021-22222711 info@pdnco.ir

داده کاوی در بازاریابی

تعریف مفهوم داده کاوی تا کشف روابط پنهان حاصل از تراکنش،بررسی ،مشاهده ی رفتار مشتریان،مصاحبه و تحقیقات بازار و کاربرد این اطلاعات در بازاریابی جهت تدوین استراتژی درست بازاریابی

شرکت پایانه های داده ای نوین - خدمات انفورماتیک، سخت افزار و نرم افزار | داده کاوی در بازاریابی

داده کاوی Data Mining ، به معنای اکتشاف و تحلیل شمار زیادی از داده ها جهت کشف الگوها و قواعد معنادار است. هدف اصلی داده کاوی آن است که به یک بنگاه اقتصادی اجازه دهد تا بازاریابی، فروش و عملیات پشتیبانی مشتریان را از طریق درک بهتر از مشتریانشان بهبود بخشد. در واقع اطلاعات و داده های خام بسیاری از طریق، تراکنش ها، بررسی و مشاهده رفتار مشتریان، مصاحبه و تحقیقات بازار جمع آوری می شود و سپس تلاش میشود روندهای پنهان موجود در این داده ها شناسایی شوند، این روندهای پنهان می توانند اطلاعات ارزشمندی را در اختیار بازاریابان قرار دهند، که میتوانند تاثیر به سزایی در ایده پردازی برای تصمیمات استراتژیک بازاریابی داشته باشند.

 

 

داده کاوی در دو دسته هدایت شده و هدایت نشده قرار می گیرد. داده کاوی هدایت شده تلاش می کند تا برخی از زمینه های هدف نظیر اطلاعات مربوط به درآمد یا پاسخ را توضیح بدهد یا طبقه بندی کند. این در حالی است که داده کاوی هدایت نشده تلاش می کند تا الگوها یا تشابهاتی را در بین گروه های موجود از رکوردها (ثبت ها) و بدون استفاده از زمینه هدف خاص یا گردآوری کلاس ها و طبقه های از پیش تعریف شده، پیدا کند.

 

برای درک درست تر مفهوم داده کاوی به بررسی مراحل آن میپردازیم.
•    طبقه بندی
•    پیش بینی
•    تخمین
•    گروه بندی وابستگی
•    خوشه بندی
•    پروفایل سازی
•    کاربرد داده کاوی در بازاریابی
o    تحلیل سبد بازار
o    مدیریت ارتباط با مشتری
o    بخش بندی مشتری

بسیاری از مشکلات و مسائل ذهنی، اقتصادی و موارد مربوط به کسب و کارها را می توان در شش وظیفه زیر بیان کرد:

