خلاصه ای از وبینار آموزشی سکان در مورد بررسی رفتار مدیران داده‌محور و تأثیر آن بر سازمان

سکان پلتفرم تحلیل داده، وبیناری را با حضور علیرضا نخجوانی (مدیرعامل هلدینگ دایا) و علی مهدویان (متخصص علم داده سکان) برگزار کرد. در این وبینار، میزبان علیرضا رحیمی (مدیر محتوای سکان) به بررسی “نقش تحلیل داده در صنعت خرده‌فروشی” پرداختند.

چکیده وبینار سکان پیرامون تحلیل داده در صنعت خرده‌فروشی

صنعت خرده‌فروشی به عنوان یکی از قدیمی‌ترین صنایع، در طول زمان دچار تغییرات فراوانی شده است تا با سبک زندگی و علایق مشتریان همگام شود. اگرچه این صنعت در ایران هنوز از دانش روز دنیا فاصله دارد، اما روند رو به پیشرفتی را طی می‌کند و با همکاری دانشگاه‌ها در حال توسعه است.

صنعت خرده‌فروشی به دلیل ارتباط مستقیم با مشتریان، با چالش‌هایی همچون هماهنگی با فرهنگ محلی و همچنین تاثیرپذیری از تغییرات اقتصادی مواجه است. در این راستا، استفاده از تحلیل داده می‌تواند نقش بسزایی در شناخت بهتر مشتریان و تطبیق محصولات و خدمات با نیازهای آنها ایفا کند.

صنعت خرده فروشی از صنایعی است که حاشیه سود پایینی دارند. محصولات FMCG (محصولات تند مصرف) تنها حاشیه سود 5 تا 10 درصدی دارند و حتی برای محصولاتی که زمان مصرف یک تا دو ماهه دارند، حاشیه سود فقط 15 تا 20 درصد است. بنابراین هر اشتباه کوچکی می‌تواند این صنعت را به وضعیت بدی بکشاند.

در تمام سازمان‌ها زمانی که مدیران داده محور می‌شوند، سازمان نیز به سمت داده محور شدن هدایت می‌شود. این فرهنگ از بالا به پایین جاری می‌شود. در گذشته، داده محور بودن جزو مسائل لوکس در سازمان‌ها بود، اما در آینده به مزیت رقابتی تبدیل خواهد شد. اگر سازمان داده محور نباشد، بر اساس سرعت پیشرفت رقبا، عقب خواهد ماند.

اگر نمونه‌های کوچکی از داده محوری را در سازمان اجرا کنید، به طور خودکار به سمت داده محور شدن علاقه‌مند خواهید شد. داده برای همه بخش‌های سازمان مفید است و می‌تواند در بهینه‌سازی عملکرد، شناسایی ارتباطات بین واحدها و تصمیم‌گیری کمک کند.

اما داده محوری کاری یک شبه نیست. باید قدم به قدم هر بخش به بلوغ کافی برسد یا برخی فعالیت‌ها برون‌سپاری شوند تا امکان بهره‌برداری هر چه بیشتر از داده فراهم شود.

مدیریت به معنای تصمیم‌گیری بر اساس داده‌های موجود است. در واقع، مدیریت با داده عجین شده است. زمانی که مدیران به حجم زیادی از داده‌های کسب‌وکارشان دسترسی دارند و می‌توانند تصمیمات دقیق‌تر و درست‌تری اتخاذ کنند، چرا این کار را انجام ندهند؟

در سطوح پایین‌تر سازمان، دغدغه‌ها و میزان اثرگذاری تصمیمات کمتر است و امکان آزمون و خطا بیشتر است. اما تصمیمات مدیران ارشد سازمان تأثیرات بلندمدت و عمیقی دارند، پس باید با ظرافت بیشتری اتخاذ شوند.

مدیران سنتی بر اساس شهود و مدل‌سازی ذهنی تصمیم‌گیری می‌کنند. اما در سازمان‌های داده‌محور، این مدل‌سازی در سیستم‌های هوشمند با ابعاد بزرگ‌تر و متغیرهای بیشتر انجام می‌شود. ذهن انسان در مقابل این سیستم‌ها محدودتر عمل می‌کند و برخی واقعیات را نادیده می‌گیرد. بنابراین، درصد خطای مغز انسان بسیار بیشتر از سیستم‌های هوشمند است.

داده‌محوری به کاهش عدم قطعیت و ابهام در سازمان کمک می‌کند. به همین دلیل، به علم داده به عنوان پشتیبان تصمیم‌گیری نیز اشاره می‌شود.

بعضی از مدیران خود را “داده-محور” می‌دانند، در حالی که در واقع هیچ داده‌ای در سازمان جمع‌آوری نمی‌شود. این رویکرد را می‌توان به تیری تشبیه کرد که بدون نشانه‌گیری قبلی شلیک می‌شود و سپس دایره‌ای به دور آن کشیده می‌شود تا ادعا شود که به خوبی هدف اصابت کرده است. در واقع، داده‌ها باید قبل از تصمیم‌گیری جمع‌آوری شوند تا به فرایند تصمیم‌گیری کمک کنند.

