عنوان مقاله: مدیریت دانش مشتری در بازاریابی و مدیریت زنجیره تامین با نگاه داده کاوی
مولفین: حمیده نقاده (دانشجوی کارشناسی ارشد مهندسی دانش و علوم تصمیم، دانشگاه علوم اقتصادی تهران(hamide.naghade@ses.ac.ir) و شاهرخ اسدی و دکتر جمال شهرابی
موضوع: مدیریت دانش
سال انتشار(میلادی): 2012
وضعیت: تمام متن
منبع: ارسال شده توسط عضو پایگاه مقالات علمی مدیریت www.system.parsiblog.com
تهیه و تنظیم: پایگاه مقالات علمی مدیریت  www.SYSTEM.parsiblog.com     
چکیده: پیشرفت در زمینه تکنولوژی اطلاعات، بازاریابی ارتباطی را در سالهای اخیر به واقعیتی انکارناپذیر تبدیل کرده است. تکنولوژیهایی مانند انبارداده ای، داده کاوی و مدیریت نرم افزار رقابت، مدیریت روابط مشتری را به عنوان حوزه جدیدی که شرکت در آن می تواند مزیت رقابتی کسب نماید معرفی نموده است. به ویژه از طریق داده کاوی، با استخراج اطلاعات پنهانی از پایگاه داده ای بزرگ، سازمانها می توانند مشتریان ارزشمند را تعیین و رفتار آینده آنها را پیش بینی کنند. ابزارهای داده کاوی به سئوالاتی از کسب و کار پاسخ می دهد که در گذشته پیگیری آنها بسیار وقت گیر بوده است. با این حال توانمندیهای موجود در داده کاوی، مدیریت روابط مشتری را به نحو بهتری ممکن می سازد لذا تاکید تحقیقات و مطالعات کنونی بر اهمیت مدیریت ارتباط با مشتری و ایجاد یک فضای کاربردی مفید برای بهره مندی از یک عملکرد ایده آل بازاریابی، با استفاده از تکنیک ها و ابزارهای داده کاوی در سیستم های پشتیبان تصمیم گیری است. در این مقاله قصد داریم با استفاده از روش های داده کاوی و تکنیک های مدیریت دانش به ارائه چهارچوبی ساده و جامع پیرامون مدیریت دانش مشتری با توجه به مدیریت زنجیره تامین بپردازیم.

1- مقدمه:
چگونگی بازاریابی و مدیریت اطلاعات مشتریان قدم نهاده است. و شرکتها و سازمانهای بازرگانی و صنعتی امروزه با گسترش اینترنت وشبکه جهانی وب بطورگسترده ای قابلیت جمع آوری حجم زیادی از داده های مشتریان (خریدار و فروشنده)  یک کسب وکار در یک پایگاه داده بزرگ را دارا هستند.
اگرچه دانش بطور انحصاری محصول فناوری اطلاعات نیست، ولی فناوری اطلاعات بطور لاینفکی در ایجاد دانش و فرآیند مدیریت دانش از سالهای اول مشارکت داشته است. امروزه مدیریت دانش از مسئولیت های فناوری اطلاعات بشمار می رود. زیرا در جمع آوری، تبدیل دانش و انتقال داده ها، اطلاعات و دانش نقش کلیدی دارد. از منظر مدیریت دانش، هدف داده کاوی، کشف دانش سازمانی پنهان در اطلاعات خام است. اینگونه نیست که هر بینش حاصل از داده کاوی دانش می سازد، بلکه در عوض بسیاری از نتایج به دست آمده، اطلاعات مدیریت، یا هوش سازمانی است. مثلاً در سازمانهای تجاری، دانش با ارزش مورد مشتری، محصول و بازار را میتوان از طریق داده کاوی به دست آورد. داده کاوی ابزار مفیدی برای مدیران دانش است که کشف را با تحلیل تلفیق می کنند. تلفیقی که اغلب منجر به ایجاد دانش می شود.
چرا که از یک سو،  با در دسترس بودن حجم زیادی ازداده های مشتریان می توان با استفاده از ابزارهای داده کاوی فرصتهای حیاتی برای ایجاد مزیت رقابتی در سازمان ایجاد نمود. برای مثال وال مارت بزرگترین فروشگاه زنجیره ای آمریکا پایگاه داده ای مربوط به زنجیره تامین با 43 ترا بایت دارد که بزرگ تر از پایگاه داده استفاده شده برای جمع آوری خدمات مالیات بر درآمد است ]1[. از سوی دیگر بسیاری از سازمانها دریافته اند که دانش نهفته در این پایگاه داده های عظیم، برای بهبود و گسترش سیستم های پشتیبان تصمیم گیری یک سازمان نقش کلیدی دارد. در این زمینه خصوصا دانش مربوط به مشتریان برای عملکرد تصمیمات مربوط به مدیریت زنجیره تامین، عاملی حیاتی و بحرانی می باشد. اما متاسفانه حجم زیادی از این دانش مخفی و در نتیجه بلا استفاده باقی مانده است و از طرف دیگر رقابت شدید و افزایش امکان انتخاب برای مشتریان یک فشار جدید بر تصمیم گیران بازار سازمان ایجاد کرده است و به همین دلیل نیازبه مدیریت ارتیاط با مشتریان و نیز مدیریت دانش مشتری در یک بازه زمانی طولانی بیش از پیش آشکار شده است.
 این پدیده نوین که مدیریت دانش مشتری نامیده می شود مستلزم این است که سازمان، محصولاتش را سازماندهی کرده و با مشتریان اعم از خریدارن و تامین کنندگان مواد اولیه نه بر پایه مشخصات عمومی از پیش فرض شده بلکه بر مبنای ترجیحات واقعی مشتریان تعامل داشته باشد]2و3[ در حالیکه سازمانها در راستای اهداف مدیریت ارتباط با مشتریان رو به جلو حرکت می کند، عملکرد بازاریابی به عنوان خطوط مقدم در تعامل با مصرف کننده و تامین کننده نقش اساسی دارد. ...
 
