نویسنده: یونگ جونگ سو[1]
سال انتشار: ۲۰۲۴
مجله: آی.تریپل.ای.اکسس[2]
برای حفظ تأثیر مثبت تبلیغات بر فروش، شناسایی و نگهداشت مشتریانی که احتمال خرید مجدد دارند، امری ضروری و حائز اهمیت است. این امر به شرکت‌ها امکان می‌دهد به‌جای تحمل هزینه‌های قابل‌توجه برای جذب مشتریان جدید، بر مشتریان بالقوه وفادار متمرکز شده و استراتژی‌های بازاریابی خود را به‌صورت بهینه تدوین نمایند. در نتیجه، هزینه‌های تبلیغاتی کاهش‌یافته و بازگشت سرمایه بهبود می‌یابد.
پیش‌بینی خرید مجدد[3] یکی از مفاهیم کلیدی در مدیریت ارتباط با مشتری است که به شرکت‌ها امکان می‌دهد الگوهای رفتاری مشتریان را تحلیل کرده و تشخیص دهند کدام مشتریان در آینده احتمال بیشتری برای خرید مجدد دارند. با استفاده از این پیش‌بینی، شرکت‌ها می‌توانند پیشنهادهای شخصی‌سازی‌شده‌ای ارائه دهند که مشتریان را به خرید مجدد ترغیب کند. همچنین، زمان‌بندی دقیق کمپین‌های تبلیغاتی را به‌گونه‌ای تنظیم نمایند که از ارسال پیشنهادهای نامرتبط یا زودهنگام جلوگیری شود. این رویکرد نه‌تنها هزینه‌های بازاریابی را کاهش می‌دهد، بلکه با تمرکز بر مشتریانی که احتمال خرید بالایی دارند، اثربخشی تبلیغات را افزایش می‌دهد. در نهایت، پیش‌بینی خرید مجدد به شرکت‌ها کمک می‌کند تا برند خود را در ذهن مشتریان ماندگار کرده و وفاداری آن‌ها را تقویت نمایند. در مجموع، پیش‌بینی خرید مجدد به شرکت‌ها کمک می‌کند با کمترین هزینه، بیشترین فروش را داشته باشند و تجربه‌ای بهتر برای مشتریان ایجاد کنند.
نگهداشت مشتریان برای شرکت‌ها از اهمیت بالایی برخوردار است، زیرا هزینة حفظ مشتریان فعلی به‌مراتب کمتر از هزینة جذب مشتریان جدید است. تحقیقات نشان می‌دهند که شرکت‌هایی که استراتژی‌های مؤثری برای حفظ مشتریان خود به کار می‌گیرند، سودآوری بیشتری دارند. در حوزة پیش‌بینی رفتار مشتریان، بسیاری از مدل‌های تحلیلی بر شناسایی مشتریانی که احتمال ترک برند را دارند متمرکز هستند. اما در صنایعی که الگوی خرید مشتریان به‌صورت دوره‌ای یا نامنظم است—مانند صنعت لوازم‌خانگی—تمرکز صرف بر پیش‌بینی ترک مشتری[4] کافی نیست. در این حوزه، پیش‌بینی زمان خرید مجدد از اهمیت بیشتری برخوردار است، زیرا مشتریان پس از یک دورة زمانی ممکن است دوباره به خرید محصول مشابه یا مکمل نیاز پیدا کنند؛ بنابراین، شرکت‌ها با استفاده از مدل‌های پیش‌بینی زمان خرید مجدد، می‌توانند استراتژی‌های بازاریابی خود را بهینه‌سازی کرده و در زمان مناسب، پیشنهادهای مرتبط و شخصی‌سازی‌شده‌ای به مشتریان ارائه دهند.
مطالعات پیشین عمدتاً از مدل‌های آماری برای پیش‌بینی خرید مجدد استفاده کرده‌اند که در آن‌ها رفتار خرید مشتری بر اساس توزیع‌های احتمالاتی تحلیل و مدل‌سازی می‌شود. این مدل‌ها معمولاً به تعیین احتمال کلی خرید مجدد می‌پردازند، اما در پیش‌بینی زمان دقیق این خرید دقت کافی ندارند. برخی دیگر از پژوهش‌ها از روش طبقه‌بندی دودویی[5] استفاده کرده‌اند که تنها مشخص می‌کند آیا یک مشتری مجدداً خرید خواهد کرد یا خیر، اما قادر به ارائه تخمینی از زمان وقوع این خرید نیست. در سال‌های اخیر، روش‌های جدیدتر مبتنی بر یادگیری ماشین و یادگیری عمیق مانند جنگل تصادفی بقا[6] و مدل دیپ‌هیت [7]توسعه یافته‌اند که قادرند محدودیت‌های روش‌های سنتی را برطرف کرده و پیش‌بینی‌های دقیق‌تری ارائه دهند. این مدل‌ها نه‌تنها احتمال خرید مجدد را تخمین می‌زنند، بلکه می‌توانند زمان تقریبی وقوع آن را نیز پیش‌بینی کنند که این امر برای بهینه‌سازی استراتژی‌های بازاریابی و برنامه‌ریزی تبلیغاتی اهمیت زیادی دارد.
