اخبار بازار

یک نمونه عملی از علم داده در بازاریابی

با توجه به حجم بالای داده های موجود ، شرکت ها برای دستیابی به مزیت رقابتی که آنها را از هم جدا می کند ، بر روی داده کاوی تمرکز می کنند. قابلیت تجزیه و تحلیل دستی دیگر به این مقدار داده و محدوده موجود آن پاسخ نمی دهد. در بعضی موارد ، از ظرفیت پایگاه داده های منظم فراتر رفته است. در همین حال ، رایانه ها قدرتمندتر شده اند ، شبکه ها رایج تر شده اند و الگوریتم هایی برای اتصال مجموعه داده ها و انجام تحلیل های گسترده تر و عمیق تر از گذشته ایجاد شده اند. رشد همزمان حجم داده و افزایش قدرت تحلیلی باعث افزایش استفاده از علم داده در تجارت شده است.

جمع آوری و تجزیه و تحلیل داده ها از مدت ها قبل نقش مهمی در شرکت ها و سازمان ها داشته است. اما از آنجا که بشریت روزانه بیش از 2.5 میلیون ترابایت داده تولید می کند ، هرگز جمع آوری ، تجزیه و تحلیل و تفسیر داده ها به سادگی و عملی امکان پذیر نبوده است.

اگر از داده های جمع آوری شده بر اساس شاخص های قابل اندازه گیری مانند شاخص های کلیدی عملکرد (KPI) برای تدوین استراتژی و تصمیم گیری استفاده کنیم ، به این تصمیم گیری مبتنی بر داده گفته می شود.

اصولاً ، تصمیم گیری مبتنی بر داده به معنای تلاش برای دستیابی به اهداف کلیدی تجارت از طریق داده های تأیید شده و تحلیل شده است.

به عنوان مثال یک شرکت تاکسی اینترنتی ، داده ها را جمع آوری و تجزیه و تحلیل می کند و به این نتیجه می رسد که منشا بسیاری از سفرها از رستوران ها شروع می شود و توسط عوامل در رستوران ها اداره می شود. بنابراین وی تصمیم می گیرد یک سرویس آنلاین تحویل غذا از رستوران ها راه اندازی کند.

استفاده از داده ها در تصمیم گیری باعث رشد مداوم تجارت می شود. این به شرکتها اجازه می دهد فرصت های شغلی جدیدی ایجاد کنند ، درآمد بیشتری کسب کنند ، روندهای آینده را پیش بینی کنند ، فعالیت های روزانه را ساده تر کرده و راه حل های عملی ایجاد کنند.

هنگامی که شروع به جمع آوری و تجزیه و تحلیل داده ها می کنید ، می فهمید که همیشه تصمیم گیری مطمئن در مورد هرگونه مشاغل تجاری آسان تر است. این که تصمیم به راه اندازی یا قطع محصول باشد ، یا تنظیم یک برنامه بازاریابی و غیره.

داده ها منطقی ، واضح و قابل اعتماد هستند. با حذف عناصر ذهنی از تصمیمات شغلی ، می توانید اعتماد به نفس خود را نسبت به شرکت خود افزایش دهید. این اطمینان به سازمان شما اجازه می دهد تا کاملاً نسبت به یک چشم انداز یا استراتژی خاص متعهد باشد. بدون نگرانی بیش از حد در مورد تصمیم اشتباه.

داده ها ممکن است یک الگوی یا نتیجه خاص را نشان دهند. اما اگر نقصی در روند جمع آوری داده یا تفسیر آن وجود نداشته باشد ، هر تصمیمی بر اساس آنها می تواند اشتباه باشد. بنابراین یک تصمیم مبتنی بر داده به معنای این نیست که همیشه درست باشد. بنابراین ، تأثیر تصمیمات تجاری باید به طور مرتب اندازه گیری و کنترل شود.

بازاریابی مبتنی بر داده ، استراتژی استفاده از داده های مشتری برای بهینه سازی هدفگذاری پیام ها و خریدها از طریق کانال های ارتباط با مشتری است. این روند را می توان مهمترین پیشرفت در دنیای بازاریابی دانست.

بازاریابی مبتنی بر داده به معنای تصمیم گیری و ارائه پاسخ عملی به سؤالاتی است که چه کسی باید چه چیزی ، چه زمانی ، کجا ، چه پیامی دریافت کند.

از آنجا که هدف اصلی علم داده دستیابی به راه حل های عملی از تجزیه و تحلیل داده ها است ، مزایای آن در بازاریابی را نمی توان نادیده گرفت. داده های بزرگ در بازاریابی فرصتی برای درک بهتر مخاطبان هدف فراهم می کند.

موارد زیر مثالی از یکی از کاربردهای علوم داده در بازاریابی است که با گذشت زمان اثبات شده است:

هر مشتری ویژگی های خاص خود را دارد. بنابراین تعامل با همه مشتریان با یک رویکرد امکان پذیر نیست. به همین دلیل است که طبقه بندی مشتری در بازاریابی بسیار مفید است.

