با توجه به حجم گسترده‌ی دادهای که در حال حاضر وجود دارد، شرکت‌ها برای به دست آوردن مزیت رقابتی که آنها را متمایز می‌کند، بر روی استخراج داده‌ها متمرکز شده‌اند. ظرفیت آنالیز دستی، دیگر پاسخ‌گوی این حجم از داده و تنوع موجود آن نیست. همچنین در برخی موارد از ظرفیت پایگاه‌داده‌های معمولی نیز فراتر رفته است. در این حین، کامپیوترها قدرتمندتر، شبکه‌ها در همه‌جا گسترده‌تر و الگوریتم‌هایی توسعه داده شد تا بتوان مجموعه‌ی داده‌ها را به هم متصل کرده و نسبت به قبل، تجزیه و تحلیل وسیع‌تر و عمیق‌تری را صورت داد. رشد همزمان گستره‌ی دادهای و افزایش قدرت تجزیه و تحلیل سبب افزایش استفاده از علم داده در کسب‌وکارها شده است.
جمع‌آوری و تجزیه و تحلیل داده‌ها مدتها است که نقش مهمی در شرکت‌ها و سازمان‌ها ایفا می‌کند؛ اما از آنجا که بشریت روزانه بیش از ۲.۵میلیون ترا بایت داده تولید می‌کند، هرگز جمع‌آوری، تجزیه و تحلیل و تفسیر داده‌ها به سادگی و به طور عملی امکان‌پذیر نبوده و نیست.
اگر برای تدوین استراتژی و تصمیم‌گیری، از داده‌های جمع‌آوری شده بر اساس شاخص‌های قابل‌اندازه‌گیری مانند شاخص‌های کلیدی عملکرد (KPI) استفاده کنیم، به آن تصمیم‌گیری مبتنی بر داده گفته می‌شود.
اصولا، تصمیم‌گیری مبتنی بر داده به معنای کار در جهت دستیابی به اهداف کلیدی کسب‌وکار با استفاده از داده‌های تائید و تجزیه و تحلیل شده است.
برای مثال یک شرکت تاکسی اینترنتی با جمع‌آوری و آنالیز داده‌ها، به این نتیجه می‌رسد که مبدا بسیاری از سفرها از رستوران‌ها و توسط مسئولین رستوران شروع می‌شود. لذا تصمیم به راه‌اندازی سرویس اینترنتی ارسال غذا از رستوران‌ها می‌گیرد.
استفاده از داده‌ها در تصمیم‌گیری سبب رشد مداوم کسب و کار است. این مهم، شرکت‌ها را قادر می‌سازد فرصت‌های شغلی جدیدی را ایجاد، درآمد بیشتری کسب، روندهای آینده را پیش‌بینی، تلاش‌های عملیاتی فعلی را بهینه و راهکارهای عملی ایجاد کنند.
هنگامی که شروع به جمع‌آوری و تجزیه و تحلیل داده‌ها می‌کنید، متوجه خواهید شد که دستیابی به یک تصمیم مطمئن در مورد هرگونه چالش تجاری، همواره آسان‌تر می‌شود؛ خواه تصمیم به راه‌اندازی یا توقف یک محصول گرفته شود، خواه تنظیم برنامه بازاریابی و… .
داده‌ها منطقی و مشخص و قابل اعتماد هستند. با حذف عناصر ذهنی از تصمیمات تجاری خود می‌توانید اعتمادبه‌نفس خود و شرکتتان را افزایش دهید. این اطمینان، به سازمان شما اجازه می‌دهد تا کاملاً نسبت به یک چشم‌انداز یا استراتژی خاص متعهد شود؛ بدون اینکه بیش از حد نگران گرفتن یک تصمیم اشتباه باشد.
داده‌ها ممکن است الگو یا نتیجه‌ای خاص را نشان دهند؛ اما اگر فرایند جمع‌آوری داده‌ها یا تفسیر آنها ناقص باشد، هر تصمیمی بر اساس آنها می‌تواند نادرست باشد. پس یک تصمیم مبتنی بر داده، به این معنا نیست که همیشه درست خواهد بود. از این رو، باید تأثیر تصمیمات تجاری به طور مرتب اندازه‌گیری و کنترل شود.
بازاریابی مبتنی بر داده (Data-Driven marketing)، به استراتژی استفاده از داده‌های مشتریان برای بهینه‌سازی و هدفمند‌کردن پیام‌ها و خریدها از طریق کانال‌های ارتباطی با مشتریان، گفته می‌شود. این روند را می‌توان مهمترین تحول اخیر در دنیای بازاریابی دانست.
بازاریابی مبتنی بر داده به معنی تصمیم‌گیری و ارائه پاسخ‌های عملی به این پرسش‌هاست که چه کسی، چه زمانی، کجا، چه پیامی را باید دریافت کند.
از آنجا که هدف اصلی علم داده، به دست آوردن راهکارهای عملی از بررسی داده‌هاست، در حوزه‌ی بازاریابی نیز نمی‌توان از مزایای آن صرف نظر کرد. داده‌های بزرگ، در بازاریابی فرصتی برای درک بهتر مخاطبان هدف فراهم می‌کنند.
