پایان نامه رایگان با موضوع ارتباط با مشتری، مدیریت ارتباط، استراتژی

ت ارتباط با مشتری مشارکتی
مدیریت ارتباط با مشتری مشارکتی33 همان سیستمهای مدیریت ارتباط با مشتری هستند که با سیستمهای بزرگ سازمانی یکپارچه شدهاند تا امکان پاسخدهی بالاتری را به مشتری در طول زنجیره تامین فراهم نمایند. یک سیستم CCRM میتواند زمینه فروش دانش و ابزارها را به هر کسی در سازمان پیشنهاد کند و به گردش فروش در طول کانالهای مرکز ارتباط تلفنی با مشتری34 کمک کند. یک CCRM میتواند به کارمندان سازمان، تهیه‌کنندگان و حتی شرکاء نیز توسعه یابد.
2-3 دادهکاوی
دادهکاوی به معنای کشف الگوهای مفید از دادهها میباشد. تکنیک‌های داده‌کاوی قادر به استخراج مشخصه‌ها و نیازهای مخفی مشتریان از پایگاه داده‌های بزرگ هستند. کاربردهای داده‌کاوی در مدیریت ارتباط با مشتری توجه دانشگاهیان را به خود جلب کرده است و نرخ تحقیقات مرتبط همچنان
شکل 2-4 الگوریتم خوشه‌بندی K میانگین (کارگری و سپهری، 2012)
2-4 بخشبندی
بخشبندی مشتریان، به عنوان مرحله اولیه از فرایند مدیریت ارتباط با مشتری، مسئله قابل توجهی در وضعیت تجاری رقابتی امروز است. مطالعات زیادی در زمینه‌ی کاربرد تکنولوژی داده‌کاوی در بخشبندی مشتریان و تاثیراتش موجود می‌باشد (استون، 2006)، اما بسیاری از آنها مشتری را تنها از یک نقطه نظر، به جای استفاده از یک متدولوژی سیستماتیک بخشبندی کرده‌اند.
چای و چان62 روش‌های موجود بخشبندی مشتری را به روشهای متدگرا و کاربردگرا طبقه‌بندی کردند (2008). اکثر نویسندگان تغییر بعضی از تکنیکهای خوشه‌بندی داده مانند نگاشت خود سازمانده و یا استفاده از ترکیبی از دو یا چند تکنیک داده‌کاوی برای رسیدن به خوشه‌ها یا بخشهای دقیق‌تر را ارائه دادهاند (جانکر63 و همکاران، 2004، لی64 و همکاران، 2004، هوانگ65 و همکاران، 2007، کیم66 و همکاران 2008). آنها معمولا متغیری جدید برای فرایند خوشه‌بندی تعریف و ایجاد میکنند و یا از متغیرهای مختلف در مراحل خوشهبندی ترتیبی استفاده میکنند (کیم و همکارانش، 2006، هوانگ وهمکارانش، 2004، چای و چان67، 2008، استون68 و همکارانش، 2006، سیه69، 2004، چانگ70 و همکارانش، 2007، شییو71 و همکارانش، 2009، مککارتی72 و همکارانش، 2007، لی و همکارانش، 2005، چنگ73 و همکارانش، 2009).
2-4-1 اهداف بخشبندی
اگرچه بخشبندی مشتری و بخشبندی بازار به صورت مشابه در ادبیات در نظر گرفته شده است، اما تفاوت‌های مهم در مورد در دسترس بودن داده‌ها برای مکانیسم خوشهبندی آنها وجود دارد.
هدف از بخشبندی بازار معمولا به دست آوردن مشتریان جدید (مرحله اول فرایند مدیریت ارتباط با مشتری) با استفاده از داده‌های اجتماعی-جمعیتی است. در حالی که بخشبندی مشتری در تمام مراحل مدیریت ارتباط با مشتری، با استفاده از داده‌های اجتماعی-جمعیتی و دادههای معاملاتی کاربرد دارد. “ما می‌توانیم تصور کنیم که حفظ مشتری مهم‌تر از کسب مشتری است، به دلیل عدم اطلاعات از مشتریان جدید انتخاب مشتریان هدف دچار مشکل شده و این باعث تلاشهای بازاریابی ناکارآمد می‌شود” (هوانگ74 و همکاران، 2004).
