تحلیل داده‌های مشتریان در صنعت خرده فروشی

در بازار رقابتی امروز، موفقیت هر کسب‌وکاری به عوامل متعددی بستگی دارد. بازارهای کالاها و خدمات به‌شدت پیچیده شده‌اند، نیازهای مشتریان تغییر کرده و انتظارات آن‌ها فزونی یافته است. ازاین‌رو برای پابرجا ماندن در این عرصه بسیار رقابتی، کسب‌وکارها می‌بایست به عواملی که موجب افزایش فروش می‌شوند و فروش آن‌ها را تحت تأثیر قرار می‌دهند بیش‌ازپیش توجه نمایند.

صنعت خرده‌فروشی به‌عنوان یکی از ارکان اصلی کسب‌وکارها و از بزرگ‌ترین صنایع جهان به شمار می‌رود. آمارها بیانگر آن است که در ایالات‌متحده آمریکا به لحاظ تعداد کارکنان و همچنین تعداد مؤسسات، این صنعت به‌عنوان دومین صنعت بزرگ محسوب می‌شود. فروشگاه‌های زنجیره‌ای نیز بخش مهمی از صنعت خرده‌فروشی به شمار می‌روند. درواقع می‌توان گفت یک فروشگاه زنجیره‌ای میدان جنگی است که هر سانتی‌متر از طبقات، دیوارها و فضای پیشخوان آن عرصه رقابت بی‌رحمانه صدها تولیدکننده، عمده‌فروش و توزیع‌کننده است؛ بنابراین می‌توان گفت از مهم‌ترین ویژگی‌های فروشگاه‌های زنجیره‌ای، رقابت فزاینده‌ای است که هرروزه با پیدایش و توسعه رقبای جدید در این صنعت شدیدتر می‏شود. نتیجه مستقیم این وضعیت، ضرورت و توجه جدی در به‌کارگیری سازوکارهای مؤثر برای حفظ و ارتقای رضایتمندی مشتریان و به‌تبع آن ارزش‌آفرینی بیشتر برای مشتریان است که افزایش فروش را در پی خواهد داشت.

طبق آمار موجود، ۲۵۰۰ شعبه فروشگاهی تحت عنوان ۷۰ برند به‌صورت فروشگاه‌های زنجیره‌ای فعال در این حوزه مشغول به فعالیت هستند. این آمار به‌خوبی نشان‌دهنده رقابت شدید میان صاحبان این کسب‌وکارها است. بر این اساس و برای پیروزی در این میدان رقابت می‌بایست به فکر راهکار بود. همچنین با افزایش جمعیت و به‌تبع آن افزایش تعداد مشتریان، شناخت کامل مشتریان و شناسایی نیازها و انتظارات آن‌ها برای فروشگاه‌های زنجیره‌ای تبدیل به امری پیچیده شده است.

با توجه به توضیحات ارائه شده بدون شک مشتریان مهم‌ترین دارایی یک فروشگاه زنجیره­ای محسوب می‌شوند؛ بنابراین توسعه فرهنگ مشتری مداری می‌تواند اولین گام برای پیروزی در میدان رقابت میان این فروشگاه‌ها باشد. توسعه فرهنگ مشتری مداری یعنی مشتری را در مرکز توجه همه فعالیت­های فروشگاه قرار دادن، یعنی خود را جای مشتری قرار دادن و توجه به نیازها و انتظارات مشتری و تلاش برای خلق ارزشی متفاوت از سایر رقبا برای مشتری. این ارزش موجب رضایتمندی مشتری و درنهایت منجر به وفاداری مشتری خواهد شد. مشتریان وفادار خرید بیشتری از فروشگاه انجام می‌دهند و درنتیجه سود بیشتری را برای فروشگاه به همراه خواهند داشت.

