عنوان متداولترین اشتباهات تجزیه و تحلیل مشتری
نوع منبع مقاله
گروه تجزیه و تحلیل
تاریخ انتشار ۰۴ / ۱۰ / ۱۳۹۵
خلاصه جمع آوری ، تحلیل و تصمیم گیری به کمک داده ، هسته مرکزی تجزیه و تحلیل مشتری است. سوخت موتور تصمیم گیری می بایست بگونه ای انتخاب شود که قادر به تولید بینش درست باشد . نیل به نتایج مطلوب در تجزیه و تحلیل مشتری بسیار حائز اهمیت است ، چراکه بسیاری از تصمیمات استراتژیک و تاکتیکی در یک سازمان به استناد به آنها اتخاذ می گردد. در این مطلب با متداولترین اشتباهات و یا عواملی که باعث نتایج نامطلوب و ضعیف در تجزیه و تحلیل مشتری آشنا خواهیم شد .

جمع آوری ، تحلیل و تصمیم گیری به کمک داده ، هسته مرکزی تجزیه و تحلیل مشتری است . تمام افرادی که اخیر به این دنیای جذاب علاقه مند شده اند و یا افرادی که دارای تجارب چندین ساله در این زمینه می باشند ، می بایست ضمن آشنایی با متداولترین اشتباهات و یا عواملی که باعث نتایج نامطلوب و ضعیف در تجزیه و تحلیل مشتری می گردد ، با بکارگیری ایده ها و راهکارهای مناسب از بروز این اشتباهات پیشگیری نمایند . نیل به نتایج مطلوب در تجزیه و تحلیل مشتری بسیار حائز اهمیت است ، چراکه بسیاری از تصمیمات استراتژیک و تاکتیکی در یک سازمان به استناد به آنها اتخاذ می گردد . در شکل 1 ، پیکربندی لازم جهت تجزیه و تحلیل مشتری نشان داده شده است .
 
پیکربندی تجزیه و تحلیل مشتری
شکل 1: پیکربندی تجزیه و تحلیل مشتری
در شکل 2 ، متداولترین اشتباهات تجزیه و تحلیل مشتری  نشان داده شده است .

متداولترین اشتباهات تجزیه و تحلیل مشتری
شکل 2: متداولترین اشتباهات تجزیه و تحلیل مشتری

در ادامه به تشریح متداولترین اشتباهات تجزیه و تحلیل مشتری خواهیم پرداخت . با این امید که بتوان ضمن آشنایی با هر یک از آنها ، موتور تجزیه و تحلیل را بگونه ای به حرکت درآورد که بهبود صحت ، دقت و کارآمدی تجزیه و تحلیل مشتری را به دنبال داشته باشد.  

استفاده از معیارهای نادرست 
از معیارها و یا شاخص ها در بسیاری از سازمان و در زمینه های مختلفی استفاده می گردد و قطعا دلایل موجه و قانع کننده ای جهت این کار وجود دارد . استفاده از معیارها نمی بایست با تاکید صرف بر روی بهینه سازی اهداف کسب و کار صورت پذیرد و لازم است به اهداف مشتری و بهینه سازی آنان نیز توجه جدی شود. اجازه دهید با ذکر یک مثال این موضوع را بیش تر روشن کنیم . فرض کنید یک شرکت هواپیمایی برای پرواز به موقع هواپیما یک معیار را تعریف کرده باشد ( در مقابل به موقع رسیدن ) . اگر هواپیما به موقع از گیت خروجی خارج شود و بر روی باند منتظر بماند تا اجازه پرواز را بگیرد و پس از پرواز با نیم ساعت تاخیر به مقصد برسد ، آیا معیار در نظر گرفته شده از منظر مسافرین (مشتریان ) یک معیار مناسب است و اهداف آنها را نیز تامین می کند ؟ آیا حس بد دیر رسیدن مسافرین ، اثر خود را بر روی معیار به موقع پرواز کردن نشان داده است؟ و یا اگر به دنبال بهینه سازی تعداد تماس پاسخ داده شده در یک ساعت و در یک مرکز تماس باشیم ، آیا توجه بیش از حد به کمیت نداشته ایم و کیفیت کار را ذیل آن تعریف نکرده ایم ؟ مشتریانی که با مراکز خدمات و پشتیبانی تماس می گیرند ، عموما به دنبال حل مشکلات و مسائل خود در زمان مناسب و بطور صحیح می باشند . معیارها می بایست برای مشتریان معنی دار باشند تا با بهینه سازی آنها بتوان یک تجربه بهتر را برای مشتری ایجاد کرد.
 
