وبلاگ

یکی از رویکردهای تحلیل داده‌ها، رویکرد داده کاوی می‌باشد که به کشف دانش می‌پردازد. برای این منظور، الگوریتم‌های مختلفی توسعه داده شده است. یکی از این الگوریتم ها که به خوبی می تواند تحلیلگران را در استخراج دانش از داده‌ها یاری رساند، الگوریتم استاندارد CRISP-DM می‌باشد. از آنجایی که متدولوژی مذکور مستقل از نوع داده‌ها بوده و به خوبی می تواند جهت آنالیز داده ها به صورت عام مورد استفاده قرار گیرد، در این پژوهش از آن به عنوان مبنا برای آنالیز داده‌ها در سازمان استفاده شده است.

گروه سولیکو به عنوان یکی از هولدینگ‌های برتر کشور در طول سال‌های فعالیت خود بر مشتری مداری و اهمیت درک نیازهای مشتری به عنوان اصول بنیادی شرکت تاکید ویژه‌ای داشته است. علاوه بر این با توجه به ماهیت کالاهای ارائه شده توسط سازمان و پراکندگی زیاد بین زمان‌های خرید مشتریان، مشخص نبودن زمان بازگشت، لزوم شناسایی مشتریان رویگردان اهمیت ویژه ای دارد. شرکت پخش و توزیع ارومیه که یکی از شرکت‌های توزیع محصولات گروه سولیکو بین مشتریان و در ارتباط مستقیم با آنها می‌باشد به عنوان گروه هدف این مطالعه انتخاب شده است.
به طور کلی مجموعه داده در اختیار این مطالعه که جامعه آماری آن را تشکیل می‌دهد داده‌های ۵۰۷۹ مشتری در بازه زمانی ۰۸/۰۴/۲۰۱۰ تا ۰۸/۰۹/۲۰۱۲ بر اساس ۱٫۰۲۴٫۱۷۰ فاکتور فروش می باشد.
پس از اتمام مرحله پیش پردازش داده‌ها، مرحله مدل سازی با دو زیر مرحله: مدل شناسایی گروه مشتریان با ارزش و مدل پیش بینی رویگردانی آغاز می شود. مدل شناسایی گروه مشتریان با ارزش در فرایند مدیریت رویگردانی مشتری تمرکز بر تمام پایگاه داده مشتریان ضروری نمی‌باشد زیرا بر اساس تحقیقات انجام شده معمولا ۸۰ درصد سود یک سازمان تنها از ۲۰ درصد مشتریانش تامین می شود که این قانون به قانون پارتو یا قانون ۸۰:۲۰ مشهور می‌باشد. بنابراین همه مشتریان از ارزش یکسان و لزوم برقراری بلند مدت برخوردار نمی باشند. در این مطالعه به منظور شناسایی مشتریان رویگردان و وفادار در سازمان، تمرکز اصلی بر گروه مشتریان با ارزش می‌باشد. ارزش گذاری مشتریان در سازمان بر اساس مدل RFM صورت می‌پذیرد که در این بخش بندی، ارزش‌گذاری مشتریان بر اساس مشخصه‌ های تاخر(مدت زمان سپری شده در آخرین تراکنش مشتری با سازمان)، تناوب خرید (تعداد تراکنش‌های مشتری در بازه زمانی مشخص) و ارزش پولی (میزان پول خرج شده توسط مشتری در سازمان در یک بازه) محاسبه می‌شود. مشخصه‌ های RFM، پیش بینی کنندگان خوبی برای ارزش عمر مشتریان هستند. این متغیرها به روش‌های متفاوتی برای ارزش گذاری مشتریان به کار گرفته می‌شوند. در یکی از این روش‌ها، هر کدام از متغیر های R، F و M دارای ارزش یکسانی هستند. در یک رویکرد جدید در این مدل، به هر یک از متغیرها وزنی اختصاص داده می‌شود. سپس بر اساس وزن‌های مورد نظر ارزش‌گذاری مشتریان انجام می‌شود. از آنجایی که تعیین اوزان بر اساس نظر خبرگان سازمان صورت می پذیرد به آن رویکرد RFM قضاوت محور گفته می‌شود که در این مطالعه از این رویکرد استفاده شده است.
از تعداد ۵۰۷۷ مشتری که از سازمان خرید داشته اند، ۴۶۱۸ مشتری دارای تناوب خرید می‌باشند یا به بیانی  می‌باشد. این مشتریان به طور کلی ۹۳ درصد کل پایگاه داده را تشکیل می‌دهند. در این پایگاه داده ۴۵۹ مشتری تنها یک بار از سازمان خرید نموده اند که از آنها صرف نظر می‌شود. این تعداد ۷ درصد کل پایگاه را تشکیل می‌دهند. با بهره گرفتن از اجرای پرس و جو‌های تجمیعی بر روی پایگاه داده موجود، مشخص شد که متوسط تناوب خرید بین مشتریانی که تکرار خرید داشته اند ۴۰ می‌باشد. بنابراین مشتریانی به عنوان با ارزش شناسایی می‌شوند که تناوب خرید آنها از متوسط تناوب خرید مشتریانی که تکرار خرید داشته‌اند بیشتر باشد. با این وجود با بررسی پایگاه داده مشخص شد که ۱۵۸۴ مشتری در سازمان در دسته مشتریان با ارزش قرار می‌گیرند. این گروه ۲۴ درصد کل پایگاه داده و ۳۰/۳۴ درصد مشتریانی که تکرار خرید داشته اند را تشکیل می‌دهند. بر اساس مطالعه انجام شده بر داده‌های مشتریان با ارزش و بررسی وضعیت آنها در سازمان مشخص شد که متوسط تناوب خرید در گروه مشتریان با ارزش ۹۱ بار می باشد که این میزان نسبت به متوسط تناوب مشتریانی که در سازمان تکرار خرید داشته‌اند دو برابر و نسبت به کل پایگاه داده ۲٫۵۷ برابر شده است. علاوه بر این مجموع پول خرج شده در سازمان توسط گروه مشتریان با ارزش ۴۳/۷۶ درصد از کل پول خرج شده بین مشتریانی که تکرار خرید دارند را تشکیل می‌دهند. این میزان برابر ۱۱/۷۶ درصد کل پول خرج شده در کل پایگاه داده است. بنابراین همان گونه که در گذشته