شناسایی مشتریان ریزشی

شناسایی مشتریان ریزشی

امروزه خدمت رسانی موثر به مشتریان یکی از اهداف اکثر سازمان ها، شرکت ها و حتی فروشگاه ها تبدیل شده است. این خدمت رسانی موثر می تواند منجر به سود بیشتر برای خدمات دهنده و همچنین افزایش رضایت خدمت گیرنده شود. برای دستیابی به این هدف مسائل و روش های متعددی وجود دارد. در نوشته امروز می خواهم به یکی از مسائل موجود این حوزه یعنی شناسایی مشتریان ریزشی بپردازم و آن را از دیدگاه دو حوزه هوش تجاری و علم دیتاساینس بررسی نمایم.یکی از مهم ترین ارکان هوش تجاری شناسایی KPI هاست. KPI ها شاخص های تصمیم سازی است که به کارکنان سازمان از پایین ترین تا بالاترین سطح کمک می کند تا تصمیمات را همراستا و همسو با اهداف سازمان بگیرند.یکی از شاخص های مهم واحد بازاریابی و فروش، محاسبه میزان گردش مشتریان است. اگر هزینه جذب مشتری جدید در کسب و کارتان گران تمام می شود، محاسبه نرخ گردش مشتریان می تواند حائز اهمیت باشد.نرخ گردش مشتریان به چه معناست؟درصدی از مشتریان است که یک سازمان در طی یک دوره زمانی خاص (معمولاً یک ماهه یا سالانه) از دست می دهد. افزایش نرخ گردش می تواند به درآمد و سودآوری آسیب رساند.نحوه محاسبه این شاخص به این صورت است که تعداد مشتریانی که از شرکت خرید کرده اند را از تعداد کل مشتریان کم کرده و سپس حاصل را تقسیم بر تعداد کل مشتریان نمایید.یک سازمان می تواند در مواقعی که جذب مشتری جدید هزینه بر است تلاش نماید تا این نرخ را برای مشتریان کلیدی کاهش دهد.مهم ترین نکته ای که در محاسبه این شاخص باید آن را در نظر گرفت پاسخ به سوال زیر است:تا چه میزان باید صبر کرد تا به این نتیجه رسید که مشتری دیگر از شرکت خرید نخواهد کرد؟ پاسخ به این سوال بستگی به نوع بیزنس دارد. در برخی موارد بازه یک ماهه مناسب است. گاهی سالانه.به عنوان مثال در جدول زیر یک شرکت نرخ گردش را در سال گذشته برای مشتریان کلیدی خود که 50 تا می باشد 20 درصد محاسبه کرده است. از آنجایی که در سال جاری، شرکت تمام تمرکز خود را برای حفظ همان 50 مشتری کلیدی خود گذاشته است، لذا با تلاش های تیم بازاریابی و فروش این نرخ را ظرف کمتر از یکسال به 10 درصد رسانده است.در روش اول، شناسایی و محاسبه نرخ گردش نیاز مستقیم به نیروی انسانی دارد. نیروی انسانی در ابتدا باید از میان انبوهی از اطلاعات و یا براساس شهود و شم مدیریتی خود نرخ گردش را برای مشتریان کلیدی و دیگر مشتریان شناسایی و محاسبه نموده و سپس تلاش نماید با پیگیری وضعیت مشتری و ارائه آفر ها و پیشنهادات مناسب نرخ گردش را کاهش دهد.رشته دیتاساینس با استفاده از تکنیک های مختلف داده کاوی توانسته است پاسخ های مناسبی برای “تجزیه و تحلیل مدیریت ارتباط با مشتریان” یا CRM Analysis بیابد. یکی از مسائل مهمی که در این موضوع بیان می‌شود، Churn Detection است. به دین معنا که براساس خرید هایی که مشتریان در گذشته انجام داده اند، نرم افزار احتمال ریزش آنان را پیش بینی می‌کند.متخصصین بازاریابی و فروش خواستار نرم افزاری هستند که رفتار مشتريان را بررسی و آن هايی که احتمالا دفعه بعد خريد آخرشان است را شناسایی نماید و در نهایت برای حفظ آن ها از یکسری سیاست های حفظ مشتری مانند اطلاع رسانی آفر ها یا برخی تخفیف ها از طریق پیامک، ایمیل و … استفاده کنند.به عنوان مثال در مجموعه داده زیر ویژگی های مختلفی وجود دارد که می تواند در شناسایی ریزشی بود یا نبودن مشتری موثر باشد. لیبل False به معنای عدم ریزشی بودن مشتری است که در ستون آخر مشخص شده است. در صورتی که لیبل یا برچسب True داشته باشد، مشتری churn یا ریزشی بوده است.حال با استفاده از تکنیک های یادگیری ماشین می‌توان نرم افزاری تولید نمود که با یادگیری از این مجموعه داده که در سالیان مختلف در یک سازمان جمع آوری شده است، مشتریان ریزشی را به صورت هوشمند تشخیص داد.قطعا در صورتی که مدل ایجاد شده درون چرخه یادگیری قرار گیرد، تبدیل به هوش مصنوعی می‌شود که می تواند به مرور زمان بخشی از داده های سازمان که قبلا استفاده خاصی از آن نمی‌شد را تبدیل به ارزش نماید. ارزشی که منجر به درآمد بیشتر می‌شود.ارزشی که منجر به صرفه جویی در زمان می‌شود.و …در روش اول چالشی که به مرور زمان با افزایش حجم مشتریان و همچنین تنوع خرید مشتریان ممکن است بوجود آید، ناتوانی نیروی انسانی در حل مسئله است.گاهی نداشتن واحد فروش و پشتیبانی تمام وقت و ثابت، چالش است! و نیاز به استفاده از هوش مصنوعی را پر رنگ تر می‌نماید.به نظر می رسد بهینه ترین راهکار روش دوم است که تمامی فرایند ها توسط یک هوش مصنوعی انجام می شود. این هوش می تواند به صورت هوشمند رفتار مشتریان را مورد مطالعه و بررسی قرار دهد. در صورتی که حجم و تنوع داده ها زیاد باشد بر خلاف عامل انسانی پتانسیل مدیریت آن را داراست.اگر نگاهی دقیق تر به روش دوم بیندازیم متوجه خواهیم شد که درست است که نرم افزار محاسبات را می‌تواند سریع تر از عامل انسانی انجام دهد، اما اگر مدل به کار رفته در نرم افزار به درستی تنظیم و بهینه سازی نشده باشد، می‌تواند باعث تشخیص اشتباه شود.هر دو روش نقاط قوت و ضعف خود را دارند و بسته به نوع داده و نوع بیزنس می‌توان از هر کدام به صورت مجزا یا ترکیبی با هم استفاده نمود.از همراهیتان صمیمانه سپاسگزارم …

منبع

Author: admin

دیدگاهتان را بنویسید

نشانی ایمیل شما منتشر نخواهد شد. بخش‌های موردنیاز علامت‌گذاری شده‌اند *