고객 분석

Customer analytics

고객 분석은 시장 세분화 및 예측 분석을 통해 고객의 행동 데이터를 사용하여 주요 비즈니스 결정을 내리는 프로세스입니다.이 정보는 기업이 직접 마케팅, 사이트 선택 및 고객 관계 관리를 위해 사용합니다.마케팅은 고객을 만족시키기 위해 서비스를 제공한다.이를 염두에 두고 생산 시스템은 생산 수준에서 시작하여 소비자에서 사이클 종료까지 고려됩니다.고객 분석은 고객 [1]행동의 예측에 중요한 역할을 합니다.

사용하다

소매
최근까지 90%가 넘는 소매업체가 충성도 프로그램, 고객 추적 솔루션 및 시장 조사에 대한 투자를 늘리면서 고객에 [2]대한 가시성이 제한적이었지만, 이 업계는 제품, 프로모션, 가격 및 유통 [citation needed]관리에서 고객 분석의 사용을 늘리기 시작했습니다.오늘날 소매업에서 고객 분석을 사용하는 가장 확실한 방법은 개인화된 커뮤니케이션 및 서비스 개발 및/[citation needed]또는 부문별 다양한 마케팅 프로그램입니다.Bain & Co.에 의해 제시된 기타 이유로는 제품 개발 작업의 우선순위 부여, 유통 전략 설계 및 제품 [3]가격 결정 등이 있습니다.인구통계학적,[citation needed] 라이프스타일, 선호도, 충성도 데이터, 행동, 쇼핑객 가치 및 예측 행동 데이터 포인트는 고객 분석의 성공 비결입니다.
소매업 관리
기업은 고객에 대한 데이터를 사용하여 소매 관리를 재구성할 수 있습니다.데이터를 사용한 이러한 재구성은 동적 스케줄링 및 작업자 평가에서 종종 발생합니다.동적 스케줄링을 통해 기업은 예측 고객 트래픽에 기반한 예측 스케줄 소프트웨어를 통해 직원을 최적화합니다.워커의 스케줄은 갱신된 예측에 따라 단시간에 조정할 수 있습니다.고객 분석을 통해 소매업체는 일일 매출과 매장 내 일일 트래픽을 비교하여 근로자를 평가할 수 있습니다.굴절 감시로 알려진 현상의 소매업 종사자 관리에 영향을 미치는 고객 분석 데이터의 사용.굴절 감시 모델은 한 그룹에 대한 정보 수집이 완전히 다른 그룹에 대한 통제를 허용하는 방법을 기술한다.
사용상의 비판
소매 기술이 데이터 중심화됨에 따라 고객 분석 사용으로 인해 특히 소매 근로자에게 어떤 영향을 미치는지에 대한 비판이 제기되고 있습니다.데이터 기반 직원 배치 알고리즘은 예측된 트래픽에 적응하기 위해 짧은 시간에 변경될 수 있기 때문에 불규칙한 작업 일정을 초래할 수 있습니다.매일의 트래픽 카운터가 고객과 직원을 정확하게 구별하지 못하고 직원의 [4]휴식 시간을 정확하게 설명할 수 없기 때문에 매출에 대한 데이터 기반 평가도 오해의 소지가 있습니다.
자금
은행, 보험회사 및 연기금은 고객 분석을 활용하여 고객의 라이프 타임 가치를 파악하여 고객 기반의 약 30%로 추정되는 0 미만의 고객을 식별하고 교차 판매를 증가시키고 고객 감소율을 관리하며 목표한 방식으로 고객을 저비용 채널로 마이그레이션합니다.
지역 사회
지방 자치체는 소매점을 도시로 유인하기 위해 고객 분석을 활용합니다.심리학적 변수를 사용하여 커뮤니티는 성격, 가치관, 관심사 및 라이프스타일과 같은 속성을 기반으로 세분화할 수 있습니다.이 정보를 사용하여 커뮤니티는 커뮤니티의 프로파일에 맞는 소매점에 접근할 수 있습니다.
고객 관계 관리
분석 고객 관계 관리(일반적으로 CRM이라고 약칭)를 사용하면 고객 데이터의 측정과 예측을 통해 클라이언트를 360°로 볼 수 있습니다.

