Journal of Information Technology Management د ناوری اطلاعات
دانشكدة مديريت دانشگاه تهران دورة 8، شمارة 1 بهـار 1395 ص. 122- 101

ارائة روشي جديد براي بخش بندي مشتريان بر اساس ميزان وفاداري
آنها و تعريف راهبردهايي مناسب براي هر بخش
سميراخدابنده لو 1، علي اكبر نيك نفس 2
چكيده: ارزيابي وفاداري مشتريان ميتواند درراستاي بهبود فرايندهاي كسب وكار تأثير مهمـيداشته باشد. روش هاي معمول ارزيابي وفاداري مشتريان، صرفاً با تكيه بر سه مؤلفة تـازگي (R)، تعداد دفعات (F) و ارزش پولي (M) طراحي شده اند. در اين پژوهش چند عامل مؤثر ديگر شامل تعداد كالاهاي خريداري شده، تعداد كالاهاي برگشتي، مبلغ تخفيف و تأخير در توزيع به تحليـلاضافه شدند و تأثير هر يك بر بالارفتن كيفيت ارزيابي سنجيده شد. هدف پژوهش ارائـ ة مـدليجديد براي بخشبندي مشتريان براساس ميزان وفاداري آنها و تعيين راهبردهايي مناسب بـرايهر بخش است. مجموعة دادة اين پژوهش به يكي از عمده فروشي هاي مواد غـذايي اختصـاصدارد. دادههـا در نـرم اف زار Clementine و بـا اسـتفاده از شـبكه هـاي عصـبي RBF ،MLP و الگوريتم K-means تحليل شدند. نتايج پژوهش نشان ميدهد روش پيشنهادي بيشترين سطح دقت را در پيش بيني ميزان وفاداري مشتريان دارد. براساس روش پيشنهادي، مشـتريان از نظـروفاداري به پنج خوشه (مشتريان وفادار؛ بـالقوه؛ جديـد؛ از دسـت رفتـه و مشـتر يان رويگـردان ) تقسيم شدند كه ويژگي هاي هر خوشه براساس وضعيت هفت عامل بيـان شـد و براسـاس ايـن ويژگي ها راهبردهاي مناسبي براي مديريت مشتريان هر بخش ارائه شد.
واژه هاي كليدي: ارزيابي وفاداري مشتريان، بخش بندي مشتريان، داده كـاوي ، عمـده فروشـي مواد غذايي.

كارشناس ارشد مهندسي فناوري اطلاعات، دانشگاه تحصيلات تكميلي صنعتي و فناوري پيشرفتة كرمان، كرمـان،ايران
استاديار بخش مهندسي كامپيوتر، دانشگاه شهيد باهنر كرمان، كرمان، ايران

تاريخ دريافت مقاله: 19/04/1394 تاريخ پذيرش نهايي مقاله: 26/09/1394 نويسندة مسئول مقاله: سميرا خدابنده لو
E-mail: s.khodabandehlou@student.kgut.ac.ir
مقدمه
با توجه به پيچيدگي و گستردگي عمل كسب وكار، اطلاعات سازمان بـراي دسـتيابي بـه مزيـترقابتي بسيار ضروري و حياتي هستند. اطلاعات به دست آمده از مشتريان، مركزي براي رويارويي با فرصت ها و چالش هاي كسب وكارند (زارع رواسان و منصوري، 2015). با به دسـت آوردن درككلي از مشتريان و سپس بخشبندي آنها، سازمان ها ميتوانند به بهينهسازي برنامههاي بازاريابي، جلب رضايت مشتريان و افزايش سود سازمان بهتـر بپردازنـد (چـن و لـي ، 2009). بخـش بنـديمشتريان ميتواند به صورت مؤثري موجب كاهش هزينههاي بازاريابي سازمان و نفـوذ سـودآورترآن در بازار شود (لاي، 2009؛ سـوداگر، 2012) و بـه سـازمان در طراحـي و ايجـاد راهبردهـايمختلف براي به حداكثر رساندن ارزشهاي مشتريان كمك كند (كائو، ژو و هو، 2009).
وفاداري در مشتريان بهخصوص مشتريان فروشگاهها مفهوم بسيار مهمي اسـت؛ چـراكـه در كسبوكارهاي امروزي مشتريان وفادار بهعنوان مؤلفة اصلي موفقيت مطرح اند. هيچ كسب وكاري بهجز سازمان هاي انحصاري دولتي نمي توانـد بـدون مشـتريان وفـادار دوام آورد (ديـك و باسـو،2003).
امروزه فروشگاههاي مواد غذايي مركز خريد و فروش مهمي در همة شهر ها به شمار ميرونـد و مشتريان زيادي دارند. اين فروشگاهها ت لاش مي كنند مشتريانشان را حفظ كنند و از طريق آنها به جذب مشتريان جديـد بپردازنـد (كـريم زاده، 1377)، امـا بـراسـاس بررسـيهـاي اوليـه، ايـنفروشگاه ها اطلاعات كاملي دربارة مشتريان خود ندارند و در نتيجه هيچ پژوهش گـزارش شـده اي دربارة تقسيمبندي مشتريان فروشگاه هاي مواد غذايي در البرز وجـود نـدارد. بـا توجـه بـه اينكـ ه شركتهاي فعال در صنعت مواد غذايي به دليل رقابت شديد، براي بقا به شناخت مشـتريان خـود نيازمندند؛ خلأ چنين بررسيهايي موجب نا كارايي و ايجاد مسائل و كمبودهاي بسياري براي ايـن
فروشگاه ها مي شود. در واقع انتخاب صنعت مواد غذايي در اين پژوهش به اين دليل است كه ايـنصنعت از نظر شاخصهاي رقابتي بودن نسبت به ساير صنايع كشور در وضعيت بهتري قـرار دارد
(انصاري، ميركاظمي مود، رحيمي يوشانلويي و قاسمي، 1393).
بر اساس نتايج پژوهش هاي پيشين، هزينههاي جذب مشتريان جديد، پنج برابر هزينـه هـاي حفظ مشتريان موجود است (تسائي و چيو، 2004). همچنين طبق مطالعات، احتمال موفقيت هـر سازمان براي فروش مجدد به مشتري فعال، حدود 60 تا 70 درصد است و از سوي ديگر، احتمال موفقيت فروش به مشتري جديد كمابيش بين 5 تا 20 درصد است (گريفين و لونستين، 2001).
بنابراين، صاحبان كسب وكار مايل اند با روشهاي مختلف مشـتريان خـود را در طـول زمـانحفظ كنند و ارتباطشان را با آنها بهگونه اي استحكام بخشند كه در فضاي رقابت گسترده بتواننـدروزبه روز بازدهي سازمان كسبوكار خود را افزايش دهند. در اين مسير، بايد با روش هاي مختلف ميزان وفاداري مشتريان و عوامل مؤثر بر وفاداري آنها را ارزيابي و شناسايي كنند؛ تـا از ايـن راه بتوانند اين عوامل را به گونه اي سازماندهي و هدايت كنند كه وفاداري مشتريان افزايش يابـد. از اين رو براي سازمان ها در محيط رقابتي، دستيابي به بخـش بنـدي مـؤثر مشـتريان بـراي اعمـالراهبردهاي ارائة پيشنهاد با كيفيت خوب، كاري مهم و كليدي است (جيانگ و تـوژيلين، 2006). تقسيم بندي مشتريان مي تواند به صورت مؤثري موجب كاهش هزينههاي بازاريابي سازمان و نفوذ سودآورتر آن در بازار شود (لاي، 2009) و به سازمان در طراحي و ايجاد راهبردهاي مختلف براي به حداكثر رساندن ارزش مشتريان كمك كند (كائو و همكاران، 2009).
