وبلاگ
سیستم های پیشنهاد دهنده در CRM
احتمالا شما هم در هنگام خرید اینترنتی با این پیغام مواجه شده‌اید: “کسانی که این محصول را خریده‌اند، محصولات زیر را هم خریداری کرده‌اند”. سیستم های پیشنهاد دهنده (Recommender Systems) از ابزارهای داده کاوی هستند که کاربرد بالایی در CRM دارند.
الگوریتم‌های پیشنهاد دهنده معمولا به دو دسته اصلی تقسیم می‌شوند. دسته اول، رفتار خرید کاربران را مقایسه می‌کنند و الگوهای مشابه بین آن‌ها را شناسایی می‌نمایند. دسته دوم، به مقایسه قوانین باهم‌آیی در خرید محصولات می‌پردازند و احتمال خرید مشابه دو محصول را به دست می‌آورند.
اگر عضو شبکه‌های اجتماعی مثل یوتیوب یا اینستاگرام باشید، به خوبی با عملکرد این سیستم‌ها آشنا شده‌اید. سیستم های پیشنهاد دهنده با تحلیل دقیق جریان کلیک شما، علاقمندی‌هایتان را شناسایی می‌کنند و با توجه به آن‌ها به شما پیشنهادات جدید ارائه می‌دهند.
شبکه‌های اجتماعی مانند فیسبوک یا لینکدین هم به تحلیل شبکه ارتباطی شما می‌پردازند و دوستان حلقه دوم و سوم‌تان را برای دوستی به شما پیشنهاد می‌کند. گاهی اوقات این پیشنهاد‌ها به قدری دقیق هستند که کاربران را شگفت زده می‌کنند.
به کارگیری تکنیک‌های داده کاوی بر روی اطلاعات مشتریان، به شما کمک می‌کند تا شناخت دقیق‌تری نسبت به تک تک مشتریان‌تان به دست بیاورید و در پروموشن‌ها، پیشنهاداتی به آن‌ها ارائه کنید که بیشترین احتمال خرید را دارد. این موضوع در کسب و کارهای دیجیتال که قابلیت ثبت لاگ‌ها (سوابق کلیک مشتری) را دارد، به خوبی قابل اجراست.
ابزارهای داده کاوی به شما اجازه می‌دهد تا رفتار خرید آنلاین مشتری را تحلیل کنید و پیشنهادهایی دقیق به او ارائه دهید. به این منظور، محصولاتی که هر مشتری بازدید کرده، محصولاتی که به سبد خرید اضافه کرده و محصولاتی که خریداری کرده مورد بررسی قرار می‌گیرد و با الگوهای خرید استخراج شده از سایر مشتریان مقایسه می‌شود. نتیجه تحلیل نشان می‌دهد سایر مشتریانی که جریان کلیک مشابه داشتند، در مرحله بعد کدام محصولات را با بالاترین احتمال خریده‌اند و همان محصولات را پیشنهاد می‌دهد.
در کارگاه تخصصی “کاربرد تکنیک‌های Data Mining در CRM” با نرم‌افزارها، الگوریتم‌ها و ابزارهای این علم نوظهور آشنا می‌شوید و با مهارتی که در زمینه کشف دانش به دست می‌آورید، داده‌های مشتریان‌تان را با آخرین متدهای روز دنیا تحلیل می‌کنید.
?
نوشته: مجید برقی
گروه مدیریت ارتباط با مشتری