تاریخ دریافت مقاله: 11/08/1395 تاریخ پذیرش نهایی مقاله: 13/02/1396 نویسنده مسئول مقاله: سمیرا خدابندهلو
E-mail: [email protected]
مقدمه
امروزه فناوری اطلاعات بهطور چشمگیری تمام جنبههای کسـب وکـار را تحـت تـأثیر قـرار داده است، بهطوری که سازمانهای بزرگ، سالانه میلیونهـا دلار بـرای بـهکـارگیری ابـزار تجـارتالکترونیک و توسعه راهبردهای مناسب برای جذب و حفظ مشتریان خرج میکنند (هوآ، موروسن و دفرنکو، 2015)؛ زیرا جذب و حفظ مشتریان، بهعنوان منابع مهـم و راهبـردی در فعالیـتهـایتجاری، به مهمترین عوامل موفقیت کسبوکارها تبـدیل شـده اسـت (رزمـی و قنبـری، 1388؛ خدابندهلو و نیکنفس، 1395). از دستدادن مشتریان موجب کـاهش درآمـد فـروش و افـزایشهزینه جذب مشتری میشود (هایوود، 1998؛ کوسمنت و پل، 2009). پژوهشهای پیشین نشـاندادهاند که هزینههای جذب مشتریان جدید، چندین برابر هزینههای حفظ مشتریان موجود اسـت(مارکوس، 1998؛ کوسمنت و پل، 2009؛ کوشا و زحمتکش، 1392). از این رو، امـروزه مـدیرانکسبوکار تلاش میکنند نقش مهم وفاداری مشتری را در راه رسـیدن بـه موفقیـت درک کننـد(کرامتی و همکاران، 2014). وفاداری در مشتریان بهخصوص در تجارت الکترونیکی مفهوم بسیار مهمی است؛ چرا که در کسب وکارهای امروزی مشتریان وفادار بهعنـوان مؤلفـه اصـلی موفقیـتمطرح هستند (چانگ و چن، 2009). ازسویی وفاداری مشتریان در تجارت الکترونیکی و بـه ویـژهخرده فروشی های برخط، حساستر و پیچیدهتر از وفاداری در کسبوکارهـای سـنتی اسـت؛ زیـرااغلب مشتریان در هربار خرید خود، مجدداً بهدنبال خردهفروشانی با قیمـت ارزان تـر یـا خـدماتیبیشتر میگردند و بهراحتی وبسایتی را که معمولاً از آن خرید میکنند، تغییر میدهند (چانـگ وچن، 2009؛ حمیدیزاده، حاجکریمی و نائیجی، 1390). اهمیت وفـاداری در تجـارت الکترونیـکموجب شده است توجه به این نوع وفاداری بین محققان گسترش یابد، با ایـن حـال هنـوز نگـاهسنتی به وفاداری وجود دارد و الزامات خاص فضای کسبوکارهای الکترونیکـی همچـون لـزومپایدارنمودن وفاداری در مشتریان نادیده گرفته میشود (کایر، هد و ایوانف، 2006؛ حمیدیزاده و همکاران، 1390). ازجمله کسبوکارهای الکترونیکی که در سالهای اخیـر در ایـران بـهسـرعتگسترشیافته و روزبهروز بر تعداد آنها افزوده میشود، فروشگاههای اینترنتی پوشاک است. در این فروشگاهها مشتریان با مراجعه به وبسایت و بررسی انواع مختلـف کالاهـا و برنـدها مـیتواننـدکالای درخواستی خود را انتخـاب کـرده و سـفارش دهنـد. از طرفـی ، بـه دلیـل تعـدد ایـن نـوعفروشگاه ها در فضای مجازی، رقابت بین آنها به منظور جذب و حفـظ مشـتری بسـیار شـدیدتر ازفروشگاههای سنتی موجود در بازار است. برهمین اساس، وفاداری مشتریان بـرای صـاحبان ایـننوع کسبوکارها بسیار حیاتی است.
اهمیت وفاداری مشتری در موفقیت کسبوکار و هزینه زیاد جذب مشتری، موجب شده است که سازمانها از نوعی راهبرد تجاری برای انتخاب و مدیریت ارتباطات مؤثر با مشتری به منظـور
دستیابی به سود بیشتر استفاده کنند که به آن مدیریت ارتباط با مشتری (CRM)1 گفته میشـود(رزمی و قنبری، 1388؛ محمدی و علیزاده، 1393).
