مدیریت دانش و مدیریت زنجیره تامین

عنوان مقاله: مدیریت دانش مشتری دربازاریابی و مدیریت زنجیره تامین با نگاه داده کاوی
مولف: مهندس علی کاظمی
موضوع: مدیریت دانش
چکیده: پیشرفتدر زمینه تکنولوژی اطلاعات، بازاریابی ارتباطی را در سالهای اخیر به واقعیتیانکارناپذیر تبدیل کرده است. تکنولوژیهایی مانند انبارداده ای، داده کاوی و مدیریتنرم افزار رقابت، مدیریت روابط مشتری را به عنوان حوزه جدیدی که شرکت در آن میتواند مزیت رقابتی کسب نماید معرفی نموده است. به ویژه از طریق داده کاوی، بااستخراج اطلاعات پنهانی از پایگاه داده ای بزرگ، سازمانها می توانند مشتریانارزشمند را تعیین و رفتار آینده آنها را پیش بینی کنند. ابزارهای داده کاوی بهسئوالاتی از کسب و کار پاسخ می دهد که در گذشته پیگیری آنها بسیار وقت گیر بودهاست. با این حال توانمندیهای موجود در داده کاوی، مدیریت روابط مشتری را به نحوبهتری ممکن می سازد لذا تاکید تحقیقات و مطالعات کنونی بر اهمیت مدیریت ارتباط بامشتری و ایجاد یک فضای کاربردی مفید برای بهره مندی از یک عملکرد ایده آلبازاریابی، با استفاده از تکنیک ها و ابزارهای داده کاوی در سیستم های پشتیبانتصمیم گیری است. در این مقاله قصد داریم با استفاده از روش های داده کاوی و تکنیکهای مدیریت دانش به ارائه چهارچوبی ساده و جامع پیرامون مدیریت دانش مشتری با توجهبه مدیریت زنجیره تامین بپردازیم.

