3-5 ارزیابی اعتبار مدل64
فصل 4: تجزیه و تحلیل داده‌ها (پیاده‌سازی مدل در مرکز اپل ایران)67
4-1 مقدمه67
4-2 درک و شناخت داده‌ها67
4-3 آماده‌سازی داده‌ها69
4-4 تعیین وزن پارامترهای تراکنشی (RFM) با استفاده از فرآیند تحلیل سلسله مراتبی71
4-5 اطمینان از صحت و درستی وزن‌های محاسبه شده در تکنیک AHP با استفاده از آزمون نرخ سازگاری74
4-6 پیاده‌سازی مدل‌ها در مرکز اپل ایران76
4-6-1 بخش‌بندی دو مرحله‌ای مشتریان با استفاده از مدل اول76
4-6-2 بخش‌بندی دو مرحله‌ای مشتریان با استفاده از مدل دوم83
4-6-3 بخش‌بندی دو مرحله‌ای مشتریان با استفاده از مدل سوم90
4-7 ارزیابی مدل‌ها94
فصل 5: نتیجه‌گیری97
5-1 مقدمه97
5-2 جمع‌بندی و نتیجه‌گیری97
5-3 بازخورد از خبرگان درمورد نتایج و یافته های پژوهش99
5-4 محدودیت‌های پژوهش100
5-5 پیشنهادات برای پژوهش‌های آتی100
منابع فارسی101
منابع انگلیسی102
پیوست‌ها109
فهرست شکل‌ها
6شکل 1-1 متدولوژی تحقیق …………………………………………………7شکل 1-2 اولین مدل توسعه داده شده جهت بخش‌بندی مشتریان بر اساس ارزش آنها……8شکل 13 دومین مدل توسعه داده شده جهت بخش‌بندی مشتریان بر اساس ارزش آنها ….9شکل 1-4 سومین مدل توسعه داده شده جهت بخش‌بندی مشتریان بر اساس ارزش آنها ….16شکل 2-1 رابطه بین رضایت وفاداری و ارزش مشتری (مالتوس و همکاران،2008) ………23شکل 2-2 فرایند کشف دانش، (نیاگا و هاردینگ، 2006) …………………………..24شکل 2-3 انواع فعالیتها و کاربردهای دادهکاوی (مرادی، 1390) ……………………29شکل 2-4 الگوریتم خوشه‌بندی K میانگین (کارگری و سپهری، 2012)……………….40شکل2-5 ساختار یک نگاشت‌ خود سازمانده (5×4)………………………………..45شکل 2-6 مدل ارائه شده توسط سیه (2004) ……………………………………46شکل 2-7 مدل ارائه شده توسط چنگ و همکارانش (2009) ……………………….47شکل 2-8 مدل ارائه شده توسط چای و چان برای چارچوب بخشبندی مشتریان (2008) ..48شکل 2-9 مفهوم مدل ارائه شده توسط شییو و همکاران (2009) ……………………50شکل 2-10 مدل ارائه شده توسط مرتضی نامور و همکاران (2010) ………………….59شکل 3-1 متدولوژی تحقیق …………………………………………………60شکل 32 اولین مدل توسعه داده شده جهت بخش بندی مشتریان بر اساس ارزش آنها …..61شکل 33 دومین مدل توسعه داده شده جهت بخش بندی مشتریان بر اساس ارزش آنها ….63شکل 3-4 سومین مدل توسعه داده شده جهت بخش بندی مشتریان بر اساس ارزش آنها …68شکل 4-1 نمودار فراوانی گروه نمونه بر حسب سطح تحصیلات ………………………69شکل 4-2 نمودار فراوانی گروه نمونه بر حسب جنسیت ……………………………83شکل 4-3 نمودار شاخص دیویس بولدین نسبت به تعداد خوشه‌ها برای 347 مشتری …….85شکل 4-4 نمودار شاخص دیویس بولدین نسبت به تعداد خوشه‌ها برای 346 مشتری …….
فهرست جدول‌ها
53جدول 2-1 خلاصهسازی متغیرهای ورودی استفاده شده در مدلهای بخشبندی (مرتضی نامور، 2010) ……………………………………………………………..55جدول 2-2 مدل‌های ارزش مشتری (زهرا طبائی، 2011) ………………………….68جدول 4-1 فراوانی و درصد فراوانی گروه نمونه بر حسب سطح تحصیلات ……………..68جدول 4-2 فراوانی و درصد فراوانی گروه نمونه بر حسب جنسیت ……………………71جدول 4-3 تبدیل متغیر اسمی تحصیلات به متغیر عددی با استفاده از کدگذاری 1 از 1-N71جدول 4-4 متغیرها بعد از کدگذاری 1 از 1-N ………………………………….72جدول 4-5 جدول امتیاز دهی به شاخص های i وj نسبت به یکدیگر در تکنیک AHP …..73جدول 4-6 ماتریس اولیه مقایسات زوجی شاخص های تراکنشی ……………………
73جدول 4-7 ماتریس مقایسات نرمال و وزن شاخص های تراکنشی محاسبه شده با روش تحلیل سلسله مراتبی ………………………………………………………76جدول 4-8 مقدار شاخص تصادفی جهت محاسبه نرخ سازگاری …………………….76جدول 4-9 بخش‌بندی 347 مشتری بر اساس متغیرهای جمعیت‌شناختی به روش SOM ..77جدول 4-10 بخش‌بندی 346 مشتری بر اساس متغیرهای جمعیت‌شناختی به روش SOM.. 77جدول 4-11 بخش‌بندی 360 مشتری بر اساس متغیرهای جمعیت‌شناختی به روش SOM .78جدول 4-12تعداد بهینه‌ی k در 8 بخش به دست آمده از مرحله‌ی اول ………………
79جدول 4-13 رتبه‌بندی خوشه‌ها بر اساس مجموع متغیرهای استاندارد شده R و F و M وزن‌دار در مدل اول…………………………………………………………
84جدول 4-14 رتبه‌بندی خوشه‌ها‌ی 347 مشتری بر اساس مجموع متغیرهای استاندارد شده R و F و M وزن‌دار ………………………………………………………..
85جدول 4-15 رتبه‌بندی خوشه‌ها‌ی 346 مشتری بر اساس مجموع متغیرهای استاندارد شده R و F و M وزن‌دار ………………………………………………………..87جدول 4-16 توزیع 346 مشتری در خوشه‌ها و مشخصه‌های جمعیت‌شناختی در مدل دوم..91جدول 4-17 مرکز خوشه‌های به دست آمده به روش SOM ……………………….
92جدول 4-18رتبه‌بندی خوشه‌ها‌ی 347 مشتری بر اساس مجموع متغیرهای استاندارد شده R و F و M وزن‌دار در مدل سوم ……………………………………………94جدول 4-19 ارزیابی و مقایسه مدل‌ها با استفاده از شاخص دیویس بولدین و مجموع مربعات
95جدول 4-20 مقایسه مدل‌ جامع پیشنهادی با مدل K میانگین با استفاده از شاخص دیویس بولدین و مجموع مربعات خطا ……………………………………………….

