Journal of Information Technology Management University of Tehran
ISSN: 2008-5893 Faculty of Management
EISSN: 2423-5059
Vol. 9, No. 2; PP. 277 – 300
Summer 2017

Providing a New Approach for Segmenting
Customers Based on Their Purchasing Behavior Change over Time in Electronic Business
Samira Khodabandehlou 1, Mahmoud Zivari Rahman 2
Abstract: Usual methods of segmentation have been designed, relying solely on the components of Recency (R), Frequency (F) and Monetary (M) in which customers’ behavior changes over time are not considered. Accordingly, in order to achieve a desired segmentation method, this study aims to apply a set of statistical calculations, such as line slope and the derivative with respect to time and data mining methods such as K-means and Self-Organizing Maps (SOM) to define new parameters for studying the changes trending of customer purchasing behavior. The results show that considering the slope of the line of customer behavior changes (R, F, and M) and the higher value for recent behaviors of customers compared to that of their past behavior in customer segmentation would thereby increase the accuracy of predicting the future behavior and cause the customers of each section to become more homogeneous. Based on the suggested method, customers are categorized into four segments: best, spender, repeater and missed ones each of them are divided into two subcategories of ascending and descending segments, which leads to better and more accurate understanding of customers in different segments according to how of their purchasing behavior change. Finally, the characteristics of each segments and sub-segments are described and appropriate strategies are provided for managing its customers.

Key words: Customer segmentation, Data mining, Purchasing behavior change, RFM model.

MSc. of Information Technology Engineering, Graduate University of Advanced Technology, Kerman, Iran
MSc. of Assessment and Measurement, Allameh Tabataba’i University, Tehran, Iran

Submitted: 03 / May / 2017
Accepted: 01 / November / 2016
Corresponding Author: Samira Khodabandehlou
Email: s.khodabandehlou@student.kgut.ac.ir

Journal of Information Technology Management د ناوری اطلاعات
دانشكدة مديريت دانشگاه تهران دورة 9، شمارة 2 تابستان 1396 صص. 300- 277

ارائة رويكرد جديدي براي بخشبندي مشتريان بر اساس تغيير رفتار
خريد آنها در طول زمان در حوزة كسبوكار الكترونيك
سميرا خدابندهلو1، محمود زيوري رحمان2
چكيده: روش هاي معمول بخشبندي صرفاً باتكيه بر سه مؤلفة تـأخر (R)، تعـداد (F) و ارزش پولي (M) طراحي شدهاند و تغييرات رفتاري مشتريان را در طول زمان در نظر نميگيرند. بر اين اساس براي دستيابي به بخشبندي مطلوب، هدف پژوهش حاضر بـهكـارگيري مجموعـهاي از محاسبات آماري از قبيل شيب خط و مشـتق نسـبت بـه زمـان و روش هـاي داده كـاوي ماننـد K-means و نقشههاي خودسازمانده (SOM) براي تعريف متغيرهايي جديد بـهمنظـور بررسـيروند تغييرات رفتار خريد مشتريان است. نتايج پژوهش نشان ميدهد در نظرگرفتن شـيب خـطتغييرات رفتار مشتريان (F ،R و M) و ارزش بيشتر براي رفتارهاي اخيـر نسـبت بـه رفتارهـايگذشته در بخشبندي مشتريان، موجب افزايش دقت پيشبيني رفتـار آتـي و همگـنتـر شـدنمشتريان هر بخش شده است. بر اساس روش پيشنهادي، مشتريان بـه چهـار بخـش بهتـرين،خرجكننده، تكراركننده و از دست رفته دسته بندي شدند كه به منظـور شـناخت بهتـر و دقيـقتـرمشتريان بر اساس نحوة تغيير رفتار آنهـا ، هـر بخـش نيـز بـه دو زيـربخش صـعودي و نزولـي طبقه بندي شد. درنهايت ضمن تشريح ويژگي هريك از بخـش هـا و زيـربخشهـا ، راهبردهـايمناسبي براي مديريت مشتريان آنها ارائه شده است.

واژه هاي كليدي: بخشبندي مشتريان، تغيير رفتار خريد، دادهكاوي، مدل RFM.

كارشناس ارشد مهندسي فناوري اطلاعات، دانشگاه تحصيلات تكميلي صنعتي و فناوري پيشرفتة كرمان، كرمان، ايران
كارشناس ارشد سنجش و اندازهگيري، دانشگاه علامه طباطبايي، تهران، ايران

