سازمانهايي که نياز به گروه‌هاي مشخص در پايگاه‌هاي مشتري دارند، کمک مي‌کند و گروه‌هاي مشتريان را بر اساس الگوهاي خريدشان مشخص مي‌کند. تکنيک‌هاي تجزيه و تحليل خوشه‌بندي عمدتا بر روش‌هاي مبتني بر فاصله متمرکز هستند، روش رايج آن خوشه‌بندي K ميانگين است. يک پايگاه داده از n شي تشکيل شده است، اين روش K جزء از داده‌ها را مي‌سازد، که در آن هر يک از اجزاء متعلق به يک خوشه است همچنينK ? n مي‌باشد. اين گروه‌ها با هم به طور کلي شرايط زير را برآورده مي‌سازند: 1) هر گروه بايد حداقل شامل يک شي باشد، 2) هر شي بايد دقيقا به يک گروه تعلق داشته باشد. هر خوشه مقدار ميانگين ??از اشيائي که در آن موجود است را نشان مي‌دهد. اگر چه اين روش براي مدت طولاني ‌ايست که استفاده مي‌شود، اما براي اولين بار توسط استوارت لويد60 در سال 1982 منتشر شد (پراسد، 2011).
اين الگوريتم به طور رايج استفاده مي‌شود و هدفش بهينه سازي يک تابع هدف است که اين گونه توصيف مي‌شود:
(2-1)

در معادله بالا، m_i مرکز خوشه c_i است که d(x-m_i) فاصله اقليدسي بين نقطه x و m_i است. بنابراين، تابع معيار E، فاصله هر نقطه از مرکز خوشه‌اي که به آن متعلق دارد را حداقل مي‌نمايد (شکل 2-4). در واقع، الگوريتم به وسيله‌ي مقداردهي اوليه براي يک مجموعه از k مرکز خوشه آغاز مي‌شود. سپس هر شي از مجموعه داده را به خوشه‌اي نسبت مي دهد که مرکز آن از همه‌ي خوشه‌ها نزديک‌تر است و دوباره مراکز را محاسبه مي‌کند. فرايند ادامه پيدا مي‌کند تا مراکز خوشه‌ها تغيير نکند (کوکابن کبس61،2007).

شکل 2-4 الگوريتم خوشه‌بندي K ميانگين (کارگري و سپهري، 2012)

2-4 بخشبندي
بخشبندي مشتريان، به عنوان مرحله اوليه از فرايند مديريت ارتباط با مشتري، مسئله قابل توجهي در وضعيت تجاري رقابتي امروز است. مطالعات زيادي در زمينه‌ي کاربرد تکنولوژي داده‌کاوي در بخشبندي مشتريان و تاثيراتش موجود مي‌باشد (استون، 2006)، اما بسياري از آنها مشتري را تنها از يک نقطه نظر، به جاي استفاده از يک متدولوژي سيستماتيک بخشبندي کرده‌اند.
چاي و چان62 روش‌هاي موجود بخشبندي مشتري را به روشهاي متدگرا و کاربردگرا طبقه‌بندي کردند (2008). اکثر نويسندگان تغيير بعضي از تکنيکهاي خوشه‌بندي داده مانند نگاشت خود سازمانده و يا استفاده از ترکيبي از دو يا چند تکنيک داده‌کاوي براي رسيدن به خوشه‌ها يا بخشهاي دقيق‌تر را ارائه دادهاند (جانکر63 و همکاران، 2004، لي64 و همکاران، 2004، هوانگ65 و همکاران، 2007، کيم66 و همکاران 2008). آنها معمولا متغيري جديد براي فرايند خوشه‌بندي تعريف و ايجاد ميکنند و يا از متغيرهاي مختلف در مراحل خوشهبندي ترتيبي استفاده ميکنند (کيم و همکارانش، 2006، هوانگ وهمکارانش، 2004، چاي و چان67، 2008، استون68 و همکارانش، 2006، سيه69، 2004، چانگ70 و همکارانش، 2007، شييو71 و همکارانش، 2009، مککارتي72 و همکارانش، 2007، لي و همکارانش، 2005، چنگ73 و همکارانش، 2009).