تکیه بیش از حد بر روی داده رفتاری یا نگرشی 
با کاوش تراکنش های مشتریان می توان مجموعه زیادی از الگوها راکشف کرد . به عنوان نمونه ، یک مشتری چه محصولاتی را با هم خریداری کرده است و یا متوسط زمان بین خریدهای یک مشتری چیست ؟ این نوع داده های رفتاری به شما در خصوص شناخت نگرش و انگیزه های این موضوع که چرا مشتریان این اقلام را با هم خریداری کرده اند ، کمکی نخواهد کرد . جهت آگاهی از این نوع داده های نگرشی می توان از روش های مختلفی نظیر نظرسنجی و سایر روش های پرسش از مشتریان استفاده کرد.   

عدم وجود داده کافی 
با توجه به معیارهای انتخاب شده می بایست داده لازم و کافی برای اندازه گیری آنها وجود داشته باشدخصوصا در مواردی که بررسی تفاوت های اندک برای کسب و کار حائز اهمیت است. تشخیص تاثیر تفاوت های اندک در معیارها مستلزم استفاده از داده کافی می باشد . در این رابطه می توان ضمن مشورت با کارشناسان اهل فن نظیر متخصصین آمار، نسبت به میزان داده نمونه آگاهی پیدا کرد. هم زمان و هم هزینه زیادی صرف این کار می شود تا بتوان نسبت به بررسی تفاوت های اندک در یک محصول و میزان رضایت مندی مشتری و یا احتمال توصیه به دیگران آگاهی پیدا کرد . این وضعیت در مواردی که به داده کافی دسترسی نداشت ، دوچندان می شود . به عنوان نمونه اگر یک ویژگی جدید را به محصول اضافه کنیم ، آیا مشتری تمایل به خریدن آن را دارد ؟ آیا این محصول را به دوستان خود پیشنهاد می کند؟ آیا با انجام این تغییر بر روی وب سایت ، ملاقات کنندگان سایت اضافه می شوند و می توانند با راحتی بیشتری از امکانات سایت استفاده نمایند؟  

محو داده ها و الگوها شدن
استفاده از علم آمار و ریاضیات برای تشخیص دقیق الگوها بسیارحائز اهمیت است . تمرکز بر داده و یا الگوها بدون توجه به علوم اشاره شده ممکن است در برخی موارد استثنایی و اصطلاحا الگوهای تابلو مفید باشد و این تصور ایجاد گردد  که می توان الگوهایی را صرفا با بررسی بصری و بدون کمک گرفتن از علم آمار تشخیص داد . برای الگوهای خیلی بزرگ، می توان به سادگی و بدون محاسبات آنها را تشخیص داد ولی ما به ندرت با این گونه الگوهای واضح سروکار خواهیم داشت . برای کاهش احتمال اسارت در دام تصادفی بودن در داده ، می بایست از محاسبات آماری و ریاضی برای تشخیص واقعیت ها استفاده گردد.