تاريخ دريافت مقاله: 11/08/1395 تاريخ پذيرش نهايي مقاله: 13/02/1396 نويسندة مسئول مقاله: سميرا خدابندهلو
E-mail: s.khodabandehlou@student.kgut.ac.ir
مقدمه
امروزه فناوري اطلاعات بهطور چشمگيري تمام جنبههاي كسـب وكـار را تحـت تـأثير قـرار داده است، بهطوري كه سازمانهاي بزرگ، سالانه ميليونهـا دلار بـراي بـهكـارگيري ابـزار تجـارتالكترونيك و توسعة راهبردهاي مناسب براي جذب و حفظ مشتريان خرج ميكنند (هوآ، موروسن و دفرنكو، 2015)؛ زيرا جذب و حفظ مشتريان، بهعنوان منابع مهـم و راهبـردي در فعاليـتهـايتجاري، به مهمترين عوامل موفقيت كسبوكارها تبـديل شـده اسـت (رزمـي و قنبـري، 1388؛ خدابندهلو و نيكنفس، 1395). از دستدادن مشتريان موجب كـاهش درآمـد فـروش و افـزايشهزينة جذب مشتري ميشود (هايوود، 1998؛ كوسمنت و پل، 2009). پژوهشهاي پيشين نشـاندادهاند كه هزينههاي جذب مشتريان جديد، چندين برابر هزينههاي حفظ مشتريان موجود اسـت(ماركوس، 1998؛ كوسمنت و پل، 2009؛ كوشا و زحمتكش، 1392). از اين رو، امـروزه مـديرانكسبوكار تلاش ميكنند نقش مهم وفاداري مشتري را در راه رسـيدن بـه موفقيـت درك كننـد(كرامتي و همكاران، 2014). وفاداري در مشتريان بهخصوص در تجارت الكترونيكي مفهوم بسيار مهمي است؛ چرا كه در كسب وكارهاي امروزي مشتريان وفادار بهعنـوان مؤلفـة اصـلي موفقيـتمطرح هستند (چانگ و چن، 2009). ازسويي وفاداري مشتريان در تجارت الكترونيكي و بـه ويـژهخرده فروشي هاي برخط، حساستر و پيچيدهتر از وفاداري در كسبوكارهـاي سـنتي اسـت؛ زيـرااغلب مشتريان در هربار خريد خود، مجدداً بهدنبال خردهفروشاني با قيمـت ارزان تـر يـا خـدماتيبيشتر ميگردند و بهراحتي وبسايتي را كه معمولاً از آن خريد ميكنند، تغيير ميدهند (چانـگ وچن، 2009؛ حميديزاده، حاجكريمي و نائيجي، 1390). اهميت وفـاداري در تجـارت الكترونيـكموجب شده است توجه به اين نوع وفاداري بين محققان گسترش يابد، با ايـن حـال هنـوز نگـاهسنتي به وفاداري وجود دارد و الزامات خاص فضاي كسبوكارهاي الكترونيكـي همچـون لـزومپايدارنمودن وفاداري در مشتريان ناديده گرفته ميشود (كاير، هد و ايوانف، 2006؛ حميديزاده و همكاران، 1390). ازجمله كسبوكارهاي الكترونيكي كه در سالهاي اخيـر در ايـران بـهسـرعتگسترشيافته و روزبهروز بر تعداد آنها افزوده ميشود، فروشگاههاي اينترنتي پوشاك است. در اين فروشگاهها مشتريان با مراجعه به وبسايت و بررسي انواع مختلـف كالاهـا و برنـدها مـيتواننـدكالاي درخواستي خود را انتخـاب كـرده و سـفارش دهنـد. از طرفـي ، بـه دليـل تعـدد ايـن نـوعفروشگاه ها در فضاي مجازي، رقابت بين آنها به منظور جذب و حفـظ مشـتري بسـيار شـديدتر ازفروشگاههاي سنتي موجود در بازار است. برهمين اساس، وفاداري مشتريان بـراي صـاحبان ايـننوع كسبوكارها بسيار حياتي است.
اهميت وفاداري مشتري در موفقيت كسبوكار و هزينة زياد جذب مشتري، موجب شده است كه سازمانها از نوعي راهبرد تجاري براي انتخاب و مديريت ارتباطات مؤثر با مشتري به منظـور
دستيابي به سود بيشتر استفاده كنند كه به آن مديريت ارتباط با مشتري (CRM)1 گفته ميشـود(رزمي و قنبري، 1388؛ محمدي و عليزاده، 1393).
CRM نوعي راهكار كليدي تجاري است كه در آن سازمان با تمركز بر نيازهاي هر مشـتريو تحليل رفتار وي، يك رويكرد مشتريمدار را در كل سازمان توسـعه مـيدهـد (چنـگ و چـن،2009). يكي از رايجترين روشهاي تحليل رفتار مشتريان، بخشبندي است (برادران و بيگلـري،
1394). بخشبندي مشتريان يكي از روشهاي دادهكاوي است كه هدف آن گروهبندي مشتريان با نيازها و رفتار خريد مشابه براي تعيين راهبردهاي مختلف بـه منظـور حـداكثرنمودن پاسـخ بـهبرنامههاي بازاريابي و كاهش هزينههاي سازمان است (اسميت، 1956؛ عزيزي، حسـين آبـادي وبلاغي اينانلو، 1393). بخشبندي بهينه و مؤثر مشتريان برمبناي ويژگيهاي مناسـب و مـرتبط، ميتواند به نفوذ بيشتر كسبوكار در بازار كمك كند (كرامتي و خالقي، 1393؛ آخوندزاده نوقـابي،اقدسي و البدوي، 1393).
روشهاي متعددي براي بخشبندي مشتريان بر اساس تحليـل رفتـار آنهـا وجـود دارد كـهRFM2 يكي از روشهاي مرسوم و پركاربرد در ايـن زمينـه اسـت (هـوگس، 1996؛ سـهرابي وخانلري، 2007؛ محمدي و عليزاده، 1393). متغيرهاي RFM پيشبينيكنندههـاي خـوبي بـراي رفتار آتي مشتريان هستند (باتاچاريا، 1998؛ كوسمنت و دبـاك، 2013). بـا وجـود ايـن ، ديـدگاهمتفاوت در بخشبندي مشتريان ميتواند پاسخ به اين سؤال باشد كه آيا مشتري در معرض خطر رويگرداني است؟ يكي از شاخصهاي رايج مشتريان پرخطر، كاهش استفاده و خريـد كالاهـا وخدمات سازمان و همچنين افزايش متغير تأخر مشتري است.