هدف از بخشبندی شناسایی نیازهای مشتریان و تعیین دقیقتر خصوصیات هر کدام از بخشها میباشد. بعد از بخش‌بندی، سازمان میتواند یک یا چند بخش را با توجه به معیارهای مورد نظر خود به عنوان مشتریان هدف انتخاب نماید و در جهت مدیریت بهتر ارتباط با آنها و خدمتدهی مناسبتر، استراتژیهایی را تدوین نماید. همچنین شناسایی مشتریان با ارزش و وفادار میتواند برای سازمان فرصتهای سودآوری را در پی داشته باشد و بقای آن را در عرصه رقابت حفظ نماید.
دستورالعمل بخشبندی بدین صورت است که ابتدا باید مشخص شود که به چه دادههایی نیازمندیم و چگونه باید آنها را جمعآوری نماییم. گردآوری دادهها و یکپارچه کردن آنها از منابع مختلف مرحله بعد خواهد بود. همچنین روشهای تحلیل داده برای بخشبندی نیز باید تعیین گردد. پس از آنالیز دادهها و بخشبندی، این اطلاعات باید در دسترس بخشهای مختلف قرار گرفته و راهکارهایی برای پاسخدهی و استفاده بهتر پیادهسازی گردد که البته باید متناسب با استراتژیهای مطلوب سازمان برای هر بخش با توجه به تواناییها، امکانات و جایگاه سازمان و نیز تحلیل و شناخت ویژگیهای آن باشد.
2-4-2 مزایای بخشبندی مشتریان
گاهی در سازمانها به منافع استراتژیک بخشبندی توجه کافی نمیشود. بخشبندی مشتریان با ایجاد چارچوبی به سازمان کمک میکند که گروه هدف خود را بهتر انتخاب نموده و منابع محدود خود را به طور بهینه و موثری برای تامین رضایت آنها و در نتیجه سودآوری بیشتر به کار برد. بیشتر استراتژیهای تجاری موفق بر مبنای بخشبندی مشتری و تمرکز منابع در بخشهای با ارزش‌تر استوار هستند و در نتیجه از موثرترین مزیتهای بخشبندی افزایش مطلوبیت استفاده از منابع سازمان میباشد.
موارد زیر مهمترین مزایای بخشبندی میباشد:
خدمترسانی بهتر با توجه به نیازها و خواستههای مشتری و ایجاد ارتباط خاص با هر گروه
سودآوری بالاتر
فرصت برای رشد
روابط پایدار با مشتری در کلیه فازهای طول عمر مشتری
افزایش امکان نوآوری
افزایش سهم بازار
مدیریت ارتباط با مشتری بهتر
تعیین مشتریانی که پتانسیل سرمایهگذاری را دارند
نشان دادن زمینههای تحقیق و توسعه خدمات جدید
جهتدهی سازمان
2-4-3 معیارهای کلی بخشبندی
شاخصهای کلی جهت بخشبندی را میتوان به شاخصهای جمعیتشناسی، جغرافیایی، رفتارشناسی و روانشناسی تقسیم بندی کرد.
شاخصهای جمعیتشناختی75 شامل جنسیت، تحصیلات، تأهل، درآمد، شغل و محل زندگی و غیره میباشد. شاخص‌های جغرافیایی که البته میتوان آن را زیر مجموعه شاخصهای جمعیت‌شناختی نیز در نظر گرفت، میتواند تراکم جمعیت، نرخهای رشد و غیره باشد. شاخصهای رفتارشناختی میتواند شامل انگیزه، ارزشها، اولویتها، نگرش‌ها، حجم و ارزش خرید، دوره عمر، هدف خرید و استفاده از کالا خدمت یا منافع و انتظارات مشتری باشد. شاخصهای روانشناسی میتواند سبک زندگی و شخصیت مشتریان باشد.