2- مدیریت زنجیره تامین:
در فضای رقابتی تجارت امروز دنیا، شرکتها و سازمانها باید محصولات متنوع را با توجه به درخواست مشتری در دسترس وی قرار دهند. خواست مشتری برکیفیت بالا و خدمت رسانی سریع موجب افزایش فشارهایی شده است که قبلا وجود نداشته است، در نتیجه شرکت ها بیش از این نمی توانند به تنهایی از عهده تمامی کارها برآیند. بنابراین با بهره گیری از انواع فناوری و علوم مدیریت، اقدام به ایجاد مزایای رقابتی از طریق ابزارهای مدیریت داده و مدیریت دانش و بهینه سازی روندهای سازمانی مانند تولید و یا ارتباطات سازمان می کنند.
یکی ازمهمترین علوم مدیریتی که به عنوان یکی از مبانی زیرساختی پیاده سازی کسب وکار الکترونیک دردنیا مطرح است، مدیریت زنجیره تامین(SCM)  است. این علم در دهه 90 میلادی ظهور یافته و در این زمینه مباحث سودمندی را مطرح کرده است، و اینکار را به طریقی انجام می دهد که مشتریان بتوانند خدمت قابل اطمینان و سریع را با محصولات با کیفیت در حداقل هزینه دریافت کنند. لذا با بهره گیری از این ابزار سازمان شما قادرخواهد بود روابط تجاری خود را با بهینه سازی تبادل اطلاعات با همکاران تجاری نظیر تامین کنندگان مواد اولیه، توزیع کنندگان محصولات و پیمانکاران حمل و نقل کالا توسعه دهد. بدین ترتیب بنگاه اقتصادی شما موفق خواهد شد تا در زمان بسیارکمتری محصول خود را به بازار عرضه کرده و زمان تولید و هزینه های اتلافی را پایین آورد.
بنابراین در بازار رقابتی موجود، بنگاه های اقتصادی و تولیدی علاوه بر پرداختن به سازمان و منابع داخلی، خود را به مدیریت و نظارت بر منابع و ارکان مرتبط خارج از سازمان نیازمند یافته اند. علت این امر در واقع دستیابی به مزیت رقابتی با هدف کسب سهم بیشتری ازبازار است. براین اساس فعالیت هایی نظیر برنامه ریزی عرضه و تقاضا، تهیه مواد، تولید و برنامه ریزی محصول، خدمت نگهداری کالا، کنترل موجودی، توزیع، تحویل و خدمت به مشتری که قبلا همگی در سطح شرکت انجام می شده اند، اینک به سطح زنجیره عرضه انتقال پیدا کرده است. مساله کلیدی در یک زنجیره تامین، مدیریت و کنترل هماهنگ تمامی این فعالیتهاست.
در حالت کلی زنجیره تامین از دو یا چند سازمان تشکیل می شود که رسما ازیکدیگر جدا هستند و به وسیله جریانهای مواد، اطلاعات و جریانهای مالی به یکدیگر مربوط میشوند. این سازمانها می توانند
بنگاه هایی باشند که مواداولیه، قطعات، محصول نهایی و یا خدماتی چون توزیع، انبارش، عمده فروشی و خرده فروشی تولید می کنند. حتی خود مصرف کننده نهایی را نیز می توان یکی ازاین سازمانها در نظرگرفت.
تعاریف مختصر و جامعی که می توان از زنجیره تامین و مدیریت زنجیره تامین ارائه داد عبارتند از:
زنجیره تامین بر تمام فعالیتهای مرتبط با جریان و تبدیل کالاها از مرحله ماده خام (استخراج) تا تحویل به مصرف کننده نهایی و نیز جریانهای اطلاعاتی مرتبط با آنها مشتمل می شود.
بطور کلی زنجیره تامین، زنجیره ای است که همه فعالیتهای مرتبط با جریان کالا وتبدیل مواد، ازمرحله تهیه ماده اولیه تا مرحله تحویل کالای نهایی به مصرف کننده را شامل می شود. درباره جریان کالا دو جریان اطلاعات و جریان منابع مالی و اعتبارات نیز حضور دارد. (Laudon & Laudon, 2002)
مدیریت زنجیره تامین تلفیقی است از هنر و علم که در جهت بهبود دسترسی به مواد اولیه، ساخت محصولات و یا خدمات و انتقال آن به مشتری بکار می رود.
مدیریت زنجیره تامین بر یکپارچه سازی فعالیتهای زنجیره تامین و نیز جریانهای اطلاعاتی مرتبط با آنها ازطریق بهبود در روابط زنجیره درجهت دستیابی به مزیت رقابتی قابل اتکا و مستدام، مشتمل میشود
لذا، مدیریت زنجیره تامین فرایند یکپارچه سازی فعالیتهای زنجیره تامین و نیزجریانهای اطلاعاتی مرتبط با آن ازطریق بهبود وهماهنگ سازی فعالیت ها در زنجیره تامین تولید و عرضه محصول است.
3- داده کاوی:
داده کاوی درحقیقت فرآیند جستجو و تحلیل مجموعه عظیمی از داده ها به منظور کشف الگوهای ناشناخته جالب توجه، غیرمنتظره و با ارزش و اطلاعات جدید و مفید قابل درک از حجم عظیمی از داده ها است. و شامل انتخاب، کاوش و مدلسازی مقادیر زیادی از داده ها میشود. داده کاوی از روشهای محاسباتی شبیه به هم زیادی چون تحلیل های آماری، درخت تصمیم گیری، شبکه های عصبی، قاعده های استقرا و اصلاح و نیز تصویری کردن استفاده می کند. با توجه به این موضوع که ابزارهای مورد استفاده در داده کاوی خصوصا ابزار اکتشافی چون شبکه عصبی و تصویر سازی داده تاثیر بسزایی در پیشرفت علوم کامپیوتر داشته است، داده کاوی در چند سال اخیربه عنوان ابزاری برای کشف دانش بسیارجذاب و کاربردی مدنظر قرار گرفته است، وظایف داده کاوی برای استخراج الگوها از مجموعه داده های بزرگ استفاده می شود و میتوان به صورت کلی به صورت زیر بیان کرد:
1) دسته بندی: در این بخش ویژگی های یک داده  جدید را بررسی کرده وآن را به کلاسها یا طبقه های از پیش تعیین شده تخصیص می دهیم. برای دسته بندی از تکنیک های شبکه عصبی و درخت تصمیم استفاده می شود.