يكي از ضعفهاي اساسي مدلهاي كنوني بخشبندي مشـتريان ، بـه خصـوصRFM ايـناست كه تغييرات رفتاري مشتريان را در طول زمان در نظر نميگيرند و اين تغييرات را بـه عنـوانمتغير مجزا و مشخص بررسي نميكنند. متغير تأخر يكي از شاخصهاي اين رفتار است، اما رفتار گذراي مشتري را نشان ميدهد و تنها بر اساس تاريخ آخرين خريد مشـتري اسـت. بنـابراين، بـا توجه به جايگاه راهبردي بخشبندي مشتري در مطالعات CRM و كمبود مطالعات انجامشده در اين زمينه، نياز به پژوهشهاي بيشتر در زمينة بخشبنـدي مناسـب مشـتريان از طريـق تعريـفمتغيرهاي جديد به منظور بررسي روند تغييرات رفتار خريد مشتريان در درك جامعتر و عميـق تـررفتار مشتريان براي دستيابي به موفقيت در محيطهاي رقابتي ضروري است.
ــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــ
Customer Relationship Management
Recency, Frequency, and Monetary
بر همين اساس هدف پژوهش حاضر بـه كـارگيري مجموعـهاي از روشهـاي داده كـاوي 1 و تعريف برخي متغيرهاي جديد در روش RFM، به منظور ارائة روشهايي نوين براي بخـش بنـديمناسب و مؤثر مشتريان است؛ بهطوري كه كسـب وكارهـا بـه كمـك ايـن روشهـا بتواننـد بـينمشتريان بر اساس تغييرات رفتاري خريدشان تفاوت قائل شوند و نيز، مشـترياني كـه در معـرضخطر رويگرداني يا تبديل شدن به مشتريان غيرسودآورند را شناسايي كنند، درنتيجه با مشـتريان ي كه رفتارهاي متفاوتي دارند، بهطور متفاوت برخورد كنند.
بدين منظور در اين پژوهش محاسبات آماري از قبيل شيب خط و مشتق نسبت به زمـان بـابخشبندي بهعنوان رويكرد دادهكاوي، تركيب شدهاند تـا بـه كسـب وكارهـا در درك صـحيح وبه موقع تغييرات رفتاري مشتريان كمككرده و آنها را در اتخاذ سياستهاي مناسب بـراي پاسـخبه اين تغييرات توانمند سازند. درنهايت با توجه به تغييـرات رفتـار خريـد بـر اسـاس شـيب خـطمتغيرهاي RFM، هر بخش خود به دو زيربخش دسته بندي شده و ويژگيهاي هر يك همراه بـاراهبردهاي مناسب براي هر بخش تشريح مي شود.
پيشينة نظري بخشبندي مشتريان
بخشبندي مشتريان نوعي روش دادهكاوي بسيار مفيد براي شـناخت مشـتريان و تحليـل رفتـارآنهاست (بيگلري و برادران، 1394). در فرايند بخشبندي مشتريان احتمالي، محصول يا خـدمتدر خوشههايي با ويژگيهاي مشابه گروهبندي ميشود. وظيفة كسبوكارها شناسايي صحيح ايـنخوشهها و ارائة راهبردهايي مناسب براي هريك از آنهاست (اسميت، 1956؛ حسيني، بحرينيزاده و ضيائيبيده، 1391؛ عزيزي و همكاران، 1393).
مشخصههاي بخشبندي
يكي از مهمترين عوامل كليدي در دستيابي به بخشبندي صحيح و جامع، انتخاب مشخصههاي مناسب است (ليو و آنگ، 2008؛ كرامتي و خـالقي، 1393). مشخصـه هـاي مـدلRFM (تـأخر ، تعداد و ارزش پولي خريد)، روش مناسبي براي بخشبندي مشتريان بر اساس تحليل رفتار خريـدآنهاست و بهطور موفقيتآميزي در پژوهشهاي مختلف بهكار رفتـه اسـت (سـهرابي و خـانلري،2007؛ رزمي و قنبري، 1388؛ كوسمنت و دباك، 2013؛ آخونـدزاده نوقـابي و همكـاران ، 1393؛
ــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــ
1. Data Mining
خدابندهلو و نيكنفس، 1395). از اين رو، در اين پژوهش از مدلRFM بهعنوان مدل پايه براي بخشبندي و شناسايي بخشهاي مشتريان با رفتار خريد مشابه استفاده شده است.
روش خوشهبندي
خوشهبندي از روشهاي رايج دادهكاوي است كه بهمنظور بخشبندي مشتريان استفاده ميشـود(برادران و بيگلري، 1394). الگوريتم خوشه بندي تأثير بسزايي در كيفيت بخـش هـاي ايجادشـدهدارد. از بين الگوريتمهاي خوشهبندي، روش K-means براي بخشبندي مشتريان بسـيار رايـجاست (چنگ و چن، 2009؛ لي، داي و تسنگ، 2011).
الگوريتم K-means از روشهاي دادهكاوي است كه براي اجرا به مقدار اولية K، يعني تعداد خوشهها نياز دارد (لي و همكاران، 2011)، يكي از روشهاي مناسـب بـراي تعيـين خوشـههـايبهينه، الگوريتم دادهكـاوي نقشـههـاي خودسـازماندهSOM) )1 اسـت (چانـگ و تسـاي، 2004؛ حسيني و همكاران، 1391؛ تركستاني، منصـوري و تقـيزاده، 1395). ايـن الگـوريتم گونـهاي از شبكههاي عصبي بدون ناظر است كه ميتواند الگوهاي نامشخص را بين دادهها شناسايي كند و تعداد مناسب خوشهها را تخمين بزند (قاضيزاده، بشيري، كريمي و گوهرپاد، 1393؛ تركستاني و همكاران، 1395). پژوهشهـاي مـرتبط اسـتفاده از روش خوشـهبنـدي دومرحلـهاي بـا تركيـبالگوريتمهاي K-means (ايجاد خوشهها) و SOM (تعيين تعداد بهينه خوشهها) را براي دستيابي به نتايج مطلوبتر پيشنهاد دادهاند (چانگ و تساي، 2004؛ قاضيزاده و همكاران، 1393). از ايـن رو، در اين پژوهش از الگوي ياد شده براي بخشبندي مشتريان استفاده مي شود.
