مارا دنبال کنید : 

شرکت ها وابسته به مشتری هستند. مسلما برای جذب مشتریان نیاز به تبلیغ است. در حال حاضر توجه و تمرکز شرکت ها بر روی تبلیغ و نحوه انجام آن است. هر چند در تبلیغات خود مسر هستند تا رفتار مشتریان خود را پیش بینی کنند؛ اما بدون تجلیل داده های کلان این امر امکان پذیر نیست. برای داشتن ترجیحات و بینش مشتریان خود نیاز به شناسایی تمام داده های سازمان، یافتن داده های اصلی، یکپارچه سازی، تمیز کردن، خلاصه سازی و در نهایت انبار کردن داده های اساسی است. پس از آن با بهره گیری از روش های داده کاوی و هوش تجاری فرآیند تبدیل داده به اطلاعات/ دانش و خرد مدیریتی و تجارتی است. هوش تجاری اجتمای ترکیبی از رویکردهای شبکه اجتماعی با نرم افزارهایی مانند تهیه گزارش، داشبورد، کارت امتیاز متوازن است که برای بررسی عملکرد کلی و شفاف شدن شاخص های کلیدی (KPI) مورد استفاده قرار میگیرد. هوش تجاری اجتماعی از این نتایج به دست آمده از شبکه های اجتماعی برای رسیدن به یک بینش در مشتری استفاده میکند. این روش برای کسب و کارهای کوچک و متوسط که بودجه کافی برای فعالیت خارج از شبکه های اجتماعی ندارند مناسب است. یکی از نرم افزارهای تحلیل شبکه اجتماعی نرم افزار SBI از شرکت IBM است. این نرم افزار به بازاریابان در تشکیل کمپین های بازاریابی و تشخیص ترجیحات مخاطبان کمک میکند. هوش تجاری بیشترین کمک را به بازاریابی هدفمند می کند تا جایی که قسمتی از زمان کارشناس های شرکت های بزرگ، پیرامون فعالیت در راستای BI است. کلان داده ها اجازه می دهد تا برند سازی شکل بگیرد و با ایجاد کمپین های بزرگ شخصی سازی شرکت ها تکامل یافته و به طور فزاینده ای پیشرفت داشته باشند. همه فروشندگان و بازاریابان یاد می گیرند که چگونه از داده ها استفاده کنند و به آنها دسترسی داشته باشند.   نتجه بهره یری از هوش تجاریف گرفتن تصمیم های آگاهانه تر است. تحلیل شرایط فعلی دیگر مزیت نیست، ابزاری میتواند موثر باشد که با آن بتوان آینده را با دقت بیشتری پیش بینی کرد. تحلیل کلان داده ها به سازمانها کمک می کند تا داده های خود را به کار بگیرند و از آنها برای شناسایی فرصت های جدید استفاده کنند. علاوه بر این به تجارتی هوشمندانه تر، عملیات های مفید تر، سود بیشتر و مشتریان راضی تر کمک شایانی می کند. تا سال ۲۰۲۰ تخمین زده میشود، تحلیل کلان داده ها مهمترین عامل در کشف فرصت برای شرکت ها و سرمایه گذاران بدل خواهد شد. زمانی که داده ها در فرآیند تصمیم گیری مورد استفاده قرار می گیرند، مدیران به طور چشمگیری شانس موفقیت خود را افزایش می دهند. شرکت های جهانی طی سه سال گذشته پیشرفت هایی با تخمین ۲۶ درصدی در افزایش برآیند مثبت خود داشته اند تا جایی که برخی از مدیران فناوری اطلاعات تخمین ۴۱ درصد پیشرفت شرکت ها پیشرو در زمینه استفاده از کلان داده ها را در طول سه سال آینده را پیش بینی می کنند. در هر ثانیه داده ها در حال تغییر و افزایش حجم هستند و شرکت هایی که دانش و تخصص خود را با دانش داده ها ترکیب می کنند، همیشه در رقابت با رقیبان خود، موفق عمل می کنند. شرکت ها باید یاد بگیرند که با اقدامات به موقع، از این مجموعه داده ها بهره کافی را ببرند.