مقاله پیش رو به بررسی روش‌های پیش‌بینی خرید مجدد در صنعت لوازم‌خانگی با استفاده از مدل‌های یادگیری ماشین[8] و تحلیل بقا[9] می‌پردازد. بسیاری از تحقیقات پیشین در این حوزه به استفاده از روش‌های آماری سنتی و مدل‌های طبقه‌بندی دودویی محدود شده‌اند، اما این مقاله با ترکیب تحلیل بقا و یادگیری عمیق[10] بر رویکرد پژوهشی نوینی استوار است.
روش‌های تحلیل بقا و یادگیری ماشین می‌توانند به شرکت‌های لوازم خانگی کمک کنند تا استراتژی‌های بازاریابی خود را بهبود بخشیده و مشتریان وفادار بیشتری جذب کنند.
در این پژوهش، داده‌های واقعی مدیریت ارتباط با مشتری یک شرکت لوازم‌خانگی، شامل اطلاعات مشتریان، سوابق خرید، مشاوره و تعمیرات، برای حدود ۱.۴۵ میلیون مشتری مورد تحلیل قرار گرفته است. هدف اصلی این مطالعه، پیش‌بینی زمان خرید مجدد تلویزیون توسط مشتریان بوده و در این راستا، از روش‌های مختلف یادگیری ماشین و یادگیری عمیق بهره گرفته شده است.
نتایج به‌دست‌آمده از تحلیل داده‌های این پژوهش نشان داد که:
- ۲۷٪ از مشتریان در کمتر از یک ماه پس از خرید اول، تلویزیون دوم را خریداری کرده‌اند.
- ۵۲٪ از مشتریان در طول یک سال پس از خرید اولیه، تلویزیون جدیدی تهیه کرده‌اند.
این یافته‌ها نشان می‌دهد که پیش‌بینی زمان خرید مجدد می‌تواند به شرکت‌ها کمک کند تا تبلیغات و پیشنهادهای خود را به طور هدفمند برای مشتریان ارائه دهند و در زمان مناسب، تخفیف‌ها یا پیشنهادهای ویژه‌ای ارائه کنند.
تحلیل ویژگی‌های مدل نشان داد که عوامل مختلفی بر احتمال خرید مجدد تأثیر دارند. مهم‌ترین این عوامل عبارت‌اند از:
- زمان از آخرین خرید: مشتریانی که مدت‌زمان کوتاهی از خرید قبلی آن‌ها گذشته، احتمال بیشتری دارند که خرید مجدد انجام دهند.
- میزان خریدهای گذشته: مشتریانی که در خریدهای پیشین مبلغ بیشتری صرف کرده‌اند، بیشتر احتمال دارد که مجدداً خرید کنند.
- وضعیت مشتری در سیستم مدیریت ارتباط با مشتری: مشتریانی که در گروه‌های با رتبه‌بندی بالاتر قرار دارند، احتمال بیشتری برای خرید مجدد دارند.
- سوابق تعمیرات: مشتریانی که در گذشته مشکلاتی در تلویزیون خود داشته‌اند و درخواست تعمیر داده‌اند، بیشتر احتمال دارد که تلویزیون جدیدی خریداری کنند.
روش‌های تحلیل بقا و یادگیری ماشین ابزارهای قدرتمندی برای پیش‌بینی زمان خرید مجدد مشتریان در صنعت لوازم خانگی هستند. این روش‌ها علاوه بر پیش‌بینی احتمال خرید مجدد، می‌توانند زمان دقیق این خرید را نیز تخمین بزنند. به طور مثال، برای مشتریانی که احتمال خرید مجدد آن‌ها در سه ماه آینده زیاد است، می‌توان پیشنهادهای ویژه تبلیغاتی ارائه داد. همچنین برای مشتریانی که پیش‌بینی می‌شود خرید مجدد آن‌ها در یک سال آینده صورت گیرد، می‌توان استراتژی‌های بازاریابی طولانی‌مدت و متناسب با نیازهای آنان برنامه‌ریزی کرد. این قابلیت به شرکت‌ها کمک می‌کند تا استراتژی‌های بازاریابی خود را بهینه‌سازی کرده و پیشنهادات شخصی‌سازی‌شده‌ای را در زمان مناسب به مشتریان ارائه دهند. در نتیجه، شرکت‌ها می‌توانند هزینه‌های تبلیغاتی را کاهش داده و وفاداری مشتریان را تقویت کنند، که در نهایت منجر به افزایش فروش و بهبود بازگشت سرمایه می‌شود.
[1] Youngjung Suh
[2] IEEE Access
[3] Repurchase
[4] Customer Churn
[5] Binary Classification
[6] Random Survival Forest
[7] DeepHit
[8] Machine learning
[9] Survival Analysis
تحلیل بقا یک روش آماری است که مدت‌زمان تا وقوع یک رویداد خاص را بررسی می‌کند. این روش معمولاً در مهندسی و علوم اجتماعی برای پیش‌بینی و مدل‌سازی زمان وقوع رخدادها استفاده می‌شود.
[10] Deep Learning