نویان و سیمسک (2014) نشان دادند رضایت مشتری از بین تمام عوامل، مهم تـرین عامـلمؤثر بر وفاداری مشتری است. وفـاداری مشـتری بـه درک قیمـت نسـبی، درک تخفیـف، درککیفیت محصول، درک کیفیت خدمات، درک ارزش و رضایت بستگی دارد. درک قیمـت نسـبی،درک تخفیف و رضایت مشتری تأثیر مستقیم و مثبتی بر وفاداری مشتری دارند.
زکریا و همکاران (2014) در پژوهشی نشان دادند رابطه مثبت و معناداری بـین برنامـههـای وفاداری، رضایت مشتری و وفاداری مشتری وجود دارد. علاوه بر ایـن، نتـایج نشـان داد برنامـهشرکای فروشگاه، اعطای جایزه، پوشش بیمه و قیمت ویژه، به طـور شـایان تـوجهی بـر رضـایتمشتری اثر میگذارند و نیز، برنامه شرکای فروشگاه، برنامه روزانه اعضا، تخفیف و قیمـت ویـژه،تأثیر چشمگیری در وفاداری مشتری دارد.
مورکانی و ناتوری (2013) در پژوهشی به بررسی مدیریت ارتباط با مشتری از طریق تحلیـل RFM+I1 پرداختند. نتایج آن نشان داد مدیریت مشتری سـنتی، بـر بـه حداکثررسـاندن سـود ازمشتریان تمرکز دارد؛ درحالیکه بـا تحلیـلRFM+I کـه توانـایی انتشـار اطلاعـات را در نظـرمی گیرد؛ علاوه بر به حداکثررساندن سود، میتـوان مشـتریان جدیـدی را براسـاس ارتبـاط بـینمشتریان بهدست آورد.
عزیزی، حسین آبادی و بلاغی اینانل (1393) با هدف بخشبندی کاربران بانکداری اینترنتـیبرمبنای انتظارات و رویکرد داده کاوی، پژوهشی اجرا کردند. در این پژوهش، هفت بانک انتخـاب شد و برمبنای بررسی پیشینه پژوهش، انتظارات کاربران بانکداری اینترنتی در قالب 17 شـاخص شناسایی شدند. بهکمک پرسشنامه، داده های پژوهش از 274 کاربر خـدمات بانکـداری اینترنتـی بانک های منتخب گردآوری شدند. ابتدا براساس تحلیل عاملی اکتشافی پنج عامل سهولت کـاربری ، تنوع سبد خدمات، امنیت، سرعت و اطمینان، شناسایی شدند. در مرحله بعد بـا روش داده کـاویK- Means تعداد بهینه خوشهها برابر با 6 خوشه تعیین شد و سـپس انتظـارات خوشـه هـا در قالـب 5 عامل ارزیابی شـدند . نتـایج نشـان داد میـانگین انتظـارات و فراوانـی متغیرهـای جمعیـت شـناختیبررسی شده در خوشه ها متفاوت است؛ بنابراین خوشه های خارج شده کیفیت خوبی دارند.
آخوندزاده نوقای، البدوی و اقدسی (1393) با استفاده از روشهـای داده کـاوی پژوهشـی بـاهدف کاوش پویایی مشتری در طراحی بخشبندی اجـرا کردنـد. بـرای ایـن کـار، روش ترکیبـی جدیدی مبتنی بر الگوریتم K-means، روش های خوشه بندی سلسله مراتبـی و قـوانین انجمنـی ارائه شد و در دادههای واقعـی یکـ ی از شـرکت هـای مخـابراتی بـه کـار رفـت. براسـاس نتـایج به دستآمده، هفت گروه رفتاری متفاوت در انتقال مشتریان به بخـش هـای مختلـف وجـود دارد.
ــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــ
1. Influence
همچنین در رویکردی نوین، تلاش شده است تأثیر رفتار پویای مشتری در تغییرات بخش ها طی زمان تبیین شود.
رادفر، نظافتی و یوسفی اصلی (1393)، پژوهشی با عنوان »طبقه بندی مشـتریان اینترنـت بـاکمک الگوریتم های داده کاوی« اجرا کردند. در این پـژوهش، مـدل مناسـبی بـرای طبقـه بنـدی مشتریان برمبنای بهره گیری از خدمات اینترنت بانک ارائه شده است. این مدل براساس استاندارد CRISP-DM انجام گرفت و داده هـای پـژوهش از پایگـاه داده مشـتریان اینترنـت بانـک سـینا استخراج شد. از بین سایر درختان تصمیم گیری، درخت تصمیم نهایی مبتنی بر معیارهای بهینگی و دقت است و براساس دسته بندی مشتریان در سـه سـطح بـالا ، متوسـط و پـایین ، پـیش بینـی مشتریان جدید متقاضی استفاده از اینترنتبانک شـکل مـیگیـرد . ایـن پـژوهش از نظـر هـدف، کاربردی و از نظر گردآوری داده ها، پژوهشی اسنادی است. قوانین اسـتخراج شـده مشـتریان بـهمدیران بانک کمک میکند که براساس الگوهای کشف شده سیاست گذاری کنند و درک بهتـری از انتظارات کنونی و آتی مشتریان داشته باشند.
