میباشد. اگرچه رکن اساسی پایگاه داده مشتریان جهت برقراری ارتباطات و تعاملات پویا به‌طور عمده، شماره تلفن همراه آنها میباشد ولیکن، جهت حصول ارتباطاتی کارآمد و اثربخش کفایت نمیکند. از این‌رو، میبایست نسبت به گردآوری اطلاعات در مقیاسی کلان‌تر و کاربردی‌تر اقدام شود. مشتریان اصولاً بر اساس مولفه‌هایی همچون دادههای جمعیت‌شناختی، روان‌شناختی، رفتاری و رفتار اجتماعی طبقهبندی می‌گردند. در عین حال که دادههای جمعیت‌شناختی، روان‌شناختی و رفتاری به‌طور سنتی جهت دسته‌بندی مشتریان مورد استفاده قرار میگیرد؛ بکارگیری دادههای رفتار اجتماعی جهت طبقهبندی مشتریان در حوزه تلفن همراه رونق بیشتری یافته است.
چالش‌های بیرونی: در زمینه چالش‌های بیرونی نیز دو مقوله حیاتی قابل بحث و بررسی است. نخست، به جهت آنکه سیستم مدیریت ارتباط با مشتریان مبتنی بر تلفن همراه، اطلاعات شخصی مشتریان را مورد استفاده و بهره‌برداری قرار میدهد، محدودیت‌های قانونی مهمترین مولفه‌ایست که جهت پیاده‌سازی سیستم مدیریت ارتباط با مشتریان مبتنی بر تلفن همراه میبایست مورد ملاحظه قرار گیرد. دوم، یکی از کلیدی‌ترین مقولات تاثیرگذار بر چالش‌های مبتنی بر تکنولوژی در mCRM، زیرساخت‌های تلفن همراه میباشد. زیرساخت‌های تلفن همراه، مولفه‌های شبکههای تلفن همراه و ابزار و ادوات تلفن همراه را مورد ملاحظه و توجه قرار میدهد. به جهت تغییر و تحولات و پیشرفت‌هایی که به‌طور مستمر در حوزه زیرساخت‌های تلفن همراه در جریان میباشد، کسب و کارهای مبتنی بر این تکنولوژی همواره با چالش‌ها و نوآوری‌هایی روبرو خواهند بود و لذا میبایست این مقولات را در بکارگیری سیستم‌های مبتنی بر تلفن همراه رصد کرده و اقدامات مربوطه را صورت دهند.
چالش‌های خاص مدیریت ارتباط با مشتریان مبتنی بر تلفن همراه: این چالش‌ها نیز نشات گرفته از افزودن رسانه تلفن همراه به سیستم‌های مدیریت ارتباط با مشتریان سنتی میباشد. همانطور که بیان شد، تکنولوژی در مدیریت ارتباط با مشتریان، نقشی کلیدی ایفا مینماید. از این‌رو، به‌منظور بکارگیری رسانه تلفن همراه در مدیریت ارتباط با مشتریان، زیرساخت‌های تکنولوژیک نیازمند بازسازی و ارتقا می‌باشند. از طرفی دیگر، مشتریان استفاده از تلفن همراه خود را در حوزههای کارکردی جدید و تنها به این جهت که تکنولوژی‌ای جدید ظهور کرده، به‌راحتی نمی‌پذیرند. از این‌رو، دو دسته چالش‌های خاص در حوزه مدیریت ارتباط با مشتریان مبتنی بر تلفن همراه قابل توجه میباشد:
• چالش‌های حوزه تکنولوژی
• چالش‌های حوزه بازاریابی
2-5 مبانی نظری داده‌کاوی
2-5-1 مفهوم داده‌کاوی
