داده کاوی و تحلیل رفتار مشتریان

به گفته دان زارللا متخصص ارشد بازاریابی شرکت HubSpot، «بازاریابی و فروش بدون داده مثل این است که با چشمانی بسته رانندگی کنید.»

به دلیل پیشرفت‌های صورت گرفته در حوزه‌هایی نظیر یادگیری ماشین و داده‌کاوی، رویکرد جدیدی در حوزه مدیریت ارتباط با مشتری تحت عنوان تحلیل رفتار مشتری شکل گرفته است.

تحلیل مشتری فرآیند جمع‌آوری و تحلیل داده‌های مشتری به منظور تصمیم‌گیری‌های بهتر در یک کسب و کار و موفقیت آن در آینده است. تحلیل مشتری نقش بسیار زیادی در پیش بینی رفتار مشتری دارد، که این موضوع می‌تواند به بخش‌های فروش و بازاریابی کمک کند تا بتوانند روابط معنادارتری را با مشتریان خود داشته باشند و از این طریق به سود و فروش بیشتر دست پیدا کنند

تحلیل رفتار مشتری و بازاریابی پیش‌بینانه فرصت بزرگی است که پیش روی بازاریابان و صاحبان کسب و کار قرار دارد و استفاده کنندگان این رویکردها قادر خواهند بود که روابط سودآور و معنادارتری را با مشتریان خود ایجاد نمایند.

امروزه استفاده از روش های داده کاوی برای تحلیل داده‌های مشتریان در میان شرکت های بزرگ و کوچک با رشد فزاینده ای مواجه بوده است. صاحبان بسیاری از کسب و کارها به دنبال این هستند که بدانند آیا واقعاً با استفاده از ابزارهایی هم چون داده‌کاوی می توانند به فروش بیشتری دست یابند یا خیر؟ و در صورت مثبت بودن پاسخ این سوال است که می‌توانند با اطمینان خاطر بیشتری از این ابزارها استفاده کنند و رویکرد استفاده از بازاریابی داده‌محور، داده‌کاوی و تحلیل رفتار مشتریان را در کسب و کار خود به اجرا در آورند. در این رویکرد مشتری در مرکز توجه هر کسب و کار قرار می گیرد. شرکت‌هایی که از این رویکرد استفاده می‌کنند به جای محصول محوری و تولید محوری، به سمت مشتری محوری حرکت می کنند.

در رویکرد تحلیل رفتار مشتری و بازاریابی داده محور، از داده‌های مشتری برای ساخت مدل‌هایی استفاده می‌شود که پیش‌بینی رفتار آینده مشتریان را میسر می‌سازد. برای مثال هنگامی‌که مشتریان با مشکلاتی مواجه می‌شوند، تحلیل پیش‌بینانه به کسب‌وکارها کمک خواهد کرد تا منابع مناسب برای حل مشکلات مشتری را پیدا کنند. این امر منجر به شناسایی مشتریانی می‌شود که ممکن است به سمت رقبا متمایل شوند و آن‌ها را وادار به بازگشت می‌کند. با تحلیل پیش‌بینانه، کسب‌وکارها می‌توانند با هزینه کم‌تر و اثربخشی بیشتری نسبت به ابزارهای سنتی به این هدف دست یابند.

با استفاده از تکنیک‌های داده‌کاوی و تحلیل رفتار مشتریان شما قادر خواهید بود که در کسب و کار خود:

• به جای اینکه به دنبال مشتری برای محصول خود باشید، پیش‌بینی کنید که مشتریان شما در آینده چه محصولاتی را از شما می‎خواهند.
• می‌توانید تشخیص دهید که چه کسانی جزء مشتریان بالقوه‌ای هستند که قصد خرید محصولات شما را دارند؟
• ​ می‌توانید تشخیص دهید که آن‌ها چه می‌خواهند؟ ​چرا این محصول خاص را می‌خواهند؟ ​و اصلاً مشتریان چگونه تصمیم خرید خود را می‌گیرند؟
• می‌توانید در این بازار بزرگ هدف مشتریان ایده آل خود را پیدا کنید. کشف کنید که آن ها چه ویژگی‌هایی دارند.
• ارزش گروه های مختلف مشتریان خود را تعیین کنید و دیگر به همه مشتریان خود به یک چشم نگاه نکنید و وقت و منابع کسب و کارتان را به صورت مناسب تری تخصیص دهید.
• می توانید تشخیص دهید که مشتریان فعلی شما در آینده هم مشتری کسب و کار شما خواهند بود؟ آیا اگر محصول جدیدی را به آن ها پیشنهاد دهید مجددا از شما خرید خواهند کرد؟
• می توانید پیش از ریزش مشتری، این موضوع را پیش‌بینی کنید که کدام مشتری را در آینده از دست خواهید داد؟
• و …

در ادامه بیایید باهم نگاهی به برخی آمار و اطلاعات در خصوص استفاده از کلان داده ها و تحلیل داده های مشتری در کسب و کارها بیندازیم.