2) تخمین و برآورد: در این بخش تخمین و برآورد مشخصه های یک مجموعه از داده ها آزمایش شده و مقادیری به مشخصه های ناشناخته نسبت داده می شود. در این مرحله معمولا از شبکه های عصبی استفاده می شود.

3) پیش بینی: پیش بینی رفتار آینده برای بررسی صحت دسته بندی

4) گروه بندی شباهت(قوانین وابستگی): ویژگی های همزمانی که در وقوع یک پدیده رخ می دهند، یا ارتباط مشخصه ها با یکدیگر در یک محیط داده شده، در این قسمت مشخص می شود به عبارتی تعیین احتمال وقوع یا عدم وقوع همزمان ویزگی هاست.
5) خوشه بندی: معمولترین شکل داده کاوی غیر هدایت شده است که گروههای منظمی را با اطلاعات مشابه پیدا می کند، بدون اینکه مثل دسته بندی کلاسهای از پیش تعیین شده داشته باشد؛ یعنی هیچ دستور کاری در این زمینه ندارد که بگوید چه متغیرهایی باید مهمتر محسوب شوند. در این قسمت از تکنیکهای کشف الگوی اماری، شبکه عصبی و منطق فازی استفاده می شود.

6) نمایه سازی: توصیف آن چیزی که در یک پایگاه داده پیچیده در جریان است.

4- فرآیند مدیریت دانش:
باید توجه داشت که کشف دانش و یادگیری یک فرآیند تکرار پذیراست که در بدنه چارچوب مدیریت دانش گسترده است. و تا زمانیکه صلاحیت مدل تایید شود ادامه دارد. این روش سیستماتیک به منظور نگهداری، اصلاح و استفاده از این مدلها برای تصمیم گیری موثر در آینده بسیارمهم می باشند.

 
 
این فرآیند تکرار پذیر همان طور که در شکل 1 نشان داده شده شامل مراحل زیر است: ]11-9[
1) هدف از داده کاوی ( اهداف تصمیم گیری): باید قبل از داده کاوی اهداف شناسایی و دانش اولیه جمع آوری شوند چراکه اگر قبل از شناسایی هدف بخواهیم تکنیکهای داده کاوی را به کار بگیریم به الگوهای نامشخص و بی معنی خواهیم رسید.

2) جمع آوری داده ها: می دانیم که تکنیک های داده کاوی معمولا روی کل پایگاه داده انجام میشود، ولی ممکن است با استخراج یک نمونه آماری نماینده از داده ها نیز کار کند. در این مرحله تصمیم گیری می کنیم که عملیات کاوش روی نمونه ای از داده ها صورت گیرد یا از کل پایگاه داده استفاده شود و با توجه به این موضوع داده های مورد نیاز برای داده کاوی از پایگاه داده جمع آوری میشوند.

