وبلاگ

• افزایش میزان مصرف و استفاده مشتریان

• فروختن محصول بیشتر به آنان

• • نگه‌داشتن مشتری برای دوره زمانی طولانی‌تر

به صورت عمومی چرخه عمر مشتریان دارای ۴ مرحله است (Rygielski, Wang et al. 2002):

• مشتریان احتمالی^[۱۴۳]: افرادی که هنوز مشتری نیستند ولی در بازار هدف قرار دارند.

• پاسخگوها^[۱۴۴]: مشتریان احتمالی که به محصول یا خدمت مورد نظر علاقه نشان داده‌اند.

• مشتریان فعال^[۱۴۵]: افرادی که در حال حاضر از محصول یا خدمت استفاده می‌کنند.

• مشتریان سابق^[۱۴۶]: افرادی که به دلایل مختلف دیگر ارزشی برای شرکت ندارند و در دامنه بازار هدف قرار نمی‌گیرند؛ یا افرادی که به سمت خرید از رقبا تغییر موضع داده‌اند.

داده‌کاوی در CRM در زمبنه ارتباط مناسب با هر یک از این گروه‌ها مدل‌های مناسبی ارائه می‌کند. به عنوان مثال می‌توان از داده‌کاوی برای پیش‌بینی این که کدامیک از مشتریان احتمالی می‌توانند به مشتری فعال و سودآور تبدیل شوند، استفاده کرد.
داده‌کاوی و رویگردانی مشتری
از دست دادن مشتری مهم است، زیرا هزینه‌ای که برای جذب مشتری جدید مصرف می‌شود بسیار بیشتر از هزینه‌ای است که صرف نگهداری مشتریان موجود می‌شود؛ این امر به خصوص در مورد صنایع قدیمی و بازار نسبتا اشباع شده بیشتر صدق می‌کند. وقتی بازار اشباع شود و نرخ پاسخگویی به فعالیت‌های جذب مشتری کاهش یابد، هزینه جذب مشتریان جدید افزایش خواهد یافت. هدف داده‌کاوی از تولید مدل‌های رویگردانی مشتری، شناسایی مشتریان با ارزشی است که در خطر از دست رفتن قرار دارند. بر اساس این مدل‌ها و برای حفظ مشتریان با ارزشی که بدون مشوق‌های اضافی شرکت را ترک می‌کنند، پیشنهادهای خوبی داده می‌شود.
یکی از اولین چالش‌ها در مدلسازی رویگردانی مشتری این است که تعیین کنیم از دست رفتن مشتری چیست و چه زمانی اتفاق افتاده یا می‌افتد (شهرابی ۱۳۹۰a). تعیین و تشخیص این امر در برخی از صنایع دشوار است؛ زیرا در اکثر موارد نحوه رفتار مشتریان در هیچ پایگاه داده‌ای ثبت نمی‌شود. به عنوان مثال زمانی که یک مشتری وفادار، خرید معمول قهوه‌ی خود را متوقف می‌کند و به مغازه دیگری مراجعه می‌کند، فروشنده مغازه قهوه که نوع سفارش وی را به خاطر دارد این مسئله را در می‌یابد ولی در هیچ پایگاه اطلاعاتی ذخیره نمی‌شود.
حتی زمانی که اطلاعات جامعی از مشتریان در اختیار باشد، تشخیص یک مشتری از دست رفته از کسی که برای مدتی قطع رابطه کرده دشوار است. ممکن است خرید بعدی یک مشتری وفادار با کمی تاخیر همراه باشد؛ در این صورت آیا می‌توان وی را به عنوان مشتری رویگردان در نظر گرفت؟
کشف رویگردانی مشتری، زمانی که یک ارتباط پرداختی ماهانه مانند کارت‌های اعتباری وجود داشته باشد کمی آسان‌تر است. همچنین مفهوم رویگردانی مشتری در تجارت‌هایی که مشتریان دارای یک اشتراک بلند مدت هستند، راحت‌تر از سایر موارد تعریف می‌شود؛ به همین دلیل، مدلسازی رویگردانی مشتری در این گونه تجارت‌ها معمول‌تر است. شرکت‌های تلفن راه دور، تلفن همراه، شرکت‌های بیمه، شرکت‌های خدمات مالی، تامین‌کنندگان خدمات اینترنت و تلویزیون کابلی، مجلات و برخی از خرده‌فروشان مثال‌هایی از این تجارت‌ها هستند.