آمارها نشان دهنده این است که بسیاری از صاحبان کسب و کار سود بسیاری را از طریق تحلیل داده های مشتریان خود کسب کرده اند و استفاده از تحلیل داده های مشتریان به کاهش هزینه ها در کسب و کار کمک کرده است. استفاده از رویکرد بازاریابی داده محور همچنین تاثیر قابل توجهی بر بخش‌های فروش و بازاریابی بسیاری از کسب و کارها داشته است و بسیاری از کسب و کارها از طریق تحلیل داده های مشتریان خود به مزیت رقابتی دست یافته‌اند

• اهمیت تحلیل مشتری ساده است: هرچه مشتریان خود را بیشتر بشناسید و بیشتر درک کنید، بهتر می توانید در مورد نحوه قیمت گذاری محصولات خود، برقراری ارتباط با مشتریان و … تصمیم گیری کنید. هرچه تصمیمات دقیق تری بگیرید، کسب و کار شما موفق تر خواهد بود.
• با استفاده از تحلیل مشتری می توانید به شناخت و درک کاملی از مشتریان خود دست پیدا کنید.
• اگر می خواهید مشتریان بیشتری را جذب کنید، تجربیات بهتری را برای مشتریان خود ایجاد کنید و میزان وفاداری آن ها را افزایش دهید و در ازای آن به سود و فروش بیشتری دست پیدا کنید می‌توانید از تحلیل پیش‌بینانه رفتار مشتریان خود استفاده کنید. تحلیل رفتار مشتریان به دلایل زیر در میان صاحبان کسب و کارها طرفداران زیادی را پیدا کرده است:
• مشتریان آگاه‌تر شده‌اند و حق انتخاب بیشتری دارند و در صورت عدم رضایت از محصولات و خدمات ارائه‌شده، به‌راحتی می‌توانند به یک تأمین‌کننده جدید روی‌آورند. امروزه مصرف کنندگان با تجربه شده اند؛ آنها می دانند که چه می خواهند.

چگونه یک شرکت می تواند تمام نیازهای منحصر فرد ارائه شده را برطرف کند و تجربه های شخصی و سفارشی سازی شده برای مشتریان خود ایجاد کند؟ با حداکثر استفاده از تحلیل مشتریان.

همچنین از دیگر دلایل اهمیت تحلیل مشتری می توان به موارد زیر اشاره کرد:

• رشد و توسعه شرکت‌ها درگرو شناخته شدن در بین مشتریانشان است و شرکتی در این بازار رقابتی پیروز خواهد شد که بتواند به بهترین نحو ممکن، خواسته‌های مشتریان خود را پیش‌بینی و منافع آن‌ها را تأمین کند. البته لازم است توجه داشته باشید که پیش‌بینی نیازهای مشتری موضوع جدیدی نیست، آنچه جدید است، توانایی پیش‌بینی و پاسخ گویی خودکار به نیازهای مشتریان است.
• تعداد مشتریان افزایش پیدا کرده است و امکان شناخت آن ها و نیازهای آن ها به صورت یک به یک وجود ندارد.
• مشتریان همواره خواستار تجربیات شخصی و سفارشی سازی شده هستند.
• با استفاده از تحلیل های پیش بینانه تصویر کامل و دقیقی از مشتریان خود به دست می آورید.
• و …

مطالعات مکنزی نشان می دهد که شرکت هایی که حداکثر استفاده را از تجزیه و تحلیل مشتریان می برند، تقریبا دوبرابر شانس بیشتری در پیشی گرفتن از رقیبان خود در زمینه های سودآوری، فروش، افزایش فروش، و بازدهی دارند.

استفاده گسترده از تجزیه و تحلیل مشتریان، عملکرد شرکت ها را به شدت تحت تاثیر قرار می دهد. کسب و کارهایی که استفاده زیادی از تحلیل مشتری می کنند، شانس بسیار بیشتری در جلو افتادن از سایرین در بازار دارند.

نمونه هایی موفق از کسب و کارهایی که از داده کاوی برای تحلیل داده های مشتریان خود استفاده کرده اند.

نمونه هایی از کسب و کارهای موفق وجود دارد که نشان می دهد که استفاده از داده کاوی برای تحلیل داده های مشتری و بازاریابی پیش بینانه ارزش زیادی را برای آن ها به همراه داشته است.

حتماً نام نت‏فلیکس (Netflix) را شنیده‌اید؟ یا اوراکل (Oracle)، آمازون(Amazon)، استارباکس (Starbucks) و والمارت  (Walmart)؟ این‌ها کسب‌وکارهای موفقی هستند که داده‌کاوی و تحلیل‌های پیش‌بینانه نقش زیادی در موفقیت آن‌ها داشته است.

پیشنهاد می کنیم مقاله کسب و کارهای موفق در بکارگیری داده کاوی را مطالعه کنید.

برخی از عمده ترین مسائل و مشکلانی که سازمان ها با آن روبرو هستند به شرح زیر است:

• افزایش رقبا
• کاهش فروش
• کمبود منابع مالی و افزایش هزینه ها
• عدم شناسایی مشتریان و نیازهای آن ها
• وفادار نبودن مشتریان و ریزش مشتریان
• عدم توانایی برای جذب سرنخ و مشتریان جدید
• عدم توانایی برای حفظ و توسعه روابط با مشتریان
• هزینه های زیاد بازاریابی
• فقدان بازاریابی مناسب و عدم توانایی در اجرای موثر کمپین های بازاریابی
• عدم توانایی در پیش بینی رفتار و خواسته های مشتری
• عدم توانایی در ارائه پیشنهادهای مناسب به مشتریان
• عدم توانایی برای ایجاد تجربه های سفارشی سازی شده برای مشتریان

راه حل آنالیتیکس:

اگر شما هم جزء کسب و کارهایی هستید که با چنین مشکلاتی سر و کار دارید، داده کاوی و تحلیل داده‌های مشتریان می تواند برای حل این مسائل و مشکلات، کمک بزرگی به شما کند.

غالباً ناگفته پیداست که دانش شما در مورد مشتری می‌تواند کلید موفقیت کسب و کار شما باشد. هر چقدر در کسب و کارتان اطلاعات بیشتری را در مورد مشتریانتان جمع‌آوری کرده باشید، می‌توانید با موانعی که وجود دارد مقابله کنید، رویکردهای فعلی خود را پیش ببرید و همچنین برای پیش‌بینی آینده آماده شوید.