3) پیش پردازش داده ها: این مرحله دارای بخشهای مختلفی است که به سه بخش اساسی زیر اشاره می شود:
•    انتخاب داده ها: دراین مرحله باید داده ها انتخاب و بررسی شوند که آیا برای هدف مورد نظر مناسب هستند و یا خیر؟
•    پاکسازی داده ها: بعد از انتخاب داده ها، داده ها بایستی آماده شوند. در این مرحله داده های پرت متعادل سازی میشوند که برای اینکار می توان نقاط پرت را حذف کرد و یا مقدار رکورد میانگین معادل را به جای آن قرار داد. البته در برخی از مواقع با توجه به هدف داده کاوی مانند یافتن تقلب، نه تنها این داده را حذف نمی کنیم بلکه بر روی آنها توجه اساسی می شود.
•    تبدیل و انتقال داده ها: دراین مرحله تغییراتی بر روی داده ها صورت می گیرد مثلا فرمت تاریخ، واحد پول و...  به صورت مشخصی تبدیل می شوند. همچنین تبدیل واحدها ، تبدیل مقیاس ها، تبدیل داده های عددی به کاراکتر و بالعکس باید انجام شود.

 4) داده کاوی: در این مرحله، وظایف داده کاوی که در پیش گفته شد روی داده ها صورت می گیرد.
5) تصویری کردن: در این مرحله به بررسی داده ها با استفاده از تصویری کردن که یکی از مهم ترین اجزای هر فعالیت داده کاوی است (زیرا انسانها در پردازش اطلاعات تصویری موفق تر هستند و یک شکل تصویری می تواند در عرض چند ثانیه اطلاعات زیادی را به ما بدهد و می توان اطلاعات مهمی را از آن استخراج کرد)، می پردازیم. البته اینکار میتواند هم پیش از عملیات کاوش به منظور محسوس شدن داده ها به منظور تعیین متغیرها و شاخصهای مناسب، مورداستفاده واقع شود و هم پس ازعملیات کاوش به منظور بررسی الگوهای به دست آمده.

6) ارزیابی مدل: پس ازمراحل فوق مدل حاصل شده ارزیابی میشود و صلاحیت آن تایید می گردد. در داده کاوی مهم است که مطمئن شویم دانش به دست آمده از داده کاوی قابل اعتماد است یا خیر. برای آزمون مدل به دست آمده می توان از روشهای آزمون آماری و اعتبار سنجی دو طرفه v-تایی استفاده نمود.
 
7) کشف و استخراج دانش: پس از تعیین صلاحیت مدلهای حاصل شده، اطلاعات به دست آمده از این مدلها توسط خبرگان به دانش مفید و جالب توجه تبدیل می شود.

4.1-  مطالب مهم در مدیریت دانش:
دراقتصاد الکترونیک امروزی، دانش به عنوان یک ابزار یاری دهنده مدنظر قرارگرفته است و اجرای مدیریت دانش، یک سازمان را در گسترش وتوسعه محصولات جدید و تصمیم گیریهای مهم در زمینه مدیریت استراتژیک حمایت می کند. اولین مطلب مهم در مدیریت دانش، سازمان دهی، انتشار و پالایش دانش است. در زمینه مدیریت دانش یک وظیفه مهم تبدیل دانش مخفی به دانش صریح و آشکار است که با استفاده از روش داده کاوی می توان دانش مربوط به مشتری (تامین کننده و مصرف کننده) را از بخشهای مختلف بازار به دست آورد و یا اینکه توسط خبرگان بدست آورده و اصلاح و روشن نمود. دانش جمع آوری شده میتواند بوسیله شاخص گذاری اجزای دانش، تصفیه بر اساس محتوا و برقراری ارتباط و پیوستگی میان اجزای دانش، سازماندهی شود. این دانش سپس در یک پایگاه دانش به صورت یکپارچه درآمده و در زمینه های مختلف سیستم پشتیبان تصمیم گیری منتشر می گردد. درک و بصیرت به دست آمده در این زمینه ها برای اصلاح دانش موجود به کار برده شده و به مرحله سازمان دهی دانش بازخور می شود. این فرآیند سازمان دهی، انتشار و اصلاح در شکل2 نشان داده شده است.

 

دومین مطلب مهم در مدیریت دانش یکپارچه سازی دانش بدست آمده از منابع مجزا می باشد. به طور مثال دانش سیستم های پشتیبان تصمیم گیری بازاریابی از سه منبع اصلی دانش مشتری حاصل از خرده فروش، دانش مصرف کننده حاصل از تحقیقات بازاریابی و دانش بازار حاصل از افراد خبره ناشی می شود (شکل3).

