مدیریت جذب و حفظ مشتری با استفاده از تجزیه و تحلیل پیش بینانه – قسمت اول

به­ عنوان نخستین گام برای کمپین­ های مؤثر جذب و حفظ مشتری، سازمان­ ها می­بایست به درک درستی از مشتریان احتمالی و پایگاه مشتریان فعلی خود دست ­یابند. آنها باید سود آورترین مشتریان و نیازها و ترجیحات آنها را شناسایی ­کنند. از اینرو سازمان­ها می‌بایست اقدام به اولویت ­بندی اقدامات تجاری خود نمایند. تجزیه ­و تحلیل پیش ­بینانه می‌تواند با ارائه پیش‌بینی‌ ها و بینش ‌های مربوطه به آنها در رویارویی راحت با این چالش ‌ها کمک­ کند. سازمان ­ها می­توانند با تفکر عمیق در کلان ­داده و تجزیه ­و تحلیل پیش­ بینانه آن به هوش مشتری مدّنظر خود دست­ یابند. حجم انبوه، تنوع، سرعت، و صحت دارایی­‌های اطلاعاتی به اندازه کلان داده ­ها می‌‌ ­انجامد. داده ممکن است ساختار یافته یا بی ­ساختار باشد و شامل مجموعه­ های داده­ ای سنتی و غیرسنتی مانند رسانه ‌های اجتماعی، تصویری، صوتی، اقتصادی، جمعیتی، تاریخی، وب­ محور، و معاملاتی باشد. تجزیه ­و تحلیل پیش ­بینانه می‌ تواند به درک سازمان‌ ها از کلان ­داده برای اهداف کوتاه ‌مدت و بلند مدت تجاری خود کمک ­کند. برای تحقق نتایج بهینه، جمع ­آوری داده­ های مرتبط و با کیفیت از منابع داده­ ای گوناگون و تجزیه ­و تحلیل درست آنها ضروری است. ترکیب تجزیه ­و تحلیل پیش ­بینانه با کلان ­داده به سازمان­ ها توانایی پیش ­بینی مشتریان احتمالی خود، درک نیازها و خواسته های آنها، و کشف مؤثرترین راه­های رسیدن به این مهم را می­‌دهد. در این مقاله، یک نمای کلی از چگونگی کمک کلان­ داده و تجزیه­ و تحلیل پیش ­بینانه به سازمان­ها در بهینه‌­‌سازی کمپین­ های جذب و حفظ مشتری خود ارائه­ می­شود.

تجزیه ­و تحلیل پیش ‌بینانه روشی است که امروزه سازمان‌ ها برای جذب و حفظ مشتریان خود از آن بهره­ می ­گیرند. این روش سازمان ‌ها را قادر می‌ سازد تا آینده را بر اساس اقدامات فعلی خود پیش ‌بینی­ کنند، به آن ها کمک ­می‌ کند تا امروز چه کاری انجام­ دهند تا دستیابی به نتایج مطلوب فردا را تضمین­ نماید. از تکنیک‌ های آماری گوناگون مورد استفاده در داده‌ کاوی، مدل ‌سازی، یادگیری ماشین، و هوش مصنوعی برای بررسی داده ‌های حال و گذشته جهت پیش ‌بینی نتایج آینده در تجزیه ­و تحلیل پیش ‌بینانه استفاده ­می ‌شود. مدل ‌های پیش ‌بینانه با در نظر گرفتن عوامل و متغیر های متعدد، نتایج آینده را با دقت بالایی، شامل ارزیابی ریسک «چه می ‌شد اگر» پیش ‌بینی­ می ‌کنند. مطالعه الگو های پنهان در داده ‌ها با استفاده از تکنیک ‌های مدل ‌سازی پیش ‌بینانه مانند ماشین بردار پشتیبان، شبکه‌ های عصبی، درخت تصمیم‌گیری، درخت طبقه‌ بندی و رگرسیون، خوشه ‌بندی، قوانین انجمنی، کارت­ های امتیازی متوازن و غیره صورت­ می ­گیرد.

در یک محیط تجاری از مدل ‌های پیش‌ بینانه برای تجزیه ­و تحلیل داده­ های تاریخی و کنونی جهت شناسایی فرصت­ ها و خطرات پنهان روبروی سازمان­ ها استفاده ­می­ شود. این مدل ها زمانی ایجاد می‌ شوند که یک تکنیک مدل ‌سازی پیش ‌بینانه با مقدار و کیفیت کافی داده تغذیه ­شود. شکل ۱ توصیف نموداری این پدیده را نشان ­می ­دهد. به زبان ساده درصورت استفاده از داده­ ها برای آموزش یک تکنیک مدل­ سازی، مدل­ های پیش ‌بینانه به­ وجود می ­آیند. سپس این مدل‌ ها می ­بایست با دسترسی­ پذیری دائمی داده ‌های اضافی تأیید شوند.