آنالیتیکس یک زمینه متنوع از روش‌ها و مدل‌های آماری و کیفی است که برای پیش‌بینی روند آینده کسب و کار و رفتار مشتری استفاده می‌شود و مدیران زرنگ و دانا از این روش برای تصمیم گیری‌های فرصت‌طلبانه در زمینه تجارت استفاده می‌کنند.

• افزایش فروش

کسب­وکارها با استفاده از داده­کاوی و تحلیل پیش­بینانه داده­های مشتری می­توانند به افزایش فروش و جریان پیوسته و بی‌نظیری از درآمدزایی دست یابند. به عنوان نمونه تحلیل پیش‌بینانه به مدیران کمک می‌کند تا با تحلیل رفتار مشتری و تحلیل سودآوری با استفاده از بخش بندی بازار، تقاضای آینده را پیش‌بینی کنند، بنابراین می‌توانند با فروش محصولات و خدمات اضافی با ارزش بالا به برخی از مشتریان ، درآمد و سود را افزایش دهند.

همچنین کسب و کارها می توانند با استفاده از مدل های پیش بینی، مشتریان بالقوه را شناسایی و ارائه راهکارهایی هم چون ارائه تخفیف و پیشنهادهای سفارشی سازی شده احتمال خرید توسط آن ها را افزایش دهند و منجر به افزایش فروش شوند.

کسب و کارها می توانند با بخش‌بندی مشتریان، شناسایی مشتریان طلایی در جهت حفظ آن ها تلاش کنند و با وفادار کردن مشتریان طلایی در جهت افزایش فروش تلاش کنند. همچنین کسب و کارها می توانند با ارائه توصیه های سفارشی سازی شده به مشتریان، تمایل آن ها به خرید را افزایش دهند.

• کاهش هزینه‌ها

آنالیتیکس و تحلیل پیش‌بینانه می تواند با پیش بینی تقاضا هزینه‌های عملیاتی را کاهش دهد تا شرکت‌ها بتوانند موجودی را بهتر پیش بینی کنند یا منابع تلف شده را کاهش دهند.

با استفاده از مدلسازی پیش‌بینی پاسخ مشتریان شرکت ها این امکان را پیدا می کنند تا مشتریان تکراری و مشتریانی که امکان خرید آن ها بالاتر است را از همان ابتدا تشخیص دهند و هزینه‌ها را با هدف قرار دادن تنها افرادی که امکان پاسخ گویی آن ها زیاد است کاهش دهند. همچنین شرکت ها می‌توانند با هدف قرار دادن مشتری هایی که احتمال پاسخ گویی آن ها بالاتر است هزینه های بازاریابی را کاهش دهند.

• شناسایی گروه‌های مختلف مشتریان و ویژگی های آن ها

دورانِ «به همه مشتریان به یک‌چشم نگاه کردن» به پایان رسیده است. هر کسب‌وکاری دارای مشتریانی با ارزش‌های متفاوت است. آنچه باید به آن توجه نمود شناسایی گروه‌های مختلف مشتریان و ارائه استراتژی‌های بازاریابی و خدمات مطابق با ارزش‌های مشتریان هر گروه است.

بخش‌بندی فرآیندی است که طی آن مشتریان به زیر بخش‌هایی متشکل از مشتریانی که نیازها و مشخصاتشان یکسان است تقسیم‌بندی می‌شوند.

کسب و کارها با استفاده از الگوریتم های خوشه بندی می توانند درون یک گروه بزرگ از مشتریان، مشتریان مشابه را پیدا کنند. خوشه‌بندی را می‌توان به‌عنوان فرآیندی خودکار برای یافتن مشابهت در بین مشتریان دانست و از طریق یافتن همین شباهت‌ها در بین مشتریان می‌توان آن‌ها را گروه‌بندی نمود.

با بخش­بندی مشتریان و تحلیل هر گروه از مشتریان، ویژگی­ها، نیازها و انتظارات آن‌ها را شناسایی کنید و بر این اساس، سیاست­های ارائه خدمات متناسب با ویژگی‌های هر گروه را تدوین نمایید. برای مثال می­توانید گروه مشتریان وفادار خود را شناسایی و به آن‌ها خدمات ویژه و سفارشی ارائه نمایید و یا راهکارهایی برای جلوگیری از نارضایتی مشتریان تدوین کنید.

• شناسایی مشتریان طلایی

کسب و کارها با استفاده از الگوریتم های خوشه بندی می توانند گروه مشتریان طلایی خود را شناسایی کنند. مشتریان طلایی سهم زیادی در درآمد کسب و کار شما دارند؛ کسب و کارها می‌بایست در جهت حفظ این گروه از مشتریان و همچنین توسعه روابط خود با آن‌ها تلاش کنند. باید به آن‌ها پاداش دهند و به نحوی از آن‌ها تشکر نمایید. مشتریان طلایی موجب ارتقای کسب و کارها می‌شوند به همین دلیل باید راهکارهایی را به منظور حفظ این مشتریان تدوین کنید و آن‌ها را به ادامه رابطه با کسب و کار  ترغیب نمایید.

• شناسایی مشتریان احتمالی و فروش بیشتر

کسب و کارها برای برای افزایش سرعت فروششان، می توانند یک مدل پیش‌بینانه ایجاد کنند که سرنخ‌‌هایشان (مشتریان بالقوه) را امتیازدهی کنند. هنگامی‌که بهترین مشتریانشان را مشخص می کنند و داده‌های فعالیت‌های مشتریان احتمالی‌شان را جمع‌آوری می کنند، می توانند گرایش هر مشتری به خرید را پیش­بینی کنند. کسب و کارها از این طریق می توانند گروه فروششان را بر روی سرنخ‌هایی متمرکز کنند که احتمال بیشتری برای خرید و تبدیل‌شدن به مشتری اصلی دارند. با این کار می‌توانند سودآوری و میزان فروش خود را افزایش دهند.