سردرگمی بین اهمیت آماری با اهمیت عملی 
در تجزیه و تحلیل مشتری با داشتن یک نمونه بزرگ داده ، می توان تفاوت های خیلی اندک و الگوهایی که از لحاظ آماری معنی دار می باشند را تشخیص داد . اهمیت آماری صرفا بدین معنی است که الگوها یا تفاوت ها بیانگر وجود نویز تصادفی در داده نمی باشد. این بدین معنی نیست چیزی که تشخیص داده شده است دارای اهمیت عملی زیاد است . برنامه های تجزیه و تحلیل ، الگوهای مختلف و تفاوت ها را علامت گذاری می کنند ولی لازم است شما تعیین کنید که آیا یک تفاوت یک درصدی در نتایج نرخ تبدیل دارای یک تاثیر مهم و یا ناچیز است . این موضوع به زمینه کار بستگی دارد و لازم است از نرم افزار کورکورانه تبعیت نگردد. نتایج هر اهمیت آماری به مفاهیم کسب و کار و نتایج آن بستگی دارد. 

عدم داشتن یک تیم مناسب 
تجزیه و تحلیل مشتری مستلزم وجود یک تیم کاری قوی متشکل از بخش های مختلف یک سازمان است . به عنوان نمونه ؛ علی رغم این که با وجود یک کارشناس علم آمار در تیم می توان به بینش صحیحی از بعد مسائل آماری دست یافت ولی اگر در تیم فوق از بخش های بازاریابی، فروش ، خدمات و محصولات استفاده نشود و یا به نوعی آنها خود را درگیر این موضوع نکنند ، ایجاد و پیاده سازی بینش در عمل با مشکل مواجه خواهد شد . استفاده از افراد با مهارت های لازم در یک تیم کاری تجزیه و تحلیل پیش شرط اولیه موفقیت تجزیه و تحلیل مشتری است . در یک تیم کاری نمی بایست دارای انباشت و یا فقدان تخصص مورد نیاز باشیم .
 
عدم توجه به تمیز کردن داده در ابتدا  
سوخت موتور تجزیه و تحلیل مشتری، داده با کیفیت است . اگر نتوانیم داده با سطح کیفی مناسب و تایید شده را در اختیار موتور تجزیه و تحلیل قرار دهیم ، نمی بایست این انتظار را داشت که خروجی آن معجزه کند چراکه بینش تولید شده به کمک داده کثیف ایجاد شده است . بنابراین لازم است ، قبل از اجرای هر گونه تجزیه و تحلیل ، کیفیت داده با  انتخاب یک نمونه از داده  و ممیزی کیفیت آن به درستی و با دقت بررسی گردد . همچنین لازم است ، خروجی پروفایلینگ داده را با سایر منابع در دسترس نیز ارزیابی کرد و صرفا به یک منبع داده بخصوص اکتفا نکرد. هدف تامین داده به روز و درست برای تجزیه و تحلیل مشتری است . فرآیندی که اگر به درستی ماده اولیه آن با سطح کیفی مناسب تهیه نشود نمی توان و نمی بایست به نتایج آن دل خوش کرد. 

داده با قالب نادرست  
در زمان تجزیه و تحلیل داده ، حداقل نیمی از زمان صرف قالب بندی داده می گردد تا نرم افزار تجزیه و تحلیل قادر به تحلیل داده با قالب مناسب باشد . عدم تجمیع مناسب و دریافت تراکنش های مشتری یا داده نظر سنجی در قالب مناسب ، اتلاف زمان و هزینه را به دنبال خواهد داشت . درصورتی که به قالب صحیح داده نگاهی سطحی داشته باشیم در ادامه کار می بایست زمان و هزینه بیش تری را صرف تکرار برخی کارها کرد . بنابراین لازم است که قبل از هرچیز و در آغاز کار و هر چه زودتر نسبت به صحت قالب داده اطمینان حاصل کرد.

عدم داشتن پرسش های پژوهشی شفاف برای پاسخ گویی  
داشتن یک الگوی مشخص برای یافتن آن در معادن داده برای شروع بسیار راهگشا می باشد (دقیقا نظیر ماهیگیری که می داند به دنبال صید چه چیزی در دریا می باشد ) ، ولی توقف در الگوهای از پیش تعریف شده می تواند نتایج بسیار محدودی در ارتباط با تجزیه و تحلیل مشتری را به دنبال داشته باشد . از مواردی که در معادن داده پیدا می شود می توان جهت شکل دهی فرضیه های مختلفی در ارتباط با رفتار مشتری استفاده کرد . درادامه می توان به بررسی ، تایید ، پالایش و یا نادیده گرفتن این فرضیه به کمک داده اضافه اقدام کرد. 