فتحیان و حسینی (1393) پژوهشی با عنوان »بررسی تأثیر اجتماعات مجازی در تقویت رفتار خرید مشتریان« اجرا کردند. این پژوهش اجتماع مجازی را به عنـوان مـدل کسـب وکـار در نظـر گرفته است که میتواند تأثیر بسزایی بر فرایند تصمیم گیری خرید مشتری داشته باشد و مدلی از عوامل مؤثر بر رفتار خرید مشتریان و تأثیرات و ارتباطات آنها را ارائـه مـی کنـد . تحلیـل آمـاری پاسخ های دریافتی از برنامه AMOS نشان داد عواملی نظیر کیفیت اطلاعاتی اجتمـاع مجـازی ، اعتماد افراد نسبت به یکدیگر، حس تعلق، برداشت اعضای اجتماع مجازی از سودمندی و قابلیت پذیرش نفوذ اعضا، بر رفتار خرید آنها بـه میـزان متفـاوتی تأثیرگـذار اسـت و همچنـین هویـت اجتماعی اعضا رابطه معناداری با قابلیت پذیرش نفوذ آنها ندارد.
یه، یانگ و تینگ (2008)، پژوهشی با هدف ارائـه روشـی جـامع بـرای انتخـاب اهـداف دربازاریابی مستقیم اجرا کردند که این روش شامل گسترش مدل RFM بـه RFMTC1 از طریـقاضافه کردن دو پارامتر مدت زمان از اولین خرید و احتمال روی گردانی مشـتری اسـت. مجموعـه دادههای این پژوهش از مراکز انتقال خون جمع آوری شده است. این مدل می تواند احتمال خریـددوباره مشتری در زمان بعدی (نزدیک) و تعداد کل دفعاتی را که مشتری در آینده خریـد خواهـدکرد را برآورد کند، نتایج نشان داد روش ارائه شده در پیش بینی، دقت بیشـتری نسـبت بـه مـدلRFM دارد.
ــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــ
1. Recency, Frequency, Monetary, Time, and Churn
چانگ و تسای (2004) در پژوهشی بـا عنـوان »ترکیـبSOM و K-means در داده کـاوی خوشه ای« مدل LRFM را با اضافه کردن طول ارتبـاط بـا مشـتری پیشـنهاد کردنـد . مجموعـه داده های این پژوهش از یک فروشگاه و مرکز خرید جمع آوری شده است. آنها پس از اسـتخراج داده های مدل و خوشه بندی، برای تحلیل از ترکیب دو ماتریس ارزش ( ترکیب دو شاخص F-M) و وفاداری (ترکیب دو شاخص (L-R بهره بردند و مشتریان را در پنج نوع و 16 دسته تقسیمبندی کردند. نتایج پژوهش نشان می دهد اضافه کردن این شـاخص ، سـبب بهبـود شناسـایی مشـتریانوفادار شده است.
مصلحی، کفاش پور و ناجی عظیمی (1393)، پژوهشی با عنـوان »اسـتفاده از مـدلLRFM برای بخش بندی مشتریان براساس ارزش چرخه عمر آنها« اجرا کردند. مجموعـه داده هـای ایـن پژوهش از شرکت بهپخش در ایران جمع آوری شده اسـت. در فراینـد پیشـنهادی ایـن پـژوهش،برمبنای روش دادهکاوی CRISP-DM، شش فـاز کلـی طراحـی شـد و پـس از تعیـین مقـادیر شاخصهای مدل LRFM و وزن دهی آنها، مشـتریان خوشـهبنـدی شـدند. بـا توجـه بـه نتـایجپژوهش، مشتریان در 16 گروه و پنج بخش اصلی مشتریان وفادار، بالقوه، جدید، ازدسـت رفتـه وپرمصرف، تقسیمبندی شدند و ارزش طول عمر آنها تعیین شد.
روششناسی پژوهش
روش پژوهش، مطالعه موردی است که براساس دادهکاوی اجرا میشود و داده های آن از یکـی از عمدهفروشی های مواد غذایی به دست آمده است. از آنجا که مبنای این پژوهش داده کاوی اسـت ، در ادامه نوشتار مراحل آن و شیوه آمادهسازی دادهها و نیز الگـوریتمهـای اسـتفاده شـده تشـریحمی شود.