در نهایت، برای مدل‌سازی رویگردانی مشتری دو رویکرد اساسی وجود دارد. رویکرد اول، رویگردانی مشتری را به عنوان یک نتیجه دوگانه می‌بیند و پیش‌بینی می‌کند که کدام مشتری می‌ماند و کدام می‌رود. رویکرد دوم، درصدد است که دوره بقای مشتری^[۱۴۷] را پیش‌بینی کند.
رویکرد اول: پیش‌بینی و تعیین مشتریانی که سیستم را ترک می‌کنند
مدل‌سازی رویگردانی مشتری به صورت یک نتیجه دوگانه، نیازمند درنظر گرفتن یک افق زمانی است. این مدل‌ها معمولا افق زمانی کوتاهی در حد ۶۰ یا ۹۰ روز دارند. البته افق زمانی نباید انقدر کوتاه باشد که زمانی برای انجام اقدامات پیشگیرانه بر اساس پیش‌بینی‌های مدل وجود نداشته باشد. مدل‌های روگردانی مشتری با نتایج دوگانه را می‌توان با ابزارهای معمول دسته‌بندی مانند رگرسیون لجستیک، درخت‌های تصمیم و شبکه‌های عصبی تهیه کرد. داده‌های پیشین که جمعیتی از مشتریان را در یک بازه زمانی توصیف می‌کند، با برچسبی که نشان می‌دهد آیا مشتری در زمان‌های بعدی فعال بوده یا نه ترکیب می‌شوند. وظیفه مدل‌سازی، ایجاد تمایز بین مشتریانی است که مانده‌اند و آنهایی که رفته‌اند.
معمولا پیش‌بینی کننده‌های مدل رویگردانی مشتری، ترکیبی از اطلاعاتی هستند که یا در زمان جذب مشتری درباره آنها جمع‌ آوری شده است؛ یا مانند دیرکرد در پرداخت‌ها و مشکلات رخ داده با خدمات، در زمان ارتباط با مشتری پیش آمده است. دسته اول مدل‌های داده‌کاوی پیشگویی‌کننده رویگردانی مشتری، اطلاعاتی را در مورد چگونگی کم کردن رویگردانی‌های مشتریان در آینده با جذب نمودن مشتریانی با تمایل کمتر به رویگردانی فراهم می‌کنند. دسته دوم، بینشی برای کم کردن خطر رویگردانی مشتریانی که هم‌اکنون وجود دارند فراهم می‌کند (شهرابی ۱۳۹۰a).
رویکرد دوم: پیش‌بینی مدت زمانی که مشتریان باقی خواهند ماند
در این رویکرد، هدف درک این مطلب است که مشتری تا چه زمانی احتمال دارد باقی بماند. تخمین زمان نگهداری مشتری جزء مهمی از مدل ارزش عمر مشتری است و این تخمین می‌تواند مبنایی برای امتیاز وفاداری مشتری نیز باشد. یک مشتری وفادار کسی است که برای مدت طولانی در آینده باقی خواهد ماند، نه کسی که زمان زیادی را تا به امروز باقی مانده است.
یکی از رویکردهای مدل‌سازی طول عمر مشتری برای تخمین مدت زمان حفظ مشتری، داشتن تصاویر لحظه‌ای از گستره‌ی جمعیت مشتریان فعلی و در نظر گرفتن وضعیت آنها در ابتدای جذب شدن به سیستم است. مشکل این رویکرد این است که هرچه مشتریان با طول عمر طولانی‌تر وجود داشته باشند، شرایط متفاوت‌تری در هنگام جذب شدنشان وجود داشته است. قطعا استفاده از خصوصیات مشتری که در بیست سال پیش مشترک سیستم شده است برای پیش‌بینی این که کدام یک از مشتریان امروزی برای مدت طولانی در آینده، مشترک خدمات ما خواهند بود راه مطمئنی نیست.
پیشینه تحقیق
تحقیقات متعددی در زمینه پیش‌بینی رویگردانی مشتری انجام شده است. در این تحقیقات به دو موضوع بیشتر توجه شده است:

• ساخت مدل‌های پیش‌بینی رویگردانی با کارایی و دقت بالا، در این زمینه همچنین یافتن متغیرها و ویژگی‌هایی از رفتار مشتری که می‌تواند در ساخت مدل به ما کمک کنند، مد نظر قرار گرفته شده است.

• یافتن فاکتورهای تاثیرگذار بر رویگردانی مشتری، به عبارت دیگر، چه فاکتورهایی در رویگردانی مشتری تاثیر مثبت یا منفی دارند.