مقدمه
تغییر در عادات خرید مصرف‌کنندگان و فن‌آوری‌های در حال ظهور تحول سنگینی را در سراسر صنعت خرده‌فروشی بوجود آورده است. مصرف‌کنندگان با روشی که امروزه زندگی می‌کنند، در حال به چالش کشیدن این صنعت هستند. به پشتیبانی فن‌آوری‌های در حال ظهور، مصرف‌کنندگان بیش از همیشه بر روی قیمت و راحتی، متمرکز شده‌اند. از این رو، خرده‌فروشان باید قادر به متمایز ساختن واضح خود از رقبایشان با خدمات عالی به مشتریان، که توسط فن‌آوری امکان‌پذیر است، باشند. توجه به این امر برای جلوگیری از کاهش مشتری مهم است، زیرا هزینه دستیابی به مشتریان جدید نسبت به حفظ آنها بسیار بالاتر است. کلید زنده ماندن در این صنعت رقابتی، درک و شناخت بهتر مشتریان می‌باشد. یکی از روش‌های مورد استفاده برای درک مشتریان و شناسایی گروه‌های همگن، بخش‌بندی مشتریان است. بخشبندی مشتریان مسئله قابل توجهای در وضعیت تجاری رقابتی امروز است. مطالعات بسیاری کاربرد تکنولوژی داده‌کاوی را در بخشبندی مشتریان بررسی کردهاند و به تاثیراتش دست یافتهاند. روش داده‌کاوی، کمک فوق العاده‌ای به محققان برای استخراج دانش و اطلاعات پنهانی دادهها می‌کند. تجزیه و تحلیل مشتری که لازمه بخش‌بندی است، فروشگاه‌ها را قادر می‌سازد که با رفتار مشتریان هماهنگ‌تر باشند. علاوه بر این بخش‌بندی می‌تواند با برجستهکردن نیازهای برنامههای بازاریابی و گروه‌های مشتریان خاص، وضوح بیشتری را در فرآیند برنامه‌ریزی ایجاد کند.
در فصل اول این پژوهش، به ارائه کلیات تحقیق، بیان مسئله، ضرورت انجام آن و سوالات تحقیق پرداخته خواهد شد. متدولوژی و مدل‌های پیشنهادی نیز در غالب نمودار ارائه گردیده است.
در فصل دوم سوابق پژوهشی و ادبیات نظری تحقیق مطرح شده است. مقالات منتشر شده در زمینه بخش‌بندی و ادبیات آن مورد بررسی قرار می‌گیرد همچنین الگوریتم های موجود جهت بخش‌بندی مشتریان و کاربرد آن در صنایع مختلف بیان شده است.
در فصل سوم روش تحقیق مطرح شده است. شیوه جمع آوری داده‌ها، جامعه آماری و روش نمونه‌گیری بیان شده در پایان نیز مدل‌های جدید ارائه شده تشریح گردیده است.
در فصل چهارم، نتایج عددی حاصل از پیاده‌سازی مدل در فروشگاه‌های زنجیره‌ای مرکز اپل ایران شرح داده شده و مراحل پیاده سازی مدل‌های پیشنهادی در این فروشگاه زنجیره‌ای تشریح گردیده است.
در فصل پنجم مقایسه‌ی مدل‌ها و نتایج حاصل از پژوهش عنوان شده است. به سوالات مطرح شده پاسخ داده شده و بازخورد از خبرگان در مورد نتایج و یافته‌های پژوهش نیز مطرح می‌شود همچنین محدودیت‌های پژوهش بیان گردیده و در پایان پیشنهاداتی برای پژوهش‌های آتی ارائه شده است.
فصل اول:
کلیات تحقیق
فصل اول: کلیات تحقیق
1-1 مقدمه
در فصل اول این پژوهش، به ارائه کلیات تحقیق، بیان مسئله و ضرورت انجام آن و سوالات تحقیق پرداخته خواهد شد. متدولوژی و مدل‌های پیشنهادی نیز در غالب نمودار ارائه گردیده است.
1-2 ضرورت انجام تحقیق
شرکت‌ها در هر کسب و کاری، با گروه‌های مختلفی از مشتریان در ارتباط هستند. از این رو با توجه به منابع محدود، آنها باید مشتریان را بر اساس ارزششان رتبه‌بندی کنند تا بخش مناسبی از منابع بازاریابی را به مشتریان با ارزشتر اختصاص دهند و سود بیشتری کسب نمایند.
با وجود این رقابت بالا، شرکت‌ها باید سعی در جذب مشتریان جدید و حفظ مشتریان با ارزش‌تر، با فعالیت‌های ارزش افزوده باشند. مدیریت ارتباط با مشتری، ارتباط شرکت با مشتری را برای رسیدن به سود بیشتر بهبود می‌بخشد (طبائی و فتحیان10، 2011). شرکت‌ها بسیاری از اطلاعات ارزشمند در مورد مشتریان و تجارب خرید گذشتهشان را دارند. استفاده از این اطلاعات به آنها کمک میکند تا به بررسی منافع ، رضایت و وفاداری مشتری بپردازند. از این رو با استفاده از تکنیک داده‌کاوی و بخشبندی مشتریان به گروه‌های مختلف، شرکت‌ها می‌توانند استراتژی‌های بازاریابی سودآوری داشته باشند.
1-3 بیان مسئله
موضوع ارزش مشتری یک مسئله مهم در مدیریت ارتباط با مشتری است و روشهای متعددی برای پیدا کردن آن وجود دارد. در این تحقیق به ارائه یک متدولوژی جامع شامل سه مدل دو مرحله‌ای برای بخش‌بندی مشتریان بر اساس ارزش آنها می‌پردازیم. در این متدولوژی از دو پایگاه داده، شامل پروفایل شخصی مشتریان11 و داده‌های معاملاتی12 و استفاده می‌نماییم که در شکل 1-1 نشان داده شده است.
شکل 1-1 متدولوژی تحقیق
در مدل اول از این متدولوژی، ابتدا بخش‌بندی را بر اساس داده‌های جمعیت‌شناختی13 از پروفایل مشتریان با استفاده از شبکه عصبی خود سازمانده14 انجام می‌دهیم، سپس به بخش‌بندی دوباره هر کدام از بخش‌های نتیجه گرفته شده از مرحله اول بر اساس داده‌های معاملاتی (RFM وزن‌دار شده) بنا بر الگوریتم K میانگین می‌پردازیم در این روش K بهینه را در هر خوشه با روش دیویس بولدین به دست می‌آوریم و در نهایت بخش‌های بدست آمده را بر اساس ارزششان رتبه‌بندی می‌کنیم. که در شکل 1-2 نشان داده شده است.