معمولا شاخصهای جمعیتشناسی بهترین راه بخشبندی بازار نیستند. معمولا ترکیبی از شاخصهای ذکر شده برای بخشبندی مورد استفاده قرار میگیرد. از طرف دیگر معیارهای بخش‌بندی میتواند کاملا مرتبط با خدمت یا محصولی که ارائه میدهیم تعریف شوند.
همچنین از دیگر روشهای بخشبندی، بخشبندی بر اساس ارزش میباشد یعنی توجه به مشتریان بر اساس درآمدی که برای سازمان ایجاد میکنند و هزینهای که سازمان باید برای ایجاد و حفظ ارتباط با آنها بپردازد. تجربه نشان می‌دهد اگر تمرکز بخشبندی بر نیازهای مشتری باشد معمولا موثرتر است نسبت به زمانی که صرفا به سودآوری مشتری توجه شود. یکی دیگر از روش‌های بخشبندی که در مقالات علمی زیاد معرفی گردیده است به کار‌گیری مفهوم ارزش دوره عمر مشتری (LTV)76 است (برل و همکاران، 2008).
2-6 الگوریتم RFM
تجزیه و تحلیلRFM 77 برای چند دهه در بازاریابی مستقیم استفاده شده است (سید حسینی،2010). این روش رفتار مشتری را شناسایی می‌کند و ویژگی های رفتار مشتری را با سه متغیر به شرح زیر بیان می‌کند:
(1) تازگی آخرین خرید78 که به فاصله زمانی که آخرین خرید مصرفکننده تا الان اشاره دارد.
(2) فرکانس خرید79 که به تعداد معاملات در یک دوره خاص اشاره دارد.
(3) ارزش پولی خرید80 که به میزان مصرف پول در یک دوره خاص اشاره دارد.
تجزیه و تحلیل RFM در بسیاری از روشها مورد استفاده قرار گرفته است. RFM کلاسیک، هر یک از مشتریان را با پارامترهای ارزشش در برابر بقیه مشتریان رتبهبندی میکند و یک نمره RFM برای هر مشتری ایجاد میشود.
قدم اول این است که فایل مشتری را با توجه به اینکه چقدر اخیرا مشتری از این شرکت خریداری کرده است مرتب می‌کند. سپس پایگاه داده به پنج قسمت مساوی تقسیم میشود و به این پنج قسمت اعداد 1 تا 5 اختصاص داده می‌شود. بنابراین، به 20 درصد از مشتریان که به تازگی از این شرکت خریداری کردهاند شماره 5 را اختصاص میدهیم، به 20 درصد بعدی شماره 4 را اختصاص داده و الی آخر. مرحله بعدی شامل مرتب سازی بر اساس فرکانس و پول است. در نهایت، پایگاه داده به 125 گروه تقریبا مساوی (سلول) با توجه به مقدار تازگی، فراوانی، و ارزش پولی تقسیم شده است. مشتریان با نمرات بالا معمولا با ارزشترین و سودآورترین هستند (استون، 1994).
2-6-1 مزایای الگوریتم RFM
مزایای استفاده از این روش شامل: سادگی روش، در دسترس بودن اطلاعات برای محاسبه RFM، انعطافپذیری خوب و انطباق با هر یک از وضعیتهای کسب و کار است.