• بهینه‌سازی کمپین های بازاریابی

همان طور که گفته شد با استفاده از مدلسازی پیش‌بینی پاسخ مشتریان شرکت ها این امکان را پیدا می کنند تا مشتریان تکراری و مشتریانی که امکان خرید آن ها بالاتر است را از همان ابتدا تشخیص دهند. مدل‌سازی پاسخ در واقع مشتریانی را شناسایی می­کند که با احتمال بیش‌تری به تبلیغات پاسخ مثبت خواهند داد. طبیعتاً هنگامی‌که بازاریابان چنین اطلاعات مفیدی در اختیار داشته باشند می‌توانند مواردی مانند ارسال ایمیل، پیامک و یا تماس مستقیم با مشتری را بهینه نمایند و ارسال پیام‌های بازاریابی به مناسب‌ترین مشتریان می‌تواند منجر به افزایش فروش گردد.

• مدیریت بهینه منابع

پیش بینی تقاضای آینده با استفاده از ابزارهای تحلیل داده ها به مدیران کمک می کند تا پیش بینی های دقیق موجودی را انجام دهند ، مقدار مناسبی از منابع را خریداری کرده و ضایعات غیرضروری را از بین ببرند و باعث بهینه سازی منابع شوند. همچنین کسب و کارها می‌توانند با بخش­بندی مشتریان و تقسیم بازار به بخش‌های کوچک‌تر، منابع سازمان خود را به‌طور بهینه صرف مشتریان اصلی نمایید.

• مدل سازی ریزش و حفظ مشتریان

کسب و کارها می توانند از مدل های داده کاوی برای پیش بینی ریزش مشتریان استفاده کنند. اگر مدلی داشته باشید که به شما در پیش‌بینی ریزش مشتریان کمک کند، می‌توانید پیش از ریزش مشتری، با تدوین برنامه‌هایی او را حفظ نمایید؛ در این صورت نرخ ریزش کاهش، مدت‌زمان نگهداشت مشتری افزایش و درنتیجه فروش شما افزایش خواهد یافت. همه مدل‌های داده‌کاوی با بینشی که از مشتری در شما ایجاد می‌کنند موجب افزایش فروش کسب‌وکار شما خواهند شد.

• بهینه سازی پیام‌های بازاریابی:

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.

• پیش بینی فهرست موجودی:

با تحلیل داده‌های مشتریان همچنین می‌توانید خرید‌های آتی مشتریان را در طول یک دوره زمانی پیش‌بینی کنید. با استفاده از داده‌های فروش اولیه می‌توانید پیش‌بینی کنید کدام آیتم ممکن است سقوط کند و موجودی‌ها را در حد مطلوب حفظ کنید. این امر به شما کمک می‌کند تا تخصیص منابع به آیتم‌های مختلف موجودی را بهبود بخشید.

• تهیه محتوای مناسب برای وب‌سایت:

در تجارت الکترونیک، تهیه محتوای وب‌سایت بسیار مهم است. اگر کالاها به ترتیب مناسب به نمایش گذاشته شود، می‌تواند به افزایش خریدها کمک نماید. تحلیل داده‌های مشتریان و استخراج قواعد انجمنی همچنین می‌تواند توسط ناشران آنلاین و وبلاگ نویسان برای نمایش محتویات مورداستفاده قرار گیرد. این کار کیفیت تعامل با مشتریان را بهبود می‌بخشد و منجر به عملکرد بهتر در نتایج جستجو می‌شود.

• طراحی سیستم‌های توصیه گر و ارائه توصیه های جذاب برای مشتریان

با استفاده از الگوریتم­های کشف قوانین انجمنی و تحلیل سبد خرید می‌توان یک سیستم توصیه‏گر مؤثر ایجاد کرد. سیستم‌های توصیه‏گر به دنبال پیش‌بینی «امتیاز» یک کاربر به یک محصول یا «میزان ترجیحات» یک کاربر نسبت به یک محصول هستند. مجموعه داده‌های تاریخی مشتریان به‌عنوان پایه‌ای برای ساخت یک سیستم توصیه‏گر در نظر گرفته می‌شود. می‌بایست بر اساس داده‌ها بدانید مشتریان شما چه خصوصیاتی و چه نیازهایی دارند و بر این اساس توصیه‌هایی شخصی و سفارشی به آن‌ها ارائه کنید. هر چه مشتری خود را بیشتر و بهتر بشناسید، می‌توانید توصیه‌های بهتری به او ارائه دهید. مهم‌ترین موضوعی که باید به آن توجه نمایید این است که به چه کسی و در چه زمانی پیشنهاد خود را ارائه کنید. ارائه پیشنهاد به مشتری می‌تواند در زمان‌های مختلفی از چرخه عمر مشتری باشد. شما می‌توانید در زمان خرید و یا بعد از خرید به مشتری پیشنهاد ارائه دهید. ارائه توصیه‌های مناسب به افزایش فروش کمک می‌کند، اما فراموش نکنید که باید سابقه‌ای غنی از مشتریان خود داشته باشید. به یاد داشته باشید توصیه نامرتبط یا خارج از شرایط بدتر از عدم ارائه توصیه است.

اول، داده‌های مشتریان خود را جمع‌آوری کنید.