در طول دهه گذشته با پیشرفت روزافزون کاربرد پایگاه دادهها، حجم دادههای ثبت شده به طور متوسط هر 5 سال 2 برابر میشود. در این میان سازمانهایی موفقند که بتوانند حداقل 7% دادههایشان را تحلیل کنند. تحقیقات انجام یافته نشان داده است که سازمانها کمتر از یک درصد دادههایشان را برای تحلیل استفاده میکنند. بنابر اعلام دانشگاه MIT دانش نوین داده‌کاوی یکی از ده دانش در حال توسعهای است که دهه آینده را با انقلاب تکنولوژیکی مواجه میسازد. این تکنولوژی امروزه دارای کاربرد بسیار وسیعی در حوزههای مختلف است به گونهای که امروزه حد و مرزی برای کاربرد این دانش در نظر نگرفته و زمینههای کاری این دانش را بسیار گسترده میدانند. (محمدی‌پور، 1388)
مفهوم داده‌کاوی برای اولین بار در سال 1989 توسط دکتر گئورگی پیاتتسکی شاپیرو معرفی شد. از آن زمان تاکنون کنفرانسهای سالانه منظمی در خصوص داده‌کاوی و کشف دانش برگزار گردیده است. دانش داده‌کاوی که نام آن نیز از استخراج معدن گرفته شده است با زدودن متعلقات غیرضروری دادهها و استخراج روابط سودمند در آنها، روابط پیچیده بین دادهها را آشکار کرده و راه را جهت تصمیم‌گیری هموار مینماید. پس از ورود مفهوم داده‌کاوی به حیطههایی چون مدیریت ارتباط با مشتری، اکنون داده‌کاوی در بسیاری از زمینههای مختلف کاربرد دارد. (محمدی‌پور، 1388)
2-5-2 تعاریف داده‌کاوی
تاکنون تعاریف متفاوتی از داده‌کاوی ارائه شده است؛ ولیکن تعریفی که در اکثر مراجع به اشتراک ذکر شده عبارت است از “استخراج اطلاعات و دانش و کشف الگوهای پنهان از یک پایگاه دادههای بسیار بزرگ و پیچیده”. داده‌کاوی یک متدولوژی بسیار قوی و با پتانسیل بالا میباشد که به سازمانها کمک میکند که بر مهمترین اطلاعات از مخزن دادههای خود تمرکز نمایند. داده‌کاوی به فرایند استخراج اطلاعات نهفته، قابل فهم، قابل تعقیب از پایگاه دادههای بزرگ و استفاده از آنها در تصمیم‌گیریهای تجاری مهم اطلاق میشود. داده‌کاوی، مجموعهای از روش‌ها در فرایند کشف دانش است که برای تشخیص الگوها و رابطههای نامعلوم در دادهها مورد استفاده قرار میگیرد. (تقوا و همکاران، 1388)
به‌عبارت دیگر، داده‌کاوی پل ارتباطی میان علم آمار، علم کامپیوتر، هوش مصنوعی، الگوشناسی، فراگیری ماشین و بازنمایی بصری داده میباشد. داده‌کاوی فرآیندی پیچیده جهت شناسایی الگوها و مدلهای صحیح، جدید و به صورت بالقوه مفید، در حجم وسیعی از داده میباشد؛ به طریقی که این الگوها و مدل‌ها برای انسان ها قابل درک باشند. داده‌کاوی به صورت یک محصول قابل خریداری نمی‌باشد، بلکه یک رشته علمی و فرآیندی است که میبایست به صورت یک پروژه تعریف گردد و در قدمهای از پیش تعیین شده و برنامه‌ریزی شده پیاده‌سازی شده و کنترل شود.
