چکیده وبینار سکان با مدیر ارشد داده جاباما، پیرامون داده‌محور شدن

⏱زمان مطالعه: 7 دقیقه

سکان پلتفرم تحلیل داده، چندی پیش وبیناری برگزار کرد که علیرضا رحیمی مدیر محتوای سکان میزبان حسین مهدی‌خواه مدیر ارشد رشد داده جاباما بود و پیرامون موضوع «تحلیل مشتری محور در صنعت E-commerce» به بحث و گفت‌و‌گو نشسته‌اند. در این مطلب چکیده‌ایی از مهم‌ترین نکات این گفت‌وگو را آورده‌ایم.

صنعت E-commerce

یکی از ویژگی مهم صنعت E-commerce (تجارت الکترونیک) حجم داده تولید شده در آن است، به دلیل اینکه اتفاق اصلی یک کسب‌وکار یعنی خرید و فروش، آنلاین اتفاق می‌افتد، حجم داده تولید شده در تجارت الکترونیک بسیار زیاد است به گونه‌ای که می‌توان از داده‌های تولید شده در این کسب‌وکارها برای صنایع دیگر و مسائل مختلف کشور استفاده نمود. به‌طور مثال داده تولید شده در دیوار و شیپور می‌تواند بیانگر اثرات تورم در مسکن باشد یا داده‌های دیجی‌کالا می‌تواند برای بسیاری از صنایع و حتی خرده فروشی‌ها مفید باشد.

مشکلات مهندسین داده

استخراج داده در کسب‌وکار آنلاین بسیار آسان‌تر از کسب‌وکارهای آفلاین است، پس تحلیل نیز آسان‌تر و سریع‌تر خواهد بود. در کسب‌وکارها، مشکل بزرگ مهندسین داده عدم اعتماد تیم مدیریت به داده است چرا که مدیران نمی‌توانند تجربه چندین ساله‌شان را نادیده بگیرند و به داده‌ها اعتماد کنند! بسیاری از کسب‌وکارها به داده‌ها و داده محور شدن اعتقاد دارند و در همین راستا تیم مهندسی داده کاملی تشکل داده‌اند، ولی در زمان اجرا، مدیریت مجموعه، وقتی آمار موجود با تجربه‌شان مطابقت ندارد از جمله عامیانه «با عقل من جور درنمیاد» استفاده می‌کند.
دعوای همیشگی داده و شهود در سازمان‌ها وجود دارد. به طور خلاصه شهود را می‌توان محاسبه سریع ذهنی تعریف کرد، اما سرعت این محاسبه به اندازه‌ای سریع است که گاها با مشاهده اشتباه گرفته می‌شود.
شما زمانی‌که یک فرد را از دور می‌بینید، قد فرد، کوتاه به نظر می‌رسد ولی شما بدون تفکر سریعا متوجه می‌شوید که این کوتاهی قد به دلیل فاصله شما از فرد است.
پس شهود و تحلیل داده از هم متفاوت نیستند و هر دو در یک راستا می‌باشند. شهود به صورت ذهنی انجام می‌شود، در فضای داده نیز در نهایت ما به شهود مراجعه خواهیم کرد، اما با این تفاوت که در فضای داده محور ما به صورت مکرر به شهود مراجعه می‌کنیم در نهایت شهود تعلیم یافته شکل می‌گیرد، یعنی با مراجعه‌های پیاپی و آزمایش‌های مختلف روی داده‌ها، فهم از داده‌ها با بیزینس  ما منطبق می‌شود، پس قطعا نتیجه حاصله از تصمیمات داد‌ه محور مناسب‌تر از فهم در لحظه خواهد بود.