در ادامه، یک مورد از کاربردهای علم داده در بازاریابی که اثر بخشی آن در طول زمان به اثبات رسیده است را با مثال واقعی بررسی خواهیم کرد:
هر مشتری ویژگی‌های خاص خود را دارد. بنابراین نمی‌توان با یک رویکرد، با تمامی مشتری‌ها تعامل داشت. به همین منظور دسته‌بندی مشتری در بازاریابی بسیار کمک‌کننده است.
فرض کنید شما صاحب فروشگاهی هستید که بالغ بر صد هزار نفر مشتری با ویژگی‌های مختلف دارد. برای دسته‌بندی مشتریان در گروه‌های با ویژگی‌های مشابه می‌توان 3 ویژگی زیر را برای آنها در نظر گرفت:
1- هر مشتری آخرین خرید خود را چه زمانی انجام داده است. این ویژگی را با نماد R (مخفف Recency) نمایش می‌دهیم.
2- هر مشتری در بازه زمانی مشخص، برای مثال یک سال گذشته، چندبار از ما خرید انجام داده است. این ویژگی را با نماد F (مخفف Frequency) نمایش می‌دهیم.
3- هر مشتری در بازه زمانی مشخص، برای مثال یک سال گذشته، در هر بار خرید میانگین چه مبلغی خرید کرده است. این ویژگی را با نماد M (مخفف Monetary) نمایش می‌دهیم.
به مدل سازی داده‌های مشتریان با سه ویژگی فوق مدل RFM می‌گویند. این مدل در سال 1994 میلادی توسط Hughes ارائه شد. این مدل بیش از 30 سال است که برای تجزیه تحلیل ارزش مشتری استفاده می‌شود.
حال برای استفاده از این داده‌ها برای تصمیم‌گیری بهتر و مبتنی بر داده، ابتدا باید وضعیت هر یک از مشتریان را از نظر این سه شاخص مشخص کنیم. برای سادگی در مدل سازی می توان مشتریان را برای هر شاخص به ۳ دسته تقسیم کرد؛ به عنوان مثال در شاخص زمان آخرین خرید (R) با در نظر گرفتن بازه یکساله، مشتریان در سه دسته زیر تقسیم می‌شوند:
1- مشتریانی که در ۴ ماه اخیر خرید داشته‌اند در دسته ۱ قرار می گیرند.
2- مشتریانی که در ۸ ماه اخیر خرید داشته‌اند، اما در چهار ماه آخر خریدی نداشته باشند؛ در دسته ۲ قرار می گیرند.
3- مشتریانی که در 1 سال اخیر خرید داشته‌اند، اما آخرین خرید آنها به بیش از ۸ ماه مربوط می شود؛ در دسته ۳ قرار می گیرند.
بر همین اساس می‌توان به اهمیت هر یک از شاخص‌ها و رتبه آن نیز وزن مشخصی اختصاص داد.
نکته مهم: دسته‌بندی مشتریان و وزن‌دهی به اهمیت هر یک از شاخص‌ها و دسته‌ها ارتباط بسیار مهمی با صنعت، بازار و هدف سازمان دارد. به عنوان مثال اهمیت تعداد خرید و یا تأخر خرید در بازار خودرو با مواد غذایی تفاوت بسیاری خواهد داشت.
پس از مشخص کردن وضعیت هر یک از این شاخص‌ها برای مشتری می‌توان از دو روش استفاده کرد. در روش ساده‌تر که یک درک کلی از وضعیت رفتار مشتری به دست خواهد داد، می‌توان مشتریان را بر اساس رتبه در هر یک از شاخص‌ها دسته‌بندی کرد. بر این اساس مشتری با توجه به سابقه خرید خود در هر شاخص با رتبه‌ای به شکل abc نمایش داده خواهد شد. در این وضعیت مشتریانی که در رتبه ۱۱۱ یعنی متاخرترین خریدار، بیشترین تعداد خرید و بیشترین میزان خرید قرار می گیرند به عنوان برترین مشتریان و مشتریانی که در رتبه ۳۳۳ قرار می گیرند در دسته بدترین مشتریان قرار گرفته می‌شوند. در این روش این توجه به این دسته از مشتریان از اهمیت بالایی برخوردار خواهد بود:
۱-۱-۱: مشتریانی که بیشترین خرید را از نظر تعداد و میزان خرید داشته‌اند و جدیدا در زمره خریداران نیز بوده‌اند. این مشتریان به عنوان هسته اصلی درآمدزایی می‌توانند مورد توجه قرار گیرند و برنامه‌های خاص وفاداری، هسته‌های گزینشی برای ارتباط با مشتری و یا حتی سفیران برند در موردشان اجرا شود.