دستیابی به بهترین درجه از همفکری و ملاحظات مربوطه که قابلیت مطرح شدن را داشته باشند یا منجر به تاخیر پیشرفت به سوی یک هدف می گردند که این یکی از اهداف مدیریت دانش می باشد. حمایت از تصمیم گیری راهبردی، رشد تجارت و نظارت بر رقبای سازمان به عنوان هدف اجرای هوش تجاری شناخته می شوند. بدون شک، سباهت های قطعی بین مدیریت دانش و همچنین هوش تجاری وجود دارد. به طور کلی، تمرکز مدیریت دانش بر ادراک (شناخت) است. این مقوله همچنین بر اهمیت نواوری دانش تاکید داشته و میزان نظام یافتگی ان را بررسی می کند. به همین ترتیب، هوش تجاری در وهله اول بر تکنولوژی و دیتا تمرکز دارد، که تاثیر کاربردی ان در حقیقت ارتباط تنگاتنگی با مهارت های کاربر به عنوان افرادی دارد که معمولا از تحلیل کمّی تخصص فنی برای حل مسائل تجاری با کمک سیستم هوش تجاری در ارتباط می باشد. تفاوت های اساسی نیز وجود دارد، در حالی که هر دو مفهوم هوش تجاری و مدیریت دانش دارای اهداف مشابهی در سطوح بالا می باشند. این تفاوت ها را باید در نحوه بکارگیری آن ها به منظور دستیابی به اهداف مشاهده کرد. در حالی که ارزش هوش تجاری و محصولات آن، یعنی همان تحلیل فرصت را می توان در کارایی آ« به عنوان یک ابزار تصمیم گیری مشاهده نمود، ارزش مدیریت دانش در قابلیت سازمان برای شناسایی، تحصیل و استفاده مجدد از دانش بوده که بهترین حالت آن را می توان در بهترین روش ها مشاهده کرد به نحوی که می تواند منجر به صرفه‏جوئی در زمان، تلاش و منابع یک سازمان گردد. تفاوت دیگر بین مدیریت دانش و هوش تجاری شدت آن هاست. هوش تجاری به طور تدریجی از طریق سیستم های خدمات مبادلاتی توسعه یافته است، همانند سیستم های ادارۀ اطلاعات، سیستم های مدیریت اطلاعات و سیستم های پشتیبانی از تصمیمات. مدیریت دانش در واقع همان روش ها و ایده های مدیریتی در دوره توسعۀ اقتصاد علمی می باشد. این مقوله تاکید دارد که دانش پر اهمیت ترین منبع و سرمایه راهبردی بوده، مزیت رقابتی شرکت ها بر خلق دانش، انتشار و کاربرد ان اتکا دارد. هوش تجاری اغلب با منابع دیتا در ارتباط است. از ان جا که هدف آن مرتب نمودن و ساختار بخشیدن به منابع اطلاعاتی می باشد، کل فرایند هوش تجاری نسبتا بسته و مستقل می باشد. هوش تجاری همچنین بر تلفیق و ادغام ریخت شناسی بیرونی اطلاعات تمرکز دارد. از طرف دیگر، سیستم مدیریت دانش با منابع دانش در ارتباط است، اشتراک دانش و نوآوری نیز اهداف اولیه ان به شمار می روند. برای سازمان، در حالی که هوش تجاری به مدیریت اطلاعات عینی در عالم واقع می پردازد، سیستم مدیریت دانش به دنبال اقدامات فراگیر و دانش فردی است. در نهایت، تفاوت بین هوش تجاری و مدیریت دانش در تکنولوژی اصلی است. تکنولوژی اصلی مدیریت دانش همچنین در مدیریت اسناد، علوم مهندسی گروه افزار ها، متن کاوی، تکنولوژی بازیابی، پرتال های دانش مشاغل و مواردی از این قبیل وجود دارد، از طرف دیگر، هوش تجاری معانی بیشتری را به تحلیل داده ها افزوده و تکنولوژی های اصلی ان متشکل از انبار داده، پردازش تحلیلی آنلاین، داده کاوی و پرتال های مشاغل می باشد. اما داده کاوی: داده‌کاوی به مفهوم استخراج اطلاعات نهان و یا الگوها و روابط مشخص در حجم زیادی از داده‌ها در یک یا چند بانک اطلاعاتی بزرگ است. هدف نهایی داده کاوی، استخراج دانش معتبر و سودمند از پایگاه‌های دادگان عظیم است. از این رو، داده کاوی ممکن است نقشی فعال برای ایجاد دانش داشته باشد. دانشی که می‌تواند، برای بهبود تصمیم‌گیری‌ها استفاده شود.