سازمان ها مي توانند با تعيين ارزشي كه هر يك از مشتريان در دورة عمر خود براي آنها ايجاد ميكنند؛ زمينة تخصيص بهينة منابع محدود، به كارگيري راهبردهاي مناسب بازاريابي و درنهايت مديريت سودآوري در كنار مديريت ارتبـاط بـا مشـتري را فـراهم آورنـد. مـدلRFM 1 يكـي از روش هاي پركاربرد تعيين ارزش دورة عمر مشتري است كه از سه شاخص تازگي مبادلـه ، تعـداد دفعات مبادله و ارزش پولي مبادله بهره مي برد (كفاش پور و عليزاده زوارم، 1391).
در فضاي كسب وكار، با توجه به سختافزارها، امكانات نرمافزاري و سيسـتمهـاي هوشـمند، انجام اين گونه كارها يكي از اهداف و چالش هاي مهم فناوري اطلاعات محسوب مي شود. در اين پژوهش سعي ميشود تمام روش هاي تشخيص وفاداري مشتريان شناسـايي شـوند و سـپس بـهبهبود اين روشها با تكيه بر امكانات دادهكاوي و هوش مصنوعي پرداخته شود.
يكي از روش هاي ارزيابي وفاداري مشتريان، استفاده از مدل RFM اسـت؛ امـا بـا توجـه بـهنتايج پژوهش هاي پيشين اين مدل بهصورت كامل و دقيق نميتواند ميزان وفاداري را مشـخصكند. بر همين اساس، برخي از مطالعات سعي در بهبود قابليت پيشبيني مدل RFM دارند و ايـنهدف را با افزودن متغيرهاي ديگر براي پيشبيني رفتار مشتريان يا توسعة مدلهاي جديد دنبـالمي كنند. با وجود اين، عوامل بسياري وجود دارد كه مي تواننـد در شناسـايي و ارزيـابي مشـتريانوفادار مؤثر باشند كه هنوز سنجيده نشده اند.
در اين پژوهش براساس مجموعة دادههاي مختص به مطالعة مـوردي، بـر توسـعةRFM و بخش بندي مشتريان براساس اين روشهاي توسعه يافته تمركز شده است كه براساس آن چهـارعامل تعداد كل كالاهاي خريداريشده، تعداد كل كالاهاي برگشتي، مبلغ كل تخفيف و ميانگين تأخير توزيع، به پارامترهاي RFM اضافه شدهاند.
ــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــ
1. Recency, Frequency, and Monetary
بنابراين، اين پژوهش در پي پاسخ گويي به اين سؤ ال است كه نقش چهار عامـل تعـداد كـل كالاهاي خريداري شده، تعداد كل كالاهاي برگشتي، مبلغ كل تخفيف و ميانگين تأخير توزيـع درارزيابي و بخش بندي وفاداري مشتريان چگونه است و براي هر بخش از مشتريان چـه راهبـرديبايد بهكار گرفته شود.
پيشينة نظري پژوهش داده كاوي
دادهكاوي »فرايند انتخاب، بررسي و مدلسازي مقادير زيادي داده براي كشف الگوهاي پنهان در داده ها بهمنظور ايجاد مزيت براي كسب وكار است« (لوئيس و تورنهيل، 2000؛ تمـدني جهرمـي،2009) كه از طريق كاوش داده هاي بانكهاي اطلاعاتي، اطلاعـات و دانـش مفيـد را از دادههـااستخراج مي كند. بنابراين، يكي از ابزارهاي مديريت ارتباط با مشـتري اسـت (تـارخ و شـريفيان،1389). داده كاوي از شش مرحلة اصلي تشكيل شده است كـه عبـارت انـد از : درك كسـب وكـار؛ درك داده؛ آماده سازي داده؛ مدل سازي؛ ارزيابي و توسعة مدل (سن، يوكار و ديلن، 2012).
بخشبندي مشتريان
در محيط رقابتي كنوني حفظ روابط با مشتريان، كليد موفقيت در كسب وكار است، امـا كـل بـازارشامل زيرگروه هايي از مشتريان است كه خواسته ها و نيازهاي متفاوت و همچنين رفتارهاي خريد متفاوتي دارند. بنابراين، با هر زيرگروه براي ايجاد روابط بايد به طور متفـاوتي رفتـار كنـيم . بـرايرسيدن به اين هدف، اولين گام بخش بنـدي مشـتريان اسـت. هـدف از بخـشبنـدي، شناسـاييگروه هايي است كه در آنها مشتريان شبيه هم هستند و تا حدود زيادي با مشـتريان بخـشهـايديگر تفاوت دارند (چن و لي، 2009).
RFM مدل
هوگس براي اولين بار ايـده و روشRFM را معرفـي كـرد؛ او در ايـن روش از اطلاعـات رفتـارگذشتة مشتريان استفاده مي كند (هوگس، 1996). RFM يكي از مدل هـاي بسـيار خـوب بـرايبخش بندي مشتريان است كه براي شناسايي و تحليل رفتار مشتري براساس ويژگيهـاي رفتـارفعلي مشتري استفاده مي شود (سهرابي و خانلري، 2007؛ مدني، 2009).
نمرة RFM به صورت زير محاسبه ميشود:
رابطة 1) × + × + × =WF ،WR و WM به ترتيب معرف وزن متغيرهاي تازگي، تعداد دفعات و ارزش پولي است.
شبكه هاي عصبي مصنوعي
شبكههاي عصبي مصنوعي ساختارهاي قدرتمندي براي فرايندهاي كنترلي، بخشبندي دادهها و خوشهبندي اطلاعات دارند. وزن هاي هـر شـبكة عصـبي مصـنوعي، مرحلـهبـه مرحلـه براسـاساطلاعات ورودي دريافت شده تغيير مي كند و هرچه ميزان اين اطلاعات بيشتر شود، شبكه خطاي خود را بيشتر كاهش مي دهـد (منهـاج ، 1379). در ايـن پـژوهش از شـبك ة پرسـپترون چندلايـه (MLP)1 و شبكة تابع شعاع پايه (RBF)2 استفاده شده است.
پيشينة تجربي
زلاقي و عباس نژادورزي (2014) پژوهشي با عنوان »اندازه گيري وفاداري مشتري بـا اسـتفاده ازروش هاي خوشه بندي و RFM توسعه يافته در بانك« اجرا كردند. در اين پـژوهش، روشـي ارائـهشده است كه ويژگيهاي رفتـ اري مشـتريان را بـا اسـتفاده ازRFM توسـعه يافتـه و اطلاعـاتمشتريان سازمان بهدست مي آورد، سپس مشتريان را از طريق الگوريتم K-means طبقـه بنـدي كرده و درنهايت امتياز مشتريان هر خوشه را برحسب وفاداري آنهـا محاسـبه مـي كنـد. در روش پيشنهادي اين پژوهش، ابتدا ركوردهاي مشتريان خوشه بندي شـد ند و سـپس پارامترهـاي مـدلRFM از طريق انتخاب ويژگي هاي مؤثر بر ميزان وفاداري مشتريان به كمـك الگـوريتم وراثتـيتعيين شدند. در نهايت، مشتريان در هر خوشه بر اساس اثري كه بر ميـزان وفـاداري مـيگذارنـد؛امتيازي دريافت كردند.