شکل 1-2 اولین مدل توسعه داده شده جهت بخش بندی مشتریان بر اساس ارزش آنها
در مدل دوم از این متدولوژی، ابتدا مشتریان را بر اساس داده‌های معاملاتی (RFM وزن‌دار) با استفاده از الگوریتم K میانگین بخش‌بندی می‌نماییم، در این روش مقدار K بهینه از قبل توسط شاخص دیویس بولدین تعیین می‌شود. سپس هر بخش به دست آمده از مرحله اول را بر اساس داده‌های جمعیت‌شناختی با استفاده از شبکه عصبی خود سازمانده دوباره بخش‌بندی می‌نماییم و در نهایت بخش‌های بدست آمده را بر اساس ارزششان رتبه‌بندی می‌کنیم. که در شکل 1-3 نشان داده شده است.

شکل 13 دومین مدل توسعه داده شده جهت بخش بندی مشتریان بر اساس ارزش آنها
در مدل سوم از این متدولوژی، ابتدا مشتریان را با استفاده از شبکه عصبی خود سازمانده، بر اساس متغیرهای جمعیت‌شناختی و متغیرهای تراکنشی (RFM وزن‌دار) بخش‌بندی نموده سپس از تعداد خوشه‌ی بدست آمده (k) و مراکز خوشه‌ها به عنوان ورودی روش K میانگین برای بخش‌بندی دوباره مشتریان بر اساس متغیرهای جمعیت‌شناختی و تراکنشی استفاده می‌نماییم و در نهایت بخش‌های بدست آمده را بر اساس ارزششان رتبه‌بندی می‌کنیم. که در شکل 1-4 نشان داده شده است.
شکل 1-4 سومین مدل توسعه داده شده جهت بخش بندی مشتریان بر اساس ارزش آنها

1-4 سوالات تحقیق
در این تحقیق علاوه بر طراحی مدل به سوالات زیر پاسخ داده می‌شود:
– ارزش مشتریان بر اساس این مدل‌ها به چند بخش تقسیم می‌شود؟
– هر بخش از مشتریان دارای چه ویژگی‌هایی هستند؟
– کدام یک از مدل‌ها در مرکز اپل ایران کارایی بهتری را از خود نشان می‌دهد؟
1-5 روش و ابزار انجام تحقیق
متغیرهای ورودی مورد استفاده در بخشبندی، مرحلهای از فرایند مدیریت ارتباط با مشتری15 که بر آن تاکید می‌شود را نشان می‌دهد. متغیرهای جمعیتشناسی و متغیرهای تراکنشی (RFM) شایعترین متغیرهای ورودی مورد استفاده در ادبیات برای خوشه‌بندی مشتریان است. متغیرهای جمعیتشناسی که با تمام مراحل مدیریت ارتباط با مشتری در ارتباط هستند، نقششان در جذب مشتری اهمیت بیشتری دارد. از سوی دیگر، RFM اغلب در حفظ مشتری و توسعه آنها استفاده می‌شود. در این مطالعه هدفمان استفاده ترکیبی از این دو متغیر ورودی و تغییر ترتیب ورودشان برای بخش‌بندی مشتریان با استفاده از تکنیکهای داده‌کاوی شناخته شدهی K میانگین و شبکه عصبی نگاشت خود سازمانده است.
فصل دوم:
مبانی نظری
فصل دوم: مبانی نظری
2-1 مقدمه
در این فصل سوابق پژوهشی و ادبیات نظری تحقیق مطرح شده است. مقالات منتشر شده در زمینه بخش‌بندی و ادبیات آن مورد بررسی قرار گرفته و الگوریتم های موجود جهت بخش‌بندی مشتریان و کاربرد آن در صنایع مختلف بیان شده است.
یکی از روش‌های مورد استفاده برای درک مشتریان و شناسایی گروه‌های همگن، بخش‌بندی مشتریان می‌باشد. در عمل، بسیاری از خرده‌فروشان، روش بخش‌بندی را برای بهبود کارایی بازاریابی و خدمات به مشتریان خود اتخاذ کرده‌اند (پراسد16 و همکاران، 2011). ارتباط بسیار روشنی بین رضایت، وفاداری و ارزش مشتری وجود دارد. این رابطه باعث عملکرد شرکت می‌شود. شکل 2-1 این رابطه را نشان می‌دهد. مشتریان راضی خرید بیشتری را در طول عمر خود انجام میدهند و پس از مدت کوتاهی آنها تبدیل به مشتریان وفادار می‌شوند. مشتریان وفادار نیز برای شرکت و بهبود عملکرد شرکت ایجاد ارزش میکنند (مالتوس و مولهرن17، 2008).
شکل 2-1 رابطه بین رضایت وفاداری و ارزش مشتری (مالتوس و همکاران،2008).
2-2 مدیریت ارتباط با مشتری
از اوایل دهه 1980، مفهوم مدیریت ارتباط با مشتری در بازاریابی که شامل چهار بعد: شناسایی، جذب، نگهداری و توسعه مشتری است، اهمیتش را نشان داد. درک یک تعریف اثبات شده از مدیریت ارتباط با مشتری مشکل است، ما می‌توانیم آن را به عنوان یک استراتژی جامع و فرایند بدست آوردن، نگهداری و شراکت با مشتریان انتخابی برای ساختن یک ارزش خاص برای شرکت و مشتریان تشریح کنیم (سید حسینی، 2010). آنتون و هوئک18 نیز آن را به صورت یک تجارت جامع و استراتژی بازاریابی که تکنولوژی، فرایند و همه فعالیتهای تجاری در حوزه مشتری را کامل میکند، بیان می‌دارند. برون19، مدیریت ارتباط با مشتری را به عنوان استراتژی کلیدی جامعی برای متمرکز ماندن بر نیازهای مشتری و یکپارچه‌کردن روش‌های برخورد با مشتری در سازمان تشریح میکند. همچنین چاترجی20 آن را به عنوان نظامی برای هدایت و بهبود فرایندهای تجارت که در مکانهای فروش، مدیریت، خدمات و پشتیبانی از مشتریان استفاده شده است، تعریف میکند. بنا به نظر فینبرگ و کادام21، وقتی که نرخ نگهداری از مشتری 5 درصد زیاد شود، سود به میزان 25 تا 80 درصد زیاد میشود (سید حسینی، 2010).
2-2-1 مزایای استفاده از مدیریت ارتباط با مشتری
در دهه گذشته، مدیریت ارتباط با مشتری توسط بسیاری از نویسندگان مورد توجه قرار گرفته است، و نقش حیاتی در اقتصاد و کسب و کار جدید ایفا کرده است. برخی از مزایای بالقوه آن به شرح زیر است: (1) افزایش حفظ و وفاداری مشتری، (2) سودآوری بالاتر مشتری، (3) ایجاد ارزش برای مشتری، (4) سفارشی کردن محصولات و خدمات، (5) کاهش فرآیند، ارائه محصولات و خدمات با کیفیت بالاتر (استون22 و همکاران 2006).
الهی و حیدری مزایای استفاده از مدیریت ارتباط با مشتری را به سه بخش کلی تقسیم کردند که عبارتند از: (1) افزایش سوددهی و منابع، (2) صرفهجویی و کاهش هزینه، (3) تاثیرات سازمانی.
افزایش سوددهی و منابع:
بهبود قابلیت جذب و نگهداری مشتریان
ایجاد وفاداری و افزایش سود
ارتقاء ارزش مشتری
افزایش سوددهی مشتریان
افزایش مدت زمان نگهداری و وفاداری مشتریان
صرفهجویی و کاهش هزینه:
ارتقاء سرویسدهی بدون افزایش هزینه آن
کاهش هزینههای فروش
جذب مشتریان جدید با هزینه پایینتر
کاهش هزینههای مربوط به سرویسدهی مشتریان
تاثیرات سازمانی:
مدیریت کارا و موثر ارتباطات مشتری توسط سازمانها
ایجاد مزیت رقابتی
تاثیرات مثبت در کارائی سازمان
وفاداری به نام تجاری23 (1384).
2-2-2 انواع فناوریهای مدیریت ارتباط با مشتری
انواع فناوریهای مدیریت ارتباط با مشتری به شرح زیر میباشد:
2-2-2-1 مدیریت ارتباط با مشتری عملیاتی
توسط مدیریت ارتباط با مشتری عملیاتی24 (OCRM) تمام دادههای مشتریان از طریق نقاط تماس با آنها مانند مرکز تماس، سیستمهای مدیریت تماس، پست، فکس، نیروهای فروش و وب جمع‌آوری میشود. این بانک اطلاعاتی برای تمام کارمندان و کاربران مرتبط با مشتری قابل دسترس میباشد.
یک نوع از مدیریت ارتباط با مشتری عملیاتی همان مرکز تماس و مدیریت تماس با مشتریان است. این سیستم می‌تواند یک بررسی کامل و جامع از اطلاعات مرتبط با مشتریان ارائه دهد. این مرکز 100% متمرکز بر مشتری است. مزیت این نوع از CRM، خصوصی‌سازی ارتباط با مشتری و وسعت دادن پاسخهای سازمانی مورد نیاز مشتریان است.
2-2-2-2 مدیریت ارتباط با مشتری تحلیلی
دادههای ذخیره شده در بانک اطلاعاتی میانی توسط مدیریت ارتباط با مشتری تحلیلی25 (ACRM)، به وسیله ابزارهای آنالیز، مورد تجزیه و تحلیل قرار گرفته و در نتیجه پروفایل مشتریان تولید می‌شود. الگوهای رفتاری شناسایی شده، سطوح رضایت‌مندی تعریف میشود و همچنین از دستهبندی مشتریان پشتیبانی میگردد. این اطلاعات و دانش جمع‌آوری شده از ACRM، در بازاریابی و ارتقاء استراتژیها تاثیر زیادی دارد (الهی و حیدری، 1384).
تکنولوژیکیهای پشتیبانی از ACRM شامل درگاه26، انبار داده، موتورهای آنالیز و پیشبینی، قوانین انجمنی کشف الگو27، الگوهای زنجیرهای28، خوشهبندی29، دستهبندی و ارزیابی ارزش مشتری30، میباشد. این موارد حاصل دسته‌بندی موثر مشتریان و پیشنهاد محصولات و سرویس‌های بهتر میباشد.
2-2-2-3 مدیریت ارتباط با مشتری الکترونیکی
مدیریت ارتباط با مشتری الکترونیکی (ECRM) باعث ایجاد قابلیتی میشود که اطلاعات مشتریان در تمام نقاط تماس در داخل شرکت و نیز بین شرکای خارجی شرکت در اینترنت و اینترانت قابل دسترسی باشد. این نوع از سیستم ها اجازه می‌دهند که کاربران داخلی و خارجی از طریق اینترنت و اینترانت به اطلاعات مرتبط با مشتریان دسترسی داشته باشند.
ECRM امکان سفارش آنلاین31، پست الکترونیکی، دانش موردنیاز در تولید پروفایل مشتریان، شخصی‌سازی سرویس‌ها، تولید پاسخهای خودکار به نامه الکترونیکی و راهنمای خودکار افراد را دارا میباشد. یک مرکز ارتباط الکترونیکی از کانالهای چند رسانهای شامل مرکز ارتباط تلفنی با مشتری، وب سایت، اتاقهای صحبت آنلاین32 و سرویسهای پست الکترونیکی تشکیل میگردد. به طور کلی ECRM باعث بالا رفتن کیفیت بازاریابی میگردد.
2-2-2-4 مدیریت ارتباط با مشتری مشارکتی
مدیریت ارتباط با مشتری مشارکتی33 همان سیستمهای مدیریت ارتباط با مشتری هستند که با سیستمهای بزرگ سازمانی یکپارچه شدهاند تا امکان پاسخدهی بالاتری را به مشتری در طول زنجیره تامین فراهم نمایند. یک سیستم CCRM میتواند زمینه فروش دانش و ابزارها را به هر کسی در سازمان پیشنهاد کند و به گردش فروش در طول کانالهای مرکز ارتباط تلفنی با مشتری34 کمک کند. یک CCRM میتواند به کارمندان سازمان، تهیه‌کنندگان و حتی شرکاء نیز توسعه یابد.
2-3 دادهکاوی
دادهکاوی به معنای کشف الگوهای مفید از دادهها میباشد. تکنیک‌های داده‌کاوی قادر به استخراج مشخصه‌ها و نیازهای مخفی مشتریان از پایگاه داده‌های بزرگ هستند. کاربردهای داده‌کاوی در مدیریت ارتباط با مشتری توجه دانشگاهیان را به خود جلب کرده است و نرخ تحقیقات مرتبط همچنان رو به افزایش است. همه مدل‌های داده‌کاوی مانند طبقه‌بندی و خوشه‌بندی می‌توانند عناصر مدیریت ارتباط با مشتری را که شامل شناسایی، جذب، حفظ و توسعه مشتری است، پشتیبانی کند (آخوندزاده نوقابی و همکاران، 2013).
تعاریف مختلفی از دادهکاوی وجود دارد که بعضی از آنها عبارتند از:
داده‌کاوی فرایند اکتشاف و تحلیل حجم زیادی از داده به وسیله ابزارهای خودکار و نیمه خودکار به منظور کشف قواعد و الگوهای معنی‌دار می‌باشد (رایجیالسکی35 و همکاران، 2002).
داده‌کاوی یک فرایند شناخت الگوهای معتبر، جدید، مفید و قابل فهم از دادهها میباشد (فایاد36 و همکاران، 1996). اما تعریفی که اکثر مراجع به اشتراک آن را ذکر میکنند عبارت است از “استخراج اطلاعات و دانش و کشف الگوهای پنهان از یک پایگاه داده بسیار بزرگ و پیحیده” (رضایی‌نیا، 1388).