البته واضح است که کسب‌وکارها پیش از آنکه بتوانند داده­های مشتریان خود را تحلیل کنند و از نتایج این تحلیل برای بهبود کسب‌وکار خود استفاده نمایند، ابتدا نیاز به جمع­آوری داده­های مشتریان دارند. قطعاً می‌دانید که جمع‌آوری داده‌های مشتریان کار ساده‌ای نیست؛ اما باوجود پیشرفت‌هایی که درزمینه­ی فناوری اطلاعات و ارتباطات و روش‌های ذخیره‌سازی داده­ها به وجود آمده، این کار شدنی و امکان‌پذیر شده است.

داده­های مشتری چیزی بیشتر از اعداد و ارقام به شمار می‏رود. داده مشتری داستان تعامل مشتری با کسب‌وکار شما است. قرار دادن مشتری در مرکز برنامه‌های بازاریابی به این معناست که شما باید از داده‌های خود استفاده کنید تا در مورد این‌که مشتریان شما چه کسانی هستند، چه چیزی می­خواهند و از چه کانال­هایی با کسب‌وکار شما ارتباط برقرار می‌کنند، بینش درستی کسب کنید. هنگام جمع‌آوری داده‌های مربوط به مشتریان توجه داشته باشید که این داده‌ها تا چه میزان برای شما قابل‌استفاده خواهند بود و تا چه میزان برای شما تولید ارزش خواهند کرد. امروزه با پیشرفت‌هایی که در حوزه فناوری اطلاعات و پایگاه داده‌ها صورت گرفته، بسیاری از کسب‌وکارها داده‌های مشتریان خود را جمع‌آوری می‌کنند.

توجه داشته باشید که کار با جمع‌آوری داده‌ها خاتمه پیدا نمی­کند. جمع‌آوری داده های مشتری آغاز کار داده­ کاوی و تحلیل داده ­ها است. به‌عنوان یک مدیر کسب‌وکار، وظیفه و مأموریت شما گرفتن بیشترین بهره از داده­ های مشتریان است. به‌کارگیری تکنیک‌های داده‌کاوی در مدیریت ارتباط با مشتری، راهکاری مؤثر در دستیابی به گنج پنهان داده‌های مشتریان است.

هر پروژه داده‌کاوی با یک مسئله کسب‌وکار و هدف متناسب با آن آغاز می‌شود. انتخاب یک فرآیند مطلوب برای انجام هر کاری به شما کمک می‌کند تا بیشترین بهره را از زمان، داده‌ها و دیگر منابع خود ببرید. یکی از متداول‌ترین و معروف‌ترین فرآیندهای انجام پروژه‌های داده‌کاوی فرآیند «کریسپ» ((CRISP-DM است که یک روش صنعتی آزمایش‌شده برای اجرای پروژه‌های داده‌کاوی به شمار می‏رود و شامل ۶ مرحله می‌شود.

می‌توانید در تصویر زیر  مراحل فرآیند کریسپ را مشاهده کنید.

مراحل کریسپ شامل:

• درک فضای کسب و کار
• درک داده
• آماده‌سازی داده
• مدل‌سازی
• ارزیابی مدل
• بکارگیری

همانطور که مشاهده می کنید در اجرای پروژه تحلیل داده‌های مشتریان می‌بایست ابتدا به درک فضای کسب‌وکار بپردازید. مراحل بعدی به ترتیب شامل درک داده‌های مشتریان، آماده‌سازی داده‌ها و مدل‌سازی می‌باشند. همچنین باید به ارزیابی مدل ارائه‌شده بپردازید و درنهایت این مدل را در کسب‌وکار خود به‌کارگیرید. با استفاده از فرآیند کریسپ و انجام دقیق مراحل آن می‌توانید از اجرای درست و موفقیت‌آمیز تحلیل داده‌های مشتریان اطمینان داشته باشید.

البته توجه داشته باشید که برای اجرای پروژه های داده کاوی روش های دیگری غیر از کریسپ نیز وجود دارد.

روش دیگری که برای اجرای پروژه‌های داده‌کاوی وجود دارد فرآیندی است تحت عنوان سِما ( SEMMA: Sample, Explore, Modify, Model, Assess) که توسط شرکت SAS ارائه‌شده و شامل مراحل نمونه‌گیری، اکتشاف، اصلاح، مدل‌سازی و ارزیابی است. دقت کنید آنچه اهمیت دارد مراحلی است که برای اجرای پروژه داده‌کاوی باید انجام شود و قطعاً انتخاب یک فرآیند مطلوب برای انجام پروژه داده‌کاوی به شما کمک می‌کند که بیشترین بهره را از زمان، داده‌ها و دیگر منابع خود ببرید. در بین روش‌های موجود برای اجرای پروژه داده‌کاوی فرآیند کریسپ بیشترین کاربرد را دارد.

اگر شما به عنوان یک تحلیل گر داده به دقت و بر اساس فرآیند کریسپ داده های مشتریان خود را تحلیل کنید نتایج خوبی به دست خواهید آورد.

توصیه می‌کنیم مقاله کریسپ، فرآیندی متداول برای اجرای پروژه های داده کاوی را برای این که با جزئیات مراحل کریسپ بیشتر آشنا شوید، مطالعه کنید.

اگر مقاله مربوط به فرآیند CRISP را مطالعه کرده باشید، گفتیم که دومین مرحله از فرآیند اجرای پروژه‌های داده‌کاوی درک داده‌ها نام دارد.

همچنین گفته شد که اولین مرحله از درک داده‌ها شامل جمع‌آوری داده‌های اولیه است. سپس به تشریح داده‌ها، اکتشاف در داده‌ها و مصورسازی داده‌ها پرداخته می شود. در مرحله تشریح داده ها باید به بررسی اولیه داده ها پرداخته شود. تعداد نمونه ها و تعداد متغیرهای موجود در مجموعه داده مورد بررسی قرار گیرد و روابط بین متغیرها با استفاده از رسم نمودارهایی مشخص گردد.