 
 


این دانش بطور گسترده ایی توسط بنگاه یا سازمان میان شرکای زنجیره تامین بنگاه همچون تامین کنندگان و خرده فروشان به اشتراک گذاشته میشود. امروزه تکنولوژی اطلاعات و اینترنت برای اشتراک چنین دانشی توانمند و پیشرفته شده است. یکی از مثالهای معمول از این نوع عملیات به اشتراک گذاری دانش، مشارکت میان شرکتهای  P&G (Procter & Gamble)و Wall-Mart می باشد. تیم تجارت P&G و  Wall-Mart مفاهیمی مثل بزرگراه داده های مشترک و کارت امتیاز مشترک را به منظور تسهیم دانش میان این دو سازمان به کار می گیرند. این تسهیم دانش برای هر دو شرکت مفید وسودمند واقع شده است]12 [. علاوه براین وال مارت با ایجاد و گسترش یک ابزار خاص، دانش را میان شرکای فروشنده و حمل کننده خود به اشتراک می گذارد وP&G  بطور پیوسته سیستم خدمت رسانی خود را به مشتریان دیگر گسترش داده است. لذا همان طورکه یک بنگاه شرکای زنجیره تامین خود را گسترش می دهد، دانش حیاتی بازاریابی با محدودیت های سنتی سازمانی در تقابل قرار می گیرد. در این زمینه مالکیت و دستیابی به دانش بازاریابی، استاندارد تبادل دانش و تسهیم درخواست ها از عوامل بسیارمهم در موفقیت سازمان و بنگاه می باشند.
حرکت از بازاریابی انبوه به بازاریابی همراه ارتباط با مشتری نیاز به بازاریابانی دارد که با استراتژی های خاص برای هر مشتری منحصرا بر اساس مشخصات خودش تصمیم گیری کنند. به کمک ابزارهای سنتی، این کار بسیار پیچیده، پرزحمت وطاقت فرساست که نیاز به بازاریابان بسیاری دارد. در اینصورت تصمیمات بازاریابی و ارتباط با مشتری، درمحیط پیچیده و همواره درحال تغییر ترجیحات مشتریان امروز، باید بر اساس دانش فردی مخصوص به هر مشتری شکل گیرد. که ابزارهای داده کاوی این امکان را فراهم می کنند. این سطح دانش مشتری همراه با تکنولوژی تعاملی امروز مثل اینترنت، می تواند به بازاریابی و مدیریت ارتباط موفق، روبه رشد و توسعه ی با مشتری منجر شود؛ البته استراتژیهای بازاریابی مشتری مدار تاثیرگذار، نیازمند اداره نظام مند دانش حاصل از مشتری است. فرآیند یکپارچه سازی کامل تصمیمات بازاریابی بادانش حاصل ازمشتری را بازاریابی مبتنی بردانش گویند، در بخش بعد بیان می کنیم که چگونه بازاریابان می توانند از این دانش بهره مند شوند.
5- بازاریابی دانش مدار:
تصمیمات بازاریابی، مانند تبلیغات، انتخاب کانال ارتباطی و رسانه های تبلیغاتی مناسب، اگر بر اساس روش های سنتی مثل بخش بندی بازار و تقسیم مشتریان به گروه های همگن و انجام تحقیقات دربازار توسط بازاریابان، به کاهش نرخ پاسخ، کاهش سرعت و افزایش هزینه ها منجر می شود و اینکار برای مشتریان امروز که سلیقه ها و ترجیحات متنوعی دارند امکان پذیر نبوده و نیاز به توسعه استراتژیهای بازاریابی دارد. در واقع هر مشتری باید با توجه به نیازهای فردی و منحصربفرد خود مورد هدف قرار گیرد.
در نتیجه استراتژی های بازاریابی مبتنی بر پایگاه داده های در دسترس که حاوی مقدار زیادی اطلاعات از معاملات و پروفایل مشتریان است محبوب شده و در بسیاری از سازمان ها، پایگاه داده های عظیم ساخته شدند تا اطلاعات مشتریان و معاملات خود را جمع آوری کنند. البته می دانیم که تجزیه و تحلیل این پایگاه داده های عظیم از توانایی انسان خارج است و با توجه به عدم وجود ابزار و تکنیک های مناسب برای اینکار، گنجینه ارزشمند اطلاعات مشتری و الگوهای خریدشان پنهان و غیر قابل استفاده خواهد ماند. بازاریابی مبتنی بر دانش، که با استفاده از ابزارهای مناسب داده کاوی و تکنیک های مدیریت دانش انجام میشود، این نیاز را برطرف کرده و کمک می کند دانش پنهان در پایگاه داده ها آشکار شود. برای استفاده ازاین نوع بازاریابی، داده کاوی به سه چیز نیاز دارد: شناسایی  مشخصات مشتریان، تجزیه و تحلیل انحراف، تجزیه و تحلیل روند.

5.1-  شناسایی  مشخصات مشتریان
یکی از دانش های مفید در مورد مشتری، شناسایی مشخصات اوست که در تصمیم گیری های مهم بازاریابی مورد استفاده قرار می گیرد. مشخصات مشتری مدلی از رفتار مشتری است که با بهره گیری از آن بازاریاب بهترین استراتژی ها و تاکتیک ها برای ملاقات با نیازهای مشتری را تصمیم گیری می کند.
شکل4 سیستم استفاده از مشخصات مشتری توسط داده کاوی را نشان می دهد. یک بازاریاب حین یادگیری مشخصات مشتریان  همچنین علاقمند است جزئیات جمعیت شناختی مشتریان را به عنوان یکی از مشخصه های معامله، بداند. وظایف داده کاوی مورد استفاده برای این منظور، دسته بندی، گروه بندی شباهت و نمایه سازی هستند. البته ما لیستی از مشخصه های معامله که به بازاریاب برای ایجاد یک پروفایل مفید از مشتری کمک می کند را ارائه می دهیم.
 