1- مقدمه:
چگونگی بازاریابی و مدیریت اطلاعات مشتریان قدم نهاده است. و شرکتها و سازمانهایبازرگانی و صنعتی امروزه با گسترش اینترنت وشبکه جهانی وب بطورگسترده ای قابلیتجمع آوری حجم زیادی از داده های مشتریان (خریدار و فروشنده) یک کسب وکار در یکپایگاه داده بزرگ را دارا هستند.
اگرچه دانش بطور انحصاری محصول فناوری اطلاعات نیست، ولی فناوری اطلاعات بطورلاینفکی 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 جمعآوری، تبدیل دانش و انتقال داده ها، اطلاعات و دانش نقش کلیدی دارد. از منظرمدیریت دانش، هدف داده کاوی، کشف دانش سازمانی پنهان در اطلاعات خام است. اینگونهنیست که هر بینش حاصل از داده کاوی دانش می سازد، بلکه در عوض بسیاری از نتایج بهدست آمده، اطلاعات مدیریت، یا هوش سازمانی است. مثلاً در سازمانهای تجاری، دانش باارزش مورد مشتری، محصول و بازار را میتوان از طریق داده کاوی به دست آورد. دادهکاوی ابزار مفیدی برای مدیران دانش است که کشف را با تحلیل تلفیق می کنند. تلفیقیکه اغلب منجر به ایجاد دانش می شود.
چرا که از یک سو، با در دسترس بودن حجم زیادی ازداده های مشتریان می توان بااستفاده از ابزارهای داده کاوی فرصتهای حیاتی برای ایجاد مزیت رقابتی در سازمانایجاد نمود. برای مثال وال مارت بزرگترین فروشگاه زنجیره ای آمریکا پایگاه داده ایمربوط به زنجیره تامین با 43 ترا بایت دارد که بزرگ تر از پایگاه داده استفاده شدهبرای جمع آوری خدمات مالیات بر درآمد است ]1[. از سوی دیگر بسیاری از سازمانهادریافته اند که دانش نهفته در این پایگاه داده های عظیم، برای بهبود و گسترش سیستمهای پشتیبان تصمیم گیری یک سازمان نقش کلیدی دارد. در این زمینه خصوصا دانش مربوطبه مشتریان برای عملکرد تصمیمات مربوط به مدیریت زنجیره تامین، عاملی حیاتی وبحرانی می باشد. اما متاسفانه حجم زیادی از این دانش مخفی و در نتیجه بلا استفادهباقی مانده است و از طرف دیگر رقابت شدید و افزایش امکان انتخاب برای مشتریان یکفشار جدید بر تصمیم گیران بازار سازمان ایجاد کرده است و به همین دلیل نیازبهمدیریت ارتیاط با مشتریان و نیز مدیریت دانش مشتری در یک بازه زمانی طولانی بیش ازپیش 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 مواداولیه نه بر پایه مشخصات عمومی از پیش فرض شده بلکه بر مبنای ترجیحات واقعیمشتریان تعامل داشته باشد]2و3[ در حالیکه سازمانها در راستای اهداف مدیریت ارتباطبا مشتریان رو به جلو حرکت می کند، عملکرد بازاریابی به عنوان خطوط مقدم در تعاملبا 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 باتوجه به درخواست مشتری در دسترس وی قرار دهند. خواست مشتری برکیفیت بالا و خدمترسانی سریع موجب افزایش فشارهایی شده است که قبلا وجود نداشته است، در نتیجه شرکتها بیش از این نمی توانند به تنهایی از عهده تمامی کارها برآیند. بنابراین با بهرهگیری از انواع فناوری و علوم مدیریت، اقدام به ایجاد مزایای رقابتی از طریقابزارهای مدیریت داده و مدیریت دانش و بهینه سازی روندهای سازمانی مانند تولید ویا ارتباطات سازمان می کنند.
یکی ازمهمترین علوم مدیریتی که به عنوان یکی از مبانی زیرساختی پیاده سازی کسبوکار الکترونیک دردنیا مطرح است، مدیریت زنجیره تامین(SCM) است. این علم در دهه 90میلادی ظهور یافته و در این زمینه مباحث سودمندی را مطرح کرده است، و اینکار را بهطریقی انجام می دهد که مشتریان بتوانند خدمت قابل اطمینان و سریع را با محصولات باکیفیت در حداقل هزینه دریافت کنند. لذا با بهره گیری از این ابزار سازمان شماقادرخواهد بود روابط تجاری خود را با بهینه سازی تبادل اطلاعات با همکاران تجارینظیر تامین کنندگان مواد اولیه، توزیع کنندگان محصولات و پیمانکاران حمل و نقلکالا توسعه دهد. بدین ترتیب بنگاه اقتصادی شما موفق خواهد شد تا در زمانبسیارکمتری محصول خود را به بازار عرضه کرده و زمان تولید و هزینه های اتلافی راپایین آورد.
بنابراین در بازار رقابتی موجود، بنگاه های اقتصادی و تولیدی علاوه بر پرداختن بهسازمان و منابع داخلی، خود را به مدیریت و نظارت بر منابع و ارکان مرتبط خارج ازسازمان نیازمند یافته اند. علت این امر در واقع دستیابی به مزیت رقابتی با هدف کسبسهم 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 سطحزنجیره عرضه انتقال پیدا کرده است. مساله کلیدی در یک زنجیره تامین، مدیریت وکنترل هماهنگ تمامی این فعالیتهاست.
در حالت کلی زنجیره تامین از دو یا چند سازمان تشکیل می شود که رسما ازیکدیگر جداهستند 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 نیزمی توان یکی ازاین سازمانها در نظرگرفت.
تعاریف مختصر و جامعی که می توان از زنجیره تامین و مدیریت زنجیره تامین ارائه دادعبارتند 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 آنهامشتمل می شود.
بطور کلی زنجیره تامین، زنجیره ای است که همه فعالیتهای مرتبط با جریان کالاوتبدیل مواد، ازمرحله تهیه ماده اولیه تا مرحله تحویل کالای نهایی به مصرف کنندهرا شامل می شود. درباره جریان کالا دو جریان اطلاعات و جریان منابع مالی واعتبارات نیز حضور دارد. (Laudon & Laudon, 2002)
مدیریت زنجیره تامین تلفیقی است از هنر و علم که در جهت بهبود دسترسی به مواداولیه، ساخت محصولات و یا خدمات و انتقال آن به مشتری بکار می رود.
مدیریت زنجیره تامین بر یکپارچه سازی فعالیتهای زنجیره تامین و نیز جریانهایاطلاعاتی مرتبط با آنها ازطریق بهبود در روابط زنجیره درجهت دستیابی به مزیترقابتی قابل اتکا و مستدام، مشتمل میشود
لذا، مدیریت زنجیره تامین فرایند یکپارچه سازی فعالیتهای زنجیره تامین ونیزجریانهای اطلاعاتی مرتبط با آن ازطریق بهبود وهماهنگ سازی فعالیت ها در زنجیرهتامین تولید و عرضه محصول است.
3- داده کاوی:
داده کاوی درحقیقت فرآیند جستجو و تحلیل مجموعه عظیمی از داده ها به منظور کشفالگوهای ناشناخته جالب توجه، غیرمنتظره و با ارزش و اطلاعات جدید و مفید قابل درکاز حجم عظیمی از داده ها است. و شامل انتخاب، کاوش و مدلسازی مقادیر زیادی از دادهها 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 کردناستفاده می کند. با توجه به این موضوع که ابزارهای مورد استفاده در داده کاویخصوصا ابزار اکتشافی چون شبکه عصبی و تصویر سازی داده تاثیر بسزایی در پیشرفت علومکامپیوتر داشته است، داده کاوی در چند سال اخیربه عنوان ابزاری برای کشف دانشبسیارجذاب و کاربردی مدنظر قرار گرفته است، وظایف داده کاوی برای استخراج الگوهااز مجموعه داده های بزرگ استفاده می شود و میتوان به صورت کلی به صورت زیر بیانکرد:
1) دسته بندی: در این بخش ویژگی های یک داده جدید را بررسی کرده وآن را به کلاسهایا طبقه های از پیش تعیین شده تخصیص می دهیم. برای دسته بندی از تکنیک های شبکهعصبی و درخت تصمیم استفاده می شود.