شما باید در ابتدای تحلیل داده های مشتریان خود نوع متغیرهای در دسترس از مشتریان را به دقت تعیین کنید.

برای این که با جزئیات تعیین انواع داده ها و متغیرها بیشتر آشنا شوید، توصیه می‌کنیم، مقاله درک داده‌ها و تعیین انواع متغیرها در مجموعه داده مشتریان را مطالعه کنید.

در مرحله آماده سازی داده مشکلاتی از قبیل داده های دورافتاده (پرت)، داده های از دست رفته، داده های تکراری و … با استفاده از روش‌های موجود برای پاک ‌سازی داده‌ ها برطرف می‏شوند.

با استفاده از نم‌افزارهای داده‌کاوی و به کار بردن روش‌های موجود می‌توانید به این مشکلات پی ببرید.

اگر می خواهید با جزئیات مرحله پاکسازی داده ها بیشتر آشنا شوید، توصیه می‌کنیم ، مقاله آماده سازی داده ها: مرحله ای مهم در اجرای پروژه های داده کاوی را مطالعه کنید.

همانطور که گفته شد داده کاوی و تحلیل رفتار مشتری در بسیاری از حوزه ها از قبیل شناسایی گروه مشتریان هدف، رتبه‌بندی مشتریان و پیش‌بینی احتمال خرید و جلب مشتریان، شناسایی مشتریان باارزش و طلایی با توجه به اطلاعات خرید، شناسایی مشتریان بالقوه و پیش‌بینی احتمال خرید توسط آن‌ها، پیش‌بینی احتمال خرید برای خریداران تکراری، پیش‌بینی توصیه‌های سفارشی و شخصی برای هر مشتری، پیش‌بینی ریزش مشتریان، پیش‌بینی احتمال خرید محصولات جدید توسط مشتری و … به کار می رود.

برای دستیابی به هر یک از اهداف فوق باید از تکنیک‌های مناسب داده‌کاوی استفاده شود. بسته به هدف کسب‌وکار و اهداف داده‌کاوی، لازم است تکنیک مناسب به‌منظور مدل‌سازی انتخاب شود.

در یک تقسیم بندی کلی می توان گفت که سه نوع تکنیک داده‌کاوی وجود دارد که یک تحلیل‌گر داده باید با آن‌ها آشنا باشد.

2- روش های یادگیری بدون نظارت

مدل های یادگیری بدون نظارت به تشخیص الگوهای درون داده‌های مشتریان می‌پردازند. یکی از رویکردهای بدون نظارت، تحلیل خوشه‌بندی یا Clustering نام دارد.

 برای توضیح بیشتر در مورد مسائل یادگیری بدون نظارت به مثال زیر توجه کنید.

3- مدل های کشف قوانین انجمنی

از دیگر تکنیک‌های مهم و کاربردی داده‌کاوی می‌توان به کشف قوانین انجمنی اشاره نمود.

برای توضیح بیشتر در مورد مدل های کشف قوانین انجمنی به مثال زیر توجه کنید.

• صاحب یک فروشگاه ورزشی تمایل دارد که با استفاده از تحلیل داده های مشتریانش تشخیص دهد که مشتریان کدام کالاها را با هم خریداری می کنند و از نتایج این تحلیل برای چیدمان فروشگاه خود استفاده کند. داده کاوی چطور می تواند به صاحب این فروشگاه برای حل این مسئله کمک کند؟

به بیان ساده کشف قوانین انجمنی همان کشف قواعد «اگر و آنگاه» از داده‌های خرید مشتریان است. به‌عنوان‌مثال اگر مشتری کالای «الف» را از فروشگاه خریداری کند آنگاه کالای «ب» را نیز خریداری می‌کند. قوانین انجمنی، روابط بین ویژگی‌های موجود در مجموعه داده مشتریان را نشان می‌دهند. پیدا کردن چنین قوانینی می‌تواند در مدیریت ارتباط با مشتریان موردتوجه قرار گیرد و کاربردهای فراوانی داشته باشد.

الگوریتم‌های کشف قوانین انجمنی به‌طور گسترده‌ای به‌منظور تحلیل داده‌های تراکنشی مشتریان مورداستفاده قرار می‌گیرد و می‌توان برای کشف اقلام مکرر نیز از این الگوریتم‌ها بهره جست. اقلام مکرر به کالاها و محصولاتی گفته می‌شود که به‌صورت مکرر توسط مشتریان خریداری می‌شوند.

یک کاربرد بسیار رایج دیگر از کشف قوانین انجمنی «تحلیل سبد خرید» است. تحلیل سبد خرید، همواره به‌عنوان یک راه‌حل مناسب در حفظ و نگهداری مشتری و توسعه روابط با مشتری به شمار می‏رود. در تحلیل سبد خرید، عادت‌ها و رفتار مشتریان با توجه به اقلام و محصولاتی که خریداری نموده‌اند مورد تحلیل قرار می‌گیرد. در تحلیل سبد خرید، از داده‌های خرید مشتریان استفاده می‌شود و با استفاده از الگوریتم‌های کشف قوانین انجمنی مشخص می‌شود که چه محصولاتی در یک گروه خرید قرار می‌گیرند. به عبارتی می‌توان مشخص نمود مشتریان تمایل به خرید هم‌زمان کدام گروه از محصولات را دارند. با تحلیل سبد خرید، فروشندگان می‌توانند الگوی رفتار خرید مشتریان را پیش‌بینی نمایند و از این طریق فروش خود را افزایش دهند.

ابزاها و زبان های مختلفی برای داده کاوی وجود دارد. شما می توانید در مقاله آشنایی با برخی از ابزارها و زبان‌های داده‌کاوی با برخی از این ابزارها آشنا شوید.

