تجزیه و تحلیل داده‌های مشتری در CRM و معرفی روش‌های آن

برای اینکه بتوانیم از داده‌های ارزشمند ذخیره شده در CRM استفاده کنیم، باید با روش‌ها و ابزارهای متنوع تجزیه و تحلیل داده های مشتری آشنایی داشته باشیم تا بتوانیم آن‌ها را به‌درستی تجزیه و تحلیل کنیم. بدون این تجزیه و تحلیل‌ها، داده‌های موجود در سیستم مدیریت ارتباط با مشتری عملا هیچ کاربردی نخواهند داشت و این به آن معنا خواهد بود که شما از یک منبع کاملا ارزشمند خود استفاده مناسب و موثری نمی‌کنید.

تجزیه و تحلیل صحیح و کامل داده‌های موجود در CRM علاوه بر شناخت دقیق مشتریان و رفتار خرید آن‌ها، می‌تواند مبنای دقیقی برای پیش‌بینی و مدیریت مشکلات احتمالی پیش رو در کسب‌وکار خواهد بود.

پیش از هر چیز توجه به این نکته برای مخاطبین مهم است که محتوای این مطلب حاوی اصطلاحات فنی و تخصصی در حوزه فناوری اطلاعات است که فهم دقیق آن‌ها مستلزم برخی دانسته‌های پیش‌نیاز است اما در هر حال تلاش شده تا کلیات این اصطلاحات تخصصی نیز تا حدودی که برای مخاطب عمومی قابل فهم باشد تشریح شود.

 

تجزیه و تحلیل داده‌های مشتری و روش‌های آن

در این مقاله تصمیم داریم سه روش اصلی را که تجزیه و تحلیل داده های مشتری که در CRM مورد استفاده قرار می‌گیرد توضیح دهیم. این سه روش عبارتند از:

  1. OLAP یا پردازش تحلیلی آنلاین (Online Analytical Processing)
  2. تجزیه و تحلیل جریان کلیک (Click Stream Analysis)
  3. شخصی‌سازی و فیلترینگ مشارکتی (Personalization and Collaborative Filtering)

همچنین بخوانید: ارزش طول عمر مشتری یا شاخص CLV چیست؟

روش اول: OLAP (پردازش تحلیلی آنلاین)

اولین روش تجزیه و تحلیل داده‌های مشتری، روشی است که از آن با عنوان OLAP یا پردازش تحلیلی انلاین یاد می‌شود. اصطلاح داده کاوی یا Data Mining از آن دسته اصطلاحات تخصصی است که کاربرد آن اینقدر عمومیت پیدا کرده که کلیات مفهوم آن حتی برای مخاطب عام هم قابل فهم شده است. متداول‌ترین برداشت از داده کاوی، جست‌وجوی جزیی‌تر اطلاعات یا همان «واکاوی دقیق» (drill down) داده‌ها است. با این حساب در واقع داده کاوی یک مبحث کاملاً تخصصی زیرمجموعه‌ تجزیه و تحلیل خواهد بود که علاوه بر CRM کاربردهای متعددی در سایر حوزه‌ها هم دارد.

در واقع، شاید اصطلاح «واکاوی دقیق» یا همان drill down تفسیرکننده مناسب‌تری برای آنچه در پردازش تحلیلی آنلاین معروف به OLAP اتفاق می‌افتد باشد.

همان‌طور که پیش‌تر نیز گفته شد OLAP مخفف Online Analytical Processing به معنی «پردازش تحلیلی آنلاین» است. این روزها OLAP به یکی از محبوب‌ترین انواع مکانیزیم پشتیبانی تصمیم تبدیل شده است، که به اشخاص در کسب‌وکارها این امکان را می‌دهد تا داده‌ها را به‌صورت آنلاین و با هدف تمرکز بر داده‌ها در یک سطح پایین‌تر از سلسله مراتب داده‌ها کاوش کنند. اغلب، این به معنای ایجاد یک گزارش آنلاین، تحلیل و بررسی نتیجه، و گزارش‌گیری با جزئیات بیشتر به منظور درک داده‌های موجود است.

