سه شنبه, 29 خرداد 1397 - 15:20

استفاده از تحلیل داده برای پیش بینی و جلوگیری از مشکلات مشتری

بسیاری از مشکلاتی که منجر به پس فرستادن محصول یا خدمات برند می شوند با مداخله از طرف کسب وکار قابل پیش بینی، مذاکره و پیش گیری هستند.

درصد زیادی از مردمی که گوشی هایی با امکان پس دادن محصول خریداری می کنند، از این امکان استفاده می کنند و گوشی خود را برای شرکت سازنده پس می فرستند. دلیل اغلب بازگشت ها درست کار نکردن گوشی گزارش شده است، اما داده های جمع آوری شده نشان می دهد این موضوع دلیل اصلی نیست. واقعیت این است که این مشتری ها طرز استفاده از گوشی هوشمند را بلد نیستند و چون متوجه این موضوع نمی شوند یا دل شان نمی خواهد به آن اعتراف کنند، عملکرد ضعیف گوشی را بهانه می کنند. درنتیجه محصول خریداری شده را پس می فرستند و ضرر زیادی به سازنده گوشی هوشمند و شرکت ارائه دهنده خدمات وارد می شود. این موضوع شاید هزاران دلار در ارزش طول عمر مشتری (سودی که مشتری برای کسب وکار دارد) تأثیر داشته باشد.

پیش بینی احتمال پس فرستادن محصول و ارائه ی راه حل مناسب برای جلوگیری از آن برای هر کسب وکاری ارزشمند است. به عنوان مثال تماس گرفتن با مشتری بعد از خرید محصول، پرسیدن در مورد عملکرد محصول و یادآوری خدمات ۲۴ ساعته ی برند در هفت روز هفته یکی از راه های پیشگیری از پس فرستادن محصول توسط مشتری است. این مشارکت فعال با مشتری، متفاوت از خدماتی است که فروشنده هنگام فروش محصول ارائه می دهد. البته ارائه ی این خدمات برای تمام خریداران تلفن همراه دشوار و هزینه بر است. نکته کلیدی این است که تنها مشتری های نیازمند به این خدمات باید شناسایی و با آن ها ارتباط برقرار شود.

مطلب مرتبط: 5 نکته برای تجزیه ‌و ‌تحلیل داده‌ های بازاریابی

استفاده از تجزیه و تحلیل

مدل پیش بینی به کسب وکارها کمک می کند هر مشتری را در یک بازه ی زمانی بر اساس احتمال پس فرستادن محصول رتبه بندی کنند. این مدل در دنیای واقعی آزمایش شده و عملکرد بسیار خوبی داشته است. مردمی که توسط مدل پیش بینی در ۱۰ درصد بیشترین احتمال برای پس فرستادن محصول قرار گرفته بودند، حدود ۴۰ درصد افرادی بودند که بعد از مدتی گوشی موبایل را برای شرکت سازنده پس فرستادند. به عبارت دیگر مدل پیش بینی عملکرد خوبی داشت و پرخطرترین افراد برای پس فرستادن محصول، بیشترین درصد را به خود اختصاص دادند.

در این مثال صبحت کردن با ۱۰ درصد افرادی که در دسته ی پرخطر قرار گرفته بودند، نسبت به صحبت کردن با تمام خریدارها بسیار راحت است و نرخ بازگشت را حدود ۴۰ درصد پایین می آورد. درواقع مذاکره کردن با ۱۰ درصد خریداران تلفن همراه، ۴۰ درصد نرخ پس فرستادن محصول را کاهش داده است. اینکه چه درصدی از افراد پرخطر باید تحت نظارت دقیق تر قرار بگیرند، توسط شرایط اقتصادی مانند هزینه های مداخله، مزایای تبدیل مشتری های ناراضی به مشتری های راضی و درصد درستی مدل پیش بینی قابل تشخیص است. درصد مطلوب مشتری هایی که نیاز به رسیدگی دارند معمولا متغیر است و شاید هشت، ۱۳ یا حتی ۳۰ درصد باشد. در ادامه به بررسی مثال دیگری از مداخله در تصمیم های مشتری می پردازیم.