2-4-1 اهداف بخشبندي
اگرچه بخشبندي مشتري و بخشبندي بازار به صورت مشابه در ادبيات در نظر گرفته شده است، اما تفاوت‌هاي مهم در مورد در دسترس بودن داده‌ها براي مکانيسم خوشهبندي آنها وجود دارد.
هدف از بخشبندي بازار معمولا به دست آوردن مشتريان جديد (مرحله اول فرايند مديريت ارتباط با مشتري) با استفاده از داده‌هاي اجتماعي-جمعيتي است. در حالي که بخشبندي مشتري در تمام مراحل مديريت ارتباط با مشتري، با استفاده از داده‌هاي اجتماعي-جمعيتي و دادههاي معاملاتي کاربرد دارد. “ما مي‌توانيم تصور کنيم که حفظ مشتري مهم‌تر از کسب مشتري است، به دليل عدم اطلاعات از مشتريان جديد انتخاب مشتريان هدف دچار مشکل شده و اين باعث تلاشهاي بازاريابي ناکارآمد مي‌شود” (هوانگ74 و همکاران، 2004).
هدف از بخشبندي شناسايي نيازهاي مشتريان و تعيين دقيقتر خصوصيات هر کدام از بخشها ميباشد. بعد از بخش‌بندي، سازمان ميتواند يک يا چند بخش را با توجه به معيارهاي مورد نظر خود به عنوان مشتريان هدف انتخاب نمايد و در جهت مديريت بهتر ارتباط با آنها و خدمتدهي مناسبتر، استراتژيهايي را تدوين نمايد. همچنين شناسايي مشتريان با ارزش و وفادار ميتواند براي سازمان فرصتهاي سودآوري را در پي داشته باشد و بقاي آن را در عرصه رقابت حفظ نمايد.
دستورالعمل بخشبندي بدين صورت است که ابتدا بايد مشخص شود که به چه دادههايي نيازمنديم و چگونه بايد آنها را جمعآوري نماييم. گردآوري دادهها و يکپارچه کردن آنها از منابع مختلف مرحله بعد خواهد بود. همچنين روشهاي تحليل داده براي بخشبندي نيز بايد تعيين گردد. پس از آناليز دادهها و بخشبندي، اين اطلاعات بايد در دسترس بخشهاي مختلف قرار گرفته و راهکارهايي براي پاسخدهي و استفاده بهتر پيادهسازي گردد که البته بايد متناسب با استراتژيهاي مطلوب سازمان براي هر بخش با توجه به تواناييها، امکانات و جايگاه سازمان و نيز تحليل و شناخت ويژگيهاي آن باشد.
2-4-2 مزاياي بخشبندي مشتريان
گاهي در سازمانها به منافع استراتژيک بخشبندي توجه کافي نميشود. بخشبندي مشتريان با ايجاد چارچوبي به سازمان کمک ميکند که گروه هدف خود را بهتر انتخاب نموده و منابع محدود خود را به طور بهينه و موثري براي تامين رضايت آنها و در نتيجه سودآوري بيشتر به کار برد. بيشتر استراتژيهاي تجاري موفق بر مبناي بخشبندي مشتري و تمرکز منابع در بخشهاي با ارزش‌تر استوار هستند و در نتيجه از موثرترين مزيتهاي بخشبندي افزايش مطلوبيت استفاده از منابع سازمان ميباشد.