جمع آوری و آماده سازی داده ها
مجموعه داده های مطالعه شده در این پژوهش به یکی از عمده فروشی های مواد غذایی طی یـکسال (از 1392 تا 1393) در استان البرز اختصاص دارد. این عمـدهفروشـی 607 مشـتری دایمـیدارد. مجموعه داده اصلیِ تراکنش و خریدهای مشتریان، شامل 329900 رکورد است کـه بعـد ازپاک سازی داده ها، پروفایل های ناقص شناسایی و حـذف شـدند. درنتیجـه تعـداد تـراکنش هـایمشتریان به 329878 رکورد و تعداد مشتریان به 594 کاهش یافت. در ادامـه فیلـدهایی بررسـی شدند که مرتبط با موضوع و هدف پژوهش هستند و فیلدهای نامرتبط و اضافی ( شـماره فـاکتور،نام مشتری، نام فروشگاه، نام فروشنده، نام انبار، نام کالا، عدد/کارتن، قیمت واحد) حـذف شـدند .
در جدول، 1 متغیرهای جدید و چگونگی محاسبه آنها آورده شده است.
جدول 1. چگونگی محاسبه متغیرهای جدید حاصل از مجموعه داده اولیه
چگونگی محاسبه متغیرهای جدید
= تعداد کل کالا (G)1
= تعداد کل برگشتی (T)2
= مبلغ کل تخفیف (S)3
= تعداد کل جایزه فروش (P)4
میانگین تأخیر توزیع (D)5
R = ( LDI) – (CD) تازگی (R)
F = distinct count of (FI) تعداد دفعات (F)
= ارزش پولی (M)

در جدول 1، متغیر i نشان دهنده کالای iام است؛ متغیر j نشان دهنده دفعاتی است که کالای iام توسط مشتری خریداری شده است؛ tn6 نشان دهنده تعداد کل؛ nr7 تعداد برگشـتی؛d 8 مبلـغتخفیف؛ np9 تعداد جایزه فروش؛ dd10 تاریخ توزیع؛ id11 تاریخ فاکتور (سفارش ؛) LDI12 آخرین تاریخ فاکتور برای مشتری؛ CD13 تاریخ مد نظر فعلی؛ FI14 شماره فـاکتور وA 15 نشـاندهنـده
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 مرحله یکپارچه سازی داده ها، مجموعه داده تـراکنش هـای مشـتریان بـا فیلـدهای جدیدی که پژوهشگر ایجاد کرده بود، ادغام شدند و در مرحله تبدیل داده ها، فرمت همه متغیرهـابه نوع عددی تغییر یافت.
روش های پیشنهادی برای ارزیابی وفاداری
در جدول 2، هر یک از متغیرهای اضافه شده به مـدلRFM و ایجـاد روشـی جدیـد و جـامعتـربراساس یک یا چند متغیر افزودهشده درج شده است.
جدول 2. روش های پیشنهادی برای ارزیابی وفاداری مشتری
شاخص متغیر
RFM + تعداد کل کالاهای خریداری شده RFMG
RFM + تعداد کل برگشتی RFMT
RFM + مبلغ کل تخفیف RFMS
RFM + میانگین تأخیر توزیع RFMD
RFM + تعداد کل کالاها+ تعداد کل برگشتی RFMGT
RFM + تعداد کل کالاها + مبلغ کل تخفیف RFMGS
RFM + تعداد کل کالاها + میانگین تأخیر توزیع RFMGD
RFM + تعداد کل برگشتی + مبلغ کل تخفیف RFMTS
RFM + تعداد کل برگشتی + میانگین تأخیر توزیع RFMTD
RFM + مبلغ کل تخفیف + میانگین تأخیر توزیع RFMSD
RFM + تعداد کل کالاها + تعداد کل برگشتی + مبلغ کل تخفیف RFMGTS
RFM + تعداد کل کالاها + تعداد کل برگشتی + میانگین تأخیر توزیع RFMGTS
RFM + تعداد کل کالاها + مبلغ کل تخفیف + میانگین تأخیر توزیع RFMGSD
RFM + تعداد کل برگشتی + مبلغ کل تخفیف + میانگین تأخیر توزیع RFMTSD
RFM + تعداد کل کالاها + تعداد کل برگشتی + مبلغ کل تخفیف + میانگین تأخیر توزیع RFMGTSD
پیاده سازی و تست نتایج
مشتریان از نظر میزان وفاداری با استفاده از الگوریتم K-means براساس مـدل توسـعهیافتـه بـابیشترین دقت، بخشبندی شده اند. در شکل 1، چارچوب کلی روشهای پیشـنهادی آورده شـده است.