فرهنگ داده محوری در سازمان

اگر افراد متخلف سازمان به داده‌ها به صورت متعدد مراجعه کنند و شهود تعلیم یافته جمعی در سازمان شکل بگیرد این دستاورد در واقع همان فرهنگ داده محوری در سازمان است. البته سنجه خاصی برای میزان داده محوری یک سازمان وجود ندارد، اما میزان داده محوری هر فرد در یک سازمان، بیانگر این فرهنگ می‌باشد. یکی از وظایف اصلی تیم داده در سازمان، رواج فرهنگ داده محوری می‌باشد.
به عنوان مثال طی یک آتش‌سوزی مسئول ارشد آتش‌نشان‌ها با وجود حجم کم آتش‌ فریاد میزند که ساختمان تخلیه شود. بعد از خروج تمامی افراد، ساختمان به طرز عجیبی فرو می‌ریزد، این قضیه برای تمامی افراد عجیب بود حتی برای خود مسئول ارشد آتش نشان‌ها. او می‌اندیشد و به عقب برمی‌گردد، متوجه می‌شود بنا به تجربه با توجه به گرما و حجم دود، متوجه شده که آتشی که آشکار است کمتر از حجم واقعی آتش بوده که بعدها طی تحقیقات معلوم شد آتش اصلی در طبقه زیرین شکل گرفته بوده است. این تجربه بیانگر شهود تعلیم یافته طی سال‌ها تجربه بوده که اگر در کل سازمان اجرا شود، هر فرد که در جایگاه خود به طور روزانه تصمیمات متعددی می‌گیرد،‌بوسیله این شهود تعلیم یافته می‌تواند تصمیماتی با کیفیت بهتری داشته باشد.
همه بخش‌ها باید داده محور باشند چرا که فعالیت تمام تیم‌ها حول محور رفتار خرید مشتری شکل می‌گیرد پس باید همه برای شناخت دقیق‌تر رفتار مشتری در تلاش باشند. یعنی اگر مدیر مجموعه داده محوری را قبول کند، کل سازمان داده محور نخواهد شد، باید همه افراد در تمام سطوح سازمان در عمل داده محوری را اجرا کنند.
البته باید توجه شود که اطلاعات مشتریان باید قابل دسترس برای تمام افراد نباشد و همه افراد داده‌های مرتبط با تخصص کاری خودشان را در اختیار داشته باشند.

ممکن است بسیاری از کسب‌وکارها به دلیل طولانی بودن مسیر داده محوری از شروع این مسیر منصرف شوند و آن را به صرفه ندانند، چرا که تشکیل یک تیم مهندسی داده در یک سازمان بسیار سخت و هزینه‌بر خواهد بود. از یک سو تعداد کم متخصصین مهندسی داده در ایران یکی از چالش‌های بزرگ این حوزه است و از سمت دیگر یک تیم داده، متشکل از ۵ الی ۷ مهندس داده است که هر کدام پیش‌زمینه‌های مختلف تخصصی از محصول، بازاریابی و… باید داشته باشند. راه حل این چالش، برون‌سپاری تحلیل داده است. چرا که شما نیاز به صرف هزینه برای تشکیل زیر ساخت‌ها و استخدام افراد متخصص ندارید و علاوه ‌بر آن، سازمان‌هایی که خدمات تحلیل داده انجام می‌دهند به دلیل اینکه تجربیات مختلفی در صنایع مختلف دارند روند کار سریع‌تر و نتیجه‌بخش‌تر خواهد بود.

درمورد صرف زمان زیاد برای داده داده محور شدن باید پرسید آیا شهودی که شما در ابتدای تشکیل کسب‌وکار خود از صنعت مورد نظر خود داشته‌اید با درک و بینشی که اکنون دارید برابری می‌کند؟ پس قدم برداشتن در این مسیر به صورت تدریجی باعث نتایج بلند مدت مهمی خواهد شد و علاوه‌بر آن شهودی که در حال حاضر شما از کسب‌وکارتان دارید با میزان شهودی که می‌توانستید با داده بتوانید به دست بیاورید قابل مقایسه نیست! چرا باید از این منبع بزرگ اطلاعات چشم پوشی کرد؟

چرا داده و داده‌محور شدن مهم است؟

بوسیله داده و نتایج حاصل از تحلیل آن، شما متوجه می‌شوید که با صرف هزینه و زمان کم می‌توانید کمپینی را اجرا کنید و نتایج خوبی بدست آورید. شما توسط داده متوجه می‌شوید که

  • مشتری‌های وفادار شما چه کسانی هستند که به صورت مستمر در طی بازه‌های زمانی ثابت نیازمندی‌هایشان را از بستر شما تهیه می‌کنند.
  • افراد از بستر شما طی دوره‌های مختلف چه مبالغی و چند قلم کالا تهیه می‌کنند.
  • طی چه بازه زمانی مجدد به شما مراجعه می‌کنند. (این مسأله ارتباط مستقیم با محصول و خدماتی که شما می‌فروشید دارد اگر شما محصولات بهداشتی عرضه می‌کنید دفعات مراجعه خریدار به شما در مقایسه با فروش محصولات دیجیتال بیشتر خواهد بود. عکس این قضیه در مبالغ خرید هر دوره هم متفاوت خواهد بود، یعنی افراد مبلغ سبد خریدشان بیشتر خواهد بود ولی مدت زمان فاصله بین خرید نیز بیشتر خواهد بود.)

