دانلود رایگان ترجمه مقاله مدیریت آگاهی و داده کاوی برای بازاریابی (نشریه الزویر 2001)

مدیریت آگاهی و داده کاوی برای بازاریابی

Knowledge management and data mining for marketing

چکیده
1 مقدمه
2 وظایف داده کاوی
2-1 تحلیل وابستگی
2-2 شناسایی طبقه
2-3 توصیف مفهوم
2-4 آشکارسازی انحراف
2-5 تجسم داده ها
3 فرآیند مدیریت آگاهی
3-1 موضوعاتی در باب مدیریت آگاهی
4 بازاریابی مبتنی بر آگاهی
4-1 مشخصه سازی مشتری
4.3 تحلیل فرآیند
5 چالش های تحقیقاتی
6 نتیجه گیری

چکیده
با توجه به گسترش سیستم های اطلاعاتی و فن آوری، کسب و کار به طور فزاینده ای دارای قابلیت تجمع مقدار بسیار عظیمی از داده های مشتری در پایگاه داده های بزرگ شده است. با این حال ، بسیاری از بینش های بازاریابی مفید برای خصوصیات مشتری و الگوهای خرید آنها تا حد زیادی پنهان و بکر است. تاکید کنونی بر مدیریت روابط مشتری، وظیفه بازاریابی را به یک کاربرد ایده آل مبدل نموده که تا حد زیادی از استفاده از ابزارهای داده کاوی برای پشتیبانی تصمیم گیری بهره مند است. یک روش سیستماتیک اینست که از داده کاوی و تکنیک های مدیریت آگاهی استفاده شود که برای مدیریت آگاهی بازاریابی و حمایت از تصمیم گیری های بازاریابی پیشنهاد. این روش می تواند پایه ای برای بالا بردن مدیریت ارتباط با مشتری باشد.
1- مقدمه
در سال های اخیر ، ظهور فن آوری اطلاعات تبدیل به روش بازاریابی شده و اینکه چگونه شرکت های اطلاعات در مورد مشتریان خود را مدیریت می کنند. در دسترس بودن حجم زیادی از داده ها از مشتریان، توسط ابزار فن آوری اطلاعات جدید ممکن شده است، فرصت ها و نیز چالش هایی را برای کسب و کار برای دست آوردن داده ها و مزیت رقابتی خلق نموده است. وال مارت، بزرگترین خرده فروش در ایالات متحده، به عنوان مثال، دارای بانک اطلاعاتی مشتریان است که شامل حدود 43 ترا بایت از داده ها، می شود که بزرگتر از پایگاه داده استفاده شده توسط خدمات داخلی درآمد برای جمع آوری مالیات بر درآمد است [10]. اینترنت و شبکه جهانی وب فرآیند جمع آوری داده ها را با اضافه کردن به حجم اطلاعات در دسترس برای کسب و کار آسان تر نموده اند. از طرف دیگر بسیاری از سازمان ها متوجه شده اند که آگاهی در این پایگاه داده بزرگ کلیدی برای حمایت های مختلف تصمیم گیری های سازمانی. به خصوص ، آگاهی در مورد مشتریان از این پایگاه داده های حیاتی برای عملکرد بازاریابی است. اما ، بسیاری از این آگاهی های مفید پنهان و بکر است. از سوی دیگر، رقابت شدید و افزایش انتخاب های در دسترس برای مشتریان فشار های جدید را بر روی تصمیم گیرندگان بازاریابی ایجاد نموده و نیاز به ظهور مدیریت مشتریان در یک رابطه دراز مدت وجود دارد. این پدیده جدید، به نام مدیریت ارتباط با مشتری، نیاز به این دارد که سازمان ها محصولات و خدمات خود را تنظیم نمایند و با مشتریان خود بر اساس ترجیحات مشتری واقعی، به جای برخی از فرض ویژگی های عمومی تعامل داشته باشند. [21,22] زمانی که سازمانها به سمت مدیریت ارتباط با مشتری حرکت می کنند، عملکرد بازاریابی ، به عنوان خط مقدم به تعامل با مشتریان از این تغییرات تاثیر می پذیرد. تحقق فزاینده ای وجود دارد که مدیریت موثر ارتباط با مشتری می تواند تنها بر اساس درک واقعی از نیازها و ترجیحات مشتریان انجام شود. تحت این شرایط، ابزار داده کاوی می تواند کمک به کشف آگاهی مخفی و درک بهتر مشتری نماید، در حالی که تلاش مدیریت آگاهی نظام مند می تواند آگاهی را برای استراتژی های بازاریابی موثر کانال دهی نماید. این باعث می شود مطالعه استخراج آگاهی و به خصوص مدیریت برای بازاریابی با ارزش شود.
تحولات در پردازش پایگاه داده، [6,13,15,28] انبار داده ها [16,18] در، یادگیری ماشین [4,12,25] و مدیریت آگاهی [2,14,24] تا حد زیادی به درک ما از فرایند داده کاوی کمک می نماید. تحقیقات اخیر بر داده کاوی و کشف آگاهی [20,26,27] نیز درک ما را از استفاده از داده کاوی و فرایند کشف آگاهی افزایش داده است. اما، بیشتر تحقیقات بر روی فرآیند محاسباتی نظری کشف الگو و مجموعه ای محدود از برنامه های کاربردی مانند کشف تقلب یا پیش بینی خطر متمرکز شده است. با توجه به نقش مهم تصمیمات بازاریابی در محیط مشتری محور ، نیاز به چارچوبی ساده و یکپارچه برای مدیریت نظام مند آگاهی مشتری وجود دارد. اما ، فقدان شگفت آور چارچوب ساده و کلی برای ارتباط با استخراج آگاهی مشتری با مدیریت و استفاده از آگاهی، به خصوص در زمینه تصمیم گیری های بازاریابی وجود دارد. در حالی که مطالعات داده کاوی بر روی تکنیک متمرکز شده اند، مطالعات ارتباط مشتری بر رابط مشتری و استراتژی برای مدیریت فعل و انفعالات مشتری متمرکز شده است. مدیریت ارتباط با مشتری واقعی تنها با یکپارچه سازی کشف آگاهی فرآیند و با مدیریت و استفاده از آگاهی برای استراتژی های بازاریابی ممکن است. این کمک خواهد کرد تا مشتری به نیازهای بازاریابان بر اساس آنچه بازاریابان در مورد مشتریان خود می دانند رسیدگی نماید، به جای یک تعمیم کلی ویژگی های مشتریان.
ما در این مقاله به این موضوع با ارائه چارجوبی یکپارچه برای کشف و مدیریت آگاهی در زمینه تصمیمات بازاریابی می پردازیم. مقاله ما به صورت زیر سازماندهی شده است. اول، ما رده بندی وظایف داده کاوی را ارائه می دهیم و به بررسی مدیریت آگاهی به عنوان فرآیندی تکراری می پردازیم (بخش 2). سپس انواع مختلف آگاهی های مشتری و بازاریابی مفید بالقوه کشف شده توسط داده کاوی را بررسی می کنیم (بخش 3). تصمیمات بازاریابی مبتنی بر آگاهی کشف شده منجر به بازاریابی مبتنیبر آگاهی می شود (بخش 4). ما بررسی خود را به شناسایی موضوعات پدیدارشونده که در فرآیند مدیریت آگاهی بازاریابی کشف شده پرداخته می شود نزدیک می کنیم (بخش 5).