 

5.1.1-  میزان خرید:
 اغلب مشتری برای خرید محصولات موردنیاز خود به سازمان شما می آید؟ با دانستن این مطلب بازاریاب می تواند مشتریان وفادار این  فروشگاه را برای تبلیغ، مورد هدف قرار دهد.

5.1.2-  حجم خرید:
مشتری در یک خرید عادی از سازمان شما چقدر خرید می کند؟
این اطلاعات کمک می کند تا بازاریاب منابع تبلیغاتی مناسب را به مشتری که بیشتر خرج می کند، اختصاص دهد.

5.1.3-  تاخیر در خرید:
از آخرین تاریخ و زمان مراجعه مشتری چه مدتی سپری شده است؟
با پاسخ به این سوال بازاریاب میتواند دلایل عدم مراجعه یک مشتری یا گروهی ازمشتریان وفادارفروشگاه، به آن را بیابد و روشهای مناسبی را برای جذب دوباره آنها بکار بندد. در بیشتر موارد ممکن است دلیل این امر از دست دادن مشتری و مراجعه او به سازمان دیگری باشد.
5.1.4-  شناسایی و تمایز گروه های مشتریان:
با بررسی رفتار و عملکرد مشتریان میتوان ویژگی های آنها را شناخته و افراد با ویژگی های مشابه را در گروه هایی قرار داد. مثلا یک بازاریاب موفق، با بررسی مشتری که به تازگی خانه خریده است به او پیشنهاد معامله مبلمان منزل را می دهد. احتمال پاسخ مشتری در این گونه موارد به مراتب بیشتر از دادن پیام به یک مشتری عادی است. 

5.1.5-  محاسبه طول عمر مشتری:
با داشتن پروفایل (مشخصات) مشتری حاصل از داده کاوی و سیستم های استخراج دانش بسیاری از فعالیتهای بازاریابی مثل محاسبه طول عمر مشتری، آینده نگری و بررسی موفقیت یا شکست برنامه های بازاریابی بهبود یافته است.
طول عمرمشتری درک وقایع خارجی مثل تغییرمراحل زندگی مشتری یا سن اوست، که با شناخت مشخصات مشتری همراه فعالیت های تبلیغاتی حاصل می شود. بازاریاب با درنظرگرفتن طول عمر مشتری می تواند در بسیاری از هزینه ها صرفه جویی کند.

5.1.6-  آینده نگری:
پروفایل مشتری به خصوص الگوهای خرید او به بازاریاب سرنخهایی برای شناسایی مشتریان بالقوه می دهد. به عنوان مثال با داده کاوی فهمیده ایم که 90 درصد از مشتریان اسباب بازی گروه سنی 5-3سال ظرف مدت 6 ماه آینده به دنبال خرید دوچرخه خواهند بود. با این دانش یک بازاریاب میتواند مشتریان بالقوه دوچرخه بچه را شناسایی کرده و پیام های مناسبی برایشان بفرستد و این یعنی داشتن یک چشم انداز مناسب.

5.1.7-  بررسی موفقیت یا شکست برنامه های بازاریابی:
پایگاه داده های مشتریان، اطلاعات دقیقی از نتایج حاصل از برنامه های بازاریابی را ارائه می دهد. بازاریاب می تواند از الگوهای خرید کشف شده از پایگاه داده ها و برنامه های بازاریابی برای اندازه گیری اثرات کوتاه مدت و بلندمدت برنامه ها، استفاده کند.
5.2-  تجزیه و تحلیل انحراف:
دانش انحراف از نرمال برای یک بازاریاب بسیار مهم است. انحراف می تواند ناشی از یک اتفاق غیرعادی (تقلب) یا یک تغییر باشد. ابزارهای داده کاوی مثل شبکه های عصبی، روشهای قدرتمندی برای تشخیص و طبقه بندی انحرافات ارائه می دهد. مثلا خرید بیش از حد از کارت های اعتباری می تواند یک تقلب (آنومالی) را نشان دهد یا واقعا مشتری چنین خریدهایی را داشته باشد(تغییر). هنگامیکه یک انحراف به عنوان تقلب کشف شد، بازاریاب اقدامات اصلاحی برای جلوگیری ازتقلب راآغاز می کند؛ و اگر یک انحراف به عنوان تغییر کشف شد، جمع آوری اطلاعات بیشتر ضروری است.مثالی از تغییر میتواند شروع کار جدید توسط مشتری یا خرید خانه باشد. در اینگونه موارد لازم است که بازاریاب دانش خود را درباره مشتری بروز کند.
 