OLAP عموماً بر ابعاد و ویژگی‌های خاصی از داده‌ها در یک پایگاه داده سازماندهی شده نظیر زمان و مکان تمرکز می‌کند و به کاربر این امکان را می‌دهد که گزارشات مختلف عملکردی را با طبقه‌بندی زمان و مکان تهیه کند. مثلا در مورد یک شرکت توزیع محصولات بهداشتی کاربر می‌تواند از شرکت‌های منطقه‌ای، درآمد فروش تمام محصولات بهداشتی نوزاد را به تفکیک منطقه یا فروشگاه تهیه کند. یا در مثالی دیگر همان کاربر می‌تواند گزارشی را از سیستم دریافت کند که در آن درآمد منطقه‌ای به تفکیک ماهانه یا سه ماهه در آن آمده است.

اگر بخواهیم به  یک تفاوت ساده میان OLAP و داده کاوی  اشاره کنیم می‌توان چنین بیان کرد که تجزیه و تحلیل OLAP مستلزم آن است که تحلیل‌گر از ابتدا یک درخواست یا فرضیه در ذهن داشته باشد که می‌تواند گزارشات خود را بر پایه همین پیش فرض طراحی کرده و از سیستم دریافت نماید، اما داده کاوی عموما برای کشف و نمایش الگوها و رابطه بین داده‌ها، بدون هر گونه پیش‌فرض جدی از سوی تحلیل‌گر انجام می‌شود. به عنوان مثال داده کاوی و تحلیل رفتار مشتریان می‌تواند خوشه‌ای از مشتریانی را که محصولات مشابه خریداری می‌کنند شناسایی کند.

 

تجزیه و تحلیل داده های مشتری

 

روش دوم: تجزیه و تحلیل جریان کلیک

دومین روش تجزیه و تحلیل داده های مشتری «تجزیه و تحلیل جریان کلیک» است. ردیابی جریان کلیک بیشتر  در مورد کسب‌وکارهایی مصداق پیدا می‌کند که دارای کانال فروش دیجیتالی نظیر وب سایت یا اپلیکیشن هستند  و این نوع تحلیل ردپای یک بازدیدکننده در محیط سایت، مدت حضور وی در سایت، آنچه در طول بازدید خود انجام داده و زمان بازگشت او را نشان می‌دهند.

داده‌های جریان کلیک (که معمولاً یا به‌عنوان بخشی از انبار داده یا Data warehouse شرکت ذخیره می‌شوند) همزمان با فعالیت‌های تجارت الکترونیک شرکت‌ها این پایگاه داده در حال رشد است و به بیان ساده ردیابی جریان کلیک معادل یک دوربین مداربسته در یک فروشگاه بزرگ است که هر حرکت یک خریدار را ضبط کرده و برای بررسی رفتار مشتریان مورد مطالعه قرار می‌دهد.

اجازه بدهید تا برای روشن‌تر شدن موضوع ادامه مطلب را بر اساس یک مثال تشریح کنیم.

برای نمونه یک شرکت خرده‌فروشی محصولات عمومی را در نظر بگیرید. طبیعتا برای چنین شرکتی که کار خرده فروشی انجام می‌دهد هدف مطلوب آن است که تا حد امکان کاربر را در فروشگاه آنلاین خودش نگه‌ دارد. برای رسیدن به چنبن هدفی شرکت شروع به تجزیه و تحلیل داده‌های جریان کلیک کاربران خود می‌کند تا حدس بزند که مشتریان از چه نقاطی و به چه علت سایت را زودتر از موعد ترک می‌کنند.

یک از راهکارهای دیگر برای این شرکت تجزیه و تحلیل و تعیین ارزش سبدهای خرید رها شده کاربران است. یعنی هر گاه مشتری در در طی مسیر خرید و بدون نهایی کردن سفارش خود، سایت را ترک می‌کند، شرکت باید بررسی کند که چه محصولاتی در سبد خرید وجود دارد. سپس برای بررسی بیشتر، این داده‌ها می‌تواند با داده‌های مشابه سایر سبدهای خرید رها شده مقایسه شوند تا پاسخ سوالات زیر مشخض شود:

  • ارزش ریالی سبدهای خرید رها شده چقدر است؟ (به عبارت دیگر، به دلیل خروج زودهنگام مشتری چه مقدار پول از دست رفته است)
  • آیا محصولات موجود در سبد خرید از بین اقلام پرسود بوده یا جزو اقلامی بوده که برای جلب مشتری ارزان قیمت‌گذاری شده است؟
  • آیا می‌توان به فهرستی مشابه از محصولات در سبدهای خرید رها شده رسید؟
  • تنوع محصولات و تعداد دسته‌بندی‌های مختلف محصول در سبدهای خرید رها شده چقدر است؟
  • آیا مجموع صورتحساب سبدهای خرید رها شده، از نظر مبلغ خرید در یک محدوده مشخص قرار می‌گیرد یا خیر؟
  • معمولا در چه مرحله‌ای از مسیر خرید، سبدهای خرید رها می‌شود؟ (زمانی که مشتری مبلغ خرید را مشاهده کرده است، زمانی که سایت قبل از تأیید خرید نیاز به نظرخواهی شخصی داشته یا در جایی دیگر؟)
  • میانگین و کل صورتحساب‌های سبدهای خرید رها شده در مقایسه با سبدهای خرید تکمیل شده دارای چه وضعیتی است؟