고객 행동 예측

구매 습관과 라이프스타일 선호도를 예측하는 것은 데이터 마이닝 및 분석 과정입니다.이 정보는 신용카드 구매, 잡지 구독, 로열티 카드 회원권, 설문 조사 및 유권자 등록과 같은 많은 측면으로 구성됩니다.이러한 카테고리를 사용하여 조직의 가장 수익성이 높은 고객을 위한 소비자 프로파일을 작성할 수 있습니다.이러한 잠재 고객의 대부분이 단일 영역에 집약되어 있는 경우, 비즈니스가 입지할 수 있는 비옥한 장소가 됩니다.주행 시간 분석을 사용하여 특정 고객이[citation needed] 특정 위치까지 얼마나 멀리 운전할 것인지 예측할 수도 있습니다.이러한 정보 소스를 결합하면, 가계가 기업에 가치가 있을 가능성을 상세히 설명하는 거래 지역 내의 각 가구에 1달러 가치를 부여할 수 있다.기업은 고객 분석을 통해 사실과 객관적인 [citation needed]데이터를 바탕으로 의사결정을 내릴 수 있습니다.

데이터 마이닝

데이터 마이닝에는 두 가지 범주가 있습니다.예측 모델은 이전 고객과의 상호작용을 사용하여 미래의 이벤트를 예측하고 세그먼트화 기법을 사용하여 유사한 행동과 속성을 가진 고객을 서로 다른 그룹으로 분류합니다.이러한 그룹화는 마케팅 담당자가 캠페인 관리 및 타겟팅 프로세스를 [citation needed]최적화하는 데 도움이 됩니다.

소매업 용도

소매업에서는 모든 거래에 대한 자세한 기록을 보유할 수 있기 때문에 매장 내 고객의 행동을 보다 잘 이해할 수 있습니다.데이터 마이닝은 바스켓 분석, 매출 예측, 데이터베이스 마케팅, 상품화 계획 및 할당을 통해 실질적으로 적용할 수 있습니다.바스켓 분석을 통해 공통적으로 구매되는 품목이 무엇인지 알 수 있습니다.판매 예측은 고객이 특정 종류의 상품을 구매할 가능성이 가장 높은 시기를 예측할 수 있는 시간 기반 패턴을 보여줍니다.데이터베이스 마케팅은 효과적인 프로모션을 위해 고객 프로파일을 사용합니다.판매 계획 및 할당은 데이터를 사용하여 소매업체가 인구통계적으로 유사한 위치의 매장 패턴을 조사하여 계획 및 할당을 개선하고 매장 레이아웃을 생성할 수 있도록 합니다.[5]

「 」를 참조해 주세요.

레퍼런스

  1. ^ 키우마르시 외, 2009년
  2. ^ "The futre of retail supply chains". www.mckinsey.com. Retrieved 22 November 2018.
  3. ^ 베인앤컴퍼니[clarification needed]
  4. ^ Levy, Barocas, Karen, Solon (2018). "Refractive Surveillance: Monitoring Customers to Manage Workers". International Journal of Communication. 12: 2–10.
  5. ^ Rygielski, Chris; Wang, Jyun-Cheng; Yen, David C. (2002-11-01). "Data mining techniques for customer relationship management". Technology in Society. 24 (4): 483–502. doi:10.1016/S0160-791X(02)00038-6. ISSN 0160-791X.

추가 정보

  • Kioumarsi, H., K.J., Yahaya, Z.S., Van Cutsem, I., Zarapt, M., Rahman, W.A.(2009).고객 만족도:신선한 육류 섭취 품질 선호 사례 및 USDA 수율 등급 기준.국제 예술 과학 저널(IJAS) 회의

외부 링크