وقتی کسب‌وکاری بر اساس حدس و گمان تصمیم می‌گیرد و به جمع‌آوری داده‌ها نمی‌پردازد، حجم عظیمی از اطلاعات مفید از کنارش می‌گذرد، درست مانند رودی خروشان که شما تنها به دنبال یک لیوان آب هستید. به عنوان مثال، در یک رستوران، اگر مشتری اطلاعات شخصی خود را بدهد، رستوران می‌تواند از این داده‌ها برای ارائه خدمات بهتر استفاده کند، مانند اطلاع‌رسانی به مشتری در صورت جا گذاشتن وسیله‌ای. اما اگر رستوران از این داده‌ها استفاده نکند، هزینه و زمان صرف شده برای جمع‌آوری آن‌ها هدر می‌رود.

حتی اگر یک کسب‌وکار نوپا سرمایه کافی برای داده‌محور شدن نداشته باشد، باید داده‌ها را جمع‌آوری کند تا در آینده بتواند از آن‌ها استفاده کند. تبدیل شدن به یک سازمان داده‌محور فرایندی تدریجی است که با شناسایی داده‌های موجود، تعیین اولویت‌ها، جمع‌آوری و تحلیل داده‌ها شکل می‌گیرد. در نهایت، می‌توان از این داده‌های تحلیل شده برای تصمیم‌گیری در زمینه‌هایی مانند قیمت‌گذاری و بازاریابی استفاده کرد.

قیمت‌گذاری در کسب‌وکارها بر اساس رفتار مشتریان و رقبا صورت می‌گیرد. گاهی اوقات، اگر یک محصول یا خدمت مورد استقبال قرار گیرد، قیمت آن افزایش پیدا می‌کند.

روش ساده‌ترین برای تقسیم‌بندی مشتریان، روش RFM است

در این روش، مشتریان بر اساس پارامترهای Recency (فاصله زمانی خرید قبلی)، Frequency (تعداد خرید قبلی) و Monetary (حجم خرید قبلی) به ۳، ۶ یا ۱۱ گروه تقسیم می‌شوند. مشتریان با فاصله زمانی کم، تعداد و حجم خرید بالا به عنوان مشتریان قهرمان شناسایی می‌شوند. مشتریان وفادار، گروهی هستند که شاید فاصله زمانی خریدشان بالا باشد، اما در صورت نیاز، شما را انتخاب می‌کنند. گروه دیگر “از دست ندهید” نامیده می‌شوند که تعداد و حجم خرید بالایی دارند، اما فاصله زمانی خریدشان بسیار زیاد است. برای ترغیب این گروه به خرید مجدد، پیشنهادات مختلفی ارائه می‌شود.

مشتریانی که فاصله زمانی خرید آنها بیش از ۳۰ تا ۶۰ روز شده است، در حال ریزش هستند. با استفاده از داده‌ها، می‌توان پیش‌بینی کرد که چنین مشتریانی در ۵۰ روز آینده به کسب‌وکار بازنخواهند گشت. در این مدت، با ارائه پیشنهادات مختلف، سعی می‌شود آنها را به خرید مجدد ترغیب کرد. گاهی اوقات، صرف یک پیام ساده و صمیمی نیز می‌تواند کافی باشد.

وقتی شما تبلیغات و فروش مخصوص هر گروه از مشتریان را اجرا می‌کنید، واکنش آن گروه از مشتریان، گروه‌های جدیدی را ایجاد می‌کند. با این گروه‌های جدید باید به شکل متفاوتی رفتار شود. در این صورت، هزینه‌های شما بهینه‌تر و تأثیر آنها بیشتر خواهد شد.

اگر در تبلیغات هر گروه، جنسیت آنها را در نظر بگیرید و طبق جنسیت مشتری پوستر را انتخاب کنید، نتیجه بهتری خواهید گرفت. همچنین می‌توانید در تبلیغات متنی، مشتریان را با اسم خطاب کنید، به خرید قبلی آنها اشاره کنید یا بر اساس رفتار خرید پیشنهاداتی به آنها ارائه دهید. همه این روش‌ها احساس مثبتی در مشتری ایجاد می‌کند.

شما باید پیشنهادی به مشتری ارائه کنید که کمترین احتمال رد شدن را داشته باشد. اگر پیشنهاد شما رد شود، پذیرش پیشنهاد بعدی نیز سخت‌تر خواهد بود. هزینه جذب مشتری 5 تا 25 برابر هزینه بازگشت مشتری است.

در علم داده، تحلیل‌ها در چهار سطح انجام می‌شود:

توصیفی: وضعیت فعلی کسب‌وکار را توصیف می‌کند.
تشخیصی: دلایل وقوع برخی اتفاقات را تشخیص می‌دهد.
پیش‌بینی: اتفاقات احتمالی در سازمان را پیش‌بینی می‌کند.
تجویزی: راه‌حل برای مشکلات پیش‌آمده ارائه می‌دهد.