CRM نوعی راهکار کلیدی تجاری است که در آن سازمان با تمرکز بر نیازهای هر مشـتریو تحلیل رفتار وی، یک رویکرد مشتریمدار را در کل سازمان توسـعه مـیدهـد (چنـگ و چـن،2009). یکی از رایجترین روشهای تحلیل رفتار مشتریان، بخشبندی است (برادران و بیگلـری،
1394). بخشبندی مشتریان یکی از روشهای دادهکاوی است که هدف آن گروهبندی مشتریان با نیازها و رفتار خرید مشابه برای تعیین راهبردهای مختلف بـه منظـور حـداکثرنمودن پاسـخ بـهبرنامههای بازاریابی و کاهش هزینههای سازمان است (اسمیت، 1956؛ عزیزی، حسـین آبـادی وبلاغی اینانلو، 1393). بخشبندی بهینه و مؤثر مشتریان برمبنای ویژگیهای مناسـب و مـرتبط، میتواند به نفوذ بیشتر کسبوکار در بازار کمک کند (کرامتی و خالقی، 1393؛ آخوندزاده نوقـابی،اقدسی و البدوی، 1393).
روشهای متعددی برای بخشبندی مشتریان بر اساس تحلیـل رفتـار آنهـا وجـود دارد کـهRFM2 یکی از روشهای مرسوم و پرکاربرد در ایـن زمینـه اسـت (هـوگس، 1996؛ سـهرابی وخانلری، 2007؛ محمدی و علیزاده، 1393). متغیرهای RFM پیشبینیکنندههـای خـوبی بـرای رفتار آتی مشتریان هستند (باتاچاریا، 1998؛ کوسمنت و دبـاک، 2013). بـا وجـود ایـن ، دیـدگاهمتفاوت در بخشبندی مشتریان میتواند پاسخ به این سؤال باشد که آیا مشتری در معرض خطر رویگردانی است؟ یکی از شاخصهای رایج مشتریان پرخطر، کاهش استفاده و خریـد کالاهـا وخدمات سازمان و همچنین افزایش متغیر تأخر مشتری است.
یکی از ضعفهای اساسی مدلهای کنونی بخشبندی مشـتریان ، بـه خصـوصRFM ایـناست که تغییرات رفتاری مشتریان را در طول زمان در نظر نمیگیرند و این تغییرات را بـه عنـوانمتغیر مجزا و مشخص بررسی نمیکنند. متغیر تأخر یکی از شاخصهای این رفتار است، اما رفتار گذرای مشتری را نشان میدهد و تنها بر اساس تاریخ آخرین خرید مشـتری اسـت. بنـابراین، بـا توجه به جایگاه راهبردی بخشبندی مشتری در مطالعات CRM و کمبود مطالعات انجامشده در این زمینه، نیاز به پژوهشهای بیشتر در زمینه بخشبنـدی مناسـب مشـتریان از طریـق تعریـفمتغیرهای جدید به منظور بررسی روند تغییرات رفتار خرید مشتریان در درک جامعتر و عمیـق تـررفتار مشتریان برای دستیابی به موفقیت در محیطهای رقابتی ضروری است.
ــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــ
Customer Relationship Management
Recency, Frequency, and Monetary
بر همین اساس هدف پژوهش حاضر بـه کـارگیری مجموعـهای از روشهـای داده کـاوی 1 و تعریف برخی متغیرهای جدید در روش RFM، به منظور ارائه روشهایی نوین برای بخـش بنـدیمناسب و مؤثر مشتریان است؛ بهطوری که کسـب وکارهـا بـه کمـک ایـن روشهـا بتواننـد بـینمشتریان بر اساس تغییرات رفتاری خریدشان تفاوت قائل شوند و نیز، مشـتریانی کـه در معـرضخطر رویگردانی یا تبدیل شدن به مشتریان غیرسودآورند را شناسایی کنند، درنتیجه با مشـتریان ی که رفتارهای متفاوتی دارند، بهطور متفاوت برخورد کنند.
بدین منظور در این پژوهش محاسبات آماری از قبیل شیب خط و مشتق نسبت به زمـان بـابخشبندی بهعنوان رویکرد دادهکاوی، ترکیب شدهاند تـا بـه کسـب وکارهـا در درک صـحیح وبه موقع تغییرات رفتاری مشتریان کمککرده و آنها را در اتخاذ سیاستهای مناسب بـرای پاسـخبه این تغییرات توانمند سازند. درنهایت با توجه به تغییـرات رفتـار خریـد بـر اسـاس شـیب خـطمتغیرهای RFM، هر بخش خود به دو زیربخش دسته بندی شده و ویژگیهای هر یک همراه بـاراهبردهای مناسب برای هر بخش تشریح می شود.
پیشینه نظری بخشبندی مشتریان
بخشبندی مشتریان نوعی روش دادهکاوی بسیار مفید برای شـناخت مشـتریان و تحلیـل رفتـارآنهاست (بیگلری و برادران، 1394). در فرایند بخشبندی مشتریان احتمالی، محصول یا خـدمتدر خوشههایی با ویژگیهای مشابه گروهبندی میشود. وظیفه کسبوکارها شناسایی صحیح ایـنخوشهها و ارائه راهبردهایی مناسب برای هریک از آنهاست (اسمیت، 1956؛ حسینی، بحرینیزاده و ضیائیبیده، 1391؛ عزیزی و همکاران، 1393).