فرض کنید شما صاحب یک فروشگاه با بیش از 100000 مشتری با ویژگی های مختلف هستید. برای طبقه بندی مشتریان به گروه هایی با مشخصات مشابه ، سه ویژگی زیر را می توان برای آنها در نظر گرفت:

1 – چه زمانی مشتری آخرین خرید خود را انجام داده است؟ این ویژگی را با نماد R (کوتاه برای فرکانس) معرفی می کنیم.

2. هر مشتری در یک بازه زمانی مشخص مثلا در سال گذشته چندین بار از ما خریدهایی انجام داده است. ما این ویژگی را با نماد F (کوتاه برای فرکانس) ارائه می دهیم.

3. هر مشتری به طور متوسط ​​برای هر خرید در یک بازه زمانی معین ، به عنوان مثال در سال گذشته چقدر خریداری کرده است؟ ما این ویژگی را با نماد M (مخفف پولی) ارائه می دهیم.

مدل سازی داده های مشتری با سه ویژگی فوق ، مدل RFM نامیده می شود. این مدل در سال 1994 توسط هیوز معرفی شد. این مدل برای بیش از 30 سال برای تجزیه و تحلیل ارزش مشتری استفاده شده است.

حال برای استفاده بهتر از این داده ها برای تصمیم گیری های بهتر و مبتنی بر داده ها ، ابتدا باید وضعیت هر مشتری را از نظر این سه معیار مشخص کنیم. به خاطر سادگی مدل سازی ، مشتریان را می توان برای هر شاخص به 3 دسته تقسیم کرد. به عنوان مثال ، در جدیدترین شاخص زمان خرید (R) ، با توجه به زمان سال ، مشتریان به سه دسته زیر تقسیم می شوند:

1- مشتریانی که در 4 ماه گذشته اقدام به خرید کرده اند ، در گروه 1 قرار دارند.

2- مشتریانی که طی 8 ماه گذشته اقدام به خرید کرده اند اما در 4 ماه گذشته اقدام به خرید نکرده اند. آنها در رده 2 قرار می گیرند.

3- مشتریانی که در سال گذشته خرید انجام داده اند اما آخرین خرید آنها مربوط به بیش از 8 ماه است؛ آنها در رده 3 قرار می گیرند.

بر این اساس ، وزن مشخصی را می توان به اهمیت هر شاخص و رتبه آن نسبت داد.

نکته مهم: طبقه بندی مشتری و وزن اهمیت آن در هر یک از شاخص ها و دسته ها رابطه بسیار مهمی با صنعت ، بازار و هدف سازمان است. به عنوان مثال ، اهمیت تعداد خریدها یا تأخیرها در بازار خودرو با مواد غذایی بسیار متفاوت خواهد بود.

پس از تعیین وضعیت هر یک از این معیارها برای مشتری ، می توان از دو روش استفاده کرد. در یک روش ساده تر که یک بررسی کلی از وضعیت رفتار مشتری ارائه می دهد ، مشتریان می توانند با توجه به رتبه بندی در هر یک از شاخص ها طبقه بندی شوند. بر این اساس ، مشتری با توجه به سابقه خرید خود در هر شاخص در رتبه abc نمایش داده می شود. در این شرایط ، مشتریان با رتبه 111 ، یعنی آخرین خریدار ، بیشترین تعداد خرید و بیشترین تعداد خرید ، به عنوان مشتریان پیشرو و مشتریانی که رتبه 333 را دارند ، در رده بدترین مشتری ها قرار می گیرند. به این ترتیب این توجه به این گروه مشتری بسیار مهم خواهد بود:

1-1-1 :- مشتریانی که بیشترین خرید را از نظر تعداد و کمیت خرید انجام داده اند و اخیراً در بین خریداران بودند. این مشتریان می توانند به عنوان هسته اصلی تولید درآمد و برنامه های ویژه وفاداری در نظر گرفته شوند ، هسته های انتخابی برای برقراری ارتباط با مشتری یا حتی سفیران برند می توانند در مورد آنها اعمال شوند.

1-1-2 / 1-1-3: مشتریان در دو دسته قرار می گیرند اما در دسته سوم ایندکس نمی شوند. این مشتریان بالاترین پتانسیل رشد را در آینده دارند و با توجه به دسته بندی هایی که در رده های شاخص قرار ندارند ، می توان برنامه های خاصی را برای تبلیغ آنها به مشتری شاخص در آینده ابداع کرد.

1-2-2 / 1-2-3 / 1-3-2 / 1-3-3: مشتریانی که در فهرست هستند در یکی از دسته ها قرار می گیرند اما در رده های بعدی در دسته های دیگر قرار دارند. این مشتریان پتانسیل تبدیل شدن به مشتری های عادی را دارند و می توان ترغیب شد تا عاقلانه برنامه هایی مانند تخفیف را ارائه دهند.