Abstract

Due to the proliferation of information systems and technology, businesses increasingly have the capability to accumulate huge amounts of customer data in large databases. However, much of the useful marketing insights into customer characteristics and their purchase patterns are largely hidden and untapped. Current emphasis on customer relationship management makes the marketing function an ideal application area to greatly benefit from the use of data mining tools for decision support. A systematic methodology that uses data mining and knowledge management techniques is proposed to manage the marketing knowledge and support marketing decisions. This methodology can be the basis for enhancing customer relationship management.

1- Introduction

In recent years, the advent of information technology has transformed the way marketing is done and how companies manage information about their customers. The availability of large volume of data on customers, made possible by new information technology tools, has created opportunities as well as challenges for businesses to leverage the data and gain competitive advantage. Wal-Mart, the largest retailer in the U.S., for example, has a customer database that contains around 43 tera-bytes of data, which is larger than the database used by the Internal Revenue Services for collecting income taxes 10 . w x The Internet and the World Wide Web have made the process of collecting data easier, adding to the volume of data available to businesses. On the one hand, many organizations have realized that the knowledge in these huge databases are key to supporting the various organizational decisions. Particularly, the knowledge about customers from these databases is critical for the marketing function. But, much of this useful knowledge is hidden and untapped. On the other hand, the intense competition and increased choices available for customers have created new pressures on marketing decision-makers and there has emerged a need to manage customers in a long-term relationship. This new phenomenon, called customer relationship management, requires that the organizations tailor their products and services and interact with their customers based on actual customer preferences, rather than some assumed general characteristics 21,22 . As organiza- w x tions move towards customer relationship management, the marketing function, as the front-line to interact with customers, is the most impacted due to these changes. There is an increasing realization that effective customer relationship management can be done only based on a true understanding of the needs and preferences of the customers. Under these conditions, data mining tools can help uncover the hidden knowledge and understand customer better, while a systematic knowledge management effort can channel the knowledge into effective marketing strategies. This makes the study of the knowledge extraction and management particularly valuable for marketing.

Developments in database processing 6,13,15,28 , w x data warehousing 16,18 , machine learning 4,12,25 wx w x and knowledge management 2,14,24 have con- w x tributed greatly to our understanding of the data mining process. More recent research on data mining and knowledge discovery 20,26,27 has further en- w x hanced our understanding of the application of data mining and the knowledge discovery process. But, most research has focused on the theoretical and computational process of pattern discovery and a narrow set of applications such as fraud detection or risk prediction. Given the important role played by marketing decisions in the current customer-centric environment, there is a need for a simple and integrated framework for a systematic management of customer knowledge. But, there is a surprising lack of a simple and overall framework to link the extraction of customer knowledge with the management and application of the knowledge, particularly in the context of marketing decisions. While data mining studies have focused on the techniques, customer relationship studies have focused on the interface to the customer and the strategies to manage customer interactions. True customer relationship management is possible only by integrating the knowledge discovery process with the management and use of the knowledge for marketing strategies. This will help marketers address customer needs based on what the marketers know about their customers, rather than a mass generalization of the characteristics of customers.

We address this issue in this paper by presenting an integrated framework for knowledge discovery and management, in the context of marketing decisions. Our paper is further organized as follows. First, we present a taxonomy of data mining tasks and discuss knowledge management as an iterative process Section 2 . We then survey different types Ž . of potentially useful marketing and customer knowledge discovered by data mining Section 3 . Market- Ž . ing decisions based on discovered customer knowledge leads to knowledge-based marketing Section Ž 4 . We close our discussion by identifying the . emerging issues to be addressed in the process of managing the discovered marketing knowledge Sec- Ž tion 5 .