شکل 1. چارچوب کلی روش های پیشنهادی

داده ها در نرم افزار IBM SPSS Modeler (Clementine 14.2) تحلیل شدند. برای ایجاد مدل RFM و وزن دهی متغیرهای آن و نیز وزندهی آنهـا بـرای اولـین بـار، در ایـن پـژوهش از شبکه های عصبی MLP و RBF استفاده شد که در این مدل ها علاوه بر ایجاد مـدل اسـتاندارد،روش های Boosting و Bagging برای افزایش دقت و پایداری مدل ها به کار رفته انـد . ایـن دوشبکه عصبی با 84 درصد (499 رکورد) از مجموعه داده هایی کـه بـهصـورت تصـادفی انتخـاب می شوند؛ آموزش داده شدند و با 16 درصد باقی مانده، آزموده شدند.
طبق نظر خبرگان، وفادارترین مشتری به فروشگاه کسی است که بیشترین تعداد جـایزه را ازفروشندگان دریافت کرده است. به عقیده آنها، تعداد کل جایزه فروش می تواند مبنای خوبی برای بررسی میزان وفاداری مشتریان باشد. بر این اساس، تعداد کـل جـایزه فـروش مرجـع بررسـی وارزیابی عملکرد روش های پیشنهادی این پژوهش قرار گرفت.
از آنجا که پژوهش حاضر برای بهبود روشهای ارزیابی وفاداری مشتری مدل RFM را مدل پایه در نظر گرفته است؛ در مدل های شبکه عصبی، متغیرهـایRFM ورودی هـای ثابـت انـد و گروه های تعداد کل جایزه فروش خروجی مدل محسوب می شود. عـلاوه بـر سـه متغیـر RFM، متغیرهای تعداد کل کالا، مبلغ کل تخفیف، تعـداد کـل برگشـتی و میـانگین تـأخیر توزیـع نیـزبه عنوان ورودی متغیر در نظر گرفته شدند.
یافته های پژوهش
مدل های شبکه عصبی MLPو RBF
این الگوریتم هـا بـا روش هـای اسـتاندارد، Boosting و Bagging بررسـی شـدند، نتـایج ایـنبررسی ها در جدول های 6-3 درج شده است. با توجه به نتایج مندرج در جدول 3، زمانی کـه هـریک از متغیرها بهصورت جداگانه و مستقل از هم به مدل RFM اضافه می شـود؛ مـدلRFMS در روش الگوریتمی MLP-Boosting با 6/90 درصد، بیشترین سـطح دقـت و مـدلRFM در روش RBF-Standard با سطح دقت 5/70 درصد، کمترین سطح دقت را دارد.
جدول 3. مقایسه دقت روش RFM با روش های پیشنهادی با یک متغیر 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. مقایسه دقت روش RFM با روش های پیشنهادی با دو متغیر 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 نتایج یادشده در جدول 4، زمانی که متغیرها بـه صـورت دوتـایی بـه مـدلRFM اضافه می شوند؛ مدل RFMSD در روش الگوریتمی MLP-Boosting با 2/94 درصد، بیشترین سطح دقت و مدل RFM در روش RBF-Standard با سطح دقت 5/70 درصد، کمترین سـطحدقت را دارد.

با توجه به نتایج یادشده در جدول 5، وقتی که متغیرها به صـورت سـهتـایی بـه مـدلRFM اضـافه مـی شـوند؛ مـدل RFMTSD در روش الگـوریتمی MLP-Boosting بـا 8/96 درصـد بیشترین سطح دقت و مدل RFM در روش RBF-Standard بـا 5/70 درصـد کمتـرین سـطحدقت را دارد.
جدول 5. مقایسه دقت روش RFM با روش های پیشنهادی با سه متغیر 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. مقایسه دقت روش RFM با روش های پیشنهادی با چهار متغیر 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 نتایج یادشده در جدول 6، زمانی که هر چهار متغیر تعداد کل کالاهـا، تعـداد کـلبرگشتی، مبلغ کل تخفیف و میانگین تأخیر توزیع به صـورت هـمزمـان بـه مـدلRFM اضـافهمی شوند و مدل RFMGTSD را تشکیل میدهنـد؛ در روش الگـوریتمیMLP-Boosting بـا7/99 درصد، بیشترین سطح دقت به وجود می آید. بنابراین، وقتی که هر چهار متغیـر بررسـی شـده بهصورت هم زمان برای ارزیایی میزان وفاداری مشتریان در نظر گرفته میشوند؛ میـزان دقـت در بیشترین سطح ممکن قرار می گیرد.