امروزه ابزارهای دادهکاوی دادهها را آنالیز کرده و الگوهای دادهای را کشف میکند. شکاف موجود بین داده و اطلاعات سبب ایجاد نیاز برای ابزارهای دادهکاوی شده است تا دادههای بیارزش را به دانشی ارزشمند تبدیل کند. اکنون داده‌کاوی به صورت وسیعی توسط شرکتها، با تمرکز بر روی مشتریان خود، مسائل مادی، ارتباطات و تشکیلات بازار استفاده میشود.

در این سایت فقط تکه هایی از این مطلب با شماره بندی انتهای صفحه درج می شود که ممکن است هنگام انتقال از فایل ورد به داخل سایت کلمات به هم بریزد یا شکل ها درج نشود

شما می توانید تکه های دیگری از این مطلب را با جستجو در همین سایت بخوانید

ولی برای دانلود فایل اصلی با فرمت ورد حاوی تمامی قسمت ها با منابع کامل

اینجا کلیک کنید

دادهکاوی این شرکتها را قادر میسازد که ارتباط عوامل درونی (مانند قیمت، وضعیت تولید یا مهارت کارمندان) با عوامل بیرونی (مانند شاخصهای اقتصادی، رقابت و جمعیت مشتریان) را تعیین و تاثیرات فروش، رضایت مشتریان و منابع مشترک را مشخص کند. در نهایت شرکت‌ها می‌توانند در بین خلاصه اطلاعات برای مشاهده جزئیات تراکنش دادهها به جستجوی سریع بپردازند.
2-3-1 فرایندهای دادهکاوی
برخی مولفین دادهکاوی را مترادف عبارت اکتشاف دانش از پایگاههای داده میدانند و بقیه به دادهکاوی به عنوان یک مرحله ضروری از فرایند بزرگتر یعنی اکتشاف دانش در پایگاه داده مینگرند که به اختصار به آن KDD 37 میگویند که شامل مراحل زیر میباشند.
1- پاکسازی داده38: حذف دادههای مزاحم و ناایستا.
2- یکپارچهسازی دادهها39: ترکیب منابع داده متعدد و پراکنده و احیانا ناهمگن.
3- انتخاب دادهها40: بازیابی دادههای مربوط به عمل کاوش از پایگاه دادهها.
4- تبدیل دادهها41: تبدیل یا تلفیق دادهها به اشکالی مناسب برای بکار بردن روشهای مختلف آماری.
5- دادهکاوی42: مرحلهای ضروری از فرایند KDD است که در آن از روشهای مختلف آماری برای استخراج الگوها استفاده میشود.
6- ارزیابی الگوها43: شناسایی الگوهای جذاب ارائه دانش.
7- ارائه دانش44: ارائه دانش استخراج شده با استفاده از تکنیکهای نمایش اطلاعات.
در شکل 2-2 مراحل کشف دانش نشان داده شده است.
شکل 2-2 فرایند کشف دانش، (نیاگا و هاردینگ45، 2006)
2-3-2 فعالیتها و کاربردهای دادهکاوی
در عمل دو هدف اصلی دادهکاوی شامل پیشگویی و توصیف میباشد. پیشگویی شامل بکارگیری بعضی متغیرها یا فیلدها در مجموعه دادهها برای پیشگویی مقادیر ناشناخته یا آتی دیگر متغیرها میباشد. از سوی دیگر توصیف، بر روی یافتن الگوهای توصیف دادهها که توسط انسانها قابل تفسیر هستند، تاکید دارد. بنابراین میتوان فعالیتهای دادهکاوی را در دو گروه زیر طبقه‌بندی کرد (رضایی‌نیا، 1388):
دادهکاوی پیشبینیکننده46 که مدلی از سیستم را ارائه میدهد، توسط مجموعه دادههای مشخصی توصیف می‌شود.
دادهکاوی توصیفی47 که اطلاعات جدید و غیر بدیعی را بر اساس مجموعه دادههای موجود ارائه میدهد.
در طیف پیشبینی، هدف کلی دادهکاوی ایجاد مدلی است که به عنوان یک برنامه و کد اجرایی بتوان از آن برای طبقه‌بندی، پیشبینی، برآورد و دیگر اعمال مشابه استفاده نمود. از طرف دیگر در طیف توصیفی، هدف کلی بدست آوردن یک شناخت از سیستمهای تجزیه و تحلیل شده توسط الگوها و روابط آشکار در مجموعه داده‌های بزرگ می‌باشد. اهداف پیشبینی و توصیفی با استفاده از روشها و تکنیکهای دادهکاوی محقق میگردد. در شکل 2-3 انواع فعالیتهای دادهکاوی مشخص میشود.
شکل 2-3 انواع فعالیتها و کاربردهای دادهکاوی (مرادی، 1390)
2-3-2-1 روشهای دادهکاوی پیشبینیکننده
هدف از انجام پیشبینی تعیین ترکیب خروجی با استفاده از رفتار موجود میباشد. در واقع رسیدن به یک نتیجه به وسیله اطلاعات موجود از دادهها میباشد. مشخصههای خروجی در این روش میتوانند عددی و قیاسی باشند. این استراتژی در بین استراتژیهای دادهکاوی از اهمیت خاصی برخوردار است و مفهوم کلیتری را نسبت به موارد دیگر دارد. همانطور که در شکل قبل نشان داده شد روشهای پیشبینیکننده به شرح ذیل میباشد:
2-3-2-1-1 طبقهبندی
طبقهبندی48 در واقع ارزشیابی ویژگیهای دادهها و سپس اختصاص دادن آنها به مجموعهای از دادههای از پیش تعیین شده است. این متداولترین قابلیت دادهکاوی میباشد. دادهکاوی را میتوان با استفاده از دادههای تاریخی برای تولید یک مدل یا نمایی از یک گروه بر اساس ویژگی دادهها به کار برد. سپس میتوان از این مدل تعریف شده برای طبقه‌بندی مجموعه دادههای جدید استفاده کرد. همچنین میتوان با تعیین نمایی که با آن سازگار است برای پیش‌بینیهای آتی از آن بهره گرفت.
برای مثال برای طبقهبندی تخلفات و کلاهبرداریها در صنعت و اعتبارات بانکی، با استفاده از قابلیت طبقهبندی داده‌کاوی، سیستم با استفاده از مجموعهای از پیش تعریف شده از دادهها، آموزش میبیند. مجموعه دادههای مورد استفاده در این نمونه باید هم شامل مجموعه‌هایی از دادههای معتبر باشند و هم شامل مجموعههایی از دادههای جعلی، از آنجا که این دادهها از پیش تعیین شده هستند، سیستم پارامترهایی را مییابد که میتوان از آنها برای تشخیص طبقهبندی متمایز استفاده کرد. بعد از تعیین پارامترها سیستم از آنها برای طبقهبندیهای بعدی بهره خواهد گرفت. در واقع سیستمهایی که بر اساس طبقهبندی دادهکاوی میکنند، دو مجموعه ورودی دارند:
یک مجموعه آموزشی که در آن دادههایی که به طور پیش فرض در دستههای مختلف قرار دارند، همراه با ساختار دستهبندی خود وارد سیستم میشوند و سیستم بر اساس آنها به خود آموزش میدهد یا به عبارتی پارامترهای دسته‌بندی را برای خود مهیا میکند. دسته دیگر از ورودیهایی هستند که پس از مرحله آموزش و برای تعیین دسته وارد سیستم میشوند. تکنیکهای دادهکاوی که برای دستهبندی بکار میآیند عموما شامل تکنیکهای شبکه عصبی49 و درخت تصمیمگیری50 هستند.