موارد زير مهمترين مزاياي بخشبندي ميباشد:
خدمترساني بهتر با توجه به نيازها و خواستههاي مشتري و ايجاد ارتباط خاص با هر گروه
سودآوري بالاتر
فرصت براي رشد
روابط پايدار با مشتري در کليه فازهاي طول عمر مشتري
افزايش امکان نوآوري
افزايش سهم بازار
مديريت ارتباط با مشتري بهتر
تعيين مشترياني که پتانسيل سرمايهگذاري را دارند
نشان دادن زمينههاي تحقيق و توسعه خدمات جديد
جهتدهي سازمان
2-4-3 معيارهاي کلي بخشبندي
شاخصهاي کلي جهت بخشبندي را ميتوان به شاخصهاي جمعيتشناسي، جغرافيايي، رفتارشناسي و روانشناسي تقسيم بندي کرد.
شاخصهاي جمعيتشناختي75 شامل جنسيت، تحصيلات، تأهل، درآمد، شغل و محل زندگي و غيره ميباشد. شاخص‌هاي جغرافيايي که البته ميتوان آن را زير مجموعه شاخصهاي جمعيت‌شناختي نيز در نظر گرفت، ميتواند تراکم جمعيت، نرخهاي رشد و غيره باشد. شاخصهاي رفتارشناختي ميتواند شامل انگيزه، ارزشها، اولويتها، نگرش‌ها، حجم و ارزش خريد، دوره عمر، هدف خريد و استفاده از کالا خدمت يا منافع و انتظارات مشتري باشد. شاخصهاي روانشناسي ميتواند سبک زندگي و شخصيت مشتريان باشد.
معمولا شاخصهاي جمعيتشناسي بهترين راه بخشبندي بازار نيستند. معمولا ترکيبي از شاخصهاي ذکر شده براي بخشبندي مورد استفاده قرار ميگيرد. از طرف ديگر معيارهاي بخش‌بندي ميتواند کاملا مرتبط با خدمت يا محصولي که ارائه ميدهيم تعريف شوند.
همچنين از ديگر روشهاي بخشبندي، بخشبندي بر اساس ارزش ميباشد يعني توجه به مشتريان بر اساس درآمدي که براي سازمان ايجاد ميکنند و هزينهاي که سازمان بايد براي ايجاد و حفظ ارتباط با آنها بپردازد. تجربه نشان مي‌دهد اگر تمرکز بخشبندي بر نيازهاي مشتري باشد معمولا موثرتر است نسبت به زماني که صرفا به سودآوري مشتري توجه شود. يکي ديگر از روش‌هاي بخشبندي که در مقالات علمي زياد معرفي گرديده است به کار‌گيري مفهوم ارزش دوره عمر مشتري (LTV)76 است (برل و همکاران، 2008).
2-6 الگوريتم RFM
تجزيه و تحليلRFM 77 براي چند دهه در بازاريابي مستقيم استفاده شده است (سيد حسيني،2010). اين روش رفتار مشتري را شناسايي مي‌کند و ويژگي هاي رفتار مشتري را با سه متغير به شرح زير بيان مي‌کند:
(1) تازگي آخرين خريد78 که به فاصله زماني که آخرين خريد مصرفکننده تا الان اشاره دارد.
(2) فرکانس خريد79 که به تعداد معاملات در يک دوره خاص اشاره دارد.
(3) ارزش پولي خريد80 که به ميزان مصرف پول در يک دوره خاص اشاره دارد.
تجزيه و تحليل RFM در بسياري از روشها مورد استفاده قرار گرفته است. RFM کلاسيک، هر يک از مشتريان را با پارامترهاي ارزشش در برابر بقيه مشتريان رتبهبندي ميکند و يک نمره RFM براي هر مشتري ايجاد ميشود.
قدم اول اين است که فايل مشتري را با توجه به اينکه چقدر اخيرا مشتري از اين شرکت خريداري کرده است مرتب مي‌کند. سپس پايگاه داده به پنج قسمت مساوي تقسيم ميشود و به اين پنج قسمت اعداد 1 تا 5 اختصاص داده مي‌شود. بنابراين، به 20 درصد از مشتريان که به تازگي از اين شرکت خريداري کردهاند شماره 5 را اختصاص ميدهيم، به 20 درصد بعدي شماره 4 را اختصاص داده و الي آخر. مرحله بعدي شامل مرتب سازي بر اساس فرکانس و پول است. در نهايت، پايگاه داده به 125 گروه تقريبا مساوي (سلول) با توجه به مقدار تازگي، فراواني، و ارزش پولي تقسيم شده است. مشتريان با نمرات بالا معمولا با ارزشترين و سودآورترين هستند (استون، 1994).