یک شرکت ارائه دهنده ی خدمات درمانی با مشتری هایی که احتمال می دهد در آینده ی نزدیک در بیمارستان بستری خواهند شد، ارتباط عمیق تری دارد. شرایط پس فرستادن گوشی های موبایل خریداری شده بسیار متفاوت از شرایط بستری شدن در بیمارستان است اما روند تحلیلی مربوط به مداخله در هر دو مورد مشابه است. برای جلوگیری از بستری شدن مشتری در بیمارستان (به منظور جلوگیری از کاهش هزینه های شرکت بیمه) کارهای زیادی باید انجام شود.

به عنوان مثال یک تماس تلفنی باید به صورت هفتگی با مشتری برقرار شود تا مصرف داروها را به او یادآوری کند. در این مثال «مهاجران» به افرادی گفته می شود که حداقل ۱۵ روز از سال در بیمارستان بستری می شوند. مدل پیش بینی، تمام مشتری های شرکت بیمه را با احتمال قرارگیری در گروه مهاجران رتبه بندی کرده است. ۱۰ درصد افرادی که رتبه ی بیشتری کسب کرده بودند، ۵۳ درصد از افرادی را تشکیل دادند که به عنوان مهاجران واقعی شناخته شدند؛ یعنی در طول سال حداقل ۱۵ روز در بیمارستان بستری بودند. مطمئنا در این مورد نیز باید هزینه های مرتبط با مداخله و هزینه های کاهش اقامت در بیمارستان به طور دقیق محاسبه شوند و سپس برای برقراری ارتباط عمیق تر با مشتری تصمیم گرفته شود.

انتخاب بهترین راه مداخله در تصمیم مشتری یکی دیگر از جنبه های فرآیند تصمیم به مداخله است که معمولا کمتر مورد توجه قرار می گیرد. انتخاب موثرترین راه مداخله بسیار مهم است و دلیل اصلی بی توجهی به آن، کمبود داده است. یکی از راه های ارزیابی روش های مداخله، امتحان کردن استراتژی های مختلف روی جمعیت آماری مختلف و بررسی نتایج آن ها در بازه ی زمانی مشخص است. این استراتژی ها معمولا روی مشتری های منحصربه فرد برند انجام می شود.

هزینه  سرمایه گذاری روی ارزیابی استراتژی های مختلف زیاد است و شرکت ها ترجیح می دهند این آزمایش روی مشتری های سودآور انجام شود. این طرز تفکر هنگام جمع آوری داده برای تعیین ارزش طول مشتری نیز در بسیاری از شرکت ها مورد استفاده قرار گرفت. اغلب شرکت ها داده های لازم برای تجزیه وتحلیل را در اختیار نداشتند و روند جمع آوری چنین داده هایی بسیار سخت به نظر می رسید. با این حال امروزه اغلب شرکت های بزرگ و متوسط حجم داده ی کافی برای توسعه  مدل ارزش طول عمر مشتری یا همان CLV را در اختیار دارند. از طرفی داده های اشتباه و غیردقیق تأثیر زیاد و بدی روی نتیجه ی پیش بینی های می گذارند اما پیشرفت یادگیری ماشین روی انتخاب بهترین راه مداخله تأثیر مثبتی گذاشته است.

زمانی که مشتری های یک برند اقدامات نامطلوبی انجام می دهند، مشکلات زیادی برای بازاریابی و سایر جنبه های کسب وکار ایجاد می شود. اما خبر خوب این است که می توان با مداخله ی مناسب تا حدود زیادی از این اقدامات جلوگیری کرد. داشتن حداقل یک استراتژی برای مداخله در تصمیم گیری مشتری در بسیاری از موارد تأثیر مثبتی روی کسب و کار خواهد گذاشت. پیش بینی می شود در چند سال آینده عبارت «تجزیه و تحلیل مداخله» در عملیات بازاریابی شرکت ها بیشتر به کار گرفته شده و به عنوان یکی از عوامل موفقیت آن ها شناخته شود.

نوشتن دیدگاه


تصویر امنیتی
تصویر امنیتی جدید



عضویت در خبرنامه فرصت امروز

با عضویت در این خبرنامه از آخرین مطالب روزنامه مطلع خواهید شد.

Please wait

با ما در ارتباط باشید

021.88895341

021.88895342

[email protected]

شبکه های اجتماعی