2-3-2-1-2 رگرسیون
رگرسیون از مقادیر موجود برای پیشبینی مقادیر دیگر استفاده میکند. در سادهترین فرم رگرسیون، از تکنیکهای آماری استاندارد مانند رگرسیون خطی51 استفاده میکنند. متاسفانه بسیاری مسائل دنیای واقعی تصویر خطی سادهای از مقادیر قبلی نیستند. بنابراین تکنیکهای پیچیدهتری مانند رگرسیون لجستیک52، درختهای تصمیم و یا شبکههای عصبی ممکن است برای پیشبینی مورد نیاز باشند.
مدلهای یکسانی را میتوان هم برای رگرسیون و هم برای طبقهبندی استفاده کرد. برای مثال الگوریتم درخت تصمیم CART را میتوان برای ساخت درختهای طبقهبندی و هم درختهای رگرسیون استفاده کرد. شبکههای عصبی را نیز میتوان برای هر دو مورد استفاده کرد.
2-3-2-1-3 سریهای زمانی
پیشبینی از طریق سری‌های زمانی53 برای مقادیر ناشناخته آینده، بر اساس یک سری از پیشگویی‌های متغیر با زمان صورت میگیرد. این روش از نتایج معلوم قبلی برای اعمال پیشگوییهای بعدیاش بهره میبرد. مدلها باید دارای ویژگیهای مشخص زمانی مخصوصا به صورت سلسه مراتب دورههای زمانی (پنج یا هفت روز هفته، سیزدهم ماه از سال…)، فصلی، دادههای تاریخی و توجه خاص به گذشته داشته باشند.
2-3-2-2 روشهای توصیفی دادهکاوی54
همانطور که گفته شد در طیف توصیفی، نهایت کار و هدف کلی بدست آوردن یک شناخت از سیستمهای تجزیه و تحلیل شده توسط الگوها و روابط آشکار در مجموعه دادههای بزرگ میباشد. روشهای توصیفی به شرح زیر میباشد.
2-3-2-2-1 خلاصه سازی55
قبل از اینکه بتوان روی مجموعهای از دادهها دادهکاوی انجام داد تا یک مدل پیشبینی مناسب ایجاد شود، باید بتوان دادهها را به خوبی شناخت که برای شروع این کار میتوان از پارارمترهایی مثل میانگین، انحراف معیار و… استفاده کرد. ابزارهای تصویرسازی دادهها و گرافسازی برای شناخت دادهها و نقش آنها در آماده‌سازی بسیار مفید و غیرقابل انکار میباشد. مثلا با استفاده از این ابزارها میتوان توزیع مقادیر مختلف دادهها را در یک نمودار مشاهده کرد و میزان داده‌های دارای خطا را بطور تقریبی حدس زد.
مهمترین مشکل این ابزار این است که معمولا تحلیلها دارای تعداد زیادی پارامتر می‌باشند که به هم مربوط هستند و باید رابطه این پارامترها را که چند بعدی میباشد در دو بعد نمایش دهند، که این کار اگر هم عملی باشد برای استفاده از آنها نیاز به افراد خبره میباشد.
2-3-2-2-2 قوانین انجمنی56
اساسا ارتباط میان مجموعه‌ی اشیاء (چیزها) وابستگیهای جالب توجهی هستند که منجر به امکان آشکارسازی الگوهای مفید و قوانین وابستگی برای پشتیبانی تصمیم، پیشبینیهای مالی، سیاستهای بازاریابی، وقایع پزشکی و… میشود که توجه زیادی را در تحقیقات اخیر به خود جلب کرده است.
در این تکنیک رابطه وابستگی بین متغیرهای مختلف در پایگاه دادهها شناسایی میشود این روش بین مدیران بازاریابی و عمدهفروشان به نام سبد بازار معروف است. این روش یک حالت غیر نظارتی57 داده میباشد که به جستجو برای یافتن ارتباط در مجموعه دادهها میپردازد. یکی از کاربردیترین حالات تحلیل وابستگیها، تجزیه و تحلیل سبد بازار میباشد که در آن هدف یافتن کالاهایی است که معمولا به طور همزمان خریداری میشوند. این کار کمک میکند که خرده‌فروشان بهتر بتوانند کالای خود را سازماندهی کرده و چیدمان بهتری از محصولات خود داشته باشند (مرادی، 1390).
2-5 خوشهبندی
فرآیند گروه‌بندی مجموعه‌ای از اشیاء را در رده اشیاء مشابه، خوشه‌بندی58 می‌نامیم.
در داده‌کاوی، روش‌های خوشه‌بندی، کل مجموعه داده‌ها را به گروه یا خوشه‌های نسبتا همگنی تقسیم می‌کند. داده‌ها بر اساس اصل به حداکثر رساندن تشابه در داخل خوشه و به حداقل رساندن شباهت خوشه‌ها، گروه‌بندی می‌شوند، یعنی خوشه‌ها به طوری که اشیاء درون یک خوشه با توجه به یکدیگر تشابه بالایی دارند، اما بسیار بی‌شباهت به اشیاء در خوشههای دیگر می‌باشند شکل می‌گیرند. تکنیک‌های خوشهبندی، تجزیه و تحلیل داده را بدون استفاده از یک برچسب کلاس شناخته شده انجام می‌دهد. برخلاف تکنیکهای طبقهبندی، که به تجزیه و تحلیل داده‌های نشان‌دار با کلاس اشیاء می‌پردازد، برچسبهای کلاس در داده‌های آموزشی وجود ندارد، تنها به این دلیل که آنها در ابتدا شناخته شده نیستند. خوشه‌بندی برای تولید چنین برچسب‌های کلاسی استفاده میشود. هر خوشهای که تشکیل شده است می‌تواند به عنوان یک کلاس از اشیاء مشاهده شود، که قوانینی از آن مشتق می‌شود.
در خوشهبندی ابتدا مجموعه‌ای از داده‌ها را به گروه‌هایی بر اساس تشابه تقسیم می‌کنیم و پس از آن برچسب‌هایی را به تعداد نسبتا کمی از گروه‌ها، اختصاص می‌دهیم. مزیت مهم یک فرآیند مبتنی بر خوشه‌بندی این است که به تغییرات سازگار است و به بدست آوردن ویژگی‌های مفیدی که گروههای مختلف را از هم متمایز می‌کند کمک می‌کند (پراسد59 و همکاران، 2011).
