردانی میتواند کل پایگاه مشتری و یا به طور خاص بخشی از آنرا ارتقا دهد. پیشنهاد شده است تا چندین مدل را ایجاد کرده و آنرا با با نتایج داده کاوی بهتری ترکیب کند.

مدل داده کاوی بایستی در فرآیند حفظ و نگهداری اجرا شود. بدون هیچ سرمایه گذاری جدید در سیستم های پشتیبانی، این رویکرد، پیشرفت های بنیادی در حفظ مشتری را میسر مسازد. اما، با وجود اینکه ابزارهای فناوری برای تشخیص رویگردانی ها مهم هستند، اما هنوز این ابزارها کافی نیستند. ارتقای استراتژی حفظ و نگهداری مناسب، از اهمیت بسزایی برخوردار است که بر مشتریانی تمرکز می‌کند که تمایل به ترک سازمان دارند.

و. نتایج

قابلیت‌های جمع آوری داده در دهه های اخیر، به سرعت در صنعت، و بخصوص در صنعت ارتباطات، افزایش یافته است. انتظار رشد حجمی از داده ها، در آینده می‌رود و سازمان هایی قادر به سرمایه گذاری بر روی ارزش خود هستند. چرا که آنها نیاز به خودکار سازی ابزارهایی داشتند که می‌توانست، حجم عظیمی از داده ها را به اطلاعات و دانش مفید تبدیل کنند. افزایش کمپین های ارتباطاتی که از مدل‌های داده کاوی استفاده می‌کنند، کسب و کار آنها را ارتقا می‌دهد.

چرا استفاده از ارتباطات داده کاوی عاقلانه است؟ چون که صنعت ارتباطات، صنعتی رقابتی است و سازمانهای ارتباطاتی درک میکنند که مشتریان، سرمایه های اصلی آنها هستند. برای حفظ مزیت های رقابتی، آنها بایستی:

  • رفتار مشتری را درک کنند
  • با مشتریان در تعامل باشند و خدمات سازگار و پیشرفته ای در رابطه با نیازهای انان ارائه دهند.

مدل های داده کاوی می‌تواند به آنها کمک کند تا به اهدافشان با استفاده از تقسیم مشتریان و پیش‌بینی رویگردانی دست یابند. نرم افزارهای داده کاوی در این مقاله توصیف شدند.

داده کاوی می‌تواند، معنای موثری از پیاده سازی استراتژی مدیریت مشتری باشد و به سازمانهای ارتباطاتی جهت حفظ رضایت مشتریانشان کمک می‌کند. در چشم انداز کاری رقابتی امروز، مشتری پادشاه است و فهم و درک آن خیلی مهم است.

منبع: مقاله ای از D. Ćamilović که در سال 2008 در مجله علمی مدیریت صربستان منتشر شده بود.