2) تخمین و برآورد: در این بخش تخمین و برآورد مشخصه های یک مجموعه از داده هاآزمایش شده و مقادیری به مشخصه های ناشناخته نسبت داده می شود. در این مرحلهمعمولا 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 میدهند، یا ارتباط مشخصه ها با یکدیگر در یک محیط داده شده، در این قسمت مشخص می شودبه 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 بااطلاعات مشابه پیدا می کند، بدون اینکه مثل دسته بندی کلاسهای از پیش تعیین شدهداشته باشد؛ یعنی هیچ دستور کاری در این زمینه ندارد که بگوید چه متغیرهایی بایدمهمتر محسوب شوند. در این قسمت از تکنیکهای کشف الگوی اماری، شبکه عصبی و منطقفازی 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 چارچوبمدیریت دانش گسترده است. و تا زمانیکه صلاحیت مدل تایید شود ادامه دارد. این روشسیستماتیک به منظور نگهداری، اصلاح و استفاده از این مدلها برای تصمیم گیری موثردر 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 ودانش اولیه جمع آوری شوند چراکه اگر قبل از شناسایی هدف بخواهیم تکنیکهای دادهکاوی 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 دادهانجام میشود، ولی ممکن است با استخراج یک نمونه آماری نماینده از داده ها نیز کارکند. در این مرحله تصمیم گیری می کنیم که عملیات کاوش روی نمونه ای از داده هاصورت گیرد یا از کل پایگاه داده استفاده شود و با توجه به این موضوع داده های موردنیاز 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 زیراشاره می شود:
• انتخاب داده ها: دراین مرحله باید داده ها انتخاب و بررسی شوند که آیا برای هدفمورد نظر مناسب هستند و یا خیر؟
• پاکسازی داده ها: بعد از انتخاب داده ها، داده ها بایستی آماده شوند. در اینمرحله داده های پرت متعادل سازی میشوند که برای اینکار می توان نقاط پرت را حذفکرد و یا مقدار رکورد میانگین معادل را به جای آن قرار داد. البته در برخی ازمواقع با توجه به هدف داده کاوی مانند یافتن تقلب، نه تنها این داده را حذف نمیکنیم بلکه بر روی آنها توجه اساسی می شود.
• تبدیل و انتقال داده ها: دراین مرحله تغییراتی بر روی داده ها صورت می گیرد مثلافرمت 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 صورتمی گیرد.
5) تصویری کردن: در این مرحله به بررسی داده ها با استفاده از تصویری کردن که یکیاز مهم ترین اجزای هر فعالیت داده کاوی است (زیرا انسانها در پردازش اطلاعاتتصویری موفق تر هستند و یک شکل تصویری می تواند در عرض چند ثانیه اطلاعات زیادی رابه ما بدهد و می توان اطلاعات مهمی را از آن استخراج کرد)، می پردازیم. البتهاینکار میتواند هم پیش از عملیات کاوش به منظور محسوس شدن داده ها به منظور تعیینمتغیرها و شاخصهای مناسب، مورداستفاده واقع شود و هم پس ازعملیات کاوش به منظوربررسی الگوهای به دست آمده.