صاحبان کسب‌وکارهای موفق همواره به توسعه فرهنگ مشتری مداری می‌پردازند. آن‌ها از نیازهای مشتریان خود آگاهی دارند و می­دانند مشتریان ارزشمندشان دارای چه ویژگی­هایی هستند، از چه کانال­هایی خرید خود را انجام می­دهند و هر گروه از مشتریان از کدام منطقه و کدام گروه سنی هستند. آن‌ها همچنین می­دانند که برای تأمین رضایت مشتری باید چه محصولی را و با چه ویژگی­هایی به او پیشنهاد دهند؛ اما نکته مهم این است که دستیابی به چنین اطلاعاتی نیازمند جمع‌آوری و استفاده مناسب از داده‌های مشتریان است.

منظور از استفاده مناسب از داده­ های مشتریان، تحلیل پیش­بینانه داده­‌هاست؛ یعنی با استفاده از ابزارهایی همانند داده‌کاوی، دانش پنهان در داده­ها را استخراج نمود و از نتایج حاصل از تحلیل داده‌ها برای شناخت بهتر مشتریان و داشتن رفتار حرفه‌­ای با آن‌ها استفاده نمود که این امر موجب ترغیب آن‌ها به خرید بیشتر و درنتیجه سودآوری بیشتر فروشگاه و پیروز شدن در این فضای رقابتی می‌شود.

 در بخش های مختلف یک فروشگاه زنجیره‌ای می توان به استفاده از تکنیک‌های داده کاوی پرداخت. در ادامه به شرح برخی از این کاربردها پرداخته شده است.

• گروه بندی مشتریان و استفاده از مدل‌های معروف مانند RFM برای تحلیل ارزش مشتریان

  با توجه به افزایش تعداد مشتریان فروشگاه، امکان شناسایی یک‌به‌یک آن‌ها و پیش‌بینی الگوهای رفتاری هر مشتری برای صاحبان فروشگاه‌های زنجیره‌ای وجود ندارد. به منظور شناسایی گروه‌های مختلف مشتریان فروشگاه و ارزش هر گروه می‌توان از تکنیک‌های داده‌کاوی برای بخش­بندی مشتریان و تهیه پروفایل برای کل مشتریان فروشگاه استفاده نمود. بخش‌بندی مشتریان یک ابزار مؤثر برای بررسی رفتار مشتری محسوب می‏شود. هدف از بخش‌بندی این است که مشتریان در گروه‌هایی تقسیم شوند به‌گونه‌ای که مشتریان داخل هر گروه، بیشترین شباهت را با یکدیگر داشته باشند. بخش‌بندی کمک می‌کند با تقسیم بازار به بخش‌های کوچک‌تر، منابع سازمان به‌طور بهینه صرف مشتریان اصلی گردد. سازمان‌ها با بخش‌‌بندی مشتریان خود، سیاست‌های ارائه خدمات ویژه به مشتریان وفادار و یا راهکارهای جلوگیری از مشتریان ناراضی را تدوین می‌کنند.

  به عنوان مثال در یک فروشگاه زنجیره‌ای می‌توان برای بخش­بندی مشتریان از مدل LRFM استفاده نمود. LRFM توسعه‌یافته مدل RFM است. مدل LRFM یک مدل بازاریابی متداول برای گروه‌بندی مشتریان بر مبنای رفتار آن‌هاست که بر اساس چهار متغیر L، R، F و M به گروه‌بندی مشتریان می‌پردازد. R حرف اول کلمه Recency و نشان‌دهنده‌ی تازگی خرید مشتری است. F حرف اول Frequency و تعداد معاملات مشتری در یک بازه زمانی خاص را نشان می‏دهد. به‌عنوان‌مثال دو بار در سال، دو بار در یک‌فصل یا دو بار در یک ماه. هرچقدر تعداد دفعات خرید در این بازه­ی زمانی افزایش یابد مقدار متغیر F بیشتر می­شود. M حرف اول monetary و نشان‌دهنده حجم پول مصرف­شده توسط مشتری در یک دوره­ی زمانی خاص است. هرچقدر مبلغ بیشتری برای خرید صرف شده باشد این مقدار بزرگ‌تر می‌شود. در این مدل L حرف اول کلمه Length و نشان­دهنده طول مدت رابطه با مشتری است. این متغیر فاصله­ زمانی بین اولین تا آخرین خرید مشتری را نشان می‌دهد و بیانگر مدت‌زمانی است که مشتری با فروشگاه در ارتباط است. مقدار این متغیر از تفاضل تاریخ آخرین خرید و اولین خرید مشتری محاسبه می‌شود.