نتیجه‌ی این تجزیه و تحلیل می‌تواند نظریه‌های جالبی را برای بهبود وضعیت کسب و کار به دنبال داشته باشد. به‌عنوان مثال، شاید هیچ‌یک از محصولات موجود در سبد خرید به اندازه‌ی کافی برای یک مشتری خاص جذاب نبوده تا او را برای ادامه‌ی خرید ترغیب کند، یا شاید پرسش مدام اینکه آیا برای تصفیه حساب آماده هستید باعث انصراف مشتری شده است.

یا حتی شاید تعداد یا ترکیب محصولات موجود در سبد خرید، مشتری را به یاد فروشگاه دیگری انداخته که تخفیف بیشتری برای خریدهای مشابه به او ارائه می‌دهد.

مسلماً برخی از این نظریه‌ها فقط حدس و گمان محض هستند. اما وقتی به‌طور منظم و با معیارهای ثابت بررسی شوند، جریان کلیک می‌تواند الگوهای جالبی را به صاحب کسب‌وکار نشان دهد.

الگو ممکن است نشان دهنده‌ی وابستگی متقابل محصول، پیشنهاد فروش مکمل (Cross-Selling) و استراتژی بیش‌فروشی (Up-Selling) باشد. و هنگامی که با اطلاعات جمعیت‌شناختی، روانشناختی و رفتارهای قبلی مشتری ترکیب شود، داده‌های جریان کلیک می‌تواند درک رفتار مشتری را به سطح کاملاً جدیدی برساند.

 

روش سوم: شخصی‌سازی و فیلترینگ مشارکتی

در سومین روش تجزیه و تحلیل داده های مشتری نیز به شخصی‌سازی و فیلترینگ مشارکتی خواهیم پرداخت. به زبان ساده شخصی‌سازی مشارکتی به آن معناست که ارتباطات به‌صورت مستقیم برای هر فرد یا هر گروه از مشتریان، شخصی سازی می‌شوند. پیش‌فرض این نوع شخصی‌سازی این است که یک شرکت بتواند با جمع‌آوری و تحلیل داده‌های کافی از مشتری، برای پاسخ‌گویی به ترجیحات و رفع نیازهای منحصربه‌فرد تک تک آن‌ها، چه در حال حاضر و چه در آینده برنامه‌ریزی و اقدام کند.

یک لحظه فرض کنید که یک فروشگاه بتواند با استفاده از تحلیل‌های مبتنی بر تکنولوژی بر روی داده‌های متنوع موجود از مشتریان و رفتارهای خریدشان، نمای ظاهری و محتوای نمایش داده شده به تک تک یا گروه‌های مختلف مشتریان خود را متناسب با ترجیحات آن‌ها تغییر دهد. یعنی هر مشتری دقیقا چیزی را ببیند و مسیری را طی کند که با شرایط و سابقه خریدش متناسب سازی شده است.

آیا واقعا ابزاری قدرتمندتر از این برای رقابت می‌توان یافت؟!

در حقیقت هدف شخصی‌سازی مشارکتی این است که بر اساس تحلیل داده‌های مشتریان، پیشنهادهای محصول به صورت دقیق به آن‌ها ارائه شود؛ محتوایی متناسب با ترجیحات فردی نمایش داده شود و تبلیغات متنوع سایت نیز به شکل هدفمند برای بازدیدکنندگان وب ظاهر شود. شخصی‌سازی در صورت اجرای درست و کامل،‌ نه‌تنها به معنای حفظ وفاداری مشتری است، بلکه می‌تواند منجر به افزایش خرید آن‌ها و ارزش کسب شده از تک تک مشتریان شود.