6) ارزیابی مدل: پس ازمراحل فوق مدل حاصل شده ارزیابی میشود و صلاحیت آن تایید میگردد. در داده کاوی مهم است که مطمئن شویم دانش به دست آمده از داده کاوی قابلاعتماد است یا خیر. برای آزمون مدل به دست آمده می توان از روشهای آزمون آماری واعتبار سنجی دو طرفه v-تایی استفاده نمود.

7) کشف و استخراج دانش: پس از تعیین صلاحیت مدلهای حاصل شده، اطلاعات به دست آمدهاز 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 قرارگرفتهاست و اجرای مدیریت دانش، یک سازمان را در گسترش وتوسعه محصولات جدید و تصمیمگیریهای مهم در زمینه مدیریت استراتژیک حمایت می کند. اولین مطلب مهم در مدیریتدانش، سازمان دهی، انتشار و پالایش دانش است. در زمینه مدیریت دانش یک وظیفه مهمتبدیل دانش مخفی به دانش صریح و آشکار است که با استفاده از روش داده کاوی می تواندانش مربوط به مشتری (تامین کننده و مصرف کننده) را از بخشهای مختلف بازار به دستآورد و یا اینکه توسط خبرگان بدست آورده و اصلاح و روشن نمود. دانش جمع آوری شدهمیتواند بوسیله شاخص گذاری اجزای دانش، تصفیه بر اساس محتوا و برقراری ارتباط وپیوستگی میان اجزای دانش، سازماندهی شود. این دانش سپس در یک پایگاه دانش به صورتیکپارچه درآمده و در زمینه های مختلف سیستم پشتیبان تصمیم گیری منتشر می گردد. درکو بصیرت به دست آمده در این زمینه ها برای اصلاح دانش موجود به کار برده شده و بهمرحله سازمان دهی دانش بازخور می شود. این فرآیند سازمان دهی، شده است.