پيشينة تجربي
خدابندهلو و نيكنفس (1395) در پژوهشي به ارائة روش جديدي براي بخشبندي مشتريان يك فروشگاه مواد غذايي بر اساس ميزان وفاداري آنها پرداختند و راهبردهايي مناسبي براي هر بخش تعريف كردند. در اين پژوهش تأثير چند عامل مؤثر شامل تعداد كالاهاي خريـداري شـده، تعـداد كالاهاي برگشتي، تخفيف و تأخير در توزيع در كنار متغيرهاي RFM بر افزايش كيفيت ارزيـابيوفاداري سنجيده شده است. محققان بر اساس نتايج، مشتريان را از نظر وفاداري به پـنج خوشـة مشتريان وفادار، بالقوه، جديد، از دسترفته و رويگردان، بخشبندي كردند و در انتها راهبردهاي مناسبي براي مديريت مشتريان هر بخش ارائ ه دادند. نتايج پژوهش نشان داد RFM توسعهيافته دقت بسيار زيادي در پيشبيني ميزان وفاداري مشتريان دارد.
ــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــ
1. Self-Organizing Map
سجادي، خاتمي فيروزآبادي، اميـري و صـالحي صـداقياني (2015) از طريـق توسـعة مـدلRFM به RFMLD1 (تسهيلات و ديركرد) به بخشبندي و رتبهبندي مشتريان بانك پرداختند، سپس پيشنهادهايي متناسب با هر بخش ارائه دادند. بر اسـاس يافتـه هـاي ايـن پـژوهش، مـدلRFMLD موجب بهبود نتايج بخش بندي مي شود.
برادران و بيگلري (1394) بـراي بخـشبنـدي مشـتريان صـنايع توليـد و پخـش كالاهـايپرگردش، از مدل بهبوديافتة RFM استفاده كردند. آنها با جايگزيني متغير توالي خريد (C) (توالي خريد مشتري طي يك دورة خاص و برابر تعداد ماههايي از سال است كه مشتري طي ايـن دورهخريد كرده است) با متغير تأخر خريد در مدل RFM، كيفيت بخشبندي را بهبـود دادنـد. نتـايجنشان داد بخشبندي مشتريان بر اساس CFM در مقايسه با مدل RFM دقت بيشتري دارد.
كرامت ي و خ القي (1393) از م دلي ب ه ن ام PCB-RFM2 ب راي بخ شبن دي مش تريان خرده فروشي برخط كالاهاي ديجيتالي ـ كامپيوتري بهره بردند. آنهـا در ايـن مـدل بـه اسـتثنايمتغير R، مقادير متغيرهاي FM را در سطح دستة كالاها بهصورت جداگانه محاسبه كردند، سپس با اجراي روشهاي قوانين انجمني در هر خوشه پيشنهادهاي متناسبي با ويژگيهـاي آن خوشـهارائه دادند. نتايج نشان داد مدل پيشنهادي نسبت به مدل RFM ساده در پيشبينـي رفتـار آتـيمشتريان دقت بيشتري دارد.
محمدي و عليزاده (1393) به منظور تحليل شعبه هـاي بانـك آينـده در سراسـر كشـور، ايـنشعبه ها را بر اساس متغيرهـايR) RFS تـأخر اعـلام مشـكل،F تعـداد مشـكلات و S ميـزانرضايت شعبه ها از مراكز تماس) بخش بندي كردند و ارتباط بين اين متغيرها را با نـوع مشـكلاتشناسايي نمودند. طبق نتايج، شعبه هاي بانك بر اساس الگوي رفتـاري در مـدلRFS در چهـارخوشه توزيع شدند كه در انتها محققان براي بهبود عملكرد آنها پيشنهادهايي ارائه دادند.
آخوندزاده نوقابي و همكارانش (1393) در تحقيقي به شناسايي گروههاي رفتاري مشتريان و ويژگيهاي هر يك در صنعت مخابرات پرداختند. بدين منظور آنان ابتدا مشـتريان را بـر اسـاس
متغيرهاي RFM و روش K-means بخشبندي كردند، سپس با استفاده از قوانين انجمنـي بـهشناسايي الگوهاي رفتاري مشتريان در هر بخش پرداختند. بر اساس نتايج، هفـت گـروه رفتـاريمختلف از مشتريان شناسايي شد كه اين امر به ديد و شناخت بهتر نسبت بـه الگوهـاي رفتـاريمشتريان و بهبود راهبردهاي بازاريابي انجاميد.
كوشا و زحمتكش (1392) براي شناسايي مشتريان و بخشبندي دقيقتر آنها مـدلRFMP را پيشنهاد كردند. در اين پژوهش از روش AHP براي وزندهي به متغيرهـاي RFMP اسـتفاده
ــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــ
Recency, Frequency, Monetary, Facilities, and Deferred
Product Category Based-RFM
شده است و بر اساس اين مدل و الگوريتمK-means ، بخشها شناسـايي و رت بـه بنـدي شـدند. نتايج نشان داد راهبردهاي ارائهشده بر اساس بخشهاي ايجادشده، در موفقيت سازمان تأثيرگذار بوده است.
سوئيني و فتحعليزاده (2012) در پژوهشي براي بخشبندي مشـتريان صـنعت بيمـه، مـدلRFM را به L) 1LRFMC طول ارتباط با مشتري و C ميانگين خسارت وارده توسـط مشـتري) توسعه دادند كه نتايج بخشبندي حاكي از بهبود كيفيت خوشه ها بود.