شخصی‌سازی می‌تواند اشکال مختلفی داشته باشد. می‌تواند شامل سفارشی کردن صفحات وب، از جمله ظاهر یک وبسایت با توجه به ویژگی‌های موردعلاقه‌ی یک بازدیدکننده باشد. بسیاری از وبسایت‌ها به کاربران اجازه می‌دهند تا سایت را براساس ترجیحات خود سفارشی کنند. مثلاً اگر کسی اغلب از جستجو در سایت استفاده می‌کند می‌تواند ابزار جستجو را به بالای صفحه منتقل کند. همچون سفارشی‌سازی، محلی‌سازی (Localization) نیز می‌تواند محتوای سایت را به منطقه‌ی جغرافیایی خاص بازدیدکننده متمرکز کند.

نوع دیگر شخصی‌سازی، شخصی‌سازی تطبیقی است که به مرور زمان یاد می‌گیرد.  این نوع از شخصی‌سازی که به عنوان فیلترینگ مشارکتی یا Collaborative Filtering شناخته می‌شود، با مشاهده‌ی رفتارهای مشتری و اعمال آنها بر شرایط جدید، هوشمندتر می‌شود.  به‌عنوان مثال، اگر یک فروشگاه آنلاین محصولات باغبانی از قابلیت فیلترینگ مشارکتی استفاده کند و چند کاربر همزمان با سفارش ابزار باغبانی، به بخش خرید پیاز گل بنفشه ارزان قیمت هم سر بزنند، به تدریج وبسایت به طور هوشمند به سایر خریداران ابزار باغبانی هم پیشنهاد خرید پیاز گل بنفشه را نشان می‌دهد.

فیلتر مشارکتی از رفتار سایر بازدیدکنندگان «مشابه» به‌عنوان مبنایی برای توصیه‌های خود به سایر کاربران استفاده می‌کند. ابزارهای فیلتر مشارکتی اغلب پیچیده‌تر و در نتیجه گران‌تر از شخصی‌سازی مبتنی بر قواعد هستند.

شاید مهم‌ترین مسئله در شخصی‌سازی این باشد که آیا کاربر از وقوع آن اطلاع دارد یا خیر. در سناریوی بازاریابی همراه با مجوز، بازدیدکنندگان داوطلبانه اطلاعات شخصی خود را در اختیار وبسایت قرار می‌دهند زیرا معتقد هستند که در این بین نوعی بده بستان وجود دارد: شرکت از این اطلاعات برای ارائه خدمات ارزش افزوده مانند تخفیف‌های دوره‌ای یا ارسال خبرنامه‌های موردعلاقه‌ی کاربر استفاده خواهد کرد و از سوی دیگر کاربر نیز صفحات سایت را به طور متناسب‌تر با نیاز خود می‌بیند.

خرده‌فروشان وب که eCRM را با اطلاعات دقیق مشتری و شخصی‌سازی پیشرفته ترکیب می‌کنند، می‌توانند محتوا و طرح صفحه سایت را برای هر بازدیدکننده سفارشی کنند تا جذابیت سایت و تمایل کاربر به خرید را افزایش دهند.

 

سخن آخر

در این مطلب از مجموعه مقاله‌های آموزش CRM، از تجزیه و تحلیل داده های مشتری با شما سخن گفتیم و سه روش اصلی آن را برای شما توضیح دادیم. امیدواریم که این اطلاعات بتواند در داده کاوی و تحلیل رفتار مشتریان به شما کمک کند. داده‌ها یکی از محرک‌های اصلی استراتژی، طرح‌ریزی و پیش‌بینی در کسب‌وکار است. بااین‌حال، بسیاری از تصمیم‌گیرندگان به‌طور کامل درک نمی‌کنند که چگونه جمع‌آوری داده‌های نادرست و نگهداری داده‌های نامناسب می‌تواند بر بازاریابی، فروش و نتیجه‌ی نهایی آنها تأثیر منفی بگذارد. طبق تحقیقات IBM داده‌های نامناسب سالانه ۳ تریلیون دلار برای کسب‌وکارهای ایالات متحده هزینه دارد. با داشتن اطلاعات تماس دقیق مانند آدرس‌های ایمیل معتبر و داده‌هایی که مرتباً به‌روز و استاندارد می‌شوند، شانس بیشتری برای دسترسی به‌موقع به مشتریان خود با خبرنامه‌ها، تبلیغ محصولات و فرصت‌های فروش بیشتر دارید.

چنانچه روش دیگری به نظر شما می‌رسد، روش‌های پیشنهادی خودتان را در قسمت نظرات برای استفاده سایر مخاطبان معرفی نمایید.