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


این دانش بطور گسترده ایی توسط بنگاه یا سازمان میان شرکای زنجیره تامین بنگاههمچون تامین کنندگان و خرده فروشان به اشتراک گذاشته میشود. امروزه تکنولوژیاطلاعات و اینترنت برای اشتراک چنین دانشی توانمند و پیشرفته شده است. یکی ازمثالهای 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 دادههای مشترک و کارت امتیاز مشترک را به منظور تسهیم دانش میان این دو سازمان به کارمی گیرند. این تسهیم دانش برای هر دو شرکت مفید وسودمند واقع شده است]12 [. علاوهبراین وال مارت با ایجاد و گسترش یک ابزار خاص، دانش را میان شرکای فروشنده و حملکننده خود به اشتراک می گذارد وP&G بطور پیوسته سیستم خدمترسانی خود را به مشتریان دیگر گسترش داده است. لذا همان طورکه یک بنگاه شرکایزنجیره تامین خود را گسترش می دهد، دانش حیاتی بازاریابی با محدودیت های سنتیسازمانی 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 وبنگاه می باشند.
حرکت از بازاریابی انبوه به بازاریابی همراه ارتباط با مشتری نیاز به بازاریابانیدارد که با استراتژی های خاص برای هر مشتری منحصرا بر اساس مشخصات خودش تصمیم گیریکنند. به کمک ابزارهای سنتی، این کار بسیار پیچیده، پرزحمت وطاقت فرساست که نیازبه بازاریابان بسیاری دارد. در اینصورت تصمیمات بازاریابی و ارتباط با مشتری، درمحیطپیچیده و همواره درحال تغییر ترجیحات مشتریان امروز، باید بر اساس دانش فردی مخصوصبه هر مشتری شکل گیرد. که ابزارهای داده کاوی این امکان را فراهم می کنند. این سطحدانش مشتری همراه با تکنولوژی تعاملی امروز مثل اینترنت، می تواند به بازاریابی ومدیریت ارتباط موفق، روبه رشد و توسعه ی با مشتری منجر شود؛ البته استراتژیهایبازاریابی مشتری مدار تاثیرگذار، نیازمند اداره نظام مند دانش حاصل از مشتری است.فرآیند یکپارچه سازی کامل تصمیمات بازاریابی بادانش حاصل ازمشتری را بازاریابیمبتنی بردانش گویند، در بخش بعد بیان می کنیم که چگونه بازاریابان می توانند ازاین دانش بهره مند شوند.
5- بازاریابی دانش مدار:
تصمیمات بازاریابی، مانند تبلیغات، انتخاب کانال ارتباطی و رسانه های تبلیغاتیمناسب، اگر بر اساس روش های سنتی مثل بخش بندی بازار و تقسیم مشتریان به گروه هایهمگن و انجام تحقیقات دربازار توسط بازاریابان، به کاهش نرخ پاسخ، کاهش سرعت وافزایش هزینه ها منجر می شود و اینکار برای مشتریان امروز که سلیقه ها و ترجیحاتمتنوعی دارند امکان پذیر نبوده و نیاز به توسعه استراتژیهای بازاریابی دارد. درواقع 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 مقدارزیادی اطلاعات از معاملات و پروفایل مشتریان است محبوب شده و در بسیاری از سازمانها، پایگاه داده های عظیم ساخته شدند تا اطلاعات مشتریان و معاملات خود را جمعآوری کنند. البته می دانیم که تجزیه و تحلیل این پایگاه داده های عظیم از تواناییانسان 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 خواهدماند. بازاریابی مبتنی بر دانش، که با استفاده از ابزارهای مناسب داده کاوی وتکنیک های مدیریت دانش انجام میشود، این نیاز را برطرف کرده و کمک می کند دانشپنهان در پایگاه داده ها آشکار شود. برای استفاده ازاین نوع بازاریابی، داده کاویبه سه چیز نیاز دارد: شناسایی مشخصات مشتریان، تجزیه و تحلیل انحراف، تجزیه وتحلیل روند.