در تعریفی دیگر داده‌کاوی شناسایی الگوهای صحیح، بدیع، سودمند و قابل درک از دادههای موجود در یک پایگاه داده است که با استفاده از پردازش‌های معمول قابل دستیابی نیستند. هدف اصلی داده‌کاوی؛ پیش‌بینی است. (محمدی‌پور، 1388)
داده‌کاوی، عبارت است از اقتباس یا استخراج دانش از مجموعهای از دادهها است. به بیان دیگر، داده کاوی فرایندی است که با استفاده از تکنیکهای هوشمند، دانش را از مجموعهای از دادهها استخراج میکند. دو هدف اساسی و عمده تکنولوژی داده‌کاوی؛ پیش‌بینی و تشریح است: (خلیلی‌نژاد و مینایی، 1388)
1- داده‌کاوی پیشگویی‌کننده: در این روش با استفاده از مجموعه دادهها، مدل‌هایی را برای توضیح سیستم تولید میکند که با استفاده از آنها میتوان عملکرد متغیرهای مختلف را پیش‌بینی کرد. بنابراین، هدف از داده‌کاوی پیش‌بینی کننده، تولید مدلی است که با استفاده از کد اجرایی وظایفی چون پیش‌بینی، رتبه‌بندی و تخمین را انجام دهد.
2- داده‌کاوی توصیفی: اطلاعات جدید و غیربدیهی را بر اساس مجموعههای دادهای در دسترس تولید میکند که الگوهای رفتاری متغیرها را تشریح میکند. هدف داده‌کاوی تشریحی دستیابی به درکی کامل از سیستم تحت بررسی با استفاده از الگوهای پنهان در آن و روابط درون مجموعههای دادهای است.
2-5-3 الگوریتمهای داده کاوی
تکنیکهای داده کاوی کاربردهای خاصی از الگوریتمها هستند و به‌طور کلی شش تکنیک معمول برای کاوش داده وجود دارد: (امتیاز و همکاران، 1388)
• قوانین پیوندی: قوانین پیوندی که برای تشخیص رفتار یک رویداد و یا پروسه خاص به کار میرود.
• روش زنجیرهای: مانند روش پیوندی است اما در اینجا زمان را نیز در نظر میگیرند.
• روش طبقهبندی: مرسومترین روش داده‌کاوی است. این روش به رفتارها و ویژگیهای گروه‌هایی که در حال حاضر ایجاد شده میپردازد. طبقهبندی، یادگیری با نظارت است. یعنی کلاسها و طبقات از پیش تعیین شدهای وجود دارند که دادهها به داخل این طبقات نگاشت میشوند. سپس خصوصیات دادههای هر طبقه را به دست آورده و از این خصوصیات برای پیش بینی نوع و طبقه دادههای بعدی استفاده میکنند.
• روش خوشهای: میتواند برای یافتن گروههای مختلف در دادهها به کار رود. این روش شبیه روش طبقهبندی است با این تفاوت که هیچ گروهی قبلا تعریف و مشخص نشده است. این روش اغلب از شبکههای عصبی و یا روش آماری استفاده میکند. این روش اقلام را به گروه‌هایی بر اساس شباهتهایی که ابزار کاوش داده مییابد گروه بندی میکند. خوشه بندی، که نوعی یادگیری بدون نظارت است، هیچ عامل بیرونی طبقهبندیها را تعیین نمیکند به همین دلیل به آن یادگیری بدون نظارت نیز میگویند.
• روش بازگشت: یک روش پیش بینی است که از دادههای کاملا شناخته شده، برای پیش بینی رویدادها در آینده بر اساس آمار و رویههای قبلی استفاده میکند. این کار را با به کار بردن فرمولهایی انجام میدهد.
• روش سریهای زمانی: یکی دیگر از روشهای پیش بینی است. تفاوت این روش با روش بازگشت این است که در این جا از دادههای مطلق که به زمان بستگی دارند، استفاده میشود.