از آنجایی که هدف ما در این تحقیق ایجاد یک مدل پیش‌بینی رویگردانی مشتری است، در مرور ادبیات تمرکز بیشتر در تحقیقات نوع اول است. روش‌ها و تکنیک‌های متعددی از رشته‌های آمار، یادگیری ماشین و علوم کامپیوتر در ساخت مدل‌های پیش‌بینی رویگردانی مشتری به کار گرفته شده است.
تحقیقات انجام شده در خارج از کشور
دو رویکرد پایه‌ای برای حل مشکل رویگردانی مشتری وجود دارد. رویکرد مبتنی بر هدف‌گیری^[۱۴۸] و رویکرد غیرهدف‌گیری شده^[۱۴۹] (Neslin, Gupta et al. 2006) (شکل ۲-۸) . رویکردهای غیرهدف‌گیری شده متکی به تبلیغات انبوه و ویژگی‌های برتر محصول برای افزایش وفاداری نسبت به برند و حفظ مشتری است. رویکردهای مبتنی بر هدف‌گیری خیلی پیچیده هستند و متکی بر شناسایی مشتریانی است که دارای احتمال رویگردانی بالا هستند. نسلین و دیگران رویکردهای مبتنی بر هدف‌گیری را به دو زیر دسته تقسیم می‌کنند (Neslin, Gupta et al. 2006): واکنشی^[۱۵۰] و پیشگیرانه^[۱۵۱]. با اتخاذ رویکرد واکنشی شرکت منتظر می‌ماند تا مشتری با شرکت تماس بگیرد و تقاضای قطع رابطه نماید و سپس شرکت به مشتری مشوق‌هایی را برای ماندن پیشنهاد دهد. در رویکرد پیشگیرانه شرکت سعی می‌کند تا در همان ابتدا مشتریانی را که احتمال رویگردانی آنها بالا است را شناسایی کند، سپس شرکت اقدام به هدف‌گیری این مشتریان نموده و سعی می‌کند تا با پیشنهاد مشوق‌ها و اجرای برنامه‌های خاص از رویگردانی مشتری جلوگیری نماید. نسلین و دیگران اظهار کرده‌اند که رویکردهای پیشگیرانه به طور بالقوه نسبت به رویکردهای واکنشی دارای برتری هستند از این جهت که در رویکردهای پیشگیرانه میزان مشوق‌ها کمتر از رویکردهای واکنشی است.
شکل ‏۲‑۸: رویکردهای برخور با رویگردانی مشتری
اهن و دیگران به بررسی عامل‌های تعیین‌کننده رویگردانی مشتری در صنعت مخابرات کشور کره پرداخته‌اند. آنها در تحقیق خود به این نتیجه رسیده‌اند که عامل‌های رویگردانی در صنعت مخابرات کشور کره عبارت اند از (Ahn, Han et al. 2006):

• نارضایتی مشتری: کیفیت سرویس عامل تعیین کننده ای در نارضایتی مشتری است.

• هزینه‌های سوئیچینگ: مشتریان به دو دلیل می خواهند ارتباطشان را با شرکت حفظ کنند؛ یا حالت اجبار وجود دارد یا مشتری واقعا به شرکت وفادار است. منظور از حالت اجبار این است که هزیته‌های تغییر شرکت برای مشتری بالاست و مشتری ترجیح می‌دهد در شرکت بماند.

• میزان استفاده از سرویس: الگوهای استفاده از سرویس با بهره گرفتن از سه معیار توصیف می‌شوند؛ تعداد دقایق استفاده، فرکانس استفاده، و تعداد گیرنده‌هایی که به وسیله مشترک تماس گرفته‌شده‌اند. سطح استفاده از سرویس که به طور شارژ ماهانه اندازه‌گیری می‌شود به عنوان یکی از پیش‌بینی‌کننده‌های رفتاری فرار مشتری در تحقیقات قبلی درنظر گرفته شده است. این موضوع قبلا تایید شده است که بین مقدار استفاده و رویگردانی ارتباط وجود دارد ولی اینکه آیا این ارتباط مثبت یا منفی است هنوز نامشخص است.

• وضعیت مشتری: بعضی از مشتریان به طور ناگهانی شرکت را ترک نمی‌کنند در حقیقت یا به طور موقت از سرویس استفاده نمی‌کنند یا به دلیل عدم پرداخت قبوض توسط شرکت تعلیق می‌شوند. حالت‌های مشتریان به سه دسته تقسیم می‌شود: ۱-فعال،۲- تعلیق شده ، ۳-عدم استفاده.