بخش بندی مشتریان
در این پژوهش مشتریان از نظر میزان وفـاداری براسـاس روشRFMGTSD بـه پـنج دسـتهتقسیم شدند که نشاندهنده کمترین سطح وفاداری تا بیشترین سـطح وفـاداری هسـتند. نتـایجبخش بندی در جد ول های 9-7 نشان داده شده است.
جدول 7. تعداد و درصد مشتریان در هر خوشه
درصد تعداد نام خوشه درصد تعداد نام خوشه
23/1 137 مشتریان جدید 9/6 57 مشتریان وفادار
36/9 219 مشتریان ازدسترفته 20/4 121 مشتریان بالقوه
100 594 تعدادکل 10/1 60 مشتریان رویگردان

براساس نتایج 6/9 درصد از مشتریان فروشگاه مشتریان وفـادار دا ئمـی؛ 4/20 درصـد بـالقوه
(مشتریانی که دائمی هستند، ولی نسبت به فروشگاه وفاداری کامل ندارند و با مـدیریت صـحیح،به مشتریان وفادار تبدیل می شوند ؛) 1/23 درصد جزء مشتریان جدید (خریـد زیـادی از فروشـگاهداشته اند، ولی از زمان خریدهای آنها زمان زیادی نمیگذرد ؛) 9/36 درصد از کسانی بودهانـد کـهقبلاً جزء مشتریان خوب محسوب می شدند، اما اکنون خرید خیلی کمی از فروشگاه دارند و 1/10 درصد از مشتریان هم که قبلاً از مشـتریان فروشـگاه محسـوب مـی شـدند امـا کمـابیش خریـدمحسوسی از فروشگاه نمیکنند.
جدول 8. طبقه بندی پارامترهای RFMGTSD
متوسط کم خیلی کم متغیر
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
خیلی زیاد زیاد متغیر
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 بندی و رتبه بندی RFMGTSD برای هر خوشه رتبه
RFMGTSD D S T G M F R شماره خوشه
1 یخ لی
کم خیلی
زیاد زیاد
خیلی
زیاد خیلی
زیاد خیلی
زیاد خیلی
کم مشتریان وفادار (1)
2 کم زیاد
خیلی
زیاد خیلی
زیاد متوسط خیلی
زیاد خیلی
کم مشتریان بالقوه (2)
3 متوسط متوسط کم زیاد متوسط زیاد کم مشتریان جدید (3)
4 زیاد کم خیلی
کم کم متوسط متوسط زیاد مشتریان از دست رفته (4)
5 زیاد خیلی
کم خیلی
کم کم خیلی
کم خیلی
کم خیلی
زیاد مشتریان روی گردان (5)

خوشه یک (مشتریان وفادار): مشتریانی هستند که از آخرین مراجعه آنها بـه فروشـگاه زمـانخیلی کمی می گذرد؛ تعداد دفعات خرید آنها از فروشگاه، میزان پولی که برای خریـد از فروشـگاهپرداخت کردهاند، تعداد کالاهای خریداری شد ه آنها و میزان تخفیف دریافت شده در سـطح خیلـی زیاد است؛ تعداد کالاهای برگشتی آنها که فروشگاه پذیرفته است، در سطح زیاد و زمان تأخیر در توزیع کالاهای آنها خیلی کم بوده است.
خوشه دو (مشتریان بالقوه): مشتریان خوشه دوم مشتریانی هستند که از آخرین مراجعـ ه آنهـ ا به فروشگاه، زمان خیلی کمی می گذرد؛ تعداد دفعـات خریـد آنهـ ا از فروشـگاه، تعـداد کالاهـایخریداری شده و تعداد کالاهای برگشتی ای که فروشگاه پذیرفته، در سطح خیلی زیاد است؛ میزان پولی که برای خرید از فروشگاه پرداخت کرده اند در سطح متوسط؛ میزان تخفیف داده شده به آنها در سطح زیاد و زمان تأخیر در توزیع کالای آنها کم است.
خوشه سه (مشتریان جدید): این خوشه شامل مشتریانی می شود که از آخرین مراجعه آنها به فروشگاه زمان کمی میگذرد؛ تعداد دفعات خرید و تعداد کالاهای خریداری شده از فروشگاه زیـاداست؛ میزان پولی که برای خرید از فروشگاه پرداخت کردهاند، میـزا ن تخفیـف دریـافتی و زمـانتأخیر در توزیع کالاهای آنها در سطح متوسط و تعداد کالاهای برگشتی آنها در سطح کم است.
خوشه چهار (مشتریان از دست رفته): این خوشه مشتریانی را شامل مـی شـود کـه از آخـرینمراجعه آنها به فروشگاه زمان زیادی میگذرد؛ تعداد دفعات خرید آنها از فروشگاه و میـزان پـولی که برای خرید از فروشگاه پرداخت کردهاند در سطح متوسط است؛ تعداد کالاهای خریداری شـده آنها و میزان تخفیف دادهشده به آنها در سطح کم؛ تعداد کل کالاهای برگشتی آنها که فروشـگاهپذیرفته، در سطح خیلی کم است و زمان تأخیر در توزیع کالاهای آنها در سطح زیاد بوده است.
