در ادامه توضیحات قبلی که به معرفی چند نمونه از کاربردهای علم داده پرداختیم، به سراغ سومین مثال می رویم:
نمونه 3: خرده فروشی و تجارت الکترونیک (سرویس‌دهندگان B2C)
شرکت‌هایی که با تعداد زیادی مشتری مواجه هستند برایشان بسیار مهم است که الگوهای رفتاری مشتریان را شناسایی کنند و بتوانند پیش‌بینی کنند که چه زمانی تعداد مشتری در کدام بخش ریزش می‌کند و بتوانند قیمت‌گذاری را بر اساس این مدل‌ها انجام دهند. یا بتوان کامنت‌های مشتریان نسبت به محصولات مختلف را توسط ماشین و به طور اتوماتیک پالایش کرد و جهت بازار را نسبت به برند و محصول خودمان بدانیم و بر اساس آن سیاستگذاری کرد.
به طور مثال شرکتی را در نظر بگیرید که فردی به عنوان رهگذر وارد شرکت می‌شود، خدماتی دریافت می‌کند و به عنوان “مشتری” از شرکت خارج می‌شود. این مشتری‌ها باز هم ممکن است به این شرکت وارد شده و از خدمات آن استفاده کنند و همچنان افراد جدیدی نیز به عنوان رهگذر وارد این چرخه می‌شوند. برخی مشتریان به این شرکت وفادار می‌مانند و طبیعتا برخی هم ریزش می‌کنند؛ این افراد ممکن است از خدمات شرکت شاکی یا ناراضی باشند و یا به دلایل دیگری مانند مزیت‌هایی که سایر رقبا ایجاد کرده‌اند از چرخه مشتریان این شرکت خارج شده و اصطلاحا برای این شرکت “مرده” محسوب می‌شوند.
اگر بخواهیم این مسئله را از دیدگاه دیتاساینسی حل کنیم و مشتریان ریزشی را شناسایی کنیم، کافی است یک ابزار مانیتورینگ را در این چرخه قرار دهیم و داده‌های رفتار مشتریان که در طول زمان ثبت می‌شوند را به عنوان داده ورودی بگیریم، الگوها را شناسایی کنیم، رفتار سالم و مشکوک را تشخیص بدهیم و رفتارهای مشکوک را با افراد ریزشی مقایسه و بررسی کنیم تا بر اساس آن مدل‌هایی بسازیم که قبل از ریزش، لیست مشتریان مشکوکی که احتمال ریزش آنها وجود دارد را به ما بدهد تا بتوانیم بر اساس سیاست‌های شرکت، قبل از وقوع ریزش آنها را به چرخه وفاداری برگردانیم.
سامانه تحلیل رفتار Daycher CBM دقیقا چنین کاری را انجام می‌دهد یعنی:
- به ما این امکان را می‌دهد که الگوهای رفتاری مشتریان را شناسایی کنیم
- تغییرات الگوی رفتاری مشتریان را شناسایی کنیم
- رفتار مشتریان را پیش‌بینی کنیم
- لیستی را به تیم عملیاتی شرکت ارائه کنیم که نشان دهد چه شخصی در چه زمانی دارای اولویت بالایی است که با او تماس گرفته شود یا سایر سیاست‌های شرکت اجرا شود تا از چرخه مشتریان خارج نشود.