چه موقع و كجا داده‌كاوي نياز است؟
  • مسئله ای پيچيده و ناساخت يافته و يا نيمه ساخت يافته وجود داشته باشد.
  • داده‌های مرتبط وجود داشته باشند و به آنها دسترسی داشت.
  • داده ها در يكجا مجتمع شده و انباره داده ها ايجاد شود.
  • توانايی كامپيوترها امكان استفاده از نرم افزارهای مرتبط با داده كاوی را به ما بدهند.
  • مديران نياز به استفاده از دانش استخراج شده از داده ها را حس كرده باشند.
از دغدغه‌های اصلی در حوزه بانکداری تعیین وضعیت و میزان اعتبار مشتریان است. بانک‌ها در خصوص ارائه خدمات متنوع مانند ارائه دسته چک، اعطای وام، صدور ضمانتنامه‌های بانکی و دیگر خدمات خود، نیازمند تهیه گزارشی در خصوص عملکرد مشتریان هستند.
این عملکرد می تواند ارائه گزارشی از تعداد چک های برگشتی، میزان و تعداد ضمانتنامه‌‌های صادر شده و یا حتی میانگین گردش حساب مشتری در بازه‌های زمانی انتخابی باشد.چرا؟
به این خاطر که لازمه تهیه و ارائه این گزارش‌ها در برخی از موارد می‌تواند طی کردن پروسه‌های اداری طولانی و هزینه بر باشد. همینطور این گزارش‌ها نیازمند برقراری ارتباط با خارج از سیستم داخلی بانک بوده و پیچیدگی کار را بیشتر می‌کند.
اما چطور می‌توان برای تهیه این ارزیابی ها سرعت را بالا برد و هزینه ها را کاهش داد؟
برای این کار لازم است اطلاعات را در یک سامانه واحد تجمیع نمود. بخش زیادی از این اطلاعات در سامانه‌های موجود در بانک وجود دارد. اپراتور بانک می‌تواند با مراجعه به هریک از این سامانه‌ها اقدام به تهیه گزارش نماید؛ اما  در اکثر موارد لازم است، برای تهیه این گزارش به سامانه‌های مختلف بانکی مراجعه نمود. ضمن اینکه ممکن است سامانه‌های بانکی نتوانند خروجی مورد نظر شما را به دست دهند.
سوال اینجاست که چه می‌توان کرد؟
با استفاده از داشبوردهای مدیریتی و قابلیت اتصال این داشبوردها به سامانه‌های مختلف، می‌توان در زمان کمتر و صرف هزینه حداقل، اقدام به استخراج داده‌های مورد نیاز نمود.
 اما گرفتن داده به تنهایی نمی‌تواند برای شما تبدیل به گزارش شود. ضمن اینکه این گزارش‌ها باید دید تحلیلی داشته باشند تا بتوان سریعتر و بهتر تصمیم‌گیری کرد. پس شما به گزارش‌هایی آماده نیاز دارید تا زمان ارائه خدمات به مشتریان و اعتبارسنجی آنها را سرعت بخشید.
بنابراین ضمن ساختن داشبوردهای مدیریتی باید اقدامات دیگری نیز صورت پذیرد. داشبوردهای مدیریتی می توانند با اتصال به سامانه های مختلف و تجمیع اطلاعات و تبدیل آن‌ها به اطلاعات مورد نیاز از طریق فرآیند پاکسازی داده‌ها، کمک شایانی در تهیه این نوع گزارش‌ها و اعتبارسنجی‌ها در سیستم بانکی ایفا نمایند. در اینجا نیاز است در حین طراحی داشبوردهای مدیریتی به تعیین شاخص های اعتبارسنجی و واکشی داده‌ها پرداخته شود. همانطور که گفته شد ابتدا با روش های پاکسازی داده، داده ها بر اساس الگوهای دقیق جمع آوری می‌شوند و پس از تجمیع داده‌ها در داشبودرهای مدیریتی، با روش‌های هوش تجاری مرحله آخر یعنی، تهیه گزارش‌های مصور و در لحظه برای تصمیم‌گیری بهتر انجام می‌پذیرد.
با استفاده از ابزارهای هوش تجاری و پاکسازی داده و مشخص نمودن فرمول محاسبه و امتیازدهی هر شاخص، می‌توان صلاحیت اختصاص خدمت مورد نظر به مشتری را مشخص نمود و درصورتی که بستر طراحی این نوع داشبوردها با توجه به داده ها مورد تظر وجود داشته باشد ارائه این خدمت می تواند با صرف اندک زمان و هزینه میسر باشد.
رویکرد ارائه راهکار هوش تجاری با دیدگاه محصول محور، به معنای استفاده از محصولات یا به عبارتی نرم افزارهای آماده در سازمان است. اگر چه استفاده از محصول آماده هوش تجاری باعث کاهش هزینه بهای تمام شده و افزایش سرعت پیاده سازی آن در سازمان ها می گردد؛ اما در عمل این ابزار بیشتر شبیه به یک گزارش ساز و یا داشبورد مدیریتی در اختیار کاربران قرار داده و مفهوم هوش تجاری به عنوان یک فرآیند همیشه در حال توسعه، مطابق با تحولات و تغییرات اطلاعاتی را برای سازمان ها مهیا نمی سازد.
این دیدگاه به ویژه در سازمان های بزرگ مانند فروشگاه ها، هلدینگ ها و بانک‌ها که با انبوهی از داده های خروجی از سامانه های متعدد ستادی و عملیاتی که هر روز نیز بر تعداد و قابلیتهای آنها اضافه می شود سر و کار دارند عموما باعث بروز شکست و یا ناکارآمدی راهکارهای هوش تجاری می گردد. همچنین تحولات ناشی از اعمال قوانین و استانداردهای جدید عامل دیگری است که قابلیت نرم افزارهای هوش تجاری را پایین می آورد.
معمولا در جهان از نرم افزارهای هوش تجاری در شرکت های کوچک استفاده میشود. این نرم افزارها غالبا به شکل اپلیکیشن موبایل بوده و به صورت فروشی یا اجاره ای (ماهانه و سالانه) در اختیار واحدهای کوچک مانند سوپرمارکت ها، میوه فروشی‌ها، کارگاه تولیدی کوچک (مانند سفالگری) و … استفاده می‌شود.
هوش تجاری مجموعه ای از اطلاعات تحلیل شده را در قالبهای تحلیل های کسب و کار (Business Analytics)، پردازش تحلیلی بر خط  (OLAP)، پردازش تراکنشی برخط (OLTP) ، پرس و جوها (Queries)، گزارش ها (Reports) و ابزارهای هشدار (Alert Tools) در اختیار مصرف کنندگان در سطوح مختلف سازمان قرار می دهد. برای تولید این خروجی ها فرآیندی از مرحله شناسایی نیاز ، تحلیل نیاز ، شناسایی منابع داده ، گردآوری داده ها ، پالایش داده و … را تا مرحله تولید خروجی و تحویل به مصرف کننده آن اطلاعات طی می کند.
  • شناسایی سازمان
  • شناسایی نیازمندی ها
  • تحلیل نیازماندی ها
  • شناسایی منابع داده
  • گردآوری داده
  • پاکسازی داده
  • پالایش و تجمیع داده
  • طراحی الگوی تحلیل داده
  • تحلیل داده
  • طراحی شاخص
  • طراحی خروجی