ال شايا، ممبر و ال شايا (2014)، پژوهشي با هدف پيشبينـي رفتـار مشـتري بـا اسـتفاده از شبكههاي عصبي اجرا كردند. مجموعه دادة اين پژوهش از مراكز انتقال خـون جمـعآوري شـده است. نتايج پژوهش نشان داد استفاده از شبكه هاي عصـبي بـراي پـيشبينـي براسـاس تـازگي،فراواني، ارزش پولي و زمان (RFMT)3 دقيـ ق و مفيـد اسـت و ايـن شـبكه هـا بـراي يـادگيريالگوهاي روش RFMT مشتريان توانايي زيادي دارند.
ــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــ
Multi Layer Perceptron
Radial Basis Function
Recency, Frequency, Monetary, and Time
نويان و سيمسك (2014) نشان دادند رضايت مشتري از بين تمام عوامل، مهم تـرين عامـلمؤثر بر وفاداري مشتري است. وفـاداري مشـتري بـه درك قيمـت نسـبي، درك تخفيـف، درككيفيت محصول، درك كيفيت خدمات، درك ارزش و رضايت بستگي دارد. درك قيمـت نسـبي،درك تخفيف و رضايت مشتري تأثير مستقيم و مثبتي بر وفاداري مشتري دارند.
زكريا و همكاران (2014) در پژوهشي نشان دادند رابطة مثبت و معناداري بـين برنامـههـاي وفاداري، رضايت مشتري و وفاداري مشتري وجود دارد. علاوه بر ايـن، نتـايج نشـان داد برنامـةشركاي فروشگاه، اعطاي جايزه، پوشش بيمه و قيمت ويژه، به طـور شـايان تـوجهي بـر رضـايتمشتري اثر ميگذارند و نيز، برنامة شركاي فروشگاه، برنامة روزانة اعضا، تخفيف و قيمـت ويـژه،تأثير چشمگيري در وفاداري مشتري دارد.
موركاني و ناتوري (2013) در پژوهشي به بررسي مديريت ارتباط با مشتري از طريق تحليـل RFM+I1 پرداختند. نتايج آن نشان داد مديريت مشتري سـنتي، بـر بـه حداكثررسـاندن سـود ازمشتريان تمركز دارد؛ درحاليكه بـا تحليـلRFM+I كـه توانـايي انتشـار اطلاعـات را در نظـرمي گيرد؛ علاوه بر به حداكثررساندن سود، ميتـوان مشـتريان جديـدي را براسـاس ارتبـاط بـينمشتريان بهدست آورد.
عزيزي، حسين آبادي و بلاغي اينانل (1393) با هدف بخشبندي كاربران بانكداري اينترنتـيبرمبناي انتظارات و رويكرد داده كاوي، پژوهشي اجرا كردند. در اين پژوهش، هفت بانك انتخـاب شد و برمبناي بررسي پيشينة پژوهش، انتظارات كاربران بانكداري اينترنتي در قالب 17 شـاخص شناسايي شدند. بهكمك پرسشنامه، داده هاي پژوهش از 274 كاربر خـدمات بانكـداري اينترنتـي بانك هاي منتخب گردآوري شدند. ابتدا براساس تحليل عاملي اكتشافي پنج عامل سهولت كـاربري ، تنوع سبد خدمات، امنيت، سرعت و اطمينان، شناسايي شدند. در مرحلة بعد بـا روش داده كـاويK- Means تعداد بهينة خوشهها برابر با 6 خوشه تعيين شد و سـپس انتظـارات خوشـه هـا در قالـب 5 عامل ارزيابي شـدند . نتـايج نشـان داد ميـانگين انتظـارات و فراوانـي متغيرهـاي جمعيـت شـناختيبررسي شده در خوشه ها متفاوت است؛ بنابراين خوشه هاي خارج شده كيفيت خوبي دارند.
آخوندزاده نوقاي، البدوي و اقدسي (1393) با استفاده از روشهـاي داده كـاوي پژوهشـي بـاهدف كاوش پويايي مشتري در طراحي بخشبندي اجـرا كردنـد. بـراي ايـن كـار، روش تركيبـي جديدي مبتني بر الگوريتم K-means، روش هاي خوشه بندي سلسله مراتبـي و قـوانين انجمنـي ارائه شد و در دادههاي واقعـي يكـ ي از شـركت هـاي مخـابراتي بـه كـار رفـت. براسـاس نتـايج به دستآمده، هفت گروه رفتاري متفاوت در انتقال مشتريان به بخـش هـاي مختلـف وجـود دارد.
ــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــ
1. Influence
همچنين در رويكردي نوين، تلاش شده است تأثير رفتار پوياي مشتري در تغييرات بخش ها طي زمان تبيين شود.
رادفر، نظافتي و يوسفي اصلي (1393)، پژوهشي با عنوان »طبقه بندي مشـتريان اينترنـت بـاكمك الگوريتم هاي داده كاوي« اجرا كردند. در اين پـژوهش، مـدل مناسـبي بـراي طبقـه بنـدي مشتريان برمبناي بهره گيري از خدمات اينترنت بانك ارائه شده است. اين مدل براساس استاندارد CRISP-DM انجام گرفت و داده هـاي پـژوهش از پايگـاه دادة مشـتريان اينترنـت بانـك سـينا استخراج شد. از بين ساير درختان تصميم گيري، درخت تصميم نهايي مبتني بر معيارهاي بهينگي و دقت است و براساس دسته بندي مشتريان در سـه سـطح بـالا ، متوسـط و پـايين ، پـيش بينـي مشتريان جديد متقاضي استفاده از اينترنتبانك شـكل مـيگيـرد . ايـن پـژوهش از نظـر هـدف، كاربردي و از نظر گردآوري داده ها، پژوهشي اسنادي است. قوانين اسـتخراج شـدة مشـتريان بـهمديران بانك كمك ميكند كه براساس الگوهاي كشف شده سياست گذاري كنند و درك بهتـري از انتظارات كنوني و آتي مشتريان داشته باشند.
فتحيان و حسيني (1393) پژوهشي با عنوان »بررسي تأثير اجتماعات مجازي در تقويت رفتار خريد مشتريان« اجرا كردند. اين پژوهش اجتماع مجازي را به عنـوان مـدل كسـب وكـار در نظـر گرفته است كه ميتواند تأثير بسزايي بر فرايند تصميم گيري خريد مشتري داشته باشد و مدلي از عوامل مؤثر بر رفتار خريد مشتريان و تأثيرات و ارتباطات آنها را ارائـه مـي كنـد . تحليـل آمـاري پاسخ هاي دريافتي از برنامة AMOS نشان داد عواملي نظير كيفيت اطلاعاتي اجتمـاع مجـازي ، اعتماد افراد نسبت به يكديگر، حس تعلق، برداشت اعضاي اجتماع مجازي از سودمندي و قابليت پذيرش نفوذ اعضا، بر رفتار خريد آنها بـه ميـزان متفـاوتي تأثيرگـذار اسـت و همچنـين هويـت اجتماعي اعضا رابطة معناداري با قابليت پذيرش نفوذ آنها ندارد.
يه، يانگ و تينگ (2008)، پژوهشي با هدف ارائـة روشـي جـامع بـراي انتخـاب اهـداف دربازاريابي مستقيم اجرا كردند كه اين روش شامل گسترش مدل RFM بـه RFMTC1 از طريـقاضافه كردن دو پارامتر مدت زمان از اولين خريد و احتمال روي گرداني مشـتري اسـت. مجموعـة دادههاي اين پژوهش از مراكز انتقال خون جمع آوري شده است. اين مدل مي تواند احتمال خريـددوبارة مشتري در زمان بعدي (نزديك) و تعداد كل دفعاتي را كه مشتري در آينده خريـد خواهـدكرد را برآورد كند، نتايج نشان داد روش ارائه شده در پيش بيني، دقت بيشـتري نسـبت بـه مـدلRFM دارد.
ــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــ
1. Recency, Frequency, Monetary, Time, and Churn
چانگ و تساي (2004) در پژوهشي بـا عنـوان »تركيـبSOM و K-means در داده كـاوي خوشه اي« مدل LRFM را با اضافه كردن طول ارتبـاط بـا مشـتري پيشـنهاد كردنـد . مجموعـة داده هاي اين پژوهش از يك فروشگاه و مركز خريد جمع آوري شده است. آنها پس از اسـتخراج داده هاي مدل و خوشه بندي، براي تحليل از تركيب دو ماتريس ارزش ( تركيب دو شاخص F-M) و وفاداري (تركيب دو شاخص (L-R بهره بردند و مشتريان را در پنج نوع و 16 دسته تقسيمبندي كردند. نتايج پژوهش نشان مي دهد اضافه كردن اين شـاخص ، سـبب بهبـود شناسـايي مشـتريانوفادار شده است.
مصلحي، كفاش پور و ناجي عظيمي (1393)، پژوهشي با عنـوان »اسـتفاده از مـدلLRFM براي بخش بندي مشتريان براساس ارزش چرخة عمر آنها« اجرا كردند. مجموعـة داده هـاي ايـن پژوهش از شركت بهپخش در ايران جمع آوري شده اسـت. در فراينـد پيشـنهادي ايـن پـژوهش،برمبناي روش دادهكاوي CRISP-DM، شش فـاز كلـي طراحـي شـد و پـس از تعيـين مقـادير شاخصهاي مدل LRFM و وزن دهي آنها، مشـتريان خوشـهبنـدي شـدند. بـا توجـه بـه نتـايجپژوهش، مشتريان در 16 گروه و پنج بخش اصلي مشتريان وفادار، بالقوه، جديد، ازدسـت رفتـه وپرمصرف، تقسيمبندي شدند و ارزش طول عمر آنها تعيين شد.
روششناسي پژوهش
روش پژوهش، مطالعة موردي است كه براساس دادهكاوي اجرا ميشود و داده هاي آن از يكـي از عمدهفروشي هاي مواد غذايي به دست آمده است. از آنجا كه مبناي اين پژوهش داده كاوي اسـت ، در ادامة نوشتار مراحل آن و شيوة آمادهسازي دادهها و نيز الگـوريتمهـاي اسـتفاده شـده تشـريحمي شود.
جمع آوري و آماده سازي داده ها
مجموعة داده هاي مطالعه شده در اين پژوهش به يكي از عمده فروشي هاي مواد غذايي طي يـكسال (از 1392 تا 1393) در استان البرز اختصاص دارد. اين عمـدهفروشـي 607 مشـتري دايمـيدارد. مجموعة دادة اصليِ تراكنش و خريدهاي مشتريان، شامل 329900 ركورد است كـه بعـد ازپاك سازي داده ها، پروفايل هاي ناقص شناسايي و حـذف شـدند. درنتيجـه تعـداد تـراكنش هـايمشتريان به 329878 ركورد و تعداد مشتريان به 594 كاهش يافت. در ادامـه فيلـدهايي بررسـي شدند كه مرتبط با موضوع و هدف پژوهش هستند و فيلدهاي نامرتبط و اضافي ( شـمارة فـاكتور،نام مشتري، نام فروشگاه، نام فروشنده، نام انبار، نام كالا، عدد/كارتن، قيمت واحد) حـذف شـدند .
در جدول، 1 متغيرهاي جديد و چگونگي محاسبة آنها آورده شده است.
جدول 1. چگونگي محاسبة متغيرهاي جديد حاصل از مجموعه دادة اوليه
چگونگي محاسبه متغيرهاي جديد
= تعداد كل كالا (G)1
= تعداد كل برگشتي (T)2
= مبلغ كل تخفيف (S)3
= تعداد كل جايزة فروش (P)4
ميانگين تأخير توزيع (D)5
R = ( LDI) – (CD) تازگي (R)
F = distinct count of (FI) تعداد دفعات (F)
= ارزش پولي (M)

در جدول 1، متغير i نشان دهندة كالاي iام است؛ متغير j نشان دهندة دفعاتي است كه كالاي iام توسط مشتري خريداري شده است؛ tn6 نشان دهندة تعداد كل؛ nr7 تعداد برگشـتي؛d 8 مبلـغتخفيف؛ np9 تعداد جايزة فروش؛ dd10 تاريخ توزيع؛ id11 تاريخ فاكتور (سفارش ؛) LDI12 آخرين تاريخ فاكتور براي مشتري؛ CD13 تاريخ مد نظر فعلي؛ FI14 شماره فـاكتور وA 15 نشـاندهنـدة
ــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــ
Goods
Return
Discount
Prize
Delay
Total number
Number of return
Discount
Number of prize
Distribution date
Invoice date
Last Date of Invoice
Current Date
Factor ID
Amount
مبلغ است. در مرحلة يكپارچه سازي داده ها، مجموعة دادة تـراكنش هـاي مشـتريان بـا فيلـدهاي جديدي كه پژوهشگر ايجاد كرده بود، ادغام شدند و در مرحلة تبديل داده ها، فرمت همة متغيرهـابه نوع عددي تغيير يافت.
روش هاي پيشنهادي براي ارزيابي وفاداري
در جدول 2، هر يك از متغيرهاي اضافه شده به مـدلRFM و ايجـاد روشـي جديـد و جـامعتـربراساس يك يا چند متغير افزودهشده درج شده است.
جدول 2. روش هاي پيشنهادي براي ارزيابي وفاداري مشتري
شاخص متغير
RFM + تعداد كل كالاهاي خريداري شده RFMG
RFM + تعداد كل برگشتي RFMT
RFM + مبلغ كل تخفيف RFMS
RFM + ميانگين تأخير توزيع RFMD
RFM + تعداد كل كالاها+ تعداد كل برگشتي RFMGT
RFM + تعداد كل كالاها + مبلغ كل تخفيف RFMGS
RFM + تعداد كل كالاها + ميانگين تأخير توزيع RFMGD
RFM + تعداد كل برگشتي + مبلغ كل تخفيف RFMTS
RFM + تعداد كل برگشتي + ميانگين تأخير توزيع RFMTD
RFM + مبلغ كل تخفيف + ميانگين تأخير توزيع RFMSD
RFM + تعداد كل كالاها + تعداد كل برگشتي + مبلغ كل تخفيف RFMGTS
RFM + تعداد كل كالاها + تعداد كل برگشتي + ميانگين تأخير توزيع RFMGTS
RFM + تعداد كل كالاها + مبلغ كل تخفيف + ميانگين تأخير توزيع RFMGSD
RFM + تعداد كل برگشتي + مبلغ كل تخفيف + ميانگين تأخير توزيع RFMTSD
RFM + تعداد كل كالاها + تعداد كل برگشتي + مبلغ كل تخفيف + ميانگين تأخير توزيع RFMGTSD
پياده سازي و تست نتايج
مشتريان از نظر ميزان وفاداري با استفاده از الگوريتم K-means براساس مـدل توسـعهيافتـه بـابيشترين دقت، بخشبندي شده اند. در شكل 1، چارچوب كلي روشهاي پيشـنهادي آورده شـده است.

شكل 1. چارچوب كلي روش هاي پيشنهادي

داده ها در نرم افزار IBM SPSS Modeler (Clementine 14.2) تحليل شدند. براي ايجاد مدل RFM و وزن دهي متغيرهاي آن و نيز وزندهي آنهـا بـراي اولـين بـار، در ايـن پـژوهش از شبكه هاي عصبي MLP و RBF استفاده شد كه در اين مدل ها علاوه بر ايجاد مـدل اسـتاندارد،روش هاي Boosting و Bagging براي افزايش دقت و پايداري مدل ها به كار رفته انـد . ايـن دوشبكة عصبي با 84 درصد (499 ركورد) از مجموعه داده هايي كـه بـهصـورت تصـادفي انتخـاب مي شوند؛ آموزش داده شدند و با 16 درصد باقي مانده، آزموده شدند.