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


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

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 بیشترخرج 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 گروهیازمشتریان وفادارفروشگاه، به آن را بیابد و روشهای مناسبی را برای جذب دوباره آنهابکار بندد. در بیشتر موارد ممکن است دلیل این امر از دست دادن مشتری و مراجعه اوبه 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 باویژگی های مشابه را در گروه هایی قرار داد. مثلا یک بازاریاب موفق، با بررسی مشتریکه به تازگی خانه خریده است به او پیشنهاد معامله مبلمان منزل را می دهد. احتمالپاسخ 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 دانشبسیاری از فعالیتهای بازاریابی مثل محاسبه طول عمر مشتری، آینده نگری و بررسیموفقیت یا شکست برنامه های بازاریابی بهبود یافته است.
طول عمرمشتری درک وقایع خارجی مثل تغییرمراحل زندگی مشتری یا سن اوست، که با شناختمشخصات مشتری همراه فعالیت های تبلیغاتی حاصل می شود. بازاریاب با درنظرگرفتن طولعمر 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 مشتریانبالقوه می دهد. به عنوان مثال با داده کاوی فهمیده ایم که 90 درصد از مشتریاناسباب 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 وپیام 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 راارائه می دهد. بازاریاب می تواند از الگوهای خرید کشف شده از پایگاه داده ها وبرنامه 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 یکاتفاق 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 ازحد از کارت های اعتباری می تواند یک تقلب (آنومالی) را نشان دهد یا واقعا مشتریچنین 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 بهعنوان تغییر کشف شد، جمع آوری اطلاعات بیشتر ضروری است.مثالی از تغییر میتواندشروع کار جدید توسط مشتری یا خرید خانه باشد. در اینگونه موارد لازم است کهبازاریاب 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 درکوتاهمدت باشد مثل افزایش فوری فروش و کاهش میزان آن در یک کمپین تبلیغاتی. و یا دربلندمدت باشد مثل فروش یکسان محصول در چند سال متوالی. ابزارهای داده کاوی مانندتصویری کردن در شناخت روندهای ظریف و حتی پنهان در پایگاه داده ها، که در اکثرموارد با ابزارهای تجزیه و تحلیل سنتی مانند بخش بندی از دست رفته است؛ به ما کمکمی کند. روند در تصمیم گیری های بازاریابی، برای ارزیابی برنامه های بازاریابی ویا 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 میتوانند از ابزار تصویری کردن برای شناسایی افزایش روند فروش، که اصطلاحا ارتقاءفروش گویند، استفاده می کنند. داده کاوی و روشهای آماری به دقت عملکرد برنامه هایبازاریابی را اندازه گیری می کند.
5.3.1- پیش بینی فروش آینده:
یکی از کاربردهای محبوب روند پیش بینی فروش آینده است. بازاریابان علاقه دارندبدانند چگونه انواع برنامه های بازاریابی فروش در آینده محصولاتشان را تحت تاثیرقرار می دهد. داده کاوی به ما این امکان را می دهد که روابط ظریف مانند نقطه اوجخرید 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 چهارمرحلهاصلی دارد: 1. شناسایی صحیح مشتریان، 2. شناسایی وجه تمایز آنها، 3. تعامل بامشتریان موجود و یادگیری از آنها، 4. سفارشی کردن محصول یا خدمات با توجه بهنیازهای 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 شدهاست ولی دانش ناکافی درمورد مشتریان و فقدان یک سیستم جامع مدیریت دانش مانع ازادامه تلاشهای سازمان بخصوص عملکردهای بازاریابی برای مدیریت روبط با مشتریانشانمیشود. چارچوب مدیریت دانش شرح داده شده در این مقاله میتواند پایه ای برایسازمانها در ادغام موثر دانش کشف شده از مشتری با استراتژی های مدیریت ارتباط باآنها 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 حالحاضر محققان و پژوهشگران با چالش های زیادی درباره بازاریابی مواجه اند. اگرچه دراین مقاله یک چارچوب یکپارچه برای مدیریت دانش در زمینه بازاریابی ارائه شد ولیاذعان داریم که انتقادهای قابل بررسی به آن وجود دارد. بعضی از آنها مربوط به تکنیکهای داده کاوی و فرآیند کشف دانش هستند، در حالیکه بعضی دیگربه مدیریت دانش مربوطمیشود. اول آنکه،کشف دانش از طریق داده کاوی یک فرآیند یادگیری تکرارشونده استشبیه فرآیند تولید و یادگیری سایر دانش ها از جمله کشف علمی.
انتخاب الگوریتم های داده کاوی، تولید فرضیه، ارزیابی مدل و پالایش از اجزای کلیدیاین فرایند کاوش است. و چون مرحله آزمایش و رفع اشکالات مدل، زمانبر است، تولیددانش توسط داده کاوی و یادگیری آن تکرار شونده و زمانبر است. اما در نهایت به دانشمفید 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 سراسرشرکای زنجیره تامین دارد. دانش مشتری به طور معمول در سطح تمام شرکای زنجیره تامینگسترده است و این دانشها برای بازاریاب بسیارمهم است لذا مسائل کلیدی پژوهش مدیریتدانش درون سازمانی نیاز به تلاش در سطح سازمان و کل صنعت، توسعه مدیریت دانش درونسازمانی و توزیع دانش مخفی افراد درون سازمان دارد.
چالش سوم برای پژوهش در زمینه مدیریت دانش طبقه بندی مشتریان است. تکنیک های اخیرداده 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 ودانش حاصله را با هم مقایسه کنند به جای آنکه کلاس ها را ساده کرده و اطلاعات ارزشمندرا از دست دهند.
یکی دیگر از چالش های مهم وب کاوی است. با ظهور اینترنت به عنوان کانال جدیدی برایتوزیع کالا، ترویج محصولات، انجام معامله و فرآیند یکپارچه سازی کسب و کار، وب بهعنوان یکی از مهمترین منابع تولید داده مشتری مطرح شده است ولی فرمت های مختلفداده وماهیت وب که اطلاعات روی آن سریع انتشارمی یابد، آن را به یک چالش برای جمعآوری، کشف، سازماندهی و مدیریت دانش بگونه ای مفید، تبدیل کرده است که برای حمایتاز تصمیمات بازاریابی مهم است.