5.3-  تجزیه و تحلیل روند:
روند الگوهایی است که درطی یک دوره از زمان باقی می ماند. روند میتواند درکوتاه مدت باشد مثل افزایش فوری فروش و کاهش میزان آن در یک کمپین تبلیغاتی. و یا در بلندمدت باشد مثل فروش یکسان محصول در چند سال متوالی. ابزارهای داده کاوی مانند تصویری کردن در شناخت روندهای ظریف و حتی پنهان در پایگاه داده ها، که در اکثر موارد با ابزارهای تجزیه و تحلیل سنتی مانند بخش بندی از دست رفته است؛ به ما کمک می کند. روند در تصمیم گیری های بازاریابی، برای ارزیابی برنامه های بازاریابی و یا پیش بینی فروش آینده  میتواند استفاده شود.

5.3.1-  ارزیابی عملکرد محصولات یا برنامه های بازاریابی:
پایگاه داده های مشتریان اطلاعات دقیق معاملات را ضبط می کند. لذا بازاریابان می توانند از ابزار تصویری کردن برای شناسایی افزایش روند فروش، که اصطلاحا ارتقاء فروش گویند، استفاده می کنند. داده کاوی و روشهای آماری به دقت عملکرد برنامه های بازاریابی را اندازه گیری می کند.
5.3.1-  پیش بینی فروش آینده:
یکی از کاربردهای محبوب روند پیش بینی فروش آینده است. بازاریابان علاقه دارند بدانند چگونه انواع برنامه های بازاریابی فروش در آینده محصولاتشان را تحت تاثیر قرار می دهد. داده کاوی به ما این امکان را می دهد که روابط ظریف مانند نقطه اوج خرید و فروش یک محصول همراه باتغییراتی درمشخصات خاص گروهی ازمشتریان را کشف کنیم. تمرکز تاکیدات اخیر در مدیریت ارتباط با مشتری، روی خود مشتری است. و چهارمرحله اصلی دارد: 1. شناسایی صحیح مشتریان، 2. شناسایی وجه تمایز آنها، 3. تعامل با مشتریان موجود و یادگیری از آنها، 4. سفارشی کردن محصول یا خدمات با توجه به نیازهای فردی مشتریان. در اینصورت با مشتریان خود روابط بهتری خواهید داشت.]2 [تلاش های اخیر در مدیریت ارتباط با مشتری روی ارتباط و تعامل با مشتری متمرکز شده است ولی دانش ناکافی درمورد مشتریان و فقدان یک سیستم جامع مدیریت دانش مانع از ادامه تلاشهای سازمان بخصوص عملکردهای بازاریابی برای مدیریت روبط با مشتریانشان میشود. چارچوب مدیریت دانش شرح داده شده در این مقاله میتواند پایه ای برای سازمانها در ادغام موثر دانش کشف شده از مشتری با استراتژی های مدیریت ارتباط با آنها باشد.

6- چالش های پژوهش در مدیریت دانش و بازاریابی:
مدیریت دانش و داده کاوی زمینه های علمی در حال تکامل هستند و در نتیجه در حال حاضر محققان و پژوهشگران با چالش های زیادی درباره بازاریابی مواجه اند. اگرچه در این مقاله یک چارچوب یکپارچه برای مدیریت دانش در زمینه بازاریابی ارائه شد ولی اذعان داریم که انتقادهای  قابل بررسی به آن وجود دارد. بعضی از آنها مربوط به تکنیک های داده کاوی و فرآیند کشف دانش هستند، در حالیکه بعضی دیگربه مدیریت دانش مربوط میشود. اول آنکه،کشف دانش از طریق داده کاوی یک فرآیند یادگیری تکرارشونده است شبیه فرآیند تولید و یادگیری سایر دانش ها از جمله کشف علمی.
 انتخاب الگوریتم های داده کاوی، تولید فرضیه، ارزیابی مدل و پالایش از اجزای کلیدی این فرایند کاوش است. و چون مرحله آزمایش و رفع اشکالات مدل، زمانبر است، تولید دانش توسط داده کاوی و یادگیری آن تکرار شونده و زمانبر است. اما در نهایت به دانش مفید منجر می شود. لذا یکی از چالشهای پژوهش در این زمینه
طی کردن این روند تکراری است.
چالش دوم مدیریت دانش آنست که نیازمند عبور از مرزهای سازمان و گسترش به سراسر شرکای زنجیره تامین دارد. دانش مشتری به طور معمول در سطح تمام شرکای زنجیره تامین گسترده است و این دانشها برای بازاریاب بسیارمهم است لذا مسائل کلیدی پژوهش مدیریت دانش درون سازمانی نیاز به تلاش در سطح سازمان و کل صنعت، توسعه مدیریت دانش درون سازمانی و توزیع دانش مخفی افراد درون سازمان دارد.
چالش سوم برای پژوهش در زمینه مدیریت دانش طبقه بندی مشتریان است. تکنیک های اخیر داده کاوی نشان داده است که مشتریان  با توجه به ترجیحات متفاوتی که دارند، میتوانند درچندین گروه  باشند. پس بازاریاب باید این مسئله را مدنظر قرار دهد. البته اکثر بازاریابان  نیز سعی دارند مشتریان را در گروه های مختلف قرار داده و دانش حاصله را با هم مقایسه کنند به جای آنکه کلاس ها را ساده کرده و اطلاعات ارزشمند را از دست دهند.
یکی دیگر از چالش های مهم وب کاوی است. با ظهور اینترنت به عنوان کانال جدیدی برای توزیع کالا، ترویج محصولات، انجام معامله و فرآیند یکپارچه سازی کسب و کار، وب به عنوان یکی از مهمترین منابع تولید داده مشتری مطرح شده است ولی فرمت های مختلف داده وماهیت وب که اطلاعات روی آن سریع انتشارمی یابد، آن را به یک چالش برای جمع آوری، کشف، سازماندهی و مدیریت دانش بگونه ای  مفید، تبدیل کرده است که برای حمایت از تصمیمات بازاریابی مهم است.
  