طبق نظر خبرگان، وفادارترين مشتري به فروشگاه كسي است كه بيشترين تعداد جـايزه را ازفروشندگان دريافت كرده است. به عقيدة آنها، تعداد كل جايزة فروش مي تواند مبناي خوبي براي بررسي ميزان وفاداري مشتريان باشد. بر اين اساس، تعداد كـل جـايزة فـروش مرجـع بررسـي وارزيابي عملكرد روش هاي پيشنهادي اين پژوهش قرار گرفت.
از آنجا كه پژوهش حاضر براي بهبود روشهاي ارزيابي وفاداري مشتري مدل RFM را مدل پايه در نظر گرفته است؛ در مدل هاي شبكة عصبي، متغيرهـايRFM ورودي هـاي ثابـت انـد و گروه هاي تعداد كل جايزة فروش خروجي مدل محسوب مي شود. عـلاوه بـر سـه متغيـر RFM، متغيرهاي تعداد كل كالا، مبلغ كل تخفيف، تعـداد كـل برگشـتي و ميـانگين تـأخير توزيـع نيـزبه عنوان ورودي متغير در نظر گرفته شدند.
يافته هاي پژوهش
مدل هاي شبكة عصبي MLPو RBF
اين الگوريتم هـا بـا روش هـاي اسـتاندارد، Boosting و Bagging بررسـي شـدند، نتـايج ايـنبررسي ها در جدول هاي 6-3 درج شده است. با توجه به نتايج مندرج در جدول 3، زماني كـه هـريك از متغيرها بهصورت جداگانه و مستقل از هم به مدل RFM اضافه مي شـود؛ مـدلRFMS در روش الگوريتمي MLP-Boosting با 6/90 درصد، بيشترين سـطح دقـت و مـدلRFM در روش RBF-Standard با سطح دقت 5/70 درصد، كمترين سطح دقت را دارد.
جدول 3. مقايسة دقت روش RFM با روش هاي پيشنهادي با يك متغير اضافه
Bagging Boosting Standard مدل ها
RBF MLP RBF MLP RBF MLP 70/53 77/36 77/89 81/15 70/5 75/15 RFM
83/16 86/99 87/68 88/79 84/21 84/37 RFMG
86/79 88/8 90/4 90/6 86/84 88/39 RFMS
83/84 86/2 88/8 89/6 83/89 85/19 RFMT
85/63 85/99 87/9 88/2 86/68 87/39 RFMD
جدول 4. مقايسة دقت روش RFM با روش هاي پيشنهادي با دو متغير اضافه
Bagging Boosting Standard مدل ها
RBF MLP RBF MLP RBF MLP 70/53 77/36 77/89 81/15 70/5 75/15 RFM
90/58 91 90/3 91/2 90/89 91/59 RFMGS
88/84 89/8 89/9 91/4 89/84 90/79 RFMGT
88/84 89/8 90/2 91/1 90/68 91/98 RFMGD
90/79 91/2 91/8 92/8 90/95 92/4 RFMTS
91/63 92/4 93/4 94/2 91/68 93/79 RFMSD
88/74 90/4 91/6 92/5 90/84 91/79 RFMTD

با توجه به نتايج يادشده در جدول 4، زماني كه متغيرها بـه صـورت دوتـايي بـه مـدلRFM اضافه مي شوند؛ مدل RFMSD در روش الگوريتمي MLP-Boosting با 2/94 درصد، بيشترين سطح دقت و مدل RFM در روش RBF-Standard با سطح دقت 5/70 درصد، كمترين سـطحدقت را دارد.
با توجه به نتايج يادشده در جدول 5، وقتي كه متغيرها به صـورت سـهتـايي بـه مـدلRFM اضـافه مـي شـوند؛ مـدل RFMTSD در روش الگـوريتمي MLP-Boosting بـا 8/96 درصـد بيشترين سطح دقت و مدل RFM در روش RBF-Standard بـا 5/70 درصـد كمتـرين سـطحدقت را دارد.
جدول 5. مقايسة دقت روش RFM با روش هاي پيشنهادي با سه متغير اضافه
Bagging Boosting Standard مدل ها
RBF MLP RBF MLP RBF MLP 70/53 77/36 77/89 81/15 70/5 75/15 RFM
91/84 93/6 92/95 94/6 93/95 94/79 RFMGTS
92/68 93 92/3 94/4 93/68 94/59 RFMGSD
92/79 93/1 94/2 95/6 94/84 95/59 RFMGTD
93/79 94/8 96/6 96/8 94/79 95/99 RFMTSD
جدول 6. مقايسة دقت روش RFM با روش هاي پيشنهادي با چهار متغير اضافه
Bagging Boosting Standard مدل ها
RBF MLP RBF MLP RBF MLP 70/53 77/36 77/89 81/15 70/5 75/15 RFM
96/74 98/7 99/2 99/7 97/89 98/79 RFMGTSD

با توجه به نتايج يادشده در جدول 6، زماني كه هر چهار متغير تعداد كل كالاهـا، تعـداد كـلبرگشتي، مبلغ كل تخفيف و ميانگين تأخير توزيع به صـورت هـمزمـان بـه مـدلRFM اضـافهمي شوند و مدل RFMGTSD را تشكيل ميدهنـد؛ در روش الگـوريتميMLP-Boosting بـا7/99 درصد، بيشترين سطح دقت به وجود مي آيد. بنابراين، وقتي كه هر چهار متغيـر بررسـي شـده بهصورت هم زمان براي ارزيايي ميزان وفاداري مشتريان در نظر گرفته ميشوند؛ ميـزان دقـت در بيشترين سطح ممكن قرار مي گيرد.
بخش بندي مشتريان
در اين پژوهش مشتريان از نظر ميزان وفـاداري براسـاس روشRFMGTSD بـه پـنج دسـتهتقسيم شدند كه نشاندهندة كمترين سطح وفاداري تا بيشترين سـطح وفـاداري هسـتند. نتـايجبخش بندي در جد ول هاي 9-7 نشان داده شده است.
جدول 7. تعداد و درصد مشتريان در هر خوشه
درصد تعداد نام خوشه درصد تعداد نام خوشه
23/1 137 مشتريان جديد 9/6 57 مشتريان وفادار
36/9 219 مشتريان ازدسترفته 20/4 121 مشتريان بالقوه
100 594 تعدادكل 10/1 60 مشتريان رويگردان

براساس نتايج 6/9 درصد از مشتريان فروشگاه مشتريان وفـادار دا ئمـي؛ 4/20 درصـد بـالقوه
(مشترياني كه دائمي هستند، ولي نسبت به فروشگاه وفاداري كامل ندارند و با مـديريت صـحيح،به مشتريان وفادار تبديل مي شوند ؛) 1/23 درصد جزء مشتريان جديد (خريـد زيـادي از فروشـگاهداشته اند، ولي از زمان خريدهاي آنها زمان زيادي نميگذرد ؛) 9/36 درصد از كساني بودهانـد كـهقبلاً جزء مشتريان خوب محسوب مي شدند، اما اكنون خريد خيلي كمي از فروشگاه دارند و 1/10 درصد از مشتريان هم كه قبلاً از مشـتريان فروشـگاه محسـوب مـي شـدند امـا كمـابيش خريـدمحسوسي از فروشگاه نميكنند.