•    طبقه بندی
طبقه بندی شامل مشاهده و بررسی حالات یک پدیده یا شی تازه ارائه شده و اختصاص آن به یکی از کلاس های از پیش تعریف شده میباشد که توسط رکورد ها،در جدول پایگاه داده ثبت میشود و قابل مشاهده میباشد.
•    پیش بینی
پیش بینی بسیار شبیه به طبقه بندی بوده،با این تفاوت که انتظار میرود رکوردهای ثبت شده با رفتار پیش بینی شده ی آینده یا ارزش آتی تخمین زده شده مطابقت داشته باشد.در حالت کلی تنها راه بررسی دقت طبقه بندی صبر و دیدن نتیجه ی پیش بینی آن است.
•    تخمین
تخمین با خروجی های ارزش گذاری شده‌ی مستمر سر و کار دارد که معمولا برای اجرای وظیفه‌ی طبقه‌بندی مورد استفاده قرار می‌گیرد.
•    گروه بندی وابستگی
در گروه بندی وابستگی به تعیین این موضوع میپردازیم که چه داده هایی با هم و چه داده هایی در کنار هم می‌آیند برای مثال می‌توان سبد خرید فروشگاه را در نظر گرفت که اقلام تشکیل دهنده‌ی آن از قلب تحلیل سبد بازار بیرون آمده است.
•    خوشه بندی
خوشه بندی وظیفه بخش بندی یک جمعیت ناهمگون در قالب شماری از زیرگروه ها یا خوشه های همگون است.در خوشه بندی، هیچ کلاس و نمونه از پیش تعیین شده ای وجود ندارد.
•    پروفایل سازی
گاهی اوقات هدف داده کاوی این است که توصیف کند در یک پایگاه داده پیچیده چه چیزی در جریان است بگونه ای که فهم ما را نسبت به افراد، محصولات یا فرآیندهایی که برای نخستین بار داده در آن بسترها تولید شده اند را بالا ببرد.
داده کاوی زمانی بیشترین توجهات را به خود جلب می کند که حجم بالایی از داده ها و اطلاعات وجود داشته باشد. در حقیقت، بیشتر الگوریتم های داده کاوی برای ساخت و ارتقا مدل هایی که در طبقه بندی، پیش بینی، تخمین یا دیگر وظایف داده کاوی مورد استفاده قرار خواهند گرفت، به مقادیر بزرگ داده نیازمند هستند. بدین معنا که در تمامی فعالیت های بالا زمانی که حجم داده ها بالا رود اهمیت استفاده از داده کاوی خودنمایی می کند.
داده کاوی در حال حاضر برای بالابردن نگهداشت مشتری در صنایعی استفاده می شود که مشتریان آزاد هستند تا با یک هزینه بسیار اندک عرضه کننده یا فروشندگان را تغییر دهند و رقبا نیز هوشیار هستند تا آن ها را به دام بیندازند.
داده کاوی، داده ها را به نتایج عملی تبدیل می کند. موفقیت این کار در این است که به داده ها حس و کاربرد کسب و کاری داده شود نه اینکه صرفا از الگوریتم ها یا ابزارهای خاصی استفاده شود.
داده ها در اشکال بسیار، در فرمت های بسیار و از سیستم های چندگانه به دست می آیند. چرخه داده کاوی با شناسایی فرصت های درست کسب و کار آغاز می شود. شناسایی منابع داده ای درست و تجمیع آن ها از جمله عوامل اساسی موفقیت محسوب می شوند. داده کاوی در حقیقت اتصال گذشته به آینده است آن هم از طریق یادگیری!

 


 

کاربرد داده کاوی در بازاریابی
ساده ترین تعریف از یک متقاضی خوب – و تعریفی که توسط بیشتر شرکت ها استفاده شده – وجود دارد به معنای شخصی است که حداقل، علاقه خود را در مورد تبدیل شدن به یک مشتری، بیان می کند. داده کاوی در این خصوص ابتدا به تعریف معنای یک متقاضی خوب میپردازد و سپس به یافتن قواعدی می پردازد که به افراد با این مشخصه ها و ویژگی ها اجازه می دهد تا مورد هدف قرار گیرند.