7- جمع بندی:
علیرغم اینکه داده کاوی در زمینه های مختلفی همچون کشف خطا (تقلب)، پیش بینی قیمت سهام، تشخیص طبی و کشف های علمی مورد استفاده واقع می شود اما کاربرد آن در سیستم های پشتیبان تصمیم گیری خصوصا در زمینه مدیریت زنجیره تامین منحصر به فرد می باشد. در محیط تجاری مشتری مدار کنونی، باور و عقیده هر شرکت و سازمانی اعم از مالی و صنعتی چنین است که فهم و درک عمیق تری از نیازهای مشتریان به منظور استفاده در تصمیم گیری های مهم خویش داشته باشد و این امر جز با استفاده از داده کاوی و استخراج دانش و مدیریت این دانش حاصل نمی گردد. در جهت نیل به چنین هدفی در این مقاله نشان داده شد که چگونه می توان داده کاوی را به عنوان یک تکنیک کارا برای استخراج دانش در یک چهارچوب مدیریت دانش مشتری یکپارچه ساخت. در این چهارچوب نشان داده شد که چگونه می توان با دسترسی به حجم زیادی از داده ها که ممکن است به کمک تکنیک های پیشرفته اطلاعاتی بدست آمده باشد، داده ها را به منظور استخراج اطلاعات مورد نیاز برای تصمیم گیری، پالایش، مرتب سازی، تحلیل و مدیریت کرد. مشتریان امروزی سازمان ها سلیقه ها و ترجیحات متنوعی دارند که هدف قرارگرفتن آنها، نیاز به ارتباط تک تک دارد. این امرباعث میشود حجم پایگاه داده های حاصل از اطلاعات مشتری و معاملات همواره رو به رشد باشد. می دانیم تجزیه و تحلیل این پایگاه داده های عظیم با روشهای سنتی بازاریابی که با نیروی انسانی بازاریابان انجام میشود از توانایی انسان خارج است؛ و نیز در این روشها به مشتریان به صورت گروهی توجه میشود، که پاسخگوی نیاز مشتریان نیست؛ و این مسئله یعنی یک فرصت برای بهره گیری از داده کاوی که تمام این مشکلات را رفع می کند. بطور کلی یک کاربرد سیستماتیک از تکنیک داده کاوی می تواند فرآیند مدیریت دانش را بهبود ببخشد و دانش بهتری از مشتریان (تامین کنندگان و فروشندگان) به منظور بهبود سرویس دهی به آنها در اختیار تصمیم گیران یک سازمان قرار دهد. نهایتا این موضوع کاملا واضح و مشخص است که گسترش روز افزون تکنولوژی اطلاعات در کاربرد داده کاوی و مدیریت دانش به عنوان عاملی مهم، نقشی اساسی دارد و چالش جالب توجه ای در آینده تحقیقات سیستمهای اطلاعاتی ارائه می نماید.

منابع:
[1] M. Graen, “Technology in Manufacturer/ Retailer Integration: Wall-Mart and Procter & Gamble”, Private communication, 1999.

[2] D. Pepper, M. Rogers, “Is your company ready for one-to-one marketing?”, Harvard Business Review (1999) 151-160.

[3] D. Pepper, M. Rogers, “Enterprise One-to-One: Tools for Competing in Interactive Age”, Doubleday, New York, 1997.

[4] M. Holshemimer, M.L. Kersten, A.P.J.M. Siebs, “Data Surveyor: Searching the Nuggets in Parallel”, in : U.M. Fayyad, G. PiatetskyShapiro, P.Smyth, R., Advances in Knowledge Discovery and Data Mining, MIT Press, Massachusetts, 1996,chap.18.

[5] C.Hsu, C.A. Knoblock, “Using inductive learning to generate rules for semantic query” optimization ,in: : U.M. Fayyad,G.Piatetsky-Shapiro,P.Smyth,R., Advances in Knowledge Discovery and Data Mining, MIT Press, Massachusetts, 1996,chap.17.

[6] W.Inmon , “Bulding the data warehouse”, Wiley, New York, 1996.

[7] S.Kelly, “Data warehousing: The route to Mass customization”, Wiley, New York, 2006.

[8] M.J.Shaw, “Machine Learning Methods for Intelligent Decision Support: an Introduction”, Decision Support Systems 10 (2) (1993) 79-83.

[9] J.Han, M.Kamber, “Data mining concepts and techniques, first edition”, Morgan Kaufman publishers 2001.

[10] I. K. Sethi, ”data mining: An introduction”, 2000.
...