شما با پیشنهادات مختلفی مشتریان را می‌توانید ترغیب کنید که حجم سبد خریدشان را افزایش دهند یا فاصله خریدشان را کم کنند. با این روش‌ها شما ارتباطتان را با مشتری حفظ می‌کنید و از حذف شدن و ریزش مشتریانتان جلوگیری می‌کنید و آن‌ها را به سمت مشتری ثابت شدن سوق می‌دهید، در نتیجه طول عمر مشتری افزایش می‌دهید.

آشنایی با مفهوم طول عمر مشتری یا CLV و ارزش آن برای کسب‌وکارها

حفظ مشتری برای شما به صرفه‌تر از جذب مشتری جدید می‌باشد چرا که جذب مشتری هزینه‌های خودش را دارد، در نتیجه دادن هدیه‌ها و تخفیفات برای حفظ مشتری مناسب‌تر از جذب مشتری جدید خواهد بود.

دسته‌بندی مشتریان

اگر شما مشتریان را به دسته‌های مختلف و دقیق‌ تقسیم‌بندی کنید رفتار مناسبی با هر گروه از مشتریانتان خواهید داشت و نتیجه بهتری بدست می‌آورید. این به این معنی است که رفتاری که شما با مشتری جدیدتان دارید و پیشنهاداتی که به او می‌دهید با مشتری قهرمانتان یا مشتری وفادار قدیمی شما نباید یکسان باشد. (درباره پرسونا مشتری اینجا بخوانید)

مشتری زمانی که به سمت کسب‌وکار ما می‌آید قطعا یک نیازی داشته که فکر می‌کند می‌تواند آن نیاز را توسط کسب‌وکار شما تامین کند. زمانی که یک کاربر از ما خرید انجام می‌دهد این فرد به عنوان مشتری شناسایی می‌شود فاصله‌ی بین خریدهایی که پس از آن صورت می‌گیرد یک از مهم‌ترین موارد تاثیر گذار در دسته‌بندی مشتریان است. فاصله خریدهای هر مشتری یک روند را تشکیل می‌دهد که تا بی‌نهایت ادامه دارد چرا که مشتری مورد نظر در صورت نیاز به خرید بارها و بارها به کسب‌وکار ما باز خواهد گشت.
این فاصله خریدها به طور مستقیم به محصولی که ما می‌فروشیم ارتباط دارد چرا که فاصله خرید محصولات تند مصرف چند روز تا یک هفته می‌باشد و این زمان در خرید لباس چند ماه و درمورد محصولات الکترونیکی چند سال می‌باشد.
ما طبق شهودی که از زندگی افراد در جامعه داریم متوجه این فاصله‌ها می‌شویم که شهود را داده نیز تایید می‌کند.

به‌طور بنیادی دسته‌بندی می‌تواند بر اساس:

۱. ویژگی‌های ذاتی: سن، جنسیت، محل زندگی
۲. شخصیت و رفتار مشتری: به طور مثال در کسب‌وکارهای پیرامون سفر، برخی افراد با برنامه ریزی قبلی سفر می‌کنند برخی بدون برنامه، برخی سفرهای کاری دارند و برخی سفرهای خانوادگی و…
۳.اولین خریدشان در چه ماهی شکل گرفته: در سازمان‌ها شما متوجه می‌شوید کیفیت افراد جذب شده در ماه‌های مختلف متفاوت است و این دلایل مختلفی دارد و شما با ترفندهای مختلف تلاش می‌کنید افراد را به سطح بهتری هدایت کنید.

هر صنعت و کسب‌وکاری می‌تواند تقسیمات مشتریان به خصوص خودش را داشته باشد. مثلا زمانی‌که شما در کسب‌وکارتان تنوع دارید نیازمند این هستید که رفتار مشتری را در هر دسته تحلیل کنید و داده‌های هر بخشی را از بخش دیگر جدا کنید و مخاطبان هر دسته را (درباره دسته‌بندی مشتری بخوانید) در دسته‌بندی‌های به خصوص خود تقسیم کنید.

ویدیو کامل این وبینار را میتوانید در اینجا مشاهده کنید.

روش RFM؛ راهکاری برای دسته‌بندی مشتریان

دیدگاه شما

لطفا دیدگاه خود را وارد کنید!
لطفا نام خود را در اینجا وارد کنید