تبلیغات می تواند به عنوان ابزاری برای دستیابی به متقاضیان و افرادی که هیچ چیز درباره آن ها نمی دانیم، مورد استفاده قرار بگیرد. بازاریابی مستقیم حداقل نیازمند یک بخش کوچک از اطلاعات اضافی نظیر اسم، آدرس یا شماره تلفن یا آدرس ایمیل می باشد. جایی که اطلاعات بیشتری وجود دارد، فرصت های بیشتری نیز برای داده کاوی وجود دارد.
در پایه ای ترین سطح، داده کاوی می تواند در انتخاب این مورد که برای بهبود هدفگذاری بهتر است با کدام افراد ارتباط برقرار شود، مورد استفاده قرار بگیرد. سطح اول هدفگذاری نیاز به داده کاوی ندارد، تنها نیاز به داده دارد.کمپین های بازاریابی مستقیم عموما نرخ های پاسخی دارند که در قالب ارقام تک اندازه گیری میشوند. در این حالت مدل های پاسخ مورد بررسی قرار می گیرند تا از طریق شناسایی متقاضیانی که احتمال بیشتری وجود دارد به درخواست های مستقیم پاسخ دهند، نرخ های پاسخ بهبود یابد. استخراج این مدلهای پاسخ از طریق داده کاوی میسر است.
تمرکز اصلی مدیریت ارتباط با مشتری بر روی افزایش میزان سودآوری مشتری از طریق بیش فروشی(Upselling) و فروش موازی(Cross selling) به مشتریان موجود است. داده کاوی مورد استفاده قرار می گیرد تا نشان دهد که چه چیزی به چه کسی و در چه زمانی پیشنهاد شود.
همانطور که بیان شد، داده کاوی در کسب و کارهای امروزه دارای اهمیت و کاربردهای فراوانی است. به گونه ای که چه در بخش بازاریابی و چه در سایر بخش ها فعالیت های مختلفی وجود دارد که با استفاده از داده کاوی می توان کارایی فعالیت های آنها را ارتقا داد. از جمله موارد دیگری که داده کاوی در آنها مورد استفاده قرار می گیرد و کمک کننده است می توان به تحلیل سبد بازار، مدیریت ارتباط با مشتری و بخش بندی مشتری اشاره کرد.
•    تحلیل سبد بازار
تحلیل سبد بازار یک تکنیک مدل سازی است که بر مبنای این تئوری پایه ریزی شده است که اگر شما یک گروه ویژه و خاصی از اقلام را خریداری کنید، می توان گفت احتمال بیشتری وجود دارد که گروه دیگری از اقلام را نیز خریداری کنید. این تکنیک به خرده فروش اجازه می دهد تا رفتار خرید یک خریدار را درک کند و بفهمد. این اطلاعات ممکن است به خرده فروش کمک کند تا نیازهای خریدار را بشناسد و طرح و چیدمان فروشگاه را مطابق با آن تغییر دهد. در این روش از تحلیل تفاضلی مقایسه نتایج بین فروشگاه های مختلف، بین مشتریان در گروه های جمعیت شناختی مختلف استفاده میشود.
گاهی نتایج داده کاوی حتی به ما می گوید که چیدمان و طراحی فروشگاه خود را چگونه تغییر دهیم تا مطابق سلیقه و نیازهای مشتریان باشد.
•    مدیریت ارتباط با مشتری
مدیریت ارتباط با مشتری تماما درباره به دست آوردن مشتریان و نگهداشتن آن ها، بهبود وفاداری مشتریان و همچنین پیاده سازی استراتژی های متمرکز بر مشتری است. کسب و کارها برای حفظ یک رابطه مناسب و درست با مشتری  نیاز دارند داده هایی را جمع آوری کنند و به تحلیل اطلاعات بپردازد. این مورد همان جایی است که داده کاوی در آن ایفای نقش می کند. با تکنولوژی های داده کاوی، داده های جمع آوری شده می توانند برای تحلیل مورد استفاده قرار بگیرند.
•    بخش بندی مشتری
تحقیق بازار سنتی ممکن است به ما کمک کند تا مشتریان را بخش بندی کنیم اما داده کاوی به عمق موضوع می پردازد و اثربخشی بازار را افزایش می دهد. داده کاوی به تراز کردن و همراستا کردن مشتریان در یک بخش مجزا کمک می کند و می تواند نیازهای مربوط به مشتریان را نیز متناسب سازی کند. بازار همواره درباره حفظ و نگهداشت مشتریان است. داده کاوی اجازه می دهد کسب و کارها تا یک بخش از مشتریان را بر مبنای میزان آسیب پذیری پیدا کنند و کسب و کار نیز می تواند به آنها پیشنهادهای ویژه ای بدهد و از این طریق رضایتمندی را بالا ببرد.
همانگونه که در این مقاله به آن اشاره شد، داده کاوی موضوع جدیدی است که به واسطه اثربخشی و کاربردهایی که دارد توجهات بسیاری را به سوی خود جلب کرده است. فضای رقابتی نیز خود را همگام با پیشرفت های تکنولوژی کرده است. از این رو درک درست داده کاوی و کاربردهای آن در بازاریابی و به کار بستن آن برای صاحبان کسب و کارها و نیز بازاریاب ها حائز اهمیت می باشد.
منبع: bloved marketing 



مطالب مرتبط