در انتظار کامل شدن داده ماندن  
هر مجموعه داده (دیتا ست ) به نوعی دارای برخی مسائل است . برخی از این مسائل کوچک می باشند نظیر فقدان چندین فیلد اطلاعاتی و برخی از مسائل بزرگ می باشند نظیر فقدان تعداد زیادی از فیلدهای مورد نیاز و داده ناجور . برای داده نظر سنجی همواره این نگرانی وجود دارد که چگونه یک پرسش می بایست مطرح گردد و چه افرادی می بایست به آن پاسخ دهند . درست است که همواره این احتمال وجود دارد که ما شاهد وجود برخی نقایص در مجموعه های داده و نظرسنجی ها باشیم ، ولی هرگز نمی بایست این را بهانه ای برای وقفه در شروع کار قرار داد . می بایست با چیزی که داریم ، کار را شروع کرد و به کمبودها توجه و در ادامه مسیر برای آنها راه حل مناسبی را پیدا کرد. این که حرکت خود را وابسته به کامل شدن داده بکنیم ، ممکن است فرصت حرکت کردن را برای همیشه از خود سلب نمائیم چراکه در اکثر سازمان ها وضعیت داده برای شروع بسیاری از برنامه های مبتنی بر داده نظیر تجزیه و تحلیل مشتری مناسب نمی باشد .  
 
خلاصه
نتایج یک تجزیه و تحلیل زمانی مفید است که بیانگر واقعیت های موجود باشد. با توجه به ماهیت تجزیه و تحلیل، پارامترهای متعددی مورد توجه قرار می گیرند تا خروجی فرآیند تجزیه و تحلیل مطلوب و قابل استفاده باشد . سوخت موتور تصمیم گیری می بایست بگونه ای انتخاب شود که قادر به تولید بینش درست باشد . شاخص ها و یا معیارهای تدوین شده زمانی دارای ارزش می باشند و می توانند رهگشای یک کسب و کار باشند که به جایگاه تمامی بازیگران توجه شود. در تجزیه و تحلیل مشتری از معیارهای مختلفی برای سنجش و یا ارزیابی مشتری استفاده می گردد . در صورتی که معیارها با هدف بهینه سازی صرفا یکی از بازیگران ( اهداف کسب و کار ) ایجاد شده باشند و اهداف سایر بازیگران (اهداف مشتری) مورد توجه قرار نگیرد ، در عمل جایگاه خود را از دست داده و به شمارنده هایی تبدیل خواهند شد که برای رضایت صرفا یکی از بازیگران مقدارشان کاهش و یا افزایش می یابد . در بسیاری از موارد این افزایش و کاهش ماحصل داده واقعی نمی باشد و به صورت دستوری انجام می شود . در این مطلب ضمن اشاره مجدد به اهمیت تجزیه و تحلیل مشتری و حداقل الزامات مورد نیاز ، با متداولترین اشتباهات تجزیه و تحلیل اشاره گردید . اشتباهاتی که می توان آنها را به عنوان مهمترین دلایل عدم موفقیت برنامه های تجزیه و تحلیل در نظر گرفت .

 منابع  :
Jeff Sauro , James R. Lewis : Quantifying the User Experience Practical Statistics for User Research,Elsevier, 2012
Ömer Artun , Dominique Levin:Predictive Marketing Easy Ways Every Marketer Can Use Customer Analytics and Big Data,Wiley,2015
Daniel S. Putler and Robert E. Krider :Customer and Business Analytics: Applied Data Mining for Business Decision Making Using R ,CRC Press,2012
Tom Tullis , Bill Albert :Measuring the User Experience , Elsevier , 2013
Philipp Klaus :Measuring Customer Experience ,PALGRAVE MACMILLAN, 2015
John F. Tanner Jr.:Analytics and Dynamic Customer Strategy  Big Profits from Big Data  ,Wiley,2014