جدول 8. طبقه بندي پارامترهاي RFMGTSD
متوسط كم خيلي كم متغير
137/8-201/2 74/4-137/8 11-74/4 Recency
24/6-36/4 12/8-24/6 -112/8 Frequency
108015300-162010200 54020400-108015300 25500-54020400 Monetary
135940/6-203910/4 67970/8-135940/6 -167970/8 Good
702/8- 1054/2 351/4-702/8 -0351/4 Return
52061330-78091740 26030920-52061330 510-26030920 Discount
5/4- 7/6 3/2-5/41-3/2 Delay
خيلي زياد زياد متغير
264/6-328 201/2-264/6 Recency
48/2-60 36/4-48/2 Frequency
216005100-270000000 162010200-216005100 Monetary
271880/2-339850 203910/4-271880/2 Good
1405/6- 1757 1054/2- 1405/6 Return
104122150-130152560 78091740-104122150 Discount
9/-812 7/6- 9/8 Delay

جدول 9. طبقه بندي و رتبه بندي RFMGTSD براي هر خوشه رتبه
RFMGTSD D S T G M F R شمارة خوشه
1 يخ لي
كم خيلي
زياد زياد
خيلي
زياد خيلي
زياد خيلي
زياد خيلي
كم مشتريان وفادار (1)
2 كم زياد
خيلي
زياد خيلي
زياد متوسط خيلي
زياد خيلي
كم مشتريان بالقوه (2)
3 متوسط متوسط كم زياد متوسط زياد كم مشتريان جديد (3)
4 زياد كم خيلي
كم كم متوسط متوسط زياد مشتريان از دست رفته (4)
5 زياد خيلي
كم خيلي
كم كم خيلي
كم خيلي
كم خيلي
زياد مشتريان روي گردان (5)

خوشة يك (مشتريان وفادار): مشترياني هستند كه از آخرين مراجعة آنها بـه فروشـگاه زمـانخيلي كمي مي گذرد؛ تعداد دفعات خريد آنها از فروشگاه، ميزان پولي كه براي خريـد از فروشـگاهپرداخت كردهاند، تعداد كالاهاي خريداري شد ة آنها و ميزان تخفيف دريافت شده در سـطح خيلـي زياد است؛ تعداد كالاهاي برگشتي آنها كه فروشگاه پذيرفته است، در سطح زياد و زمان تأخير در توزيع كالاهاي آنها خيلي كم بوده است.
خوشة دو (مشتريان بالقوه): مشتريان خوشة دوم مشترياني هستند كه از آخرين مراجعـ ة آنهـ ا به فروشگاه، زمان خيلي كمي مي گذرد؛ تعداد دفعـات خريـد آنهـ ا از فروشـگاه، تعـداد كالاهـايخريداري شده و تعداد كالاهاي برگشتي اي كه فروشگاه پذيرفته، در سطح خيلي زياد است؛ ميزان پولي كه براي خريد از فروشگاه پرداخت كرده اند در سطح متوسط؛ ميزان تخفيف داده شده به آنها در سطح زياد و زمان تأخير در توزيع كالاي آنها كم است.
خوشة سه (مشتريان جديد): اين خوشه شامل مشترياني مي شود كه از آخرين مراجعة آنها به فروشگاه زمان كمي ميگذرد؛ تعداد دفعات خريد و تعداد كالاهاي خريداري شده از فروشگاه زيـاداست؛ ميزان پولي كه براي خريد از فروشگاه پرداخت كردهاند، ميـزا ن تخفيـف دريـافتي و زمـانتأخير در توزيع كالاهاي آنها در سطح متوسط و تعداد كالاهاي برگشتي آنها در سطح كم است.
خوشة چهار (مشتريان از دست رفته): اين خوشه مشترياني را شامل مـي شـود كـه از آخـرينمراجعة آنها به فروشگاه زمان زيادي ميگذرد؛ تعداد دفعات خريد آنها از فروشگاه و ميـزان پـولي كه براي خريد از فروشگاه پرداخت كردهاند در سطح متوسط است؛ تعداد كالاهاي خريداري شـدة آنها و ميزان تخفيف دادهشده به آنها در سطح كم؛ تعداد كل كالاهاي برگشتي آنها كه فروشـگاهپذيرفته، در سطح خيلي كم است و زمان تأخير در توزيع كالاهاي آنها در سطح زياد بوده است.
خوشة پنج (مشتريان روي گردان): مشتريان خوشة پـنجم مشـترياني هسـتند كـه از آخـرينمراجعة آنها به فروشگاه زمان خيلي زيادي ميگذرد؛ دفعات خريد آنها از فروشگاه، ميزان پولي كه براي خريد از فروشگاه پرداخت كردهاند، ميزان تخفيف داده شده و تعداد كالاهاي برگشتي آنها در سطح خيلي كم؛ تعداد كالاهاي خريداري شده توسط آنها در سطح كـم و زمـان تـأخير در توزيـعكالاهاي آنها در سطح خيلي زياد بوده است.
نتيجه گيري
نتايج پژوهش بيان كنندة آن است كه در مدلهاي MLP و RBF همة روشهاي پيشنهادي كـهبه صورت تك متغيري به روش RFM اضافه شدهاند؛ دقت زيادي دارند. در واقع هـر چهـار متغيـرتعداد كل كالاهاي خريداري شده، تعداد كل برگشتي، مبلغ كل تخفيف و ميانگين تأخير توزيع كه به صورت جداگانه به مدل RFM اضافه شدند؛ ميزان دقت را در پيش بيني مشـتريان وفـادار بـالابرده اند. بيشترين سطح دقت در روشي است كه در آن ميزان تخفيف به مدل RFM اضافه شـده است. بنابراين، وقتي اين متغيرها به صورت تكـي و مسـتقل از متغيرهـاي ديگـر بـه كـار گرفتـهمي شوند، ارزيابي وفاداري مشتريان براساس ميزان تخفيف داده شده، مي تواند بهتـر از متغيرهـايديگر، صاحبان كسب و كار را در شناسايي مشتريان وفادار كمك كند.
علاوه بر اين روش هاي پيشنهادي كه بهصورت دو متغيـري بـه روشRFM اضـافه شـدند؛ افزايش دقت در پيشبيني مشتريان وفادار را به دنبال داشتند. مدلي كه در آن تـأخير در توزيـع وميزان تخفيف به RFM اضافه شد، بهترين روش براي شناسايي مشتريان وفادار از طريق در نظر گرفتن اين دو متغير بهصورت هم زمان است. بنـابراين، هنگـام در نظـر گـرفتن دو متغيـر بـرايسنجش وفاداري مشتريان، بايد به ميزان تخفيف و تـأخير در توزيـع توجـه شـود تـا در ارزيـابيوفاداري مشتريان دقت بيشتري صورت بگيرد.
در روش اضافهكردن هم زمان سه متغير، بيشترين دقت پيش بيني زماني اسـت كـه ميـانگينتأخير توزيع، تعداد كل برگشتي و ميزان تخفيف با هم براي ارزيابي وفـاداري مشـتريان در نظـرگرفته شوند. همچنين نتايج ديگر پژوهش بيان كنندة آن است كه در نظر گرفتن هم زمـان چهـارمتغير اضافه شده به مدل RFM مي توانـد در بيشـتركردن دقـت پـيشبينـي مشـتريان وفـادار وبخش بندي آنها بسيار مؤثر باشد. نتايج اين پژوهش با يافته هاي زكريـا و همكـاران (2014) كـهنشان دادند تخفيف و قيمت ويژه به طور شايان تـوجهي وفـاداري مشـتري را تحـت تـأثير قـرارمي دهند و يافته هاي نويان و سيمسك (2014) كه به ايـن نتيجـه رسـيدند درك قيمـت نسـبي،تخفيف و رضايت مشتري تأثير مسـتقيم و مثبتـي بـر وفـاداري مشـتري دارنـد، همخـواني دارد .