امروزه بیمه‌ها با توجه به نوع فعالیت، خدمات ارائه‌شده و جایگاه خود در صنعت بیمه، نیاز چشمگیری به هوش تجاری دارند زیرا خدماتی که این موسسات به مشتریان خود ارائه می‌دهند تقریباً مشابه یکدیگر است. نقطه قوت هر شرکت بیمه در نحوه و کیفیت ارائه خدمات است.

بهره‌گیری از هوش تجاری و تحلیل کسب‌وکار برای هر شرکت بیمه‌ای که تمایل به موفقیت در این حوزه رقابتی دارد، حیاتی است. شرکت‌های بیمه به بینش بهتری نیاز دارند تا دیدگاه جامع‌تری از عملکرد سازمانی خود به دست آورند.

شرکت بیمه با استفاده از سیستم‌های هوش تجاری می‌تواند اقدام به:

1. دسته‌بندی و تعیین جامعه هدف برای ارائه خدمات به شکل بهینه
2. تحلیل دقیق‌تر اعتبار مشتریان، شناسایی طرف‌های حساب و میزان ریسک‌ها
3. شناسایی ریسک‌های عملیاتی و اعتبارسنجی خدمات بیمه
4. بهینه‌سازی فرآیندهای سازمانی و خدمات
5. شناسایی و تقویت فرصت‌های کسب‌وکار جدید و ارائه خدمات نوین

بهره‌گیری از توانایی تبدیل حجم زیادی از داده به بینش عملی، یک مزیت رقابتی در صنعت بیمه است. چگونه؟ باید دسترسی به ابزارهای هوش تجاری را در سازمان‌های بیمه گسترش داد.