خوشه پنج (مشتریان روی گردان): مشتریان خوشه پـنجم مشـتریانی هسـتند کـه از آخـرینمراجعه آنها به فروشگاه زمان خیلی زیادی میگذرد؛ دفعات خرید آنها از فروشگاه، میزان پولی که برای خرید از فروشگاه پرداخت کردهاند، میزان تخفیف داده شده و تعداد کالاهای برگشتی آنها در سطح خیلی کم؛ تعداد کالاهای خریداری شده توسط آنها در سطح کـم و زمـان تـأخیر در توزیـعکالاهای آنها در سطح خیلی زیاد بوده است.
نتیجه گیری
نتایج پژوهش بیان کننده آن است که در مدلهای MLP و RBF همه روشهای پیشنهادی کـهبه صورت تک متغیری به روش RFM اضافه شدهاند؛ دقت زیادی دارند. در واقع هـر چهـار متغیـرتعداد کل کالاهای خریداری شده، تعداد کل برگشتی، مبلغ کل تخفیف و میانگین تأخیر توزیع که به صورت جداگانه به مدل RFM اضافه شدند؛ میزان دقت را در پیش بینی مشـتریان وفـادار بـالابرده اند. بیشترین سطح دقت در روشی است که در آن میزان تخفیف به مدل RFM اضافه شـده است. بنابراین، وقتی این متغیرها به صورت تکـی و مسـتقل از متغیرهـای دیگـر بـه کـار گرفتـهمی شوند، ارزیابی وفاداری مشتریان براساس میزان تخفیف داده شده، می تواند بهتـر از متغیرهـایدیگر، صاحبان کسب و کار را در شناسایی مشتریان وفادار کمک کند.
علاوه بر این روش های پیشنهادی که بهصورت دو متغیـری بـه روشRFM اضـافه شـدند؛ افزایش دقت در پیشبینی مشتریان وفادار را به دنبال داشتند. مدلی که در آن تـأخیر در توزیـع ومیزان تخفیف به RFM اضافه شد، بهترین روش برای شناسایی مشتریان وفادار از طریق در نظر گرفتن این دو متغیر بهصورت هم زمان است. بنـابراین، هنگـام در نظـر گـرفتن دو متغیـر بـرایسنجش وفاداری مشتریان، باید به میزان تخفیف و تـأخیر در توزیـع توجـه شـود تـا در ارزیـابیوفاداری مشتریان دقت بیشتری صورت بگیرد.
در روش اضافهکردن هم زمان سه متغیر، بیشترین دقت پیش بینی زمانی اسـت کـه میـانگینتأخیر توزیع، تعداد کل برگشتی و میزان تخفیف با هم برای ارزیابی وفـاداری مشـتریان در نظـرگرفته شوند. همچنین نتایج دیگر پژوهش بیان کننده آن است که در نظر گرفتن هم زمـان چهـارمتغیر اضافه شده به مدل RFM می توانـد در بیشـترکردن دقـت پـیشبینـی مشـتریان وفـادار وبخش بندی آنها بسیار مؤثر باشد. نتایج این پژوهش با یافته های زکریـا و همکـاران (2014) کـهنشان دادند تخفیف و قیمت ویژه به طور شایان تـوجهی وفـاداری مشـتری را تحـت تـأثیر قـرارمی دهند و یافته های نویان و سیمسک (2014) که به ایـن نتیجـه رسـیدند درک قیمـت نسـبی،تخفیف و رضایت مشتری تأثیر مسـتقیم و مثبتـی بـر وفـاداری مشـتری دارنـد، همخـوانی دارد .
همچنین این نتایج با یافته های زلاقی و عباس نژادورزی (2014) مطابقت دارد. آنها نشان دادنـد RFM توسعه یافته که از اطلاعات موجود مشتریان در سازمان حاصل شـده اسـت، در شناسـاییوفاداری مشتریان کاربردیتر است.