وي، لين، ونگ و وو (2012) پژوهشي با عنوان كاربرد مدل LRFM در بخـش بنـدي بـازار كلينيك دندانپزشكي انجام دادند و در آن بر اساس مدل LRFM به شناسايي مشـتريان وفـادار كلينيك پرداختند. طبق نتايج، بيماران به چهار دستة مشـتريان وفـادار، فعـال، جديـد و نـامعلوم بخشبندي شدند و راهبردهاي مناسب هر بخش تعيين شد.
لي و همكارانش (2011) در پژوهشي بر اساس شاخصهاي مـدل LRFM و بـا اسـتفاده از روش بخشبندي دومرحلهاي (روش وارد براي تعيين تعداد بهينـة خوشـههـا و روش K-means براي ايجاد خوشهها) به تجزيه و تحليل مشخصات مشتريان بهمنظـور بهبـودCRM در صـنعت نساجي پرداختند. نتايج پژوهش درك بهتري را براي سازمان به منظور تعيين راهبردهاي بازاريابي ايجاد كرد و نشان داد مشترياني كه ارتباط طولاني تري دارند، وفادارترنـد، اگرچـه تعـداد و ارزشپولي آنها زياد نباشد.
وو، چانگ و لو (2009) با استفاده از مدل RFM و روش خوشهبندي K-means، به تحليـلارزش مشتريان يكي از شركت هاي ساخت تجهيزات صنعتي پرداختند. پس از آمادهسازي دادهها، مشتريان بر اساس شاخصهاي RFM در شش خوشه قرار گرفتنـد ، سـپس ويژگـيهـاي تمـاممشتريان در قالب خوشهها و با استفاده از ارزيابي ارزش طـول عمـر مشـتري تحليـل شـدند . در انتهاي پژوهش نيز، پيشنهادهايي مناسب با بخشهاي مختلف مشتريان مطرح شده است.
چنـگ و چـن (2009) مـدلي برمبنـاي تركيـب روشهـاي RFM و K-means بـا نظريـة مجموعههاي سخت پيشنهاد كردند. آنها بر اساس مدل خود، وفاداري مشتريان را با تعيين تعـدادخوشهها به 3، 5 و 7 گروه طبقهبندي كردند، سپس با كشف و توصيف ويژگيهاي مشتريان هـرخوشه، به ارزيابي و پيادهسازي CRM پرداختند.
كينگ (2007) با استفاده از مدل توسعهيافتة RFC كه در آن C هزينة افزايش كيفيت و ارائة خدمات زندگي بهجاي M است، به بخـش بنـدي شـهروندان پرداخـت و بـر اسـاس ايـن مـدل، ويژگي هاي هر بخش را توصيف كرد.
ــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــ
1. Length, Recency, Frequency, Monetay, and Cost
چانگ و تساي (2004) در پژوهشي با تركيب روشهاي SOM و K-means در دادهكـاويبه بخش بندي مشتريان يك فروشگاه با توسعة مدل RFM به LRFM (با افزودن طول ارتبـاطبا مشتري) پرداختند. آنها مشتريان را بر اساس روش LRFM در پنج نوع و 16 دسته بخشبندي كردند و نشان دادند اضافهكردن اين شاخص، سبب بهبود شناسايي مشتريان وفادار شده است.
با توجه به پيشينة تجربي بيان شده، پژوهشهاي متعددي بـراي بخـش بنـدي مشـتريان بـر
اساس متغيرهاي RFM يا RFM توسعهيافته (در نظرگرفتن چند متغيـر در كنـارRFM ) انجـامشده است. اغلب اين پژوهشها در حوزة كسبوكارهاي سنتي و فروشـگاه هـاي فيزيكـي اسـت .
محققان بهخصوص در داخل كشور، كمتر به بخشبندي مشتريان در حـوز ة تجـارت الكترونيـكپرداختهاند كه يكي از دلايل آن ميتواند جديدبودن اين نوع كسبوكار در داخل كشور باشد.
يكي از شكاف هاي اساسي در روشهاي بخشبندي پژوهشهـاي گذشـته، بـي تـوجهي بـهرفتارهاي خريد مشتريان در طول دورههاي زماني مختلف است و اگر هم پژوهشي اين موضـوعرا مدنظر قرار داده، فقط به تحليل تغييرات R (تأخر خريد) پرداخته و بـه رونـد تغييـراتF و M توجهي نكرده است. اين در حالي است كه روند تغييـرات تعـداد و مبلـغ خريـد، مـيتوانـ د نقـشتعيين كنندهاي در شناسايي خوشه و وضعيت سودآوري و وفاداري مشتري داشـته باشـد. بنـابراينضرورت دارد با انجام پژوهشهاي جديد اين شكاف پژوهشي پر شود و در بخشبندي مشـتريانروند تغييرات رفتار خريد آنها مد نظر قرار گيرد.
روششناسي پژوهش
روش پژوهش، مطالعة موردي است كه بر اساس دادهكاوي اجرا ميشود. مجموع ه داده اي كه در اين پژوهش مطالعه شده، به دادههاي واقعي يك فروشگاه اينترنتي پوشاك در ايـران و بـه بـازة
زماني 01/11/1393 تا 01/11/1394 (حدود 12 ماه) اختصاص دارد. اين مجموعة داده مربوط به 2542 مشتري است و 17000 ركورد را دربردارد. در ادامة نوشتار، آمادهسازي دادهها و روشهاي پيشنهادي تشريح ميشوند.
آمادهسازي دادهها
آمادهسازي دادهها در روشهاي دادهكاوي گامي ضروري است و كمابيش 60 تـا 70 درصـد كـلزمان را به خود اختصاص ميدهد. اين مرحله شامل شناسايي، تكميل يا حذف دادههـاي پـرت و گم است. علاوهبر اين، در اين فرايند بايد فيلدهاي نامرتبط حذف شود و درصورت نياز متغيرهاي جديدي از روي مجموعه داده تشكيل شوند. در اين مرحله ركوردهـاي نـاقص و مشـترياني كـهاطلاعات كاملي دربارة آنها وجود نداشت از مجموع ة دادة اصلي حـذف شـدند و درنتيجـه تعـدادركوردهـاي مجموعـة داده از 17000 ركـورد بـه 15386 و تعـداد مشـتريان از 2542 بـه 2080 مشتري كاهش يافت؛ متغيرهاي RFM نيز براي هريك از مشتريان محاسبه شده است.