چهار ایستگاه اول این مسیر در بخش اول کتاب ارائه خواهد شد.

در فصل (ایستگاه) اول با مدیریت ارتباط با مشتری، در فصل (ایستگاه) دوم با داده‌کاوی، در فصل (ایستگاه) سوم با یکی از فرآیندهای متداول برای اجرای پروژه‌های داده‌کاوی و درنهایت در فصل(ایستگاه) چهارم با جزئیات اجرای یک پروژه داده‌کاوی و تحلیل داده‌های مشتریان آشنا خواهید شد.

در بخش دوم کتاب و در فصل­های پنجم تا هفتم داستان‌هایی از کاربرد داده‌کاوی در کسب‌وکار ارائه‌شده است. داستان‌هایی از به‌کارگیری داده‌کاوی در کافی‌شاپ، فروشگاه زنجیره‌ای و یک شعبه بانک.

فصل چهارم کتاب گنج پنهان ایستگاه یادگیری داده کاوی است. شکل زیر مسیر اصلی این فصل را نشان می‌دهد. در این فصل داده کاوی را به صورت کاربردی فرا می گیرید.

در آغاز فصل برای شما از جمع‌آوری داده‌های مشتریان خواهیم گفت و اینکه اهداف کسب‌وکارتان مشخص می‌کند بهتر است چه داده‌هایی جمع‌آوری کنید. البته چارچوبی از انواع مهم داده‌های مشتریان را نیز به شما معرفی خواهیم کرد. در ادامه این فصل شما را با مراحل مهم داده‌کاوی مانند مصورسازی داده‌ها، آماده‌سازی و پیش‌پردازش داده‌های مشتری آشنا می‌کنیم. در بحث مدل‌سازی و ارزیابی مدل نیز تکنیک‌های داده‌کاوی را مطرح کرده در مورد تکنیک‌های رده‌بندی، پیش‌بینی، خوشه‌بندی و قواعد انجمنی توضیحات کاملی همراه با مثال برای شما ارائه می‌نماییم. در پایان هم تعدادی از معروف‌ترین نرم‌افزارهای داده‌کاوی را به شما معرفی خواهیم کرد.

در فصل چهارم از کتاب گنج پنهان هدیه‌ای برای خوانندگان عزیز این کتاب در نظر گرفته‌ شده است. بخش‌هایی در کتاب با عنوان «کار با نرم‌افزار» وجود دارد. در این بخش‌ها فیلم­های آموزشی داده‌کاوی با استفاده از نرم‌افزار رپیدماینر ارائه‌شده است. در این هدیه آموزشی شما می‌توانید با مراحل ورود داده‌ها به نرم‌افزار رپیدماینر، درک داده‌ها، مصورسازی داده‌ها، آماده‌سازی و پیش‌پردازش داده‌ها و همچنین روش‌های رده‌بندی، خوشه‌بندی و قواعد انجمنی با استفاده از نرم‌افزار آشنا شوید.

محتوای هدیه  آموزشی کتاب به شرح زیر می­ باشد:

• ورود داده ­ها به نرم­افزار رپیدماینر، درک داده­ ها و مصورسازی داده ­ها
• تشخیص نقاط دورافتاده، مدیریت داده­ های از دست رفته و حذف رکوردهای تکراری , پیش­پردازش­ هایی مانند یکپارچه­ سازی داده ­ها، انتخاب زیرمجموعه­ای از ویژگی­ها و نرمال­سازی­ها
• نحوه مدلسازی با نظارت (رده ­بندی/ پیش­ بینی) در نرم­افزار و بکارگیری الگوریتم­ های مختلف رده ­بندی مانند درخت­های تصمیم، شبکه­ های عصبی و …
• نحوه به‌کارگیری الگوریتم­های خوشه­ بندی مانند k-means
• نحوه به‌کارگیری الگوریتم کشف قوانین انجمنی

برای اجرای داده‌کاوی، نرم‌افزارهای مختلفی وجود دارد که نرم‌ افزار رپیدماینر (RapidMiner) از جمله معروف‌ترین ابزارهای داده‌کاوی است.

در کتاب تند آموز رپیدماینر به‌صورت خلاصه و کاربردی به موضوع  داده‌کاوی با استفاده از نرم‌افزار رپیدماینر (RapidMiner) پرداخته ‌شده است.

فصل های کتاب در ادامه ارائه شده است: 

• فصل ۱: داده‌کاوی اطلاعات مشتریان
• فصل ۲: آشنایی با محیط نرم‌افزار
• فصل ۳: شروع داده‌کاوی
• فصل ۴: آماده‌سازی داده‌ها
• فصل ۵: مدل‌سازی (رده‌بندی و پیش‌بینی)
• فصل ۶: مدل‌سازی (خوشه‌بندی) 
• فصل ۷: مدل‌سازی (کشف قوانین انجمنی)

سرفصل دوره: 

آشنایی با فرآیند کریسپ

شما را با مراحل مختلف فرآیند کریسپ آشنا خواهیم کرد. در این دوره بر طبق این فرآیند پیش خواهیم رفت.

آشنایی با محیط نرم افزار و ورود داده ها به نرم افزار

بخش های مختلف نرم افزار را به شما معرفی خواهیم کرد. درحوزه داده‌کاوی، توانایی تشخیص نوع داده‌ها بسیار مهم است. نوع داده‌ها اغلب تعیین کننده نوع تحلیلی است که می تواند بر روی آنها اجرا شود. بنابراین در هنگام ورود داده ها به نرم افزار باید به نکاتی همانند تعیین نوع و نقش متغیرها دقت نمایید. در این دوره در مورد انواع مختلف متغیرها و نقش های مختلف متغیرها با شما صحبت خواهیم کرد.