2-5-1 مزایای روش خوشهبندی
مزایای روش خوشهبندی عبارتند از:
این روش را میتوان برای دادههای گوناگون استفاده نمود.
با انتخاب درست اندازه فاصلههای گوناگون خوشهبندی را میتوان برای بیشتر دادهها استفاده کرد.
خوشهبندی یک روش غیر مستقیم است.
قدرت روش خوشهبندی به غیر مستقیم بودن آن است بدین معنی که این روش را میتوان حتی هنگامی که هیچ نوع اطلاعات قبلی از ساختار داخلی پایگاه داده نداریم استفاده کنیم. از این روش میتوان برای کشف الگوهای پنهان و بهبود عملکرد روشهای مستقیم نیز استفاده نماییم.
استفاده از این روش آسان است و نتایج آن برای مدیران قابل فهم است.
در این روش لازم نیست که بعضی فیلدها را به عنوان ورودی و بعضی دیگر را به عنوان خروجی در نظر بگیریم و در بیشتر روشهای خوشهبندی کمتر به وزندهی دادهها نیاز است.
با این کار مروری سریع بر دادهها انجام میشود.
در حالتی که گروههای زیادی در دادهها وجود دارد، مفید میباشد.
در حالتی که اندازهگیری مشابهتهای غیر معمولی نیاز است، مناسب میباشد.
این روش را میتوان برای دادههای گوناگون به کار برد.
نتایج خوشهبندی قابل تفسیر و استفاده است (البته یک ایراد خوشهبندی این است که نتایج آن را میتوان به صورتهای متفاوت تفسیر کرد).
2-5-2 الگوریتم K میانگین
از طریق خوشه‌بندی می‌توان مناطق متراکم و پراکنده از فضای جسم، که منجر به کشف الگوهای توزیع کلی و ارتباط جالب میان ویژگی دادهها می‌شود را شناسایی کرد. یک کاربرد تجاری مهم خوشه‌بندی این است که به سازمانهایی که نیاز به گروه‌های مشخص در پایگاه‌های مشتری دارند، کمک می‌کند و گروه‌های مشتریان را بر اساس الگوهای خریدشان مشخص می‌کند. تکنیک‌های تجزیه و تحلیل خوشه‌بندی عمدتا بر روش‌های مبتنی بر فاصله متمرکز هستند، روش رایج آن خوشه‌بندی K میانگین است. یک پایگاه داده از n شی تشکیل شده است، این روش K جزء از داده‌ها را می‌سازد، که در آن هر یک از اجزاء متعلق به یک خوشه است همچنینK ≤ n می‌باشد. این گروه‌ها با هم به طور کلی شرایط زیر را برآورده می‌سازند: 1) هر گروه باید حداقل شامل یک شی باشد، 2) هر شی باید دقیقا به یک گروه تعلق داشته باشد. هر خوشه مقدار میانگین ​​از اشیائی که در آن موجود است را نشان می‌دهد. اگر چه این روش برای مدت طولانی ‌ایست که استفاده می‌شود، اما برای اولین بار توسط استوارت لوید60 در سال 1982 منتشر شد (پراسد، 2011).
این الگوریتم به طور رایج استفاده می‌شود و هدفش بهینه سازی یک تابع هدف است که این گونه توصیف می‌شود:
(2-1) در معادله بالا، m_i مرکز خوشه c_i است که d(x-m_i) فاصله اقلیدسی بین نقطه x و m_i است. بنابراین، تابع معیار E، فاصله هر نقطه از مرکز خوشه‌ای که به آن متعلق دارد را حداقل می‌نماید (شکل 2-4). در واقع، الگوریتم به وسیله‌ی مقداردهی اولیه برای یک مجموعه از k مرکز خوشه آغاز می‌شود. سپس هر شی از مجموعه داده را به خوشه‌ای نسبت می دهد که مرکز آن از همه‌ی خوشه‌ها نزدیک‌تر است و دوباره مراکز را محاسبه می‌کند. فرایند ادامه پیدا می‌کند تا مراکز خوشه‌ها تغییر نکند (کوکابن کبس61،2007).
شکل 2-4 الگوریتم خوشه‌بندی K میانگین (کارگری و سپهری، 2012)
2-4 بخشبندی
بخشبندی مشتریان، به عنوان مرحله اولیه از فرایند مدیریت ارتباط با مشتری، مسئله قابل توجهی در وضعیت تجاری رقابتی امروز است. مطالعات زیادی در زمینه‌ی کاربرد تکنولوژی داده‌کاوی در بخشبندی مشتریان و تاثیراتش موجود می‌باشد (استون، 2006)، اما بسیاری از آنها مشتری را تنها از یک نقطه نظر، به جای استفاده از یک متدولوژی سیستماتیک بخشبندی کرده‌اند.
چای و چان62 روش‌های موجود بخشبندی مشتری را به روشهای متدگرا و کاربردگرا طبقه‌بندی کردند (2008). اکثر نویسندگان تغییر بعضی از تکنیکهای خوشه‌بندی داده مانند نگاشت خود سازمانده و یا استفاده از ترکیبی از دو یا چند تکنیک داده‌کاوی برای رسیدن به خوشه‌ها یا بخشهای دقیق‌تر را ارائه دادهاند (جانکر63 و همکاران، 2004، لی64 و همکاران، 2004، هوانگ65 و همکاران، 2007، کیم66 و همکاران 2008). آنها معمولا متغیری جدید برای فرایند خوشه‌بندی تعریف و ایجاد میکنند و یا از متغیرهای مختلف در مراحل خوشهبندی ترتیبی استفاده میکنند (کیم و همکارانش، 2006، هوانگ وهمکارانش، 2004، چای و چان67، 2008، استون68 و همکارانش، 2006، سیه69، 2004، چانگ70 و همکارانش، 2007، شییو71 و همکارانش، 2009، مککارتی72 و همکارانش، 2007، لی و همکارانش، 2005، چنگ73 و همکارانش، 2009).
2-4-1 اهداف بخشبندی
اگرچه بخشبندی مشتری و بخشبندی بازار به صورت مشابه در ادبیات در نظر گرفته شده است، اما تفاوت‌های مهم در مورد در دسترس بودن داده‌ها برای مکانیسم خوشهبندی آنها وجود دارد.
هدف از بخشبندی بازار معمولا به دست آوردن مشتریان جدید (مرحله اول فرایند مدیریت ارتباط با مشتری) با استفاده از داده‌های اجتماعی-جمعیتی است. در حالی که بخشبندی مشتری در تمام مراحل مدیریت ارتباط با مشتری، با استفاده از داده‌های اجتماعی-جمعیتی و دادههای معاملاتی کاربرد دارد. “ما می‌توانیم تصور کنیم که حفظ مشتری مهم‌تر از کسب مشتری است، به دلیل عدم اطلاعات از مشتریان جدید انتخاب مشتریان هدف دچار مشکل شده و این باعث تلاشهای بازاریابی ناکارآمد می‌شود” (هوانگ74 و همکاران، 2004).