2-7 نگاشت‌های خود سازمانده
شبکه‌های عصبی خود سازمانده از جمله مهمترین و قدرتمند‌ترین شبکه‌های موجود جهت داده‌کاوی و تحلیل فضا‌های پیچیده می‌باشند (کوهونن81، 2001). این گونه از شبکه‌ها برای اولین بار در سال 1981 توسط کوهونن و با الگوبرداری از عصب شبکیه چشم معرفی گردید و برای نخستین بار در سال 1984 برای تشخیص صدا و تبدیل آن به متن، به طور عملی مورد استفاده قرار گرفت. اساس فلسفه شبکه‌های خود سازمانده، نگاشت فضاهای با تعداد ابعاد بالا به فضایی دو یا سه بعدی است، بگونه‌ای که حداقل اطلاعات از بین رفته و اطلاعات نهفته در ارتباط با میان داده‌ها نیز قابل کشف و نمایش باشند. این روش توانایی نمایش همبستگی بین داده‌ها و اطلاعات و اثرات متقابل و همزمان آنها بر یکدیگر را دارد. این توانایی‌ها با نگاشت ارتباطات غیر خطی میان اطلاعات با استفاده از یک واسط هندسی بر روی یک شبکه دو یا سه بعدی از نرون‌ها حاصل می‌گردد. یک شبکه دو بعدی از نرون‌ها اصطلاحاً یک نقشه از نرون‌ها نامیده می‌شوند. هر نقشه متشکل از مجموعه‌ای از نرون‌ها می‌باشد که بطور قاعده‌مندی کنار هم چیده شده و ساختار شبکه را به گونه‌ای که نرون‌های شبیه‌تر کنار یکدیگر قرار گیرند، شکل داده‌اند. کوهونن مقالات و کتاب‌های بسیاری در مورد سیستم‌های خود سازمانده به رشته تحریر درآورده است که نگاشت‌های خود سازمانده تنها گوشه‌ای از مطالعات وسیع وی می‌باشند (2001). این الگوریتم غالباً به منظور تحلیل فضا‌های پیچیده داده‌ها مورد استفاده قرار می‌گیرد (بریان82، 2005). چون اساس عملکرد این‌ گونه از شبکه‌ها تبدیل یک فضای ورودی با بعد دلخواه به یک فضا با بعد کمتر و غالباً یک نگاشت دوبعدی گسسته می‌باشد، به همین دلیل این‌گونه از شبکه‌ها را یک ابزار کاهش‌دهندهی بعد معرفی می‌نمایند. هدف نهایی از استفاده از نگاشت‌های خود سازمانده نیز حصول همین مدل ساده از داده‌های اولیه به منظور کاهش محاسبات و پیچیدگی‌های موجود در زمینه تجزیه و تحلیل داده‌ها می‌باشد.
2-7-1 کاربرد نگاشتهای خود سازمانده
نگاشت‌های خود سازمانده کاربرد‌های فراوانی در زمینه‌های مختلف علوم داشته که مهمترین آنها استخراج داده‌ها و تحلیل فضا‌های پیچیده می‌باشد (سئو83 و همکاران، 2004). از سایر کاربرد‌های این‌گونه از شبکه‌ها می‌توان به خوشه‌بندی (جین84 و همکاران، 2004)، تشخیص الگو (فونسکا85، 2006)، آنالیز تصاویر و اصوات (زامپیقی86 و همکاران، 2005) و تشخیص خطا (محمد خالد87، 2005) اشاره نمود. همچنین کاربرد‌های فراوانی در زمینه‌های مختلف علوم همچون مهندسی (جونلا88 و همکاران، 2003)، پزشکی (مشو و همکاران، 2005) داشته است. یامادا89 با استفاده از شبکه‌های خود سازمانده محیط‌های مختلف را بر اساس ترتیب کارها تشخیص و تقسیم‌بندی نموده است (2004). آبونی90 با تجزیه و تحلیل فرایندها، کیفیت تولیدات را با استفاده از شبکه‌های خود سازمانده برآورد کرده است (2003). کیت91 نیز با بکارگیری نگاشت‌های خود سازمانده صفحات وب را طبقه‌بندی نموده است

مطلب مشابه :  پایان نامه با کلمات کلیدیپیوند دوگانه، دینامیکی، دو قطبی