66
MÖG = S
x
M
x
V
x
G
Burada:
MÖG – müştərinin ömürlük gəlirliliyi;
S – satışın orta həcmi;
M – il ərzində satışın miqdarı;
V – satışın stabil vaxtı (müştərinin sadiqlik müddəti );
G – firmaya konkret müştəri tərəfindən gətirilən orta gəlir ( % - lə ).
Müştərinin ömürlük gəlirliliyini hesabladıqdan sonra “müştərinin ömürlük
dəyəri”ni qiymətləndirmək olar.bunun üçün alınmış kəmiyyətdən müştərilərin cəlb
olunmasına və təkrar satışın həyata keçirilməsi üçün firmanın maraqları sferasında
saxlanmasına çəkilən xərclər çıxılır:
ÖD = MÖG – ( CV + ST
x
M )
Burada:
ÖD – müştərinin ömürlük dəyəri;
CV – firmanın müştərilərin cəlb olunmasına sərf etdiyi vəsait;
ST – satışın təşkili ilə bağlı xərclər;
M – satışın miqdarı.
Hər hansı bir müəssisə yeni məhsulun istehsalını planlaşdırarkən həmin
məhsula olacaq tələbin həcminin proqnozlaşdırılması onun istehsalına sərf
olunacaq investisiyanın həcminin müəyyənləşdirilməsi ilə müqayisədə heç də az
ə
həmiyyətli məsələ deyil. Yaxud da, hər hansı bir bank sahibi qiymətli kağızların
bazarında valyuta və qiymətli kağızlara olan tələb və təklifin gələcəkdə necə
dəyişəcəyini, həmin dəyişikliklərin müvafiq kurslarda öz əksini necə tapacağını
bilməli və öz fəaliyyətini bu məlumatlara uyğun qurmalıdır. Eyni zamanda həmin
məlumatlar gələcəkdə yarana biləcək vəziyyəti düzgün əks etdirməlidir. Bu cür
məlumatları isə, müasir informasiya texnologiyalarının tətbiqi olmadan əldə etmək
mümkün deyildir.
Xüsusilə də, süni intellekt sistemlərinin köməyilə bazarda bu və ya digər
məhsula olan tələb və təklifi öyrənmək, əldə olunmuş məlumatların intellektual
təhlilini həyata keçirmək, gələcək üçün proqnozlar vermək mümkündür. Bu
67
məqsədlə neyroşəbəkələrdən geniş istifadə olunur. Məsələn, əvvəllər bu və ya
digər məhsula olan tələb proqnozlaşdırılarkən analitiklər qrupu və marketinq
xidməti tərəfindən istehlakçıların rəylərinin öyrənilməsi və proqnozlaşdırma
adi metodlarla həyata keçirilirdi.
ndi isə bir çox iri şirkətlərdə bu məsələnin həlli üçün iki neyroşəbəkə
qurulur. Onlardan birincisi NeuroShell Classifier paketinin adaptiv arxitekturası
ə
sasənda yaradılmış, girişlərinə reklam siyasətinin və məhsulların müxtəlif
parametrlərinin verildiyi şəbəkədir. Xüsusi olaraq təsnifatlaşdırma üçün nəzərdə
tutulmuş bu şəbəkənin köməyilə girişlər istehlakçıların rəylərini xarakterizə edən 4
sinfə bölünmüşdür. Həmin girişlər birinci şəbəkənin cavabı ilə birlikdə növbəti
NeuroShell Predictor paketinin girişinə verilir. Bu paket özündə özünü təşkil edən
şə
bəkəni
ehtiva
etməklə
kəmiyyət
proqnozlaşdırması
məsələlərinə
uyğunlaşdırılmışdır. Proqnozlaşdırmanın orta səhvi isə, təxminən 4% təşkil
etmişdir.