شکل ۱: شکل ­گیری مدل‌های پیش‌بینانه

یک مدل پیش ‌بینانه شامل پیش‌بینی ‌کننده‌ های متعددی است که عوامل متغیر احتمالاً تأثیر‌گذار بر رفتار یا نتایج آتی را تشکیل­ می­ دهند. برای مثال، فروش آتی ممکن است بر اساس جنسیت، سن، رفتار، و تاریخچه خرید مشتری پیش‌بینی ­شود.

پیشرفت تکنولوژیکی سازمان ‌ها را قادر به درک بهتر مشتریان و بازارهای خود با جمع ‌آوری داده‌ های مربوطه پیرامون می­ سازد. هم­اکنون سازمان‌ ها درحال جمع‌آوری حجم انبوهی از داده‌ های مشتری (چه گذشته و چه حال) از منابع داده­ ای هستند. با تجزیه­ و تحلیل پیش ­بینانه، سازمان‌ها می‌ توانند از این داده ‌ها با تبدیل آن ها به بینش ‌های مشتری قابل­ اجرا استفاده حداکثری ببرند. بر اساس این بینش ­ها، سازمان­ ها توانایی بهینه ­سازی استراتژی­ های توسعه محصول و بازاریابی خود را کسب ­می کنند. با توجه به کمک تجزیه ­و تحلیل پیش­ بینانه به شناسایی نه تنها مشتریان احتمالی بلکه ترکیب مناسبی از انواع محصول، کمپین ‌های تبلیغاتی، و کانال ‌های ارتباطی، بینش ­های به­ دست­ آمده درباره مشتریان با پتانسیل بالا، پیشنهاد ها و معاملات مدّ نظر و کانال ­های ترجیحی آن ها می­ تواند در افزایش عملکرد کمپین ­های جذب مشتری بسیار مثمر ثمر باشد. علاوه بر این می­ توان با هدف ­قراردادن مشتریان احتمالی به­واسطه کانال­های ترجیحی آن ها و زمان پاسخگویی آن ها به یک پیشنهاد به کاهش قابل­توجه هزینه هر اقدام دست­یافت. تجزیه و تحلیل پیش ­بینانه در حفظ مشتریان فعلی و فعالیت مجدد مشتریان قدیمی که مدتی چیزی نخریده ­اند نیز به همان اندازه مفید است. این امر با شناسایی بهترین پیشنهادات بعدی برای برنامه ­های وفاداری و حفظ مشتری ممکن می ­شود. شکل ۲ چگونگی کمک تجزیه­ و تحلیل پیش­ب ینانه و کلان ­داده به بهینه­ سازی ابتکارات جذب و حفظ مشتری را نشان­ می ­دهد.

شکل ۲- کاربردهای تحلیل پیش بینانه در جذب و حفظ مشتری

به­ هنگام تجزیه­ و تحلیل پیش ­بینانه می ­بایست مسائل عملی زیر را به شکلی مؤثر مورد توجه قرار داد:

• داده ناکافی: داده ناقص یا نا کافی به­ عنوان مانعی برای استنتاج آماری معتبر عمل­ می ­کند. داده نه تنها باید انبوه باشد، بلکه باید از منابع گوناگون، درست از معاملات مشتریان گرفته تا تعاملات خدمات مشتری، مکالمات رسانه اجتماعی، و الگو های مرور وب، جمع­ آوری ­شود.
• کیفیت پایین داده: فعالیت­ های موفق مشتری ­محور به یکپارچگی و کیفیت بالای داده بستگی­ دارد. کیفیت پایین داده می­ تواند منجر به برنامه ­های بازاریابی نا کارآمد و کاهش کارایی و اثر بخشی تلاش­ها برای جذب و حفظ مشتری شود.
• سیلو های داده: داده ‌های ذخیره­ شده در سیستم ‌ها، برنامه‌ های کاربردی، یا منابع متفاوت تمامی بخش‌ های سازمان می ­بایست برای برای دستیابی به دید ۳۶۰ درجه مشتری جمع ­آوری­ شود. سیلو های داده می ­توانند به ­عنوان مانعی برای دستیابی به دید کامل از مشتریان عمل ­کنند. با داده ‌های حاصل از منابع متعدد، ارتباط، مطابقت، پاکسازی، و تبدیل سریع داده­ ای در تمامی سیستم‌ ها برای سازمان چالش ‌بر انگیز است.