استفاده از تحلیل داده برای پیش‌بینی و جلوگیری از مشکلات مشتری

بسیاری از مشکلاتی که منجر به پس فرستادن محصول یا خدمات برند می‌شوند با مداخله از طرف کسب‌وکار قابل پیش‌بینی، مذاکره و پیش‌گیری هستند.

درصد زیادی از مردمی که گوشی‌هایی با امکان پس دادن محصول خریداری می‌کنند، از این امکان استفاده می‌کنند و گوشی خود را برای شرکت سازنده پس می‌فرستند. دلیل اغلب بازگشت‌ها درست کار نکردن گوشی گزارش شده است؛ اما داده‌های جمع‌آوری‌شده نشان می‌دهند این موضوع دلیل اصلی نیست. واقعیت این است که این مشتری‌ها طرز استفاده از گوشی‌ هوشمند را بلد نیستند و چون متوجه این موضوع نمی‌شوند یا دلشان نمی‌خواهد به آن اعتراف کنند، عملکرد ضعیف گوشی را بهانه می‌کنند. درنتیجه محصول خریداری‌شده را پس می‌فرستند و ضرر زیادی به سازنده‌ی گوشی‌ هوشمند و شرکت ارائه‌دهنده‌ی خدمات وارد می‌شود. این موضوع شاید هزاران دلار در ارزش طول عمر مشتری (سودی که مشتری برای کسب‌وکار دارد) تأثیر داشته باشد.

پیش‌بینی احتمال پس فرستادن محصول و ارائه‌ی راه حل مناسب برای جلوگیری از آن برای هر کسب‌وکاری ارزشمند است. به‌عنوان مثال تماس گرفتن با مشتری بعد از خرید محصول، پرسیدن در مورد عملکرد محصول و یادآوری خدمات ۲۴ ساعته‌ی برند در هفت روز هفته یکی از راه‌های پیشگیری از پس فرستادن محصول توسط مشتری است. این مشارکت فعال با مشتری، متفاوت از خدماتی است که فروشنده هنگام فروش محصول ارائه می‌دهد. البته ارائه‌ی این خدمات برای تمام خریداران تلفن همراه دشوار و هزینه‌بر است. نکته‌ی کلیدی این است که تنها مشتری‌های نیازمند به این خدمات باید شناسایی و با آن‌ها ارتباط برقرار شود.

استفاده از تجزیه‌وتحلیل

مدل پیش‌بینی به کسب‌وکارها کمک می‌کند هر مشتری را در یک بازه‌ی زمانی بر اساس احتمال پس فرستادن محصول رتبه‌بندی کنند. این مدل در دنیای واقعی آزمایش شده و عملکرد بسیار خوبی داشته است. مردمی که توسط مدل پیش‌بینی 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 پیش‌بینی 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 دسته‌ی پرخطر قرار گرفته بودند، نسبت به صحبت کردن با تمام خریدارها بسیار راحت است و نرخ بازگشت را حدود ۴۰ درصد پایین می‌آورد. 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 دقیق‌تر قرار بگیرند، توسط شرایط اقتصادی مانند هزینه‌های مداخله، مزایای تبدیل مشتری‌های ناراضی به مشتری‌های راضی و درصد درستی مدل پیش‌بینی قابل تشخیص است. درصد مطلوب مشتری‌هایی 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 تصمیم‌های مشتری می‌پردازیم.

یک شرکت ارائه‌دهنده‌ی خدمات درمانی با مشتری‌هایی که احتمال می‌دهد در آینده‌ی نزدیک در بیمارستان بستری خواهند شد، ارتباط عمیق‌تری دارد. شرایط پس فرستادن گوشی‌های موبایل خریداری‌شده 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 (به‌منظور جلوگیری از کاهش هزینه‌های شرکت بیمه) کارهای زیادی باید انجام شود. به‌عنوان مثال یک تماس تلفنی باید به‌صورت هفتگی با مشتری برقرار شود تا مصرف داروها را به او یادآوری کند. در این مثال «مهاجران» به افرادی گفته می‌شود که حداقل ۱۵ روز از سال در بیمارستان بستری می‌شوند. مدل پیش‌بینی، تمام مشتری‌های شرکت بیمه را با احتمال قرارگیری در گروه مهاجران رتبه‌بندی کرده است. ۱۰ درصد افرادی که رتبه‌ی بیشتری کسب کرده بودند، ۵۳ درصد از افرادی را تشکیل دادند که به‌عنوان مهاجران واقعی شناخته شدند؛ یعنی در طول سال حداقل ۱۵ روز در بیمارستان بستری بودند. مطمئنا در این مورد نیز باید هزینه‌های مرتبط با مداخله و هزینه‌های کاهش اقامت در بیمارستان به‌طور دقیق محاسبه شوند و سپس برای برقراری ارتباط عمیق‌تر با مشتری تصمیم گرفته شود.

انتخاب بهترین راه مداخله در تصمیم مشتری یکی دیگر از جنبه‌های فرآیند تصمیم به مداخله است که معمولا کمتر مورد توجه قرار می‌گیرد. انتخاب موثرترین راه مداخله بسیار مهم است و دلیل اصلی بی‌توجهی به آن، کمبود داده است. یکی از راه‌های ارزیابی روش‌های مداخله، امتحان کردن استراتژی‌های مختلف روی جمعیت آماری مختلف و بررسی نتایج آن‌ها در بازه‌ی زمانی مشخص است. این استراتژی‌ها معمولا روی مشتری‌های منحصربه‌فرد برند انجام می‌شود. هزینه‌ی سرمایه‌گذاری روی ارزیابی استراتژی‌های مختلف زیاد است و شرکت‌ها ترجیح می‌دهند این آزمایش روی مشتری‌های سودآور انجام شود. این طرز تفکر هنگام جمع‌آوری داده برای تعیین ارزش طول مشتری نیز در بسیاری از شرکت‌ها مورد استفاده قرار گرفت. اغلب شرکت‌ها داده‌های لازم برای تجزیه‌وتحلیل را در اختیار نداشتند و روند جمع‌آوری چنین داده‌هایی بسیار سخت به نظر می‌رسید. با این حال امروزه اغلب شرکت‌های بزرگ و متوسط حجم داده‌ی کافی برای توسعه‌ی مدل ارزش طول عمر مشتری یا همان CLV را در اختیار دارند. از طرفی داده‌های اشتباه و غیردقیق تأثیر زیاد و بدی روی نتیجه‌ی پیش‌بینی‌های می‌گذارند اما پیشرفت یادگیری ماشین روی انتخاب بهترین راه مداخله تأثیر مثبتی گذاشته است.

زمانی که مشتری‌های یک برند اقدامات نامطلوبی انجام می‌دهند، مشکلات زیادی برای بازاریابی و سایر جنبه‌های کسب‌وکار ایجاد می‌شود. اما خبر خوب این است که می‌توان با مداخله‌ی مناسب تا حدود زیادی از این اقدامات جلوگیری کرد. داشتن حداقل یک استراتژی برای مداخله در تصمیم‌گیری مشتری در بسیاری از موارد تأثیر مثبتی روی کسب‌وکار خواهد گذاشت. پیش‌بینی می‌شود در چند سال آینده عبارت «تجزیه‌و‌تحلیل مداخله» در عملیات بازاریابی شرکت‌ها بیشتر به کار گرفته شده و به‌عنوان یکی از عوامل موفقیت آن‌ها شناخته شود.