Bu qəbildən olan proqramlara ABŞ – ın Ward Systems Group firmasının
işləyib – hazırladığı “Süni intellekt trilogiyası” ( The Al Trilogy ) paketini misal
göstərmək olar. Bu proqram paketi üç proqramın məcmusundan – Neuro Shell
Predictor və Neuro Shell Classifier neyroşəbəkələrindən və Gene Hunter genetik
alqoritmindən ibarətdir.
Neuro Shell Predictor – mövcud verilənlər bazası əsasında asanlıqla
proqnozlaşdırma məsələlərinin həlli sistemini yaratmağa imkan verir.
Neuro Shell Classifier – obrazların ( vəziyyətlərin ) bu və ya digər
kateqoriyaya aid olmasının müəyyənləşdirilməsi ilə bağlı obrazların tanınması
məsələlərinin həlli üçün nəzərdə tutulmuşdur. Məsələn, birja göstəriciləri yığımı
üzrə bu və ya digər şirkətin aksiyalarının alınması və satılması ilə bağlı
xəbərdarlıq siqnalların işlənib – hazırlanması.
Gene Hunter – çətin kombinasiyalaşdırılan və optimallaşdırılan məsələlərin
həlli üçün genetik alqoritmindən istifadə edilməsini nəzərdə tutur.
68
Bütövlükdə bu proqramlar son dərəcə güclü, ixtiyari mürəkkəbliyə malik
olan analiyik komplekslərin aurulmasına imkan verən vahid bir konstruktor əmələ
gətirir.
Ümumiyyətlə, neyroşəbəkələrin bazarda bu və ya digər məhsula olan tələbin
müəyyənləşdirilməsinə tətbiqi tələb amilləri arasında mürəkkəb asılılıqların aşkara
çıxarılmasına, marketinq siyasətinin dəyişməsi zamanı istehlakçıların davranışının
proqnozlaşdırılmasına, daha optimal reklam strategiyasının qurulmasına, məhsulun
reallaşdırılması üçün perspektiv istehlakçı seqmentinin seçilməsinə imkan verir.
Bunlardan başqa tələb və təklifin tədqiqi məqsədilə süni intellekt sistemləri
ə
sasında yaradılmış CRM texnologiyasından da istifadə edilir. CRM ( Customer
Relationships Managment ) sistemlərində intellektual təhlil konsepsiyası birbaşa
reallaşdırılır. CRM sistemləri - həm firmanın fəaliyyəti, müştərilərlə bağlı
müxtəlif verilənlərin təhlili sistemidir. Sistem satışın, müştərilərə xidmətin və s.
daha effektiv işlənməsi üçün bu verilənlərin qanunauyğunluqlarının axtarışını
həyata keçirir. Sistemdə bu məsələlərin həlli üçün bunlar tələb olunur:
altsistemlərin yaxşı inteqrasiyası;
böyük həcmdə işlənmiş statistik verilənlər;
effektiv analitik alətlər kompleksi;
müəssisənin fəaliyyətini avtomatlaşdıran digər sistemlərlə inteqrasiya.
Müasir CRM sistemləri “müştəri - server” prinsipinə əsaslanır. Yəni, CRM
sisteminin bütün məlumatları vahid verilənlər bazasında işlənilir və saxlanılır. Belə
CRM sistemlərinin müştəriləri müəssisəyə münasibətdə həm daxili, həm də xarici
istifadəçilər ola bilər. Müştəri və server arasında qarşılıqlı münasibətlər nternet
vasitəsilə həyata keçirilə bilər. Sistemin serveri adətən, iki hissədən ibarətdir:
• verilənlərin saxlanması və işlənməsi üçün verilənlər bazasının idarəetmə
sistemləri ( VB S );
• təhlil üçün OLAP ( on – line Analytical processing – real zaman
miqyasında verilənlərin analitik işlənməsi ) və Data Mining ( verilənlərin
intellektual analizi )sistemləri.
Dostları ilə paylaş: |