۱-۱-۲/۱-۱-۳: مشتریانی که در دو دسته بندی در رتبه شاخص قرار گرفته اما در دسته سوم جز مشتریان شاخص نیستند. این مشتریان بیشترین قابلیت را برای رشد در آینده دارند و با توجه به دسته‌ای که در رتبه شاخص قرار ندارند می توان برنامه های مشخصی برای ارتقا به مشتری شاخص در آینده را برایشان برنامه‌ریزی کرد.
۱-۲-۲/۱-۲-۳/۱-۳-۲/۱-۳-۳: مشتریانی که در یکی از دسته‌ها در رتبه شاخص قرار داشته اما در باقی دسته‌ها در رتبه‌های بعدی قرار دارند. این مشتریان از پتانسیل مناسبی برای تبدیل شدن به مشتریان دائمی برخوردارند و می توان برای برنامه هایی مانند ارائه تخفیف به صورت هوشمند ترغیب شوند.
در کنار این روش دسته‌بندی ساده دو روش دیگر نیز برای دسته‌بندی مشتریان به روش RFM وجود دارد. روش شاخص وزنی و روش خوشه بندی با الگوریتم K-Means.
با توجه به اینکه دو روش شاخص وزنی و خوشه‌بندی با الگوریتم K-Means کمی پیچیده‌تر می‌باشد، در ادامه به طور خلاصه به این دو روش اشاره میکنیم.
در روش شاخص وزنی رتبه های هر دسته را می توان به یک شاخص تبدیل کرد و با توجه به نوع صنعت، برنامه سازمان و… اهمیت هر یک را در فرمول مشخص کرد. به عنوان مثال امتیاز هر مشتری با توجه وضعیت آن در هر شاخص به شکل زیر مشخص می شود:
AR+BF+CM
در این حالت R,F,M وضعیت مشتری در هر دسته (رتبه بهتر=عدد بالاتر) و A,B,C اهمیت هر دسته در وضعیت مشتری است (عدد بهتر=اهمیت بیشتر).
بر این اساس می‌توان وضعیت مشتریان را به یک عدد شاخص تبدیل کرد که مشتریان با عدد شاخص بالاتر در رتبه مشتریان برتر قرار خواهند گرفت، سپس با توجه به وضعیت مشتری در هر شاخص می‌توان برنامه خاصی نسبت به عدد شاخص و وضعیت در هر دسته برای مشتری متصور شد.
اما بهترین و دقیق‌ترین روش برای دسته‌بندی مشتریان به شیوه RFM استفاده از الگوریتم K-means در مشخص کردن دسته‌ها و توزیع وضعیت مشتریان در این دسته‌ها می‌باشد. در این روش پس از دسته‌بندی و مشخص کردن وضعیت مشتری در هر دسته با استفاده از تابع لگاریتمی، مرکز اقلیدسی توزیع مشتریان در هر دسته را به نحوی مشخص میکنیم که تعداد برابری از هر مشتری در هر دسته نسبت به میانگین کل وضعیت مشتریان در آن دسته وجود داشته باشد.
با توجه به اینکه این تقیسم جواب مشخص و دقیق از پیش مشخصی ندارد و در زمره مسائل NP-Hardقرار گرفته و جواب قطعی ندارد، می توان با ایجاد چرخه تکرار به جواب نزدیک به جواب بهینه پس از چندین چرخه رسید. در اینجاست که اهمیت یادگیری ماشینی و روش‌های ترکیب علم داده‌ها با بازاریابی بیش از پیش مشخص می‌شود. از آنجا که مهمترین بخش این روش تحلیلی دسته بندی یا همان segmentation مشتریان است، با استفاده از الگوریتم K-means و ایجاد چرخه‌های تکرار می‌توان دسته‌بندی بهینه را با توجه به ساختار صنعت، اهداف و ... مشخص کرده و پس از آن با توزیع وضع مشتریان در این دسته‌بندی‌ها برنامه‌ریزی بسیار دقیق و اختصاصی در رابطه با هر دسته از مشتریان در نظر گرفت.
همانطور که در مثال کاربردی بالا مشاهده کردید، جمع‌آوری داده، علم داده و تصمیم‌گیری مبتنی بر داده می‌تواند در زمینه‌های مختلف بازاریابی مانند تصمیم‌گیری‌های مهم مانند شخصیت‌سازی تجاری، بهینه‌سازی نمایش برای موتورهای جستجو، جذب و نگه‌داشتن مشتری و … کاربرد داشته باشد. بنابراین همواره به مدیران ارشد بازاریابی و مدیران محصول یادگیری و استفاده از علم داده پیشنهاد می‌گردد.
· Debra Zahay, Debika Sihi, Laurent Muzellec, Devon S. Johnson The marketing organization's journey to become data-driven
· HBS Online, The advantages of data-driven decision-making
· Peiman Alipour Sarvari, Alp Ustundag, Hidayet Takci , (2016),"Performance evaluation of different customer segmentation approaches based on RFM and demographics analysis"
· Ceren Lyim, Customer Segmentation with Machine Learning "K-means algorithm applied to a real-world e-commerce sales data"
· Masoud Kaviani, Clustring