علاوه بر این روش طبقه بندی ساده ، دو روش دیگر برای طبقه بندی مشتریان با استفاده از روش RFM وجود دارد. روش شاخص وزن و روش خوشه ای با الگوریتم K-Means.

با توجه به اینکه دو روش شاخص وزن و خوشه هایی با الگوریتم K-Means کمی پیچیده تر هستند ، در زیر به اختصار به این دو روش خواهیم پرداخت.

با استفاده از روش شاخص وزن می توانید صفحات هر گروه را به یک فهرست تبدیل کنید و بسته به نوع صنعت می توانید برنامه سازمان و اهمیت هر یک را در فرمول مشخص کنید. به عنوان مثال ، امتیاز هر مشتری با توجه به وضعیت وی در هر شاخص به شرح زیر است:

AR + BF + CM

در این حالت ، R ، F ، M وضعیت مشتریان در هر دسته (رتبه بهتر = تعداد بالاتر) و A ، B ، C اهمیت هر دسته در وضعیت مشتری (تعداد بهتر = اهمیت بیشتر) است.

براین اساس می توان وضعیت مشتری را به یک شماره شاخص تبدیل کرد که مشتریانی که دارای تعداد شاخص بالاتری هستند در بین مشتریان پیشرو قرار می گیرند ، سپس با توجه به وضعیت مشتری هر فهرست می تواند یک برنامه خاص برای شماره شاخص و وضعیت در هر دسته برای مشتری داشته باشد. خیالی بود.

اما بهترین و دقیق ترین روش برای طبقه بندی مشتریان با استفاده از روش RFM استفاده از الگوریتم K-значи برای شناسایی دسته ها و توزیع وضعیت مشتری در آن دسته از موارد است. در این روش ، پس از طبقه بندی و تعیین وضعیت مشتری در هر دسته با استفاده از یک تابع لگاریتمی ، مرکز توزیع اقلیدسی را در هر دسته بندی مشخص می کنیم به گونه ای که تعداد مشتریان در هر گروه با میانگین کلیه مشتریان مشتری در آن دسته برابر باشد. موجود

با توجه به اینکه این تقسیم هیچ پاسخ از پیش تعریف شده و دقیق ندارد و از جمله مشکلات موجود در NP-Hard است و پاسخ قطعی ندارد ، می توان با ایجاد یک چرخه تکرار ، به یک راه حل نزدیک به محلول مطلوب پس از چند چرخه رسید. اینجاست که اهمیت ماشینهای یادگیری و روشهای ترکیب علم داده با بازاریابی به کار می رود. از آنجا که مهمترین بخش این روش تحلیلی تقسیم مشتری است ، با استفاده از یک الگوریتم K-معنی و ایجاد چرخه تکراری ، طبقه بندی بهینه با توجه به ساختار صنعت ، اهداف و غیره و سپس با تقسیم می توان تعیین کرد. وضعیت مشتری در این دسته ها یک طرح بسیار دقیق و خاص در رابطه با هر دسته از مشتری ها در نظر گرفته می شود.

همانطور که در مثال بالا مشاهده کردید ، جمع آوری داده ها ، دانش داده ها و تصمیم گیری مبتنی بر داده می تواند در زمینه های مختلف بازاریابی مانند تصمیمات مهم مانند شخصی سازی مشاغل ، بهینه سازی موتور جستجو ، دستیابی به مشتری و نگهداری استفاده شود. بنابراین ، یادگیری و استفاده از علم داده همیشه برای مدیران ارشد بازاریابی و مدیران محصول توصیه می شود.


دبورا زهی ، دبیکا سیحی ، لورن موزالک ، دیوون س. جانسون سفر سازمان بازاریابی برای هدایت داده ها

HBS آنلاین ، مزایای تصمیم گیری مبتنی بر داده است

· Peiman Alipour Sarvari ، Alp Ustundag، Hidayet Takci، (2016)، “ارزیابی عملکرد رویکردهای مختلف تقسیم مشتری بر اساس RFM و تجزیه و تحلیل جمعیتی”

Keren Chaim ، تقسیم مشتریان با یادگیری ماشین “الگوریتم K – به معنای اعمال شده در داده های فروش الکترونیکی تجاری در جهان”

مسعود کبانی ، Sever

جهت دیدن مقالات بیشتردر مجموعه اخبار کسب و کار کلیک کنید 

مسوولیت کلیه محتوای سایت بر عهده منابع اصلی بوده وبانک مشاغل اینفوجاب هیچ مسوولیتی در قبال محتوا ندارد.

جهت دیدن ادامه مطالب مجموعه اخبار بازار کلیک کنید

لینک کوتاه مطلب: shrtco.de ulvis.net tny.im clck.ru v.ht v.gd is.gd g6g.ir

دیدگاهتان را بنویسید

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

دکمه بازگشت به بالا