  با استفاده از مدل LRFM و استفاده از الگوریتم های خوشه بندی در داده کاوی می توان اقدام به تهیه پروفایل برای مشتریان نمود. گروه‌بندی مشتریان و تهیه پروفایل برای آن‌ها و تعیین ارزش هر یک از گروه‌های مشتریان کمک قابل‌توجهی به مسئولین فروشگاه های زنجیره ای در تخصیص منابع می کند. مسئول فروشگاه می تواند از این طریق صرفه‌جویی قابل‌توجهی در استفاده از منابع انجام دهد

• پیش بینی ریزش مشتریان

  امروزه با توجه به تعدد فروشگاه‌های خرده‌فروشی و افزایش رقابت بین این فروشگاه‌ها، بحث ریزش مشتریان اهمیت زیادی یافته است. ریزش مشتری به معنای از دست دادن مشتری است که برخی برای آن اصطلاح ریزش مشتری را به کار می‌برند. ریزش مشتری یک واقعیت دردناک است که همه کسب‌وکارها به نحوی با آن سروکار دارند؛ حتی بزرگ‌ترین و موفق­ترین شرکت‌ها هم از ریزش مشتری رنج می­برند. از دست دادن مشتری به‌عنوان یکی از عواملی شناخته می‌شود که منجر به کاهش سودآوری شرکت شده و حتی ممکن است ضررهایی نیز از جنبه‌های مختلف مالی، اجتماعی و … در پی داشته باشد.

  مشتری رویگردان کسی است که در آستانه ترک سرویس‌های شرکت و استفاده از خدمات رقبا قرار دارد. ریزش مشتری، گرایش مشتری برای انصراف از ادامه روابط با یک شرکت در یک دوره زمانی خاص تعریف می‏شود.

  ازآنجا­که حفظ و نگهداشت مشتریان با ارزش فعلی سازمان نسبت به جذب مشتریان جدید هزینه بسیار کم‌‌تری در بردارد، برای صاحبان کسب‌وکار ضروری است نگاهی دقیق به استراتژی حفظ مشتریان داشته باشند و برنامه دقیقی برای این منظور تدوین نمایند. شرکت‌های مشتری محور می‌بایست به ایجاد روابط بلندمدت با مشتریان خود توجه نمایند و علاوه بر تلاش برای به دست آوردن مشتریان جدید، بر روی اتخاذ رویکردهای مناسب برای حفظ مشتریان فعلی خود تمرکز کنند. با تدوین استراتژی‌های مؤثر حفظ مشتری، شرکت‌ها می‌توانند از هزینه‌های خدمات پایین‌تر توأم با درآمد بالاتر بهره‌مند گردند.

  به همین منظور و در جهت مدیریت نرخ ریزش مشتریان، مسئولان فروشگاه های زنجیره ای می توانند از تکنیک‌های داده‌کاوی برای پیش‌بینی ریزش مشتریان فروشگاه استفاده نمایند. در این صورت یک فروشگاه می تواند با استفاده از تکنیک‌های داده‌کاوی پیش از آنکه مشتریانش را از دست بدهد، مشتریانی که احتمال بیشتری برای ترک دارند را شناسایی نموده و برای حفظ و نگهداشت آن‌ها برنامه‌هایی را تدوین کند.