بخشبندي بر اساس مدل AFM1
رفتار اغلب مشتريان در طول زمان به دلايل گوناگوني همچون تغيير علايق و نيازهاي شـان تغييـرميكند، اين تغيير رفتارها موجب ميشود كه مشتريان در دورههاي زماني مختلف ميانگين خريـدمتفاوتي داشته باشند. اين ميانگين خريدها به كسبوكارها در درك رفتار مشتريان كمك ميكند.
براي مثال، اگر ميانگين خريد يك مشتري بهطور دائم روند كاهشي داشته باشد، ميتوان نتيجـهگرفت كه اين مشتري در معرض خطر رويگرداني است يا دست كم در حال جابه جايي از بخش مشتريان سودآور به بخش غيرسودآور است. بهطور مشابه، مشترياني كـه ميـانگين خريدشـان در دورههاي بررسي رو به افزايش است، ميتوانند به مشتريان سودآور براي شـركت تبـديل شـوند.
بنابراين، مديران كسبوكار بايد با مشترياني كه رفتارهاي خريد متفاوتي دارند، بـه طـور متفـاوت برخورد كنند. براي تبديل اين ايده به يك متغير قابل محاسبه، طبق رابطة 1 متغير ميـزان تغييـرمبلغ خريد براي هر دورة زماني تعريف ميشود.
رابطة 1)
مبلغ خريد( ) − مبلغ خريد(1+)اگرمبلغخريد
مبلغخريد( )= ميزانتغييرمبلغخريد(1+)درغيراينصورت%100
مبلغ خريد (i) نشاندهندة كل مبلغ خريد مشتري در iامين دورة زماني است. اگر مدت زمـانبررسي به 1 + n دورة زماني دسته بندي شود، n عدد ميزان تغيير مبلغ خريد براي كل دوره وجود خواهد داشت. در نتيجه، دنبالهاي از ميزان تغييرات ايجاد ميشود كه ميتواند براي كشـف رفتـاركلي خريد مشتريان در طول زمان استفاده شود. نسبتدادن يك مقدار مشخص به هريك از اين دنبالههاي ميزان تغيير، بسيار اهميت دارد كه دو روش براي آن ارائه شده اسـت . روش نخسـت، محاسبة شيب خط مبلغ خريد در محور زمان است كه براي انجام ايـن كـار از رگرسـيون خطـي استفاده ميشود. در محاسبة شيب خط مبلغ خريد در واحد زمـان ، معادلـة محـور مختصـات خـطرگرسيون (a) به صورت رابطة 2 است.
ــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــ
1. Alteration, Frequency, and Monetary
رابطة 2) ̅−=
و شيب b از طريق رابطة 3 محاسبه ميشود.
(−)(̅−)∑رابطة 3) ̅
متغيرهاي x و y به ترتيب ميانگين xها (زمان خريد) و ميانگين yها (مبلغ خريد در هر دوره زماني) هستند.
در روش بعدي، به محاسبة متغير جديدي با عنوان شـيب خريـد مبتنـيبـر ارزش دوره هـايزماني (VPS)1 پرداختيم. در اين روش، شيب خريد هر مشتري طبق رابطة 4 با جمع شـيب هـايمبلغ خريد او در همة دورههاي زماني بهدست ميآيد.
VPS = (4 رابطة
n تعداد دورههاي زماني، S شيب مبلغ خريد در iامـين دورة زمـان ي و ارزش ويـژه اسـت . متغير ارزش فعلي شيبهاي گذشـته را تعيـين مـيكنـد . در VPS بـا تعريـف متغيـر ، تـأثير رفتارهاي خريد مشتري در دورههاي زماني مختلف، متفاوت در نظر گرفته شده است، بـه طـوري كه در آن تأثير رفتارهاي خريد اخير مشتري رو به افزايش گذاشته و تأثير خريدهاي قبلي كاهش يافته است. براي مثال، اگر ارزش ويژه را 7/0 در نظر بگيريم، براي يك مشـتري بـا چهـار دورة زماني، آخرين شيب در 1، سومين شـيب در 7/0، دومـين شـيب در 49/0 و اولـين آن در 343/0 ضرب ميشوند. درواقع، وجود ضريب ارزش ويژه در محاسبة شيب خريد مبتنـي بـر ارزش زمـان، موجب كاهش اثر شيبهاي اوليه در متغير VPS ميشود.
اين روش به ايجاد دو زيربخش با علامتهاي مختلف VPS (يكي VPS مثبـت و ديگـري VPS منفي) در هر خوشه ميانجامد. با اين دو بخش از مشتريان بايد بهطور متفاوتي رفتار شـودو بر اساس رفتارهاي خريد آنها، راهبردها و پيشنهادهاي هدفمند بهتري طراحي و اتخاذ شوند.
بخشبندي بر اساس مدل RFM بهبوديافته (IRFM)2
اين روش بر اساس ايدة ميزان تغيير مبلغ خريد در روش AFM است، اگر محاسبات شيب خريد مبتنيبر ارزش ويژه را به متغيرهاي F ،R و M تعميم دهيم، ميتوانيم بخـشهـاي مشـتريان و
ــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــ
Value-based Purchase Slope
Improved RFM
مشتريان در معرض خطر رويگرداني را بهتر تشخيص دهيم. اين شاخصهـا از طريـق محاسـبة ميزان تغيير متغيرهاي RFM به دست مي آيند. به بيان ديگر، نه تنها توجه بـه متغيرهـايRFM براي بخشبندي مشتريان ضروري است، بلكه محاسبة مشتقهاي تأخر، تعداد و پولي، با توجه به زمان ميتواند براي دستيابي به نتايج بهتر و مناسبتر در بخشبندي مفيد باشد. نحـوة محاسـبهميانگين مشتق متغيرهاي RFM مشابه روش VPS است.
اگر ، و