2-5-4 تکنیکهای داده‌کاوی
تکنیکهای داده‌کاوی، میتواند به تحقق اهداف مورد نظر جهت استخراج یا تشخیص رفتار و ویژگیهای مشتریان از پایگاههای داده کمک نمایند. جنبه عمومی داده‌کاوی شامل ساختن مدل از دادهها میباشد. هر یک از تکنیکهای داده‌کاوی میتواند شامل مدل‌سازیهای ذیل باشد: (تقوا و همکاران، 1388)
1- همبستگی
2- دسته‌بندی
3- خوشه‌بندی
4- پیش‌بینی
5- رگرسیون
6- کشف پیامدها
7- نمایه‌سازی
انتخاب تکنیکهای داده‌کاوی باید مبتنی بر ویژگیهای دادهها و الزامات کسب و کار باشد. چند مورد از الگوریتمهای داده‌کاوی که بیشترین استفاده را دارند شامل، قوانین همبستگی، درخت تصمیم، الگوریتم ژنتیک، شبکههای عصبی، نزدیکترین همسایه و رگرسیون میباشد. بواسطه کندوکاو دادههای مربوط به مشتریان، به رکوردهای اطلاعاتی مشتریان ساختار داده میشود، جریان تشخیص مشتریان با اهمیت به‌صورت خودکار صورت میگیرد، باعث تغییر در شیوه تشخیص مشتریان خاص و با ارزش از لیست کلیه مشتریان و در نهایت کشف مشتریان وفادار خواهد شد.
شکل 2-23: طبقهبندی تکنیکهای داده‌کاوی از منظر رویکرد، تکنیکهای اصلی و فرعی
2-5-5 گامهای اجرایی کشف دانش در داده‌کاوی
به‌طور کلی گامهای اجرای داده‌کاوی در تمام منابع یکسان نیستند ولی آنچه که تقریباً در بین همه آنها به صورت مشترک وجود دارد، کشف دانش را دارای مراحل تکراری زیر میدانند (محمدی‌پور، 1388):
• پاکسازی دادهها: از بین بردن نوین و ناسازگار دادهها
• یکپارچه‌سازی دادهها: ترکیب چندین منبع داده
• انتخاب دادهها: بازیابی دادههای مرتبط با آنالیز از پایگاه داده
• تبدیل کردن دادهها: تبدیل دادهها به فرمی که مناسب برای داده کاوی باشد همچون خلاصه‌سازی و همسان‌سازی
• داده‌کاوی: فرآیند اصلی که روالهای هوشمند برای استخراج الگوها از دادهها به کار گرفته میشوند
• ارزیابی الگو: مشخص کردن الگوهای صحیح و مورد نظر توسط معیارهای اندازه‌گیری
• ارائه دانش: نمایش بصری تکنیکهای بازنمایی دانش برای ارائه دانش کشف شده به کاربر
شکل 2-24: ارتباطات میان گامهای مختلف فرآیند داده‌کاوی
2-5-6 فرآیند داده‌کاوی
تعدادی از متخصصین داده‌کاوی از شرکتهای مختلف گرد هم آمده و یک فرایند استاندارد برای داده‌کاوی ارائه نمودهاند که CRISP-DM نام دارد. این متدولوژی فرایند داده‌کاوی را در شش فاز تعریف کرده است: (غفاری و سلماسی، 1388)
1- فاز درک کسب و کار
2- فاز درک داده
3- فاز آماده‌سازی داده
4- فاز مدلسازی
5- فاز ارزیابی
6- فاز پیاده‌سازی
فرایند داده‌کاوی همچون سیستم بهبود مستمر در یک چرخه صورت میگیرد که در هر جای این چرخه که باشیم ممکن است نیاز باشد به مراحل قبل برگشته و اصلاحاتی را صورت دهیم. برای مثال در فاز مدلسازی، به خاطر یک سری الزامات الگوریتم مورد استفاده، ممکن است لازم شود به فاز آماده‌سازی داده برگشته و تغییراتی را بر روی مجموعه داده اعمال نماییم. یا اینکه در فاز ارزیابی پی ببریم، علیرغم ساختن مدلی با دقت بالا، این مدل کارایی لازم را ندارد و میبایست به فاز مدلسازی برگشته و مدلی دیگر ساخت. مثال دیگر اینکه ممکن است در فاز مدلسازی دریابیم که نیاز به یک سری مشخصه دیگر است که در این صورت میبایست به فاز دوم که شناخت داده است برگردیم و داده جدید جمع‌آوری نماییم. از این‌رو، در هر مرحله از فرایند داده‌کاوی امکان برگشت به هر یک از مراحل پیشین آن وجود دارد. در