طبق نتایج بهدست آمده از بین الگوریتم های بررسی شده، روش MLP در همه مدلها سـطحدقت بیشتری نسبت به الگـوریتم RBF دارد و در الگـوریتمMLP روش Boosting نسـبت بـهروش های Standard و Bagging از دقت بیشتری برخوردار اسـت . بنـابراین، ارزیـابی صـحیحوفاداری مشتریان با بیشترین سطح دقـت زمـانی اسـت کـه از روشRFMGTSD و الگـوریتمMLP-Boosting استفاده شود. این نتایج با یافتههای ال شایا و همکارانش (2014) کـه نشـاندادند استفاده از شبکه های عصبی برای پیش بینی براساس تازگی، فراوانی، ارزش پـولی و زمـان(RFMT) دقیق و مفید است، مطابقت دارد. بنابراین، می توان بـه ایـن نتیجـه رسـید کـه مـدل توسعهیافته RFM می تواند برای شناسایی و طبقه بندی علمـی تـر و دقیـقتـر مشـتریان از نظـروفاداری مفید واقع شود؛ پس بهتر است صاحبان کسبوکـار و فروشـندگان ایـن چهـار عامـل را همراه با سه عامل RFM همیشه مد نظر قرار دهند.
نتایج پژوهش درباره بخشبندی مشتریان از نظر میزان وفاداری، نشـان داد مـی تـوان بـرایمشتریان پنج خوشه (مشتریان وفادار، بالقوه، جدید، از دسترفته و مشتریان رویگـردان ) در نظـرگرفت. مشتریان خوشه یک عالی ترین سطح وفاداری را دارند؛ مشتریان خوشه دو وفاداری خوبی دارند؛ سطح وفاداری مشتریان خوشه سوم متوسط است؛ مشتریان خوشه چهـارم وفـاداری کمـیدارند و در آستانه ترک فروشگاه اند و مشتریان خوشه پـنجم درکـل نسـبت بـه فروشـگاه وفـادارنیستند و آن را ترک کردهاند. این نتایج با یافته های قیاسی و همکاران (2012) که مشتریان را از نظر وفاداری به پنج دسته وفاداری بسیار زیاد، زیاد، متوسط، ضعیف و بسیار ضعیف تقسـیم بنـدیکردند و یافتههای مصلحی و همکارانش (1393) که مشتریان را از نظر وفاداری به پـنج بخـشاصلی مشتریان وفادار، بالقوه، جدید، ازدسترفته و پرمصرف تقسیم بندی کردند، هـم سـویی دارد .
براساس این پنج خوشه مشتریان از نظر وفاداری، در ادامه راهبردهایی بـرای مـدیریت مشـتریانهریک از خوشهها ارائه شده است:
بهترین راهبرد برای مشتریان خوشه اول (مشتریان وفادار)، تشخیص و بـه رسـمیت شـناختناین مشتریان است که مهم ترین مشتریان سازماناند و شایسـته مناسـب تـرین قـدردانی و رفتـار ویژهاند. این مشتریان برای ترقی و بهبود سازمان لازم و ضروری اند. در نتیجه، به آنها نهتنها بایـدبا تخفیفهای خاص و تبعیضی پاداش داد؛ بلکه باید با آنها به طور خاص از طریق کیفیت ب یشـتر، اطلاعرسانی بهموقع درباره محصولات یـا خـدمات جدیـد و سـهولت و افـزایش ارتباطـات ایـنمشتریان با سازمان و مشتریان دیگر که با برگزاری جلسات خـاص، منـافع خـود را بـه اشـتراکمی گذارند؛ رفتار کرد.
بهترین راهبرد برای مشتریان بالقوه (خوشه دوم)، اعطای تخف یفهای بیشتر، کاهش تأخیر در تحویل کالاهای درخواستی، ارتباطات قدردانی و مکرر و اطلاعرسانی به موقع درباره محصـولاتیا خدمات جدید است. بهدلیل کاهش در خرید، ایجاد ارتباط مؤثر با مشتری مفیدترین کاری است که می توان برای این گروه از مشتریان انجام داد. همچنین باید راهبردهای مناسبی برای افزایش میزان مبلغ خرید آنها به کار برد. این کار را می توان با ارائه اطلاعات درباره همـه محصـولات یـاارائه خدمات ویژه به این مشتریان انجام داد.

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

بهترین راهبرد برای مشتریان جدید (خوشه سوم)، اعطای تخفیف های بیشتر، کـاهش تـأخیردر توزیع کالاهای درخواستی، پذیرفتن تمـام کالاهـای برگشـتی آنهـ ا، ارتبـاط بیشـتر صـاحبانکسب وکار با آنها، ارتباطات قدردانی و اطلاع رسانی مکرر و به موقع درباره محصولات یـا خـدماتجدید است.
بهترین راهبرد برای مشتریان از دسترفته (خوشه چهارم)، تلاش برای جلوگیری از ترک دائم و روی گردانی مشتریان، حفظ ارتباط آنها با فروشگاه و پـس از آن بـه کـارگیری اقـداماتی بـرای افزایش تعداد دفعات مراجعه و خرید با تعداد کالا و مبالغ بیشتر توسط آنهاست که این سیاست را می توان با ارائه تخفیف های بیشتر، توزیع رایگان کالا در کمترین زمان و بـدون تـأخیر، پـذیرشتمام برگشتی های آنها، اعطای امتیاز ویژه در صورت خرید کالاهای بیشتر و برقراری ارتباط نزدیک با آنها، انجام داد. در این خوشه، اولین راهبرد حفظ مشتریان و جلوگیری از رویگردانی آنهاست.