7- جمع بندی:
علیرغم اینکه داده کاوی در زمینه های مختلفی همچون کشف خطا (تقلب)، پیش بینی قیمتسهام، تشخیص طبی و کشف های علمی مورد استفاده واقع می شود اما کاربرد آن در سیستمهای 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 وصنعتی چنین است که فهم و درک عمیق تری از نیازهای مشتریان به منظور استفاده درتصمیم گیری های مهم خویش داشته باشد و این امر جز با استفاده از داده کاوی واستخراج دانش و مدیریت این دانش حاصل نمی گردد. در جهت نیل به چنین هدفی در اینمقاله نشان داده شد که چگونه می توان داده کاوی را به عنوان یک تکنیک کارا برایاستخراج دانش در یک چهارچوب مدیریت دانش مشتری یکپارچه ساخت. در این چهارچوب نشانداده شد که چگونه می توان با دسترسی به حجم زیادی از داده ها که ممکن است به کمکتکنیک های پیشرفته اطلاعاتی بدست آمده باشد، داده ها را به منظور استخراج اطلاعاتمورد نیاز برای تصمیم گیری، پالایش، مرتب سازی، تحلیل و مدیریت کرد. مشتریانامروزی سازمان ها سلیقه ها و ترجیحات متنوعی دارند که هدف قرارگرفتن آنها، نیاز بهارتباط تک تک دارد. این امرباعث میشود حجم پایگاه داده های حاصل از اطلاعات مشتریو معاملات همواره رو به رشد باشد. می دانیم تجزیه و تحلیل این پایگاه داده هایعظیم با روشهای سنتی بازاریابی که با نیروی انسانی بازاریابان انجام میشود ازتوانایی 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 دادهکاوی که تمام این مشکلات را رفع می کند. بطور کلی یک کاربرد سیستماتیک از تکنیکداده 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 تصمیمگیران یک سازمان قرار دهد. نهایتا این موضوع کاملا واضح و مشخص است که گسترش روزافزون 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 مینماید.

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

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

[3] D. Pepper, M. Rogers, “Enterprise One-to-One: Toolsfor Competing inInteractive Age”, Doubleday, New York, 1997.

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

[5] C.Hsu, C.A. Knoblock, “Using inductive leaing to generate rules for semanticquery” 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 Leaing Methods for IntelligentDecision Support: an Introduction”, Decision Support Systems 10 (2) (1993) 79-83.

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

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

مدیریت فناوری اطلاعات...