همچنين اين نتايج با يافته هاي زلاقي و عباس نژادورزي (2014) مطابقت دارد. آنها نشان دادنـد RFM توسعه يافته كه از اطلاعات موجود مشتريان در سازمان حاصل شـده اسـت، در شناسـاييوفاداري مشتريان كاربرديتر است.
طبق نتايج بهدست آمده از بين الگوريتم هاي بررسي شده، روش MLP در همة مدلها سـطحدقت بيشتري نسبت به الگـوريتم RBF دارد و در الگـوريتمMLP روش Boosting نسـبت بـهروش هاي Standard و Bagging از دقت بيشتري برخوردار اسـت . بنـابراين، ارزيـابي صـحيحوفاداري مشتريان با بيشترين سطح دقـت زمـاني اسـت كـه از روشRFMGTSD و الگـوريتمMLP-Boosting استفاده شود. اين نتايج با يافتههاي ال شايا و همكارانش (2014) كـه نشـاندادند استفاده از شبكه هاي عصبي براي پيش بيني براساس تازگي، فراواني، ارزش پـولي و زمـان(RFMT) دقيق و مفيد است، مطابقت دارد. بنابراين، مي توان بـه ايـن نتيجـه رسـيد كـه مـدل توسعهيافتة RFM مي تواند براي شناسايي و طبقه بندي علمـي تـر و دقيـقتـر مشـتريان از نظـروفاداري مفيد واقع شود؛ پس بهتر است صاحبان كسبوكـار و فروشـندگان ايـن چهـار عامـل را همراه با سه عامل RFM هميشه مد نظر قرار دهند.
نتايج پژوهش دربارة بخشبندي مشتريان از نظر ميزان وفاداري، نشـان داد مـي تـوان بـرايمشتريان پنج خوشه (مشتريان وفادار، بالقوه، جديد، از دسترفته و مشتريان رويگـردان ) در نظـرگرفت. مشتريان خوشة يك عالي ترين سطح وفاداري را دارند؛ مشتريان خوشة دو وفاداري خوبي دارند؛ سطح وفاداري مشتريان خوشة سوم متوسط است؛ مشتريان خوشة چهـارم وفـاداري كمـيدارند و در آستانة ترك فروشگاه اند و مشتريان خوشة پـنجم دركـل نسـبت بـه فروشـگاه وفـادارنيستند و آن را ترك كردهاند. اين نتايج با يافته هاي قياسي و همكاران (2012) كه مشتريان را از نظر وفاداري به پنج دستة وفاداري بسيار زياد، زياد، متوسط، ضعيف و بسيار ضعيف تقسـيم بنـديكردند و يافتههاي مصلحي و همكارانش (1393) كه مشتريان را از نظر وفاداري به پـنج بخـشاصلي مشتريان وفادار، بالقوه، جديد، ازدسترفته و پرمصرف تقسيم بندي كردند، هـم سـويي دارد .
براساس اين پنج خوشة مشتريان از نظر وفاداري، در ادامه راهبردهايي بـراي مـديريت مشـتريانهريك از خوشهها ارائه شده است:
بهترين راهبرد براي مشتريان خوشة اول (مشتريان وفادار)، تشخيص و بـه رسـميت شـناختناين مشتريان است كه مهم ترين مشتريان سازماناند و شايسـتة مناسـب تـرين قـدرداني و رفتـار ويژهاند. اين مشتريان براي ترقي و بهبود سازمان لازم و ضروري اند. در نتيجه، به آنها نهتنها بايـدبا تخفيفهاي خاص و تبعيضي پاداش داد؛ بلكه بايد با آنها به طور خاص از طريق كيفيت ب يشـتر، اطلاعرساني بهموقع دربارة محصولات يـا خـدمات جديـد و سـهولت و افـزايش ارتباطـات ايـنمشتريان با سازمان و مشتريان ديگر كه با برگزاري جلسات خـاص، منـافع خـود را بـه اشـتراكمي گذارند؛ رفتار كرد.
بهترين راهبرد براي مشتريان بالقوه (خوشة دوم)، اعطاي تخف يفهاي بيشتر، كاهش تأخير در تحويل كالاهاي درخواستي، ارتباطات قدرداني و مكرر و اطلاعرساني به موقع دربارة محصـولاتيا خدمات جديد است. بهدليل كاهش در خريد، ايجاد ارتباط مؤثر با مشتري مفيدترين كاري است كه مي توان براي اين گروه از مشتريان انجام داد. همچنين بايد راهبردهاي مناسبي براي افزايش ميزان مبلغ خريد آنها به كار برد. اين كار را مي توان با ارائة اطلاعات دربارة همـة محصـولات يـاارائة خدمات ويژه به اين مشتريان انجام داد.
بهترين راهبرد براي مشتريان جديد (خوشة سوم)، اعطاي تخفيف هاي بيشتر، كـاهش تـأخيردر توزيع كالاهاي درخواستي، پذيرفتن تمـام كالاهـاي برگشـتي آنهـ ا، ارتبـاط بيشـتر صـاحبانكسب وكار با آنها، ارتباطات قدرداني و اطلاع رساني مكرر و به موقع دربارة محصولات يـا خـدماتجديد است.
بهترين راهبرد براي مشتريان از دسترفته (خوشة چهارم)، تلاش براي جلوگيري از ترك دائم و روي گرداني مشتريان، حفظ ارتباط آنها با فروشگاه و پـس از آن بـه كـارگيري اقـداماتي بـراي افزايش تعداد دفعات مراجعه و خريد با تعداد كالا و مبالغ بيشتر توسط آنهاست كه اين سياست را مي توان با ارائة تخفيف هاي بيشتر، توزيع رايگان كالا در كمترين زمان و بـدون تـأخير، پـذيرشتمام برگشتي هاي آنها، اعطاي امتياز ويژه در صورت خريد كالاهاي بيشتر و برقراري ارتباط نزديك با آنها، انجام داد. در اين خوشه، اولين راهبرد حفظ مشتريان و جلوگيري از رويگرداني آنهاست.
بهترين راهبرد براي مشـتريان روي گـردان (خ وشـة پـنجم )، تـلاش در برگردانـدن آ نهـا بـه فروشگاه و جلوگيري از ترك دائم فروشگاه است. بدين منظور اجراي برنامههاي تبليغاتي و برخـيمشوقها يا پيشنهادها بهمنظور برگرداندن آنها به فروشـگاه، مـؤثر اسـت . بـراي ايـن مشـتريان،راهبردهاي مناسب مي تواند تخفيفهاي ويژه، قبول كالاهاي بازگشتي كه در گذشته از فروشگاه خريد كردهاند، توزيع كالاهاي سفارش داده شده در همان روز و برقراري ارتباط مستقيم با آنها در اولين مراجعه بعد از تبليغات است. بنابراين، اولين راهبرد براي مشتريان اين خوشه برگرداندن آنها به فروشگاه و تداوم مراجعات آنهاست.
پيشنهادهايي براي كسب وكار
با توجه به نتايج پژوهش حاضر و برخي پژوهش هاي گذشته، مي توان گفت كه مدل توسعه يافتـهRFM مي تواند براي شناسايي و بخش بندي علميتر و دقيقتر مشتريان از نظـر وفـاداري مفيـدواقع شود؛ پس بهتر است كه چهار عامل تعداد كل كالاهاي خريداري شده، تعداد كـل برگشـتي،مبلغ كل تخفيف و ميانگين تأخير توزيع همراه با سه عامل RFM، توسط صاحبان كسب وكـار و فروشندگان براي بخشبندي، شناسايي و ارزيابي وفاداري مشتريان در نظر گرفته شود.