  [box type=”success” align=”aligncenter” class=”” width=””]نتایج تحلیل‌های مربوط به مدل‌سازی و پیش‌بینی ریزش مشتریان می‌بایست برای برنامه‌ریزی‌های بهتر در اختیار کارشناسان مدیریت ارتباط با مشتریان فروشگاه قرار گیرد. ازآنجاکه هزینه جذب هر مشتری جدید بسیار بیشتر از هزینه‌های حفظ مشتری است، استفاده از مدل پیش‌بینی به‌دست‌آمده و تدوین برنامه‌ها و استراتژی‌های مناسب برای حفظ مشتریان و جلوگیری از ریزش آن‌ها می‌تواند تا میزان زیادی موجب افزایش سود به‌دست‌آمده در کسب‌وکار گردد.[/box]

• تحلیل سبد خرید مشتریان

  در یک فروشگاه زنجیره ای می توان با استفاده از الگوریتم های کشف قوانین انجمنی به تحلیل سبد خرید مشتریان پرداخت. با تجزیه‌وتحلیل سبد خرید، الگوهای خریدی کشف می‌شود که معمولاً باهم اتفاق می‌افتند. هدف تجزیه‌وتحلیل این است که دریابیم چه ارتباطی بین اقلام وجود دارد. دانستن اینکه مشتریان تمایل دارند چه چیزهایی را باهم خریداری نمایند می‌تواند به تلاش‌های بازاریابی و طراحی وب‌سایت و یا طراحی و چیدمان فروشگاه کمک کند.

  خرده‌فروشان می‌توانند از قوانین به‌دست‌آمده از تحلیل سبد خرید برای طراحی فروشگاه خود استفاده نمایند. به این صورت که می‌توانند محصولات و اقلامی که باهم خریداری می‌شوند را شناسایی کرده در فروشگاه در کنار هم قرار دهند. این کار احتمال فروش هم‌زمان را افزایش می‌دهد و درنتیجه درآمد فروشگاه افزایش می‌یابد.

  همچنین تحلیل سبد خرید می‌تواند در حوزه بازاریابی به صاحبان کسب‌وکار کمک کند. تحلیل سبد خرید می‌تواند کارایی بازاریابی ایمیلی، بازاریابی تلفنی، بازاریابی از طریق شبکه‌های اجتماعی و یا پیشنهادهای ارائه‌شده توسط فروشندگان را بهبود بخشد. با استفاده از داده‌های مشتریان می‌توانید محصولی را که یک مشتری احتمالاً تمایل به خرید آن دارد را شناسایی و به مشتری پیشنهاد دهید. به‌این‌ترتیب به‌جای آزار رساندن به مشتریان خود و انفجار ایمیل باکس‌ها و تلفن همراه آن‌ها با پیام‌های بازاریابی غیر مرتبط، به مشتریان خود پیشنهادهایی سازنده و کاملاً سفارشی ارائه کنید و درنتیجه احتمال خرید توسط مشتری را افزایش دهید.

• پیش‌بینی احتمال خواندن ایمیل بازاریابی توسط مشتری

  یکی از مسائلی که برای صاحب فروشگاه اینترنتی و کسب‌وکارهای اینترنتی از اهمیت فراوانی برخوردار است پیش‌بینی این موضوع است که چقدر احتمال دارد یک مشتری، ایمیل‌های تبلیغاتی ارسالی را بازکرده بر روی لینک تبلیغ کلیک کند. جالب است بدانید صاحب‌نظران در این حوزه معتقدند افرادی که دفعات بیش‌تری اقدام به باز کردن ایمیل‌های تبلیغاتی و کلیک بر روی لینک تبلیغ می‌کنند، درآمد و سود بیشتری نیز برای کسب‌وکار در پی خواهند داشت. تجربه نشان می‌دهد مشتریان رفتارهای مختلفی در خصوص دریافت این ایمیل‌ها از خود نشان می‌دهند. برخی از آن‌ها ایمیل تبلیغاتی را باز می‌کنند و بر روی لینک تبلیغ هم کلیک می‌کنند، برخی فقط ایمیل را باز می‌کنند و کاری به لینک تبلیغ ندارند، برخی اصلاً ایمیل را باز نمی‌کنند و برخی دیگر از ایمیل‌ها خسته می‌شوند و اشتراک خود را لغو می‌نمایند.