هدف از بخشبندی شناسایی نیازهای مشتریان و تعیین دقیقتر خصوصیات هر کدام از بخشها میباشد. بعد از بخش‌بندی، سازمان میتواند یک یا چند بخش را با توجه به معیارهای مورد نظر خود به عنوان مشتریان هدف انتخاب نماید و در جهت مدیریت بهتر ارتباط با آنها و خدمتدهی مناسبتر، استراتژیهایی را تدوین نماید. همچنین شناسایی مشتریان با ارزش و وفادار میتواند برای سازمان فرصتهای سودآوری را در پی داشته باشد و بقای آن را در عرصه رقابت حفظ نماید.
دستورالعمل بخشبندی بدین صورت است که ابتدا باید مشخص شود که به چه دادههایی نیازمندیم و چگونه باید آنها را جمعآوری نماییم. گردآوری دادهها و یکپارچه کردن آنها از منابع مختلف مرحله بعد خواهد بود. همچنین روشهای تحلیل داده برای بخشبندی نیز باید تعیین گردد. پس از آنالیز دادهها و بخشبندی، این اطلاعات باید در دسترس بخشهای مختلف قرار گرفته و راهکارهایی برای پاسخدهی و استفاده بهتر پیادهسازی گردد که البته باید متناسب با استراتژیهای مطلوب سازمان برای هر بخش با توجه به تواناییها، امکانات و جایگاه سازمان و نیز تحلیل و شناخت ویژگیهای آن باشد.
2-4-2 مزایای بخشبندی مشتریان
گاهی در سازمانها به منافع استراتژیک بخشبندی توجه کافی نمیشود. بخشبندی مشتریان با ایجاد چارچوبی به سازمان کمک میکند که گروه هدف خود را بهتر انتخاب نموده و منابع محدود خود را به طور بهینه و موثری برای تامین رضایت آنها و در نتیجه سودآوری بیشتر به کار برد. بیشتر استراتژیهای تجاری موفق بر مبنای بخشبندی مشتری و تمرکز منابع در بخشهای با ارزش‌تر استوار هستند و در نتیجه از موثرترین مزیتهای بخشبندی افزایش مطلوبیت استفاده از منابع سازمان میباشد.
موارد زیر مهمترین مزایای بخشبندی میباشد:
خدمترسانی بهتر با توجه به نیازها و خواستههای مشتری و ایجاد ارتباط خاص با هر گروه
سودآوری بالاتر
فرصت برای رشد
روابط پایدار با مشتری در کلیه فازهای طول عمر مشتری
افزایش امکان نوآوری
افزایش سهم بازار
مدیریت ارتباط با مشتری بهتر
تعیین مشتریانی که پتانسیل سرمایهگذاری را دارند
نشان دادن زمینههای تحقیق و توسعه خدمات جدید
جهتدهی سازمان
2-4-3 معیارهای کلی بخشبندی
شاخصهای کلی جهت بخشبندی را میتوان به شاخصهای جمعیتشناسی، جغرافیایی، رفتارشناسی و روانشناسی تقسیم بندی کرد.
شاخصهای جمعیتشناختی75 شامل جنسیت، تحصیلات، تأهل، درآمد، شغل و محل زندگی و غیره میباشد. شاخص‌های جغرافیایی که البته میتوان آن را زیر مجموعه شاخصهای جمعیت‌شناختی نیز در نظر گرفت، میتواند تراکم جمعیت، نرخهای رشد و غیره باشد. شاخصهای رفتارشناختی میتواند شامل انگیزه، ارزشها، اولویتها، نگرش‌ها، حجم و ارزش خرید، دوره عمر، هدف خرید و استفاده از کالا خدمت یا منافع و انتظارات مشتری باشد. شاخصهای روانشناسی میتواند سبک زندگی و شخصیت مشتریان باشد.
معمولا شاخصهای جمعیتشناسی بهترین راه بخشبندی بازار نیستند. معمولا ترکیبی از شاخصهای ذکر شده برای بخشبندی مورد استفاده قرار میگیرد. از طرف دیگر معیارهای بخش‌بندی میتواند کاملا مرتبط با خدمت یا محصولی که ارائه میدهیم تعریف شوند.
همچنین از دیگر روشهای بخشبندی، بخشبندی بر اساس ارزش میباشد یعنی توجه به مشتریان بر اساس درآمدی که برای سازمان ایجاد میکنند و هزینهای که سازمان باید برای ایجاد و حفظ ارتباط با آنها بپردازد. تجربه نشان می‌دهد اگر تمرکز بخشبندی بر نیازهای مشتری باشد معمولا موثرتر است نسبت به زمانی که صرفا به سودآوری مشتری توجه شود. یکی دیگر از روش‌های بخشبندی که در مقالات علمی زیاد معرفی گردیده است به کار‌گیری مفهوم ارزش دوره عمر مشتری (LTV)76 است (برل و همکاران، 2008).
2-6 الگوریتم RFM
تجزیه و تحلیلRFM 77 برای چند دهه در بازاریابی مستقیم استفاده شده است (سید حسینی،2010). این روش رفتار مشتری را شناسایی می‌کند و ویژگی های رفتار مشتری را با سه متغیر به شرح زیر بیان می‌کند:
(1) تازگی آخرین خرید78 که به فاصله زمانی که آخرین خرید مصرفکننده تا الان اشاره دارد.
(2) فرکانس خرید79 که به تعداد معاملات در یک دوره خاص اشاره دارد.
(3) ارزش پولی خرید80 که به میزان مصرف پول در یک دوره خاص اشاره دارد.
تجزیه و تحلیل RFM در بسیاری از روشها مورد استفاده قرار گرفته است. RFM کلاسیک، هر یک از مشتریان را با پارامترهای ارزشش در برابر بقیه مشتریان رتبهبندی میکند و یک نمره RFM برای هر مشتری ایجاد میشود.
قدم اول این است که فایل مشتری را با توجه به اینکه چقدر اخیرا مشتری از این شرکت خریداری کرده است مرتب می‌کند. سپس پایگاه داده به پنج قسمت مساوی تقسیم میشود و به این پنج قسمت اعداد 1 تا 5 اختصاص داده می‌شود. بنابراین، به 20 درصد از مشتریان که به تازگی از این شرکت خریداری کردهاند شماره 5 را اختصاص میدهیم، به 20 درصد بعدی شماره 4 را اختصاص داده و الی آخر. مرحله بعدی شامل مرتب سازی بر اساس فرکانس و پول است. در نهایت، پایگاه داده به 125 گروه تقریبا مساوی (سلول) با توجه به مقدار تازگی، فراوانی، و ارزش پولی تقسیم شده است. مشتریان با نمرات بالا معمولا با ارزشترین و سودآورترین هستند (استون، 1994).

دسته بندی : پایان نامه ارشد

پاسخ دهید