استفاده از هوش تجاری در شرکت‌های بیمه به کاربران (در هر سطح از سازمان) این امکان را می‌دهد که گزارش‌های خود را بدون نیاز به دانش فنی، به‌راحتی ایجاد و مدیریت کنند.

این ابزارها برای توانمندی مدیران و کارکنان طراحی شده‌اند و با ارائه گزارش‌های مصور و کاربرپسند، به تحلیل آسان‌تر کمک می‌کنند.

به عنوان مثال:

* بیمه‌گذاران می‌توانند دید بهتری نسبت به خط مشی‌ها، حق بیمه و نسبت خسارت به دست آورند.
* افرادی که درخواست‌های بیمه را کنترل می‌کنند می‌توانند با سرعت بخشیدن به فرآیند، درخواست بیمه را بهینه‌سازی کرده، ضررها را به حداقل برسانند و رضایت مشتری را افزایش دهند.
* مدیران فروش می‌توانند عملکرد نمایندگان فروش خود را بهتر کنترل کنند، حوزه‌های کم‌ورود را بهبود بخشند و فرصت‌های بالقوه رشد را شناسایی کنند.

پس از درک نیاز و لزوم استفاده از هوش تجاری در صنعت بیمه، گام بعدی پیاده‌سازی آن است؛ اما برای این امر شناسایی شاخص‌های کلیدی (KPI) ضروری است.

برخی از شاخص‌های کلیدی عملکرد در حوزه بیمه عبارتند از:

درآمد هر بیمه‌گذار

درآمد هر بیمه‌گذار یکی از شاخص‌های کلیدی است که می‌تواند مقدار درآمد شرکت را اندازه‌گیری کند.

میانگین هزینه برای هر تقاضا

این شاخص مقدار پرداختی شرکت بیمه برای هر تقاضای مشتری را اندازه‌گیری می‌کند. استفاده از این شاخص برای طبقه‌بندی درخواست‌های بیمه از سوی مشتریان اهمیت دارد.

میانگین زمان برای تسویه‌ی یک تقاضا
این شاخص نشان می‌دهد که هر درخواست بیمه چقدر زمان برای تسویه نیاز دارد و چرخه عمر آن چقدر است.

بازگشت مازاد بیمه‌گذار


این شاخص نشان‌دهنده ارتباط سود یک شرکت بیمه با درآمد حاصل از بیمه‌نامه‌ها و سرمایه‌گذاری‌ها است. مازاد مبالغ بیمه‌گذار نشان می‌دهد که دارایی بیمه‌گر نسبت به بدهی‌هایش چگونه است.

نسبت زیان


این شاخص نشان می‌دهد که عملکرد مالی شرکت بیمه چگونه است و آیا درآمدها، هزینه‌ها را پوشش می‌دهد یا خیر.

تکرار


این شاخص تعداد درخواست‌های بیمه‌ای را که در معرض پرداخت قرار می‌گیرند، اندازه‌گیری می‌کند. همچنین برای برنامه‌ریزی در خصوص حیات مالی شرکت اهمیت دارد.

شدت


شدت به هزینه درخواست‌های بیمه‌ای اشاره دارد. این شاخص کمک می‌کند تا شرکت توانایی خود در پرداخت درخواست‌های بیمه را پیش‌بینی کند.

هزینه‌های اجزای درخواست بیمه


این شاخص هزینه‌های مرتبط با اجزای درخواست بیمه مانند هزینه‌های قانونی، تاخیر در گزارش و زمان تسویه را بررسی می‌کند.

سهمیه در مقابل تولید


در دنیای بیمه، دو نوع فروشنده وجود دارد: فروشنده انحصاری و فروشنده شخص ثالث. تنظیم اهداف فروش واقع‌بینانه برای دستیابی به سهمیه بالا نسبت به تولید ضروری است.

نسبت درآمد خالص


این شاخص نحوه درآمدزایی سازمان از حق بیمه‌ها را نشان می‌دهد و برای مقایسه با رقبا و ارزیابی قیمت‌گذاری آینده استفاده می‌شود.