[box type=”success” align=”aligncenter” class=”” width=””]استفاده از مدل‌های رده‌بندی در داده‌کاوی برای پیش‌بینی احتمال خواندن ایمیل‌های بازاریابی به یک فروشگاه زنجیره‌ای کمک می‌کند تا افرادی را که به‌احتمال‌زیاد به ایمیل‌های بازاریابی پاسخ مثبت می‌دهند مورد شناسایی قرار دهد. فروشگاه می‌تواند این گروه از مشتریان را از محصولات جدید، فروش‌های فوق‌العاده، تخفیف‌ها و … مطلع سازد و از این طریق فروش افزایش می‌یابد.[/box]

• ارائه توصیه ها و پیشنهادهای سفارشی به مشتریان

  به‌منظور افزایش رضایتمندی مشتریان و ترغیب آن‌ها به خرید بیشتر از فروشگاه، می‌توان از تکنیک‌های داده‌کاوی به‌منظور ارائه توصیه‌ها و پیشنهاد‌های سفارشی به مشتریان استفاده نمود. برای این منظور می‌توان از الگوریتم‌های کشف قوانین انجمنی استفاده نمود. البته می‌بایست به این نکته توجه داشت که به کدام مشتری و در چه زمانی این پیشنهاد را ارائه کنیم. برای این کار لازم است داده‌های خرید مشتریان را جمع‌آوری نماییم و یک سابقه کامل از مشتریان خود در اختیار داشته باشیم. توصیه و پیشنهاد به مشتریان می‌تواند در قالب توصیه‌های فروش بیشتر، توصیه‌های فروش مکمل و توصیه‌های فروش بعدی انجام گیرد.

  توصیه‌های فروش بیشتر می‌تواند در زمان خرید، بر روی صفحه محصول در وب‌سایت فروشگاه قرار گیرند. یک مشتری را تصور کنید که در وب‌سایت فروشگاه در حال گردش است و قصد خرید یک کت از وب‌سایت فروشگاه را دارد. این مشتری یک کت آبی‌رنگ را انتخاب و اقدام به پرداخت می‌کند. تصمیم بر این است که برای لحظات پرداخت، توصیه‌های فروشِ بیشتر در نظر گرفته شود؛ یعنی در لحظه پرداخت، همه کت‌های مشابه با کت انتخاب‌شده توسط مشتری و باقیمت کمی بالاتر روی صفحه ظاهر شود، شاید مشتری ترغیب شود کتی با مبلغ بالاتر را خریداری کند.

  به این صورت شما پیشنهاد خرید کالای با مبلغ بالاتر را به مشتری داده‌اید. البته دقت کنید توصیه‌هایی که ارائه می‌کنید نباید از سلیقه مشتری شما خیلی دور باشد و همین‌طور مبلغ کت پیشنهادی در حدود مبلغ کت انتخابی مشتری و فقط اندکی بالاتر باشد.

  توصیه فروش مکمل نیز در زمان خرید می‌تواند منجر به فروش بیشتر گردد. می‌توان کالاهایی را که معمولاً همراه کالای خریداری‌شده توسط مشتری خریداری می‌شوند، در زمان خرید به همراه ارائه تخفیف به مشتری پیشنهاد شود. کالاهایی که معمولاً به‌صورت هم‌زمان توسط مشتریان خریداری می‌شوند از طریق تحلیل داده‌های تاریخی مشتریان با استفاده از الگوریتم‌های کشف قوانین انجمنی قابل‌شناسایی می‌باشند.

  توصیه‌های فروش بعدی معمولاً پس از خرید مشتری صورت می‌گیرد. تصمیم گرفته شد که متناسب با خریدهایی که مشتریان انجام داده‌اند توصیه‌های فروش بعدی به آن‌ها ارائه شود. به‌عنوان‌مثال چند ماه پس از خرید، با ارسال یک ایمیل از خرید قبلی آن‌ها تشکر شود و به مشتری، خرید محصولی که با محصول خریداری‌شده قبلی تناسب دارد، پیشنهاد داده شود.

  در مقالات بعدی شما را با کاربردهای داده‌کاوی در حوزه ها و صنایع دیگر آشنا خواهیم کرد.

  با مُدام همراه باشید…