مشتریانی که در وضعیت‌های۲ و ۳ هستند احتمال رویگردانی آنها نسبت به کسانی که در وضعیت ۱ هستند خیلی زیاد است. این تحقیق به این موضوع می‌پردازد که وضعیت مشتری نقش واسطه‌ای بین عامل‌های تعیین‌کننده رویگردانی و احتمال رویگردانی دارند. به عبارت دیگر، بعضی از این عامل‌ها ممکن است احتمال رویگردانی را به طور مستقیم یا غیر مستقیم به واسطه همین حالت‌ها تحت تاثیر قرار دهند.
لاریویری و ون دن پائل از تکنیک رندوم فارستس^[۱۵۲] و رگراسیون فارستس^[۱۵۳] به منظور ساخت مدل پیش‌بینی‌کننده رویگردانی استفاده کرده‌اند (Larivie`re and Van den Poel 2005). نتایج تحقیق آنها نشان می‌دهد که دو روش فوق بترتیب نسبت به رگرسیون لجستیک و رگرسیون خطی دارای کارایی بهتری هستند.
هانگ و دیگران از روش‌های داده‌کاوی برای مدیریت رویگردانی در صنعت مخابرات استفاده کرده‌اند (Hung, Yen et al. 2006). نتایج تحقیق آنها نشان می‌دهد که تکنیک‌های درخت تصمیم و شبکه عصبی می‌توانند مدل‌های پیش‌بینی رویگردانی دقیقی را با گرفتن داده‌های دموگرافیک، اطلاعات صورتحساب و دیگر اطلاعات مشتریان ارائه دهند. در این تحقیق، همچنین تعاریفی در مورد رویگردانی و مراحل مختلف داده کاوی آورده شده است.
سوینی و سویت در تحقیق خود به بررسی نقش برند در حفظ مشتریان می‌پردازند (Sweeney and Swait 2008). همچنین، به بررسی روابط بین اعتبار برند و فاکتورهای دیگر چون رضایتمندی و کیفیت سرویس می‌پردازند. نتایج بررسی موارد بانکی و مخابراتی نشان می‌هد که اعتبار برند نقش تدافعی دارد؛ یعنی اینکه برند به طور قابل توجهی WOM را افزایش داده و سوئیچینگ مشتریان را کاهش می‌دهد. مدل استخراج شده از روابط در شکل (۲-۹) نشان داده شده است. همانطور که در شکل می‌بینید اعتبار برند باعث ایجاد وفاداری به طور مستقیم یا غیر مستقیم می‌شود و نیز وفاداری و رضایتمندی مشتری باعث می‌شود تا تمایل به سوئچینگ مشتری کمتر شود و توصیه‌های مشتری به سایر افراد برای استفاده از سرویس‌های شرکت زیاد شود.
شکل ‏۲‑۹: روابط بین برند و سایر فاکتورها
کوزمنت و ون دن پائل، اطلاعات مربوط به ارتباط مشتریان و تعامل مشتریان با مراکز تماس را با متغیرهای رایج در پیش‌بینی رویگردانی ترکیب کرده‌اند تا بدین ترتیب بتوانند یک مدل کارا برای پیش‌بینی رویگردانی تولید کنند (Coussement and Van Den Poel 2008a). آنها پس از پردازش ایمیل‌های غیر ساخت‌یافته دریافتی از مشتریان و تبدیل به اطلاعات ساخت‌یافته، آنها را با اطلاعات تراکنش‌های مشتریان ترکیب کرده‌اند. آنها در تحقیق خود نشان می‌دهند که با افزودن اطلاعات متنی غیر ساخت‌یافته به مدل‌های پیش‌بینی رویگردانی معمول، عملکرد این مدل‌ها به میزان قابل توجهی افزایش یافته است. از نقطه نظر مدیریتی، چارچوب مجتمع شده به مدیران تصمیم‌گیرنده در بخش بازاریابی کمک می‌کند تا مشتریانی را که مستعد سوئیچ هستند بهتر شناسایی کنند. متعاقبا با پیش‌بینی دقیق اینکه کدام مشتری تمایل به ترک شرکت را دارد اقدامات نگهداری و حفظ مشتری به صورت هدفمند خواهد شد.
کوزمنت و ون دن پائل، همچنین در تحقیق دیگری قدرت پیش‌بینی تکنیک ماشین‌های بردار پشتیبان (SVM) را با رگرسیون لجستیک و نیز رندوم فارست در زمینه پیش‌بینی رویگردانی مشتری مقایسه کردند (Coussement and Van Den Poel 2008b). آنها در تحقیق خود از روش SVM با تابع کرنل RBF استفاده کرده‌اند. تابع RBF دارای دو پارامتر است؛ در این تحقیق از دو تکنیک انتخاب پارامتر برای انتخاب پارامتر هایRBF استفاده شده است. آنها در تحقیق خود به این نتیجه رسیدند که تکنیک‌های انتخاب پارامتر نقش برجسته‌ای در کارایی و دقت پیش‌بینی SVM دارد و نیز تکنیک رندوم فارست در هر صورت بهتر از SVM عمل می‌کند.
تی سای و لو از شبکه‌های عصبی مصنوعی (ANN) به منظور ساخت مدل پیش‌بینی رویگردانی مشتری استفاده کرده‌اند (Tsai and Lu 2009). آنها در تحقیق خود از رویکرد ترکیبی استفاده کردند و دو مدل ترکیبی زیر را توسعه دادند: