بهینه سازی ارتباط با مشتری

امروزه نقش مشتریان برای سازمان ها از حالت پیروی محض از تولیدکننده؛ به هدایت سرمایه گذاران، تولیدکنندگان و حتی محققان و نوآوران مبدل گشته است. به این ترتیب بسیاری از مفاهیم و تئوری های سازمان و مدیریت بر محور «مشتری مداری» و چگونگی کسب رضایت مشتریان ارائه شده اند. در دنیای رقابتی و بازارهای پیچیده داخلی و بین المللی امروز؛ سمت و سوی کلیه فعالیت های سازمان ها برای تأمین نیازهای مشتریان و مخاطبان و کسب رضایت و اعتماد آنها می باشد. در بازار گسترده امروز موفقیت یا عدم موفقیت هر سازمانی به نوع ارتباط و رضایت مندی مشتری بستگی دارد. مقاله حاضر پس از بیان مفهوم هایی از جمله مشتری ، نیازهای او ، رضایت مشتریان ، درخت و قوانین تصمیم گیری به بررسی چگونگی ارتباط درخت تصمیم با مدیریت ارتباط با مشتری اشاره دارد و بررسی این موضوع در سه سطح کلی زیر می پردازد:

1. مبانی و اصول مشتری مداری
2. استفاده از درخت تصمیم در مدیریت ارتباط با مشتری
3. رفتار و اخلاق در برخورد با مشتری

در جهان کنونی که امکان تولید انبوه کالا و خدمات زمینه افزایش عرضه نسبت به تقاضا را فراهم آورده است، برای تولیدکنندگان راهی جز جلب رضایت مشتری باقی نمانده و دیگر نمی توان حیطه بازار و عرضه را با ابزارهای محدود گذشته تعریف کرد. تجربه نشان داده است، سازمان هایی که ازمنظر سنتی به مفاهیم مشتری، کالا، بازار، فروش، خرید، رقابت، تبلیغات، کیفیت و... نگاه کرده و می کنند علاوه بر عدم کسب موفقیت، سرمایه های خود را هم از دست داده اند. با ظهور اقتصاد رقابتی مفاهیمی چون مشتری مداری و کسب رضایت مشتری، پایه و اساس کسب و کار تلقی شده و سازمانی که بدان بی توجه باشد از صحنه بازار حذف می شود. هر سازمانی دارای طبقه‌بندی‌های اداری ، چارت‌های سازمانی ، قسمت های مختلف و اهداف و خطی‌مشی‌ها، دستورالعمل‌ها و بسیاری موارد دیگر است؛ که مسلماً برای مشتریان صرفاً بزرگی سازمان و قسمت های مختلف آن اهمیت ندارد بلکه می‌خواهند کسی مشکلاتشان را حل و نیاز های آنها را برطرف نماید.

سازمان مشتری مدار چگونه سازمانی است؟

سازمان مشتری مدار سازمانی است که هدف آن پیش‌گرفتن درخواست‌ های مشتریان در مسائلی که بیشترین ارزش را برای آنها داراست می‌باشد و رضایت مشتری را سرمایه خود و ضامن برگشت سرمایه سازمان می‌دانند. ارائه خدمات به مشتری همواره سرلوحه تفکرات و برنامه‌ریزی‌ها می‌باشد و در زندگی و مشکلات موجود برای کسانیکه مسئول راضی نگه داشتن مشتری هستند تغییر و بهبود حاصل می‌نمایند . و سازمانی که نتایج عملکرد آن براساس انتظارات و خواست ‌های مشتریان سنجیده می‌شود.

ملاک واقعی ارزش یک سازمان از نظر جامعه و صاحبان آن چیست؟

ملاک واقعی ارزش یک سازمان از نظر جامعه و صاحبان آن رضایت مشتری است و بدون این هیچ کسب و کاری نمی‌تواند ادامه حیات داده و ایجاد شغل نموده و یا زندگی کسانی را که در آن کار کرده و به مردم خدمت ارائه می‌دهند تأمین نماید. یک سازمان مشتری مدار بدون ایجاد ارتباط مناسب با مشتریان خود نمی‌تواند موفقیتی حاصل کند و در دنیای امروز که دنیای کیفیت محور مشتری مدار است ، مشتری هدف کار و مشتری گرایی زیربنای کلیه فعالیت‌های تجاری و اقتصادی خواهد بود. در این راستا جذب کارکنان مشتری مدار که ویژگی‌های بارز ارتباطات انسانی را در رفتار خود لحاظ کرده باشند ضروری است.

تعریف مدیریت ارتباط با مشتری

بر مبادله ارزش بین مشتری و سازمان بنا شده و بر ارزش ایجاد شده در این ارتباط تاکید می‌کند.بنابراین، تلاش سازمانها برای توسعه ارتباط بلندمدت با مشتریان، بر مبنای ایجاد ارزش برای هر دو طرف از اهداف اصلی مدیریت ارتباط با مشتری است. به عبارت دیگر هدف ارتباط با مشتری ارائه مزایایی از طریق مبادله دو جانبه و عمل به وعده‌هاست. مدیریت ارتباط با مشتری، یک راهبرد کسب و کار است که با پیشرفت فناوری تقویت می‌شود و از طریق آن، شرکتها به ایجاد ارتباطات سودمند بر پایه بهینه‌سازی ارزش دریافتی و ادراکی مشتریان می‌پردازند.
در ادامه قصد داریم به بیان مفهوم هایی از جمله مشتری ، نیازهای او ، رضایت مشتریان ، درخت و قوانین تصمیم گیری بپردازیم :

1. مشتری مشتریان:
   • مردم یا عملیاتی هستندکه محصــــول یا نتایج یک عملکرد را مصرف می کننــــد یا به آنها نیاز دارند و از آنها بهره می برند. چون هر عملکردی در یک سازمان به یقین دارای هدفی است، بنابراین، مشتریانی دارد.
   • درمجموع می توان مشتریان را به دو دسته تقسیم کرد: مشتریان خارجی و داخلی. مشتریان خارجی در بیرون از سازمان بوده، محصولات و یا خدمات آن را می خرند. در برابر مشتریان خارجی، هر سازمانی تعدادی مشتری داخلی نیز دارد که به اندازه مشتریان خارجی مهم هستند. درتمام مراحل عملیات و فرایندهای سازمان همواره یک مشتری داخلی وجود دارد که محصول یا خدمتی را دریافت می کند و درعوض محصول یا خدمتی را ارائه می دهد.
2. نیازها و انتظارات مشتری:
   • کاپلال و نورتون در سنجش عملکرد سازمان دیدگاه مشتری را مهمترین دیدگاه دانسته و پیترز و واترمن دانستن نیازهای مشتریان را از خصوصیات سازمانهای موفق بیان کرده اند و در دیدگاه سیستمی نیز بررسی و چگونگی رضایت و وفاداری مشتریان ازمهمترین شاخصهای سلامت سازمان به حساب می آید.
3. رضایت مشتری:
   • امروزه سازمانهای تولیدی یا خدماتی، میزان رضایت مشتری را به عنوان معیاری مهم برای سنجش کیفیت کار خود قلمداد می کنند واین روند همچنان درحال افزایش است. اهمیت مشتری و رضایت او چیــزی است که به رقابت در سطح جهانی برمی گردد. بلانچارد و گالووی معتقدند: «رضایت مشتری در نتیجه ادراک مشتری طی یک معامله یا رابطه ارزشی است به طوری که قیمت مساوی است با نسبت کیفیت خدمات انجام شده به قیمت و هزینه‌های مشتری.
4. تعریف رضایت مشتری مورد قبول بسیاری از صاحب‌نظران، این‌گونه است: رضایت مشتری یک نتیجه است که از مقایسه پیش از خرید مشتری از عملکرد مورد انتظار با عملکرد واقعی ادراک شده و هزینه پرداخت می شود به دست می‌آید .در ادبیات بازاریابی این‌گونه آمده است که رضایت مشتری دارای دو بعد مبادله‌ای و بعد کلی می باشد. مفهوم مبادله‌ای رضایت مشتری بر ارزیابی مشتری از هر یک از خریدهایی که انجام می‌دهد، توجه دارد. مفهوم کلی رضایت مشتری بر ارزیابی و احساس کلی مشتری در مورد کل برخوردها و خریدهای خود از برند مربوط می‌شود. در حقیقت، می‌توان گفت که بعد کلی رضایت مشتری تابعی از کلیه رضایتها یا نا‌رضایتی‌های او در مبادلات قبلی است. رضایت مشتری تجمیعی (یا کلی) ارزیابی کلی مشتری از همه تجربیات خرید و مصرف یک کالا یا خدمت در یک دوره زمانی طولانی‌مدت است. در حالی‌که رضایت مبادله‌ای، اطلاعاتی در مورد برخورد و تجربه یک فرد با کالا و خدمت خاص در یک مورد خاص به دست می‌دهد، رضایت کلی شاخص مناسب‌تری در مورد عملکرد گذشته، حال و آینده شرکت است. این اهمیت از آن جهت است که مشتریان تصمیم خرید دوباره خود را بر اساس همه تجربیات خود با یک برند تا زمان حال انجام می‌دهند نه بر اساس یک خرید در زمان و مکانی خاص.
5. درخت : ساختمان داده درخت برای نمایش داده‌های سلسله ‌مراتبی به ‌کار می ‌رود و چون شبیه درخت رسم می‌شود ساختار درختی نامگذاری شده است. البته ساختار درختی در مقایسه با درخت واقعی معمولا به صورت وارونه رسم می‌شود، یعنی ریشه درخت در بالا و برگ های آن در پائین قرار می گیرند به طور کلی یک درخت مجموعه‌ای از گره هاست که از طریق پیوندهایی با هم در رابطه هستند. هر گره دارای داده مرتبط و مجموعه‌ای از گره‌های دیگر است. در نظریه گراف یک درخت یک گراف متصل بدون دور است. در اینجا به اصطلاحاتی مربوط به درخت اشاره می کنیم: گره : داده‌ها دردرخت در ساختاری به نام گره (node) قرار دارند. هر گره حاوی اطلاعات و پیوند هایی به دیگر گره‌های درخت است. شاخه : خطوطی که گره‌ها را در درخت به هم متصل می‌کنند شاخه (branche) نامیده می‌شوند. والد و فرزند: گره‌ای که بلافاصله زیر یک گره قرار می گیرد فرزند (children) آن گره محسوب می‌شود. یک گره والد گره دیگر (parent) است اگر بلافاصله بالاتر از آن نزدیک تر به ریشه قرار داشته باشد. گره‌ای که کلیه گره‌های سطوح پایین را به هم متصل می‌کند جد (ancestor) نامیده می‌شود. ریشه : هر درخت گره خاصی به نام ریشه (root) دارد که کلیه گره‌های دیگر درخت در پایین آن قرار دارند. گره ریشه والدی ندارد. هر درخت تنها شامل یک گره ریشه است. گره‌های همزاد : گره‌های همزاد (Sibling) گره‌هایی هستند که والد یکسانی دارند. به عبارت دیگر فرزندان یک گره با هم همزاد هستند. درجه گره : تعداد فرزندان یک گره درجه (degree) آن گره نامیده می‌شود. درجه درخت : درجه درخت برابر ماکزیمم درجه گره‌ها در درخت است. برگ : گره‌های بدون فرزند گره‌های پایانی (end-nodes) یا برگ (leaf) نامیده می‌شوند. درجه گره‌های برگ صفر است. سطح : مجموعه گره‌هایی طول مسیر آنها تا ریشه یکسان است را سطح درخت (level) می نامند. اگر ریشه را در سطح یک فرض کنیم برحسب اینکه یک گره نسبت به ریشه در چه ردیفی باشد شماره سطح می گیرد. ارتفاع درخت ارتفاع (height) درخت برابر با بیشترین سطح گره‌ها در درخت یا سطح دورترین برگ است. ارتفاع درختی که تنها گره ریشه را دارد صفر است. درخت های تصمیم، به جهت این که از دقت بالا و قابلیت درک مناسبی برخوردارند، به شهرت رسیده اند. در اینجا روش تعاملی بر اساس یک تکنیک بصری چند بعدی برای ساخت درخت تصمیم ارائه می کنیم. این روش، همچنین می تواند به کاربر درک عمیق تری از داده‌ها بدهد. روش تعاملی ارائه شده، محدودیت های بیشتر درخت های تصمیم، یعنی تقسیم شدن به دوشاخه برای مشخصه های عددی را نخواهد داشت. از نظر نویسندگان، روش پیشنهادی این قابلیت را داراست که حتی کاربرانی که اطلاعات قبلی در مورد ساخت یک درخت تصمیم نداشته اند، این کار را مانند کاربران نسبتا حرفه ای انجام دهند. همچنین، طبقه بندی بصری تعاملی، اندازه درخت تصمیم را به میزان قابل ملاحظه ای کاهش داده و فهم آن را به مراتب آسان تر می سازد. این روشها سعی در بهینه سازی پارامترهایی چون دقت، سرعت دسته بندی، اندازه درختهای ساخته شده، سرعت یادگیری و میزان حافظه بکار رفته دارند. بین پارامترهای ذکر شده تناقض وجود دارد، بدین معنی که بهینه سازی یک پارامتر، ممکن است موجب تغییرات نامناسب سایر پارامترها شود، به همین دلیل است که تمام روشهای موجود سعی در ایجاد توازن بین این پارامتر ها دارند. در اینجا با در نظر گرفتن تاثیر تمام مجموعه داده های یادگیری بروی تخصیص کلاس به هر نمونه داده - روشی جدید برای ایجاد درختهای تصمیم ارائه می کنیم که درختهایی با دقت نسبتا مناسب و با پیچیدگی بسیار کم را در زمانی بسیار کوتاه و با بکار گیری حافظه ای اندک تولید می کند. به منظور رسیدن به این هدف یک فرایند چند مرحله ای بکار برده ایم. در هر مرحله این فرایند مجموعه داده های یادگیری یکبار از ابتدا به انتها و بار دیگر در جهت عکس مورد بررسی قرار می گیرد تا الگوی کلاسها برای انتخاب متغیر استخراج شود. سپس با استفاده از متغیر منتخب - در هر مرحله - شاخه های جدید در درخت ایجاد می شوند. در پایان هر مرحله و پس از ایجاد شاخه های جدید در درخت، متغیر منتخب و تعدادی از نمونه داده‌ها از مجموعه داده های یادگیری حذف می شوند. این عملیات در مراحل مختلف و بصورت متناوب بروی داده‌ها و متغیر های باقی مانده استنتاج باادامه می یابد تا زمانیکه درخت بطور کامل ساخته شوددرخت تصمیم درخت یادگیری درخت تصمیم از تاپل های آموزش دهنده? رده بندی شده .درخت تصمیم : تصمیم: یک ساختار درختی شبیه نمودار گردش کار هر گره داخلی: یک آزمون روی یک مقدار نحوه استفاده برای رده صفات هر شاخه: یک برآمد حاصل از آزمون برگ ها: رده بندی: انجام پیشگویی با دنبال کردن مسیری از ریشه? درخت تا یک گره برگ آزمون مقادیر تبدیل ساده? درخت های تصمیم به قوانین رده بندی صفات تاپل های جدید در درخت تصمیم نمونه‌ای از یک درخت تصمیم: آیا یک مشتری اقدام به خرید یک کامپیوتر می‌کند؟

نمونه‌ای از یک درخت تصمیم CRM چیست؟

واژهCRMمخففCustomer Relationship anagement یا سیستم مدیریت ارتباط با مشتری است. در حقیقت این سیستم ها راهبردی است برای جمع آوری نیازها و رفتارهای تجاری مشتریان تا به ایجاد روابطی قویتر با آنها منجر شود. در نهایت، رابطه قوی با مشتریان مهمترین رمز موفقیت هر کسب و کار است. تکنولوژیهای بسیاری در قالب مدیریت ارتباط با مشتری CRM ارائه شده اند اما داشتن تصویری از CRM به عنوان مجموعه‌ای از تکنولوژی نیز نادرست است. به عنوان روشی بهتر برای درک CRM ، می‌توان آنرا به مانند فرایندی دانست که به ما کمک می‌کند تا اطلاعات مختلفی از مشتریان، فروش، اثر بخشی فعالیتهای بازاریابی، سرعت عمل در پاسخگویی به مشتری و نیز تمایلات بازار را به شکل یکجا جمع آوری کنیم.

هدف از CRM چیست؟

ایده اصلی CRM کمک به بنگاهها برای استفاده از تکنولوژی و منابع انسانی در به دست آوردن دیدی بهتر نسبت به رفتارهای تجاری و ارزشی است که هر مشتری برای سازمان ایجاد می‌کند. در صورتی که یک سیستم CRM بتواند مطابق با ایده بالا عمل کند، سازمان قادر خواهد بود:

خدمات بهتری به مشتریان ارائه دهد
بازدهی و اثربخشی مراکز تلفنی تماس با مشتری را افزایش دهد
ارائه محصولات جنبی موثرتر خواهد بود
کارمندان فروش را در عقد سریعتر قراردادهای فروش یاری دهد
فرایندهای فروش و بازاریابی را تسهیل کند
مشتریان جدیدی برای خود پیدا کند ? گردش مالی مشتریان خود را افزایش دهد

داده کاوی (Data Mining)

داده کاوی یکی از پیشرفتهای اخیر در راستای فن آوریهای مدیریت داده هاست. داده کاوی مجموعه‌ای از فنون است که به شخص امکان می‌دهد تا ورای داده پردازی معمولی حرکت کند و به استخراج اطلاعاتی که در انبوه داده‌ها مخفی و یا پنهان است کمک می‌کند. انگیزه برای گسترش داده کاوی بطور عمده از دنیای تجارت در دهه 1990 پدید آمد. مثلا داده کاوی در حوزه بازاریابی، بدلیل پیوستگی غیرقابل انتظاری که بین پروفایل یک مشتری و الگوی خرید او ایجاد می‌کند اهمیتی خاص دارد. تحلیل رکوردهای حجیم نگهداری سخت افزارهای صنعتی، داده‌های هواشناسی و دیدن کانالهای تلوزیونی از دیگر کاربردهای آن است. در حوزه مدیریت کتابخانه کاربرد داده کاوی بعنوان فرایند ماخذ کاوی نامگذاری شده است.کاوش‌های ماشینی در داده‌ها یا داده‌کاوی (Data mining) را باید یکی از سامانه‌های هوشمند (Intelligent systems) دانست. داده کاوی به عنوان مهمترین کاربرد Data Warehouse یاانباره‌های داده شناخته می‌شود . به وسیله داده کاوی داده‌های موجود مورد تحلیل قرار می گیرند تا روندهای احتمالی، ارتباط‌های غیر محسوس و الگو های مخفی داده‌ها از بین انبوه داده ها، شناسایی شوند . در این فرایند از الگوریتم های پیچیده ریاضی و آماری استفاده می‌شود تا داده‌ها تبدیل به دانش سازمان شوند.

طبقه بندی عمومی فعالیت های داده کاوی از نظر فرآیندی

• اکتشاف : فرایند جستجو در یک بانک داده برای یافتن الگوهای پنهان، بدون داشتن یک فرضیه از پیش تعیین شده درباره اینکه این الگو ممکن است چه باشد. مانند تحلیلهایی که برحسب کالاهای خریداری شده صورت می گیرد، اینگونه تحلیلهای سبدی نشانگر مواردیست که مشتری تمایل به خرید آنها دارند. این اطلاعات می تواند به بهبود موجودی، استراتژی طراحی، آرایش فروشگاه و تبلیغات منجر گردد.
• مدل پیش بینی : فرایندی که الگوهای کشف شــده از بانک داده را می گیرد و آنها را برای پیش بینی آینده به کار می برد. مانند پیش بینی فروش در خرده فروشی، الگوهای کشف شده برای فروش به آنها کمک می کند تا تصمیماتی را در رابطه با موجودی اتخاذ کنند.
• تحلیلهای دادگاهی : به فرایند به کارگیری الگوهای استخراج شده برای یافتن عوامــل داده ای نامعقول و متناقض مربوط می شود. مانند شناسایی و تشخیص کلاهبرداری در موسسات مالی. کلاهبرداری به میزان زیادی پرهزینه و زیان آور است، بانکها می توانند با تحلیل دادوستدهای جعلی گذشته الگوهایی را برای تشخیص و کشف کلاهبرداری به دست آورند.

از نمایی دیگر، داده کاوی ، بعنوان روشی در استخراج دانش از متون، یکی از موضوعات مهم در گستره ای از اعمال مدیریت اطلاعات است. در این میان آنچه از اهمیت فوق العاده ای برخوردار است ارایه راه‌کارهایی برای مواجه با این حجم عظیم اطلاعاتی و استفاده بهینه از اطلاعات در جهت خلق دانش، تولید سینرجی و در نهایت افزایش خرد جمعی است. در سالهای اخیر اهمیت متون به عنوان منابع با پتانسیل اطلاعاتی بسیار بالا به نحو گسترده‌ای مورد توجه قرار گرفته به طوری که کشف دانش از متون به عنوان یکی از مهمترین فعالیتهای محققین حوزه هوش مصنوعی و فناوری اطلاعات قرار گرفته است. تحقیقات بسیاری صورت گرفته اما محدوده فعالیت بقدری گسترده است که نیازمند توجه بیشتری می‌باشد.

عناصر داده کاوی

توصیف و کمک به پیش بینی دو کارکرد اصلی داده کاوی هستند.
تحلیل داده مربوط به مشخصه‌های انتخابی متغیرها؛ از گذاشته و حال، و درک الگو مثالی از تحلیل توصیفی است. برآورد ارزش آینده یک متغیر و طرح ریزی کردن روند مثالی از توانایی پیشگویانه داده کاوی است.
گام های ابتدایی برای عملی شدن هر یک از دو کارکرد داده کاوی:

1. انتخاب داده‌ها
2. پاک سازی داد ها
3. غنی سازی داده‌ها
4. کد گذاری داده‌ها

با دارا بودن هدف کلی در مطالعه، انتخاب مجموعه داده‌های اصلی برای تحلیل، اولین ضرورت است. رکوردهای لازم می‌تواند از انبار داده‌ها و یا بانک اطلاعاتی عملیاتی استخراج شود. این رکوردهای داده جمع آوری شده؛ اغلب از آنچه آلودگی داده‌ها نامگذاری شده است رنج می‌برند و بنابراین لازم است پاکسازی شوند تا از یکدستی فرمت (شکلی) آنها اطمینان حاصل شود، موارد تکراری حذف شده و کنترل سازگاری دامنه بعمل آید. ممکن است داده‌های گردآوری شده از جنبه‌های خاصی ناقص یا ناکافی باشند. در این صورت داده‌های مشخصی باید گردآوری شوند تا بانک اطلاعات اصلی را تکمیل کنند. منابع مناسب برای این منظور باید شناسایی شوند. این فرایند مرحله غنی سازی داده‌ها را تکمیل می‌کند. یک سیستم کدگذاری مناسب معمولا" جهت انتقال داده‌ها به فرم ساختار-بندی شده جدید؛ متناسب برای عملیات داده کاوی تعبیه می‌شود .
داده کاوی درمدیریت ارتباط بامشتری داده کاوی یکی از عناصر مدیریت ارتباط با مشتری است و می تواند به حرکت شرکتها به سمت مشتری محوری کمک کند. داده های خام از منابع مختلفی جمع آوری می شوند و از طریق استخراج، ترجمه و فرایندهای فراخوانی به انبار داده این مدیریت وارد می شوند. در بخش مهیـــاسازی داده، داده‌ها از انبار خارج شده و به صورت یک فرمت مناسب برای داده کاوی در می آیند. بخش کشف الگو شامل چهار لایه است:

1. سوالهای تجاری مانند توصیف مشتری
2. کاربردها مانند امتیازدهی، پیش گویی
3. روشها مانند سری های زمانی، طبقه بندی
4. الگوریتم ها

در این بخش روشهای داده کاوی با کاربرد مخصوص خود برای پاسخ به سوالهای تجاری که به ذهن می رسند، الگوریتم هایی را استخراج می کنند و از این الگوریتم ها برای ساخت الگو استفاده می شود. . در بخش تجزیه و تحلیل الگو، الگوها به یک دانش مفید و قابل استفاده تبدیل می شوند و پس از بهبود آنها، الگوهایی که کارا محسوب می شوند در یک سیستم اجرایی به کار گرفته خواهند شد. رابطه مشتری با زمان تغییر می کند و چنانچه تجارت و مشتری درباره یکدیگر بیشتر بدانند این رابطه تکامل و رشد می یابد. چرخه زندگی مشتری چارچوب خوبی برای به کارگیری داده کاوی در مدیریت ارتباط با مشتری فراهم می کند. در بخش ورودی داده کاوی، چرخه زندگی مشتری می گوید چه اطلاعاتی در دسترس است و در بخش خروجی آن، چرخه زندگی می گوید چه چیزی احتمالاً جالب توجه است و چه تصمیماتی باید گرفته شود. داده کاوی می تواند سودآوری مشتری های بالقوه را که می توانند به مشتریان بالفعل تبدیل شوند، پیش بینی کند و اینکه تا چه مدت به صورت مشتریان وفادار خواهند ماند و چگونه احتمالاً ما را ترک خواهند کرد. بعضی از مشتریان مرتباً مراجعاتشان را به شرکتها برای کسب مزیتهایی که طی رقابت میان آنها به وجود می آید، تغییر می دهند. در این صورت شرکتها می توانند هدفشان را روی مشتریانی متمرکز کنند که سودآوری بیشتری دارند. .
بنابراین می توان از طریق داده کاوی ارزش مشتریان را تعیین، رفتار آینده آنها را پیش بینی و تصمیمات آگاهانه ای را در این رابطه اتخاذ کرد. رفتار و اخلاق در برخورد با مشتری:

• حلیم بودن، که نشان دهنده ی این است که نباید در برخورد با مشتریان مخصوصا مشتریانی که امکان دارد، رعایت حال فروشنده را نکنند، عصبانی شد. بلکه باید تا آنجایی که می شود در رفتار با مشتریان صبور بود.
• ابتدا کردن فروشنده به فروختن، این مورد بیانگر این است که قبل از اینکه مشتری بخواهد برای معامله واکنشی را شروع کند، فروشنده پیشی بگیرد که خود این می تواند یک احترام به مشتری در جهت ارائه و ارضای خواسته ی او باشد.
• اگر مشتری از خریدن پشیمان شود بایع متاع خود را بگیرد و قیمت آن را باز دهد. در این مورد می توان این طور گفت که این رفتار، باعث جلب اعتماد و اطمینان مشتری و ارج نهادن به او می گردد.
• هر گاه خریدار پیدا شود فی الحال بفروشد و مشتری را انتظار نفرمایند. در بسیاری از مواقع در صورتی که مشتری کمی معطل شود، ادراک بی توجهی به مشتری در خریدار پیش می آید و با درک عدم احترام، از خرید خود منصرف می شود و یا دفعات بعدی مراجعه نخواهد کرد.
• آنکه بر اندک فایده اکتفا کند و بسیار نخواهد بلکه به مقدار قوت یک روزه بر مشتریان قسمت کند . این مطلب خود بیانگر حمایت غیر مستقیم فروشندگان از خریداران و سخت نگرفتن شرایط بر مشتریان است که موجب جذب مشتری و فروش کالا به صورت منصفانه می شود

نتیجه گیری

توان و قدرت تحلیل تکنولوژی درخت تصمیم و مدل های متنوعی که این فنآوری از آنها استفاده مینماید ابزار مناسبی جهت اخذ تصمیمات مختلف در زمینه هایی رضایت مشتری می‌باشد. در تحلیل های رضایتمندی مشتری اغلب متغیرها پیچیده و ترکیبی بوده و روابط نیز ناشناخته و اغلب غیرخطی می باشند، بنابراین تحقیقات صورت گرفته در خصوص کاربردهای درخت تصمیم موید آن است که باید بیشتر از توان درخت تصمیم در جهت مدیریت و بهینه سازیارتباط با مشتری استفاده کرد. و با توجه به تاکیدات انجام شده امروزه بایستی یک نگاه تازه به مشتریان داشته باشیم تا زمینه را برای تبدیل مشتریان بالقوه به بالفعل فراهم کنیم .