مشتق متغيرهاي F ،R و M در i امين دورة زماني باشـند، ميـانگين ايـنمشتقها با توجه به ارزش ويژة متفاوت براي هر متغير، به كمـك رابطـه هـاي 5، 6 و 7 محاسـبهمي شوند.
رابطة 5)

=

رابطة 6) =

رابطة 7)

=

، و ارزش ويژة متغير هاي تأخر، تعداد و پولي هستند كـه مـي تواننـد بـر اسـاس تصميم محقق و كارشناسان كسبوكار مقادير متفاوتي داشته باشند.
، و

بر اساس رابطههاي 8، 9 و 10 از طريق اختلاف متغيرهـا در دو دورة زمـانيمتوالي به دست ميآيند.

رابطة 8) −=


رابطة 9) −=


رابطة 10) −=

مزيت روش IRFM نسبت به روش RFM ساده در اين است كه در روش IRFM تغييـراترفتار مشتريان در طول زمان در نظر گرفته ميشود. بدين صورت كـه رفتـار خريـد مشـتريان دردورههاي زماني مختلف بررسي ميشود كه در آن بر اساس متغير λ، ارزش دوره هاي زماني اخيـربيشتر از دورههاي قديميتر است و اين امر موجب مي شود نقش پررنگتر رفتارهاي اخيـر خريـدمشتريان در بخشبندي در نظر گرفته شود. ضمن آن كه در اين روش، شيب خط مبتنيبر ارزش دورههاي زماني (VPS) براي هر سه متغير F ،R و M محاسبه مي شود كه اين امـر نيـز موجـبدقيقترشدن بخشبندي و تفاوت قائلشدن بين مشـتريان مسـتعد صـعود بـه بخـش بـالاتر يـاسودآورتر و مشتريان مستعد نزول به بخش پايينتر يا غيرسودآورتر مي شود كـه در روش CRM بايد براي مشتريان صعودي و نزولي هر خوشه، راهبردهـاي متفـاوت و مناسـب بـا ويژگـي آنهـادرنظر گرفته شود.
يافتههاي پژوهش
نتايج به دستآمده از بخشبندي بر اساس مدل AFM
با توجه به روششناسي پژوهش، در اين مدل از دو روش مي تـوان ميـزان تغييـر مبلـغ خريـد را محاسبه كرد. روش نخست، محاسبة شيب مبلغ خريد در زمان با اسـتفاده از رگرسـيون خطـي وروش دوم، ايجاد متغير جديدي با عنوان شيب خريد مبتنيبر ارزش دورههاي زماني است كـه در اين مدل، از روش اول استفاده شده است. مبلغ خريدهاي هر مشتري طي 12 ماه بـه چهـار دوره (بر اساس تعريف سه ماه براي هر دورة زماني) دسته بندي ميشود. بنابراين، شـيب بهتـرين خـطايجاد شده در صفحة زمان ـ پول براي هر مشتري به دست مي آيد؛ سپس متغير هاي تعداد، پـوليو ميزان تغيير مبلغ خريد، براي هر دوره محاسبه ميشوند.
با استفاده از الگوريتم SOM چهار خوشة بهينه براي بخـش بنـدي بـر اسـاس روش AFM بهدست آمد. تعداد و درصد اعضاي هر خوشه در جدول 1 و ميانگين كلـي هريـك از متغيرهـا در جدول 2 نشان داده شده است.
جدول 1. تعداد و درصد مشتريان در هر خوشه بر اساس روش AFM
درصد تعداد خوشه
24/0 501 1
27/4 572 2
19/7 412 3
28/9 605 4
100/0 2080 كل
جدول 2. ميانگين و انحراف معيار متغيرهاي روش AFM در هر خوشه
4 3 2 1 خوشه
5/37 13/43 8/72 17/54 ميانگين F
3/78 3/63 3/28 5/39 انحراف معيار 69/29 134/91 387/57 589/62 ميانگين M
18/96 68/49 191/44 243/24 انحراف معيار -4/76 -1/56 -2/83 3/49 ميانگين شيب
2/55 5/78 4/48 18/17 انحراف معيار
اين روش نسبت به روش سنتي RFM در بخشبندي مشتريان، دقيقتر عمل مي كنـد؛ زيـراروند تغيير مبلغ خريد را بر اسـاس شـيب خـط در بخـشبنـدي در نظـر مـي گيـرد ، امـا يكـي ازمحدوديتهاي بخشبندي مشتريان بر اساس روش ياد شده، در نظر گرفتن فقط شيب خط مبلغ خريد (M) و بي توجهي به شيب خط دو متغير ديگر R و F است. همچنين در ايـن روش ، شـيبكل دورة زماني لحاظ شده و بر اساس آن، ارزش رفتارهاي اخير و رفتارهاي گذشـته يكسـان در نظر گرفته ميشود، در صورتي كه براي شناسايي بهتر مشتريان، رفتارهاي اخيـر اهميـت زيـاديدارد و بايد به رفتارهاي اخير خريد اهميت و ارزش بيشتري داده شود.
محدوديت ديگر اين روش، بي توجهي به تفاوت رفتار خريد احتمالي افـراد درون هـر خوشـهاست؛ چون در هر خوشه مشترياني وجود دارند كه مستعد جابه جا شدن به خوشة سودآورترند (بـهاين مشتريان، مشتريان صعودي گفته مي شود)؛ چرا كه با راهبـرد سـاده اي مـي تـوان آنهـا را بـهخوشة بالاتر و سودآورتر انتقال داد. در كنار آن، گروهي از مشتريان هم در آستانة رفتن به خوشة پايين تر و كمسودآورتر يا غيرسودآورترند (اين دسته از مشتريان، مشتريان نزولي نام دارند) و اگـربه نيازها و خواستههاي آنان توجه نشود، ممكن است به خوشة پايينتر و غيرسودآور انتقال يابند. بنابراين براي رفع اين محدوديتها، در پژوهش حاضر با استفاده از روش IRFM به بهبود روش RFM پرداخته مي شود. در روش ياد شده، شيب خط رفتار خريد در دورههاي زماني مختلف كـهدر آن ارزش دورههاي اخير بيشتر است، بر اساس سه متغير RFM بهصورت مجزا محاسبه شـده و به كمك متغيري با نام VPS، صعودي يا نزولي بودن مشتريان هر بخش مشخص مي شود.
نتايج به دستآمده از بخشبندي بر اساس مدل IRFM
در اين مدل، با نظرسنجي از كارشناسان كسبوكار، ارزش ويژة همة متغيرها 7/0 در نظر گرفتـه شده است. با استفاده از الگوريتم SOM تعداد 8 خوشة بهينه براي بخشبندي بـر اسـاس روش AFM بهدست آمد. نتايج خوشهبندي در جدول هاي 3 و 4 مشاهده مي شود.
جدول 3. تعداد و درصد مشتريان در هر خوشه بر اساس روش IRFM
درصد تعداد خوشه
14/8 308 1
12/7 265 2
17/3 360 3
9/2 192 4
16/1 334 5
8/5 177 6
11/3 234 7
10/1 210 8
100/0 2080 كل