رشد درصد فروش


این شاخص میزان مشتریانی که برای اولین بار یا پس از مدت طولانی به شرکت مراجعه می‌کنند را نشان می‌دهد.

تعداد ارجاعات از طرف مشتری


این شاخص تعداد مشتریان جدید معرفی‌شده توسط مشتریان فعلی را نشان می‌دهد.

نسبت بدهی


این شاخص درخواست‌های بیمه را در یک دوره زمانی اندازه‌گیری می‌کند و آن را به حق بیمه کسب‌شده در همان دوره تقسیم می‌کند. اگر این شاخص بالاتر از حد انتظار باشد، بررسی علت و در صورت لزوم تحقیقات بیشتر الزامی است.

میانگین ارزش خدمت بیمه


این شاخص به قیمت خدمت ارائه‌شده به مشتری در یک زمان معین اشاره دارد.

فروش یا کسب و کار جدید


این شاخص تعداد بیمه‌نامه‌های جدید را در بر می‌گیرد و برای ارزیابی عملکرد و توسعه استراتژی مهم است.

تجدید / حفظ مشتری


این شاخص تعداد مشتریانی را که پس از پایان دوره اولیه بیمه، به پوشش خود ادامه می‌دهند، اندازه‌گیری می‌کند. نگهداری مشتریان فعلی از جذب مشتری جدید سودآورتر است و به بهبود کسب‌وکار بیمه کمک می‌کند.

سازمانها بیشترین سود دهی و بازدهی را زمانی خواهند داشت که توانایی تحلیل و بررسی دقیق بازار را داشته باشند. چگونه؟

این امر می تواند با انتخاب یک سیستم هوش تجای مناسب میسر گردد.

یکی از علاقه مندی سازمانها استفاده از داده های مشتریان در سطوح مختلف جهت کسب حداکثر میزان ممکن در سوددهی و بهبود روش های تخصیص بودجه در بخش های مختلف نظام فروش است.

 

با استفاده از راهکارهای هوش تجاری و تحلیل داده های سازمانی، شرکت می تواند علاوه بر بهبود و ساده سازی عملیات خود به افزایش بهره وری در بازار فروش و افزایش میزان سرمایه گذاری خود با استفاده از استراتژی های انتخابی بپردازند. با استفاده از این راه کارها میزان خطرات ناشی از مشارکت در سرمایه گذاری های مختلف یا برنامههای متنوع فروش مثل جشنوراه ها و کمپینها، می تواند به طرز چشم گیری کاهش یابد.

اما نحوه مشارکت سامانه های هوش تجاری در کاهش ریسک و دور نگه داشتن سازمان از خطرات و تهدیدات به چه شکل خواهد بود؟ و کاربرد هوش تجاری در کجا است؟

 

مدیریت ریسک :

سازمان نیازمند اتکا به واقعیات بیشتری هستند. بخشی از پیش بینی های کنونی ناشی از تلفیق دانش و تجربه است و ممکن است نتوان میزان دقیق تاثیرگذاری عوامل غیر قابل پیش بینی را در آنها به درستی تخمین زد، به همین دلیل است که در اختیار داشتن داده ها و اطلاعات واقعی بیشتر، می تواند کمک شایانی در به حداقل رساندن تاثیر این موارد بر روی میزان سود دهی کمک شایانی داشته باشد. این اطلاعات و داده ها می تواند از طریق تحلیل و پردازش داده های محیطی بدست آیند.

 

بهبود بازده عملیاتی و افزایش سود:

با استفاده از جمع آوری و تحلیل داده های مختلف از سطح منابع داده ای متنوع، می توان میزان بازدهی و سود حاصل از سرمایه گذاری‌ها را افزایش داد. این افزایش بازدهی با استفاده از رصد نمودن بازار و مشتریان و در نتیجه انتخاب بهترین و سودآور ترین راه ممکن خواهد بود.

 

دسته بندی مشتریان :

ارائه خدمات به مشتریان به بهترین شکل همواره رویای سازمانها بوده است، ولی امروزه با توجه به افزایش حجم مشتریان و همچنین تنوعی که در نوع خدمات و محصول وجود دارد، باید بتوان بهترین خدمت/ محصول را به بهترین شکل در اختیار مناسب ترین فرد قرار داد. این امر نیز می تواند با تحلیل و دسته بندی مشتریان سازمان به دست آید.