مشخصههای بخشبندی
یکی از مهمترین عوامل کلیدی در دستیابی به بخشبندی صحیح و جامع، انتخاب مشخصههای مناسب است (لیو و آنگ، 2008؛ کرامتی و خـالقی، 1393). مشخصـه هـای مـدلRFM (تـأخر ، تعداد و ارزش پولی خرید)، روش مناسبی برای بخشبندی مشتریان بر اساس تحلیل رفتار خریـدآنهاست و بهطور موفقیتآمیزی در پژوهشهای مختلف بهکار رفتـه اسـت (سـهرابی و خـانلری،2007؛ رزمی و قنبری، 1388؛ کوسمنت و دباک، 2013؛ آخونـدزاده نوقـابی و همکـاران ، 1393؛
ــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــ
1. Data Mining
خدابندهلو و نیکنفس، 1395). از این رو، در این پژوهش از مدلRFM بهعنوان مدل پایه برای بخشبندی و شناسایی بخشهای مشتریان با رفتار خرید مشابه استفاده شده است.
روش خوشهبندی
خوشهبندی از روشهای رایج دادهکاوی است که بهمنظور بخشبندی مشتریان استفاده میشـود(برادران و بیگلری، 1394). الگوریتم خوشه بندی تأثیر بسزایی در کیفیت بخـش هـای ایجادشـدهدارد. از بین الگوریتمهای خوشهبندی، روش K-means برای بخشبندی مشتریان بسـیار رایـجاست (چنگ و چن، 2009؛ لی، دای و تسنگ، 2011).
الگوریتم K-means از روشهای دادهکاوی است که برای اجرا به مقدار اولیه K، یعنی تعداد خوشهها نیاز دارد (لی و همکاران، 2011)، یکی از روشهای مناسـب بـرای تعیـین خوشـههـایبهینه، الگوریتم دادهکـاوی نقشـههـای خودسـازماندهSOM) )1 اسـت (چانـگ و تسـای، 2004؛ حسینی و همکاران، 1391؛ ترکستانی، منصـوری و تقـیزاده، 1395). ایـن الگـوریتم گونـهای از شبکههای عصبی بدون ناظر است که میتواند الگوهای نامشخص را بین دادهها شناسایی کند و تعداد مناسب خوشهها را تخمین بزند (قاضیزاده، بشیری، کریمی و گوهرپاد، 1393؛ ترکستانی و همکاران، 1395). پژوهشهـای مـرتبط اسـتفاده از روش خوشـهبنـدی دومرحلـهای بـا ترکیـبالگوریتمهای K-means (ایجاد خوشهها) و SOM (تعیین تعداد بهینه خوشهها) را برای دستیابی به نتایج مطلوبتر پیشنهاد دادهاند (چانگ و تسای، 2004؛ قاضیزاده و همکاران، 1393). از ایـن رو، در این پژوهش از الگوی یاد شده برای بخشبندی مشتریان استفاده می شود.
پیشینه تجربی
خدابندهلو و نیکنفس (1395) در پژوهشی به ارائه روش جدیدی برای بخشبندی مشتریان یک فروشگاه مواد غذایی بر اساس میزان وفاداری آنها پرداختند و راهبردهایی مناسبی برای هر بخش تعریف کردند. در این پژوهش تأثیر چند عامل مؤثر شامل تعداد کالاهای خریـداری شـده، تعـداد کالاهای برگشتی، تخفیف و تأخیر در توزیع در کنار متغیرهای RFM بر افزایش کیفیت ارزیـابیوفاداری سنجیده شده است. محققان بر اساس نتایج، مشتریان را از نظر وفاداری به پـنج خوشـه مشتریان وفادار، بالقوه، جدید، از دسترفته و رویگردان، بخشبندی کردند و در انتها راهبردهای مناسبی برای مدیریت مشتریان هر بخش ارائ ه دادند. نتایج پژوهش نشان داد RFM توسعهیافته دقت بسیار زیادی در پیشبینی میزان وفاداری مشتریان دارد.
ــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــ
1. Self-Organizing Map
سجادی، خاتمی فیروزآبادی، امیـری و صـالحی صـداقیانی (2015) از طریـق توسـعه مـدلRFM به RFMLD1 (تسهیلات و دیرکرد) به بخشبندی و رتبهبندی مشتریان بانک پرداختند، سپس پیشنهادهایی متناسب با هر بخش ارائه دادند. بر اسـاس یافتـه هـای ایـن پـژوهش، مـدلRFMLD موجب بهبود نتایج بخش بندی می شود.
برادران و بیگلری (1394) بـرای بخـشبنـدی مشـتریان صـنایع تولیـد و پخـش کالاهـایپرگردش، از مدل بهبودیافته RFM استفاده کردند. آنها با جایگزینی متغیر توالی خرید (C) (توالی خرید مشتری طی یک دوره خاص و برابر تعداد ماههایی از سال است که مشتری طی ایـن دورهخرید کرده است) با متغیر تأخر خرید در مدل RFM، کیفیت