پيشنهاد مي شود در پژوهش هاي آينده براي ارزيابي ميزان وفاداري مشتريان و بخـشبنـدي
آنها براساس مدل RFM بين الگوريتمهاي مختلف شبكة عصبي از الگوريتم MLP-Boosting استفاده شود؛ چراكه كمترين خطا و بيشترين سطح دقت را دارد.
همچنين پيشنهاد هاي زيـر بـراي جـذب مشـتريان بيشـتر و وفـاداري بيشـتر مشـتريان بـهفروشگاه ها و واحدهاي كسب وكار ارائه مي شود:
صاحبان كسبوكار سعي كنند براي مشترياني كه چندينبار به فروشـگاه آنهـ ا مراجعـه كردهاند، تخفيف هاي ويژهاي در نظر بگيرند و بر اين اساس آنها را بـه خريـد بيشـتر از فروشگاه ترغيب كنند؛
در ازاي خريد تعداد مشخصي از هر كالا، يك يا چند واحد از آن كالا بهعنـوان جـايزة خريد به هر مشتري اختصاص داده شود؛
صاحبان كسبوكار در ارزيابي و اتتخاب مشتريان سودآور و وفادار، علاوه بر توجـه بـهتعداد دفعات مراجعه، تعداد كالاهاي خريداري شده در هر مراجعه را نيز در نظر بگيرند ؛ • مسئولان فروشگاههايي كه توزيع كالاها را خودشان بر عهده مي گيرند، سعي كننـد بـااستفاده از فناوري هاي جديد و نيروهاي زبده، كالاهـا را در سـريعتـرين زمـان ممكـنتوزيع كنند و به مشتريان تحويل دهند؛
در صورت برگشت دادن كالا از طرف مشتريان، فروشگاه آن را بپذيرد؛ براي مشـتريانيكه كالا ي بيشتري خريداري مي كنند و مشتري دائمي هستند، تخفيفات ويـژه در نظـر گرفته شود؛
فروشگاهها به صورت مداوم و چندبار در سال به فروش ويژه اقدام كنند و بـه مشـتريانوفادار و دائمي خدمات و تخفيف هاي ويژه بدهند.
محدوديت هاي پژوهش
محدودبودن پژوهش به فروشگاه مواد غذايي، بنابراين تعميم پذيري آن بـه كسـبوكارهـاي ديگر بايد با احتياط صورت بگيرد؛
محدودبودن داده هاي پژوهش به موارد خاص و در نظر گرفته نشدن متغيرهايي مثـل سـهمعمدة فروش در ايجاد وفاداري از طريق تأمين كلية كالاها؛
در نظر گرفتهنشدن متغيرهاي عاطفي و اجتماعي مؤثر در وفاداري مشتريان.
References
Akhundzade Noghabi, A., Al-Badawi, A. & Aghdasieh, M. (2014). Explore the dynamics of the customer in the design of segmentation using data mining
techniques. Information Technology Management, 6 (1): 1-30. (in Persian) Al-Shayea, Q. K., Member, I. & Al-Shayea, T. K. (2014). Customer Behavior on RFMT Model Using Neural Networks. WCE, 1: 49-52.
Ansari, M., Mir-Kazemi Moode, M., Rahmani Yushanluyi, H. & Ghasemi, A.
(2015). A model for measuring customer knowledge absorption capacity
(Survey on food), Information Technology Management, 6 (4): 529-550.
(in Persian) Azizi, S. H., Hossein Abadi, V. & Balaghi Enanel, M. (2014). Segmentation of
internet banking users based on expectations. Information Technology Management, 6 (3): 419-434. (in Persian)
Cao, S., Zhu, Q. & Hou, Z. (2009). Customer Segmentation based on a Novel Hierarchical Clustering Algorithm, IEEE Chinese Conference on Pattern Recognition, 4-6 Nov. PP. 1-5.
Chang, H. H. & Tsay, S. F. (2004). Integrating of SOM and K-meanin Data Mining Clustering: An Empirical Study of CRM and Profitability Evaluation. Journal of Information Management, 11(4): 161-203.
Chen, Y. & Li, X. (2009). The Effect of Customer Segmentation on an Inventory System in the Presence of Supply Distributions. WSC, 2343-2352.
Dick, A. & Basu, k. (2003). Customer Loyalty: Toward an Integrated Conceptual Framework. Journal of the Academy of Marketing Science, 22: 99-113. (in Persian)
Fathian, A. & Hosseini, M. (2014). Investigate the effect of virtual communities to strengthen the customers’ purchasing behavior. Information Technology Management, 6 (3): 435-454. (in Persian)
Griffin, J. & Lowenstein, W. M. (2001). Customer winback: How to recapture lost customers and keep them loyal, San Francisco: Jossey-Bass.
Hughes, A. M. (1996). Boosting reponse with RFM. Marketing Tools, 5: 4-10.
Jiang, T. & Tuzhilin, A. (2006). Improving Personalization Solutions through Optimal Segmentation of Customer Bases. Knowledge and Data
Engineering, 21(3): 305-320.
Kafashpour, A. & Alizadeh Zavarem A. (2012). Implementing Fuzzy DELPHI Analytical Hierarchy Process (FSAHP) and Hierarchical Clustering Analysis (HCA) in RFM Model for Determining the Value of Customer’s Life Cycle.
Scientific and Research Periodical of Modern Marketing Research, 2(3): 51-
( .86in Persian)
Karimzadeh, A. (1998). Developing Scientific Methods of Food Marketing Need to Grow Food Industry and the Development of Non-Oil Exports, Agricultural
Economics and Development, Information Technology Management, 22: 67-
( .08in Persian)
Lai, X. (2009). Segmentation Study on Enterprise Customers Based on Data Mining Technology. IEEE Chinese First International Workshop on Database Technology and Applications, 247-250.
Lewis, P. & Thornhill, A. (2000). Research Methods for Business Students. Prentice Hall, SAS Institute, Best practice in churn prediction. A SAS Institute White Paper.
Madani, S. (2009). Mining Changes in Customer Purchasing Behavior, a Data Mining Approach. Master Thesis. Dissertation, Sweden Lula University of Technologhy.
Menhaj, M. B. (2000). Fundamentals of Neural Networks. Tehran, Amir Kabir
Industrial University. (in Persian)
Moslehi, S. N., Kafashpour, A. & Naji Azimi, Z. (2014). Using LRFM Model for Segmentation Customers Based on the Value of Their Life Cycle. public management research, 7 (25): 119-140. (in Persian)
Murakani, K. & Natori, S.H. (2013). New Customer Management Technique: CRM by “RFM + I” Analysis. NRI Papers, 186.
Noyan, F. & Simsek, G. G. (2013). The Antecedents of Customer Loyalty. WCBEM, 109: 1220-1224.
Qiasi, R., Baqeri-Dehnavi, M., Minaei-Bidgoli, B. & Amooee, G. (2012). Developing a Model for Measuring Customer’s Loyalty and Value with RFM Technique and Clustering Algorithms. The Journal of Mathematics and Computer Science, 4 (2): 172-181.
Radfar, R., Nezafati, N. & Yousefi Asli., S. (2014). Internet Customer Classification Using Data Mining Algorithms. Information Technology Management, 6 (1): 71-90. (in Persian)
Sen, B., Ucar, E., & Delen, D. (2012). Predicting and analyzing secondary education placement-test scores: A Data mining approach. Expert



قیمت: تومان


پاسخ دهید