2-6-1 مزاياي الگوريتم RFM
مزاياي استفاده از اين روش شامل: سادگي روش، در دسترس بودن اطلاعات براي محاسبه RFM، انعطافپذيري خوب و انطباق با هر يک از وضعيتهاي کسب و کار است.
2-7 نگاشت‌هاي خود سازمانده
شبکه‌هاي عصبي خود سازمانده از جمله مهمترين و قدرتمند‌ترين شبکه‌هاي موجود جهت داده‌کاوي و تحليل فضا‌هاي پيچيده مي‌باشند (کوهونن81، 2001). اين گونه از شبکه‌ها براي اولين بار در سال 1981 توسط کوهونن و با الگوبرداري از عصب شبکيه چشم معرفي گرديد و براي نخستين بار در سال 1984 براي تشخيص صدا و تبديل آن به متن، به طور عملي مورد استفاده قرار گرفت. اساس فلسفه شبکه‌هاي خود سازمانده، نگاشت فضاهاي با تعداد ابعاد بالا به فضايي دو يا سه بعدي است، بگونه‌اي که حداقل اطلاعات از بين رفته و اطلاعات نهفته در ارتباط با ميان داده‌ها نيز قابل کشف و نمايش باشند. اين روش توانايي نمايش همبستگي بين داده‌ها و اطلاعات و اثرات متقابل و همزمان آنها بر يکديگر را دارد. اين توانايي‌ها با نگاشت ارتباطات غير خطي ميان اطلاعات با استفاده از يک واسط هندسي بر روي يک شبکه دو يا سه بعدي از نرون‌ها حاصل مي‌گردد. يک شبکه دو بعدي از نرون‌ها اصطلاحاً يک نقشه از نرون‌ها ناميده مي‌شوند. هر نقشه متشکل از مجموعه‌اي از نرون‌ها مي‌باشد که بطور قاعده‌مندي کنار هم چيده شده و ساختار شبکه را به گونه‌اي که نرون‌هاي شبيه‌تر کنار يکديگر قرار گيرند، شکل داده‌اند. کوهونن مقالات و کتاب‌هاي بسياري در مورد سيستم‌هاي خود سازمانده به رشته تحرير درآورده است که نگاشت‌هاي خود سازمانده تنها گوشه‌اي از مطالعات وسيع وي مي‌باشند (2001). اين الگوريتم غالباً به منظور تحليل فضا‌هاي پيچيده داده‌ها مورد استفاده قرار مي‌گيرد (بريان82، 2005). چون اساس عملکرد اين‌ گونه از شبکه‌ها تبديل يک فضاي ورودي با بعد دلخواه به يک فضا با بعد کمتر و غالباً يک نگاشت دوبعدي گسسته مي‌باشد، به همين دليل اين‌گونه از شبکه‌ها را يک ابزار کاهش‌دهندهي بعد معرفي مي‌نمايند. هدف نهايي از استفاده از نگاشت‌هاي خود سازمانده نيز حصول همين مدل ساده از داده‌هاي اوليه به منظور کاهش محاسبات و پيچيدگي‌هاي موجود در زمينه تجزيه و تحليل داده‌ها مي‌باشد.
2-7-1 کاربرد نگاشتهاي خود سازمانده
نگاشت‌هاي خود سازمانده کاربرد‌هاي فراواني در زمينه‌هاي مختلف علوم داشته که مهمترين آنها استخراج داده‌ها و تحليل فضا‌هاي پيچيده مي‌باشد (سئو83 و همکاران، 2004). از ساير

دسته بندی : No category

دیدگاهتان را بنویسید