جدول 4. ميانگين و انحراف معيار متغيرهاي روش IRFM در هر خوشه
8 7 6 5 4 3 2 1 خوشه
58/55 32/62 19/55 16/63 32/38 29/11 22/84 20/47 ميانگين R
42/12 14/32 9/12 6/64 3/22 9/59 8/58 6/52 انحراف معيار 3/26 5/42 9/26 12/44 7/34 8/52 13/13 16/38 ميانگين F
7/52 2/76 4/52 3/91 1/25 3/94 5/73 5/63 انحراف معيار 41/24 83/85 116/24 192/24 313/21 498/04 523/55 652/97 ميانگين M
37/83 39/41 97/83 139/67 120/92 147/14 192/46 292/37 انحراف معيار 7/85 -2/63 2/85 -3/02 2/24 -1/71 1/23 -3/48 ميانگين dR
7/62 5/45 5/62 4/15 4/66 5/69 5/27 6/64 انحراف معيار -4/76 0/17 -3/83 0/82 0/31 0/08 -2/2 0/97 ميانگين dF
3/03 0/23 1/03 3/91 0/52 1/10 0/98 3/31 انحراف معيار -26/44 -1/92 -16/37 1/74 -4/74 15/82 -13/21 29/41 ميانگين dM
14/28 2/37 11/89 3/88 3/87 8/72 8/85 58/76 انحراف معيار ت عريف بخشها و ارائة راهبرد براي هر بخش
در اين مرحله براي درك بهتر و شناسايي رفتار مشتريان در هر بخـش، بـه بررسـي هـر يـك ازبخشهاي به دست آمده پرداخته مي شود. پس از تعريف بخشهـا بايـد راهبردهـا و برنامـههـايهدفمندي را براي هر بخش بهطور جداگانه تعريف كنيم. در جدول 5 بخشهاي اصلي بـ هدسـتآمده مشاهده مي شود.
جدول 5. ويژگي هاي هر خوشه
dR dF dM M F R شمارة خوشه بخش
منفي مثبت مثبت بالا بالا پايين 1 بهترين بخش صعودي
مثبت منفي منفي بالا بالا پايين 2 بهترين بخش نزولي
منفي نامشخص مثبت بالا پايين متوسط 3 بخش خرجكنندگان صعودي
مثبت مثبت منفي متوسط متوسط بالا 4 بخش خرجكنندگان نزولي
منفي مثبت نامشخص پايين بالا پايين 5 بخش تكراركنندگان صعودي
مثبت منفي منفي پايين متوسط متوسط 6 بخش تكراركنندگان نزولي
نامشخص مثبت منفي پايين متوسط بالا 7 بخش از دسترفته صعودي
منفي منفي منفي پايين پايين بالا 8 بخش از دسترفته نزولي

1. بهترين بخش صعودي
مشتريانِ اين بخش سودآورترين مشتريانِ سازمان هستند كه در خوشة اول جاي گرفته انـد . ايـن بخش بر اساس متغيرهاي F ،R و M از بقية بخشها بهتر است (تـأخر كـم بهتـر از تـأخر زيـاداست). اين بخش بيشترين مقدار dM (شيب مثبت در مبلغ خريـد )، بيشـترين مقـدار dF (شـيبمثبت در تعداد خريد) و شيب منفي براي متغير تأخر را دارد. تفاوت اين بخش با بهترين بخش در مدل RFM در اين است كه مشتريان بخش صودي، در خريدهاي خـود و تعـداد خريـدها رفتـار افزايشي دارند. اين اطلاعات مفيد بهدست آمده از روش IRFM در شناسايي ميزان تغييـر خريـدمشتريان كاربرد دارد.
در مدل RFM ساده با مشتريان بهترين بخش بهطور يكسان برخورد ميشود؛ در حاليكـه در روش IRFM، سازمان بايد براي هر بخش بر اساس علامت شيب ميزان تغييرات تأخر، تعـداد و پولي، راهبردهاي مناسب و متفاوتي طراحي كند. حفظ بهترين مشتريان براي سـازمان يـك امـرحياتي است. علاوهبر اين، براي سازمان ضروري است كه بدانـد چـرا ايـن مشـتريان اسـتفاده ازخدمات اين سازمان



قیمت: تومان


پاسخ دهید