اکتشاف در داده ها و مصورسازی داده ها

در این دوره در مورد رسم نمودارهای مختلف و تحلیل اکتشافی داده ها با شما صحبت خواهیم کرد.

آشنایی با انواع روش های پاکسازی داده ها

در این دوره به حل مشکلاتی هم چون داده های دورافتاده، داده های از دست رفته و رکوردهای تکراری پرداخته می شود. در نرم افزار رپیدماینر اپراتورهای قوی و کاربردی برای پاکسازی وجود دارد. شما را با مهم ترین اپراتورهای مورد نیاز برای پاکسازی داده ها آشنا خواهیم کرد.

آشنایی با انواع روش های پیش پردازش داده ها

یکپارچه­ سازی داده‌ها، تجمیع داده‌ها، انتخاب زیرمجموعه‌ای از ویژگی‌ها، نمونه‌گیری، نرمال‌سازی، گسسته سازی، خلق ویژگی

با مدلسازی نظارت شده (رده بندی و پیش بینی)  آشنا خواهیم شد.

در این دوره نحوه انجام مدلسازی رده بندی و پیش بینی را فرا خواهید گرفت و شما را با مهم ترین الگوریتم های نظارت شده آشنا خواهیم کرد. برخی از الگوریتم های رده بندی و پیش بینی که در این دوره یاد خواهیم گرفت:

• انواع درخت های تصمیم، ID3، CHAID، Random forest، شبکه های عصبی مصنوعی، کا-نزدیک ترین همسایگی، نیوبیز، ماشین‌های بردار پشتیبان
• در بخش مربوط به مدلسازی رده بندی و پیش بینی با نحوه اعتبارسنجی مدل‌ها (k-fold و Split Validation )و همچنین ارزیابی مدل‌ها و محاسبه دقت مدل‌ها آشنا خواهید شد.

با مدلسازی بدون نظارت (خوشه بندی)  آشنا خواهیم شد.

• شما را با مهم ترین الگوریتم های خوشه بندی آشنا خواهیم کرد. برخی از این الگوریتم ها عبارتند از: k-means، k-medoids، X-means
• مثالی در ارتباط با خوشه بندی RFM برای شما ارائه خواهد شد. پیش پردازش های لازم و نحوه خلق ویژگی های Recency، Frequency و Monetary در مجموعه داده مشتریان برای شما تشریح خواهد شد.

با مدل های کشف قوانین انجمنی آشنا خواهیم شد.

در این دوره به استفاده از الگوریتم کشف قوانین انجمنی FP-growth در قالب مثالی کاربردی پرداخته می شود و مدل استخراج قواعد اگر و آنگاه از پایگاه داده مشتری انجام خواهد شد.

Case Study 1: اجرای یک پروژه داده کاوی در Rapidmine

• در این بخش با ایده هایی به منظور استفاده از تکنیک های مختلف انتخاب ویژگی آشنا خواهید شد و یک روش ابتکاری و ترکیبی انتخاب ویژگی پیاده سازی خواهد شد. 

Case Study 2: اجرای یک پروژه داده کاوی در Rapidmine

• آشنایی با مدل های دو مرحله ای: ترکیب روش های خوشه بندی و رده بندی. در این بخش یک مدل دو مرحله ای خوشه بندی- رده بندی با استفاده از یک مجموعه داده پیاده سازی خواهد شد. 

Case Study 3: اجرای یک پروژه داده کاوی در Rapidmine

آشنایی با مدل های دو مرحله ای: ترکیب روش های خوشه بندی و استخراج قوانین rule mining. در این بخش یک مدل دو مرحله ای خوشه بندی- استخراج قانون با استفاده از یک مجموعه داده پیاده سازی خواهد شد. 

مشاوره آنلاین عبارت است از یک جلسه ویدیویی با مُراجع جهت افزایش اطلاعات، عارضه یابی و معاینه، تعریف و حل مساله.

در یک سو یک فرد متخصص و درسوی دیگر مراجعه کننده یا مراجعه کنندگان به بحث و تبادل نظر و نتیجه گیری مشغول می شوند.

خمات مشاوره ای داده کاوی مُدام در  صنایع و حوزه های مختلف از جمله بانک، بیمه، بیمارستان ها، خدمات درمانی، شرکت های دارویی، شرکت های پخش و خرده فروشی، استارت آپ ها و مراکز تحقیقاتی، صنعت مخابرات، رستوران ها، کافی شاپ ها و مراکز تفریحی و … و موضوعات زیر انجام می شود:

• تحلیل بازار و تحلیل رفتار مشتری
• پیش بینی ریسک اعتباری مشتریان
• پیش بینی ریزش مشتریان و بهینه کردن وفاداری
• تشخیص و پیش بینی تقلب و ناهنجاری
• اجرای کمپین های بازاریابی موثرتر
• شناسایی مشتریان احتمالی و فروش بیشتر
• گروه بندی مشتریان و شناسایی بهترین مشتریان
• تحلیل سبد خرید مشتریان
• تحلیل ارزش طول عمر مشتریان
• مشاوره ها در خصوص روش ها و تکنیک های داده کاوی از جمله:درک داده ها، تشریح داده های مشتریان
• مصورسازی داده ها و تحلیل نمودارها
• پاکسازی و پیش پردازش داده ها و رفع مشکلات مانند پایین بودن کیفیت داده ها
• مدلسازی با استفاده از رگرسیون
• مدلسازی با استفاده از الگوریتم های رده بندی و پیش بینی
• مدلسازی با استفاده از الگوریتم های خوشه بندی
• مدلسازی با استفاده از الگوریتم های کشف قوانین انجمنی