بهترین راهبرد برای مشـتریان روی گـردان (خ وشـه پـنجم )، تـلاش در برگردانـدن آ نهـا بـه فروشگاه و جلوگیری از ترک دائم فروشگاه است. بدین منظور اجرای برنامههای تبلیغاتی و برخـیمشوقها یا پیشنهادها بهمنظور برگرداندن آنها به فروشـگاه، مـؤثر اسـت . بـرای ایـن مشـتریان،راهبردهای مناسب می تواند تخفیفهای ویژه، قبول کالاهای بازگشتی که در گذشته از فروشگاه خرید کردهاند، توزیع کالاهای سفارش داده شده در همان روز و برقراری ارتباط مستقیم با آنها در اولین مراجعه بعد از تبلیغات است. بنابراین، اولین راهبرد برای مشتریان این خوشه برگرداندن آنها به فروشگاه و تداوم مراجعات آنهاست.
پیشنهادهایی برای کسب وکار
با توجه به نتایج پژوهش حاضر و برخی پژوهش های گذشته، می توان گفت که مدل توسعه یافتـهRFM می تواند برای شناسایی و بخش بندی علمیتر و دقیقتر مشتریان از نظـر وفـاداری مفیـدواقع شود؛ پس بهتر است که چهار عامل تعداد کل کالاهای خریداری شده، تعداد کـل برگشـتی،مبلغ کل تخفیف و میانگین تأخیر توزیع همراه با سه عامل RFM، توسط صاحبان کسب وکـار و فروشندگان برای بخشبندی، شناسایی و ارزیابی وفاداری مشتریان در نظر گرفته شود.
پیشنهاد می شود در پژوهش های آینده برای ارزیابی میزان وفاداری مشتریان و بخـشبنـدی
آنها براساس مدل RFM بین الگوریتمهای مختلف شبکه عصبی از الگوریتم MLP-Boosting استفاده شود؛ چراکه کمترین خطا و بیشترین سطح دقت را دارد.
همچنین پیشنهاد های زیـر بـرای جـذب مشـتریان بیشـتر و وفـاداری بیشـتر مشـتریان بـهفروشگاه ها و واحدهای کسب وکار ارائه می شود:
صاحبان کسبوکار سعی کنند برای مشتریانی که چندینبار به فروشـگاه آنهـ ا مراجعـه کردهاند، تخفیف های ویژهای در نظر بگیرند و بر این اساس آنها را بـه خریـد بیشـتر از فروشگاه ترغیب کنند؛
در ازای خرید تعداد مشخصی از هر کالا، یک یا چند واحد از آن کالا بهعنـوان جـایزه خرید به هر مشتری اختصاص داده شود؛
صاحبان کسبوکار در ارزیابی و اتتخاب مشتریان سودآور و وفادار، علاوه بر توجـه بـهتعداد دفعات مراجعه، تعداد کالاهای خریداری شده در هر مراجعه را نیز در نظر بگیرند ؛ • مسئولان فروشگاههایی که توزیع کالاها را خودشان بر عهده می گیرند، سعی کننـد بـااستفاده از فناوری های جدید و نیروهای زبده، کالاهـا را در سـریعتـرین زمـان ممکـنتوزیع کنند و به مشتریان تحویل دهند؛
در صورت برگشت دادن کالا از طرف مشتریان، فروشگاه آن را بپذیرد؛ برای مشـتریانیکه کالا ی بیشتری خریداری می کنند و مشتری دائمی هستند، تخفیفات ویـژه در نظـر گرفته شود؛
فروشگاهها به صورت مداوم و چندبار در سال به فروش ویژه اقدام کنند و بـه مشـتریانوفادار و دائمی خدمات و تخفیف های ویژه بدهند.
محدودیت های پژوهش
محدودبودن پژوهش به فروشگاه مواد غذایی، بنابراین تعمیم پذیری آن بـه کسـبوکارهـای دیگر باید با احتیاط صورت بگیرد؛
محدودبودن داده های پژوهش به موارد خاص و در نظر گرفته نشدن متغیرهایی مثـل سـهمعمده فروش در ایجاد وفاداری از طریق تأمین کلیه کالاها؛
در نظر گرفتهنشدن متغیرهای عاطفی و اجتماعی مؤثر در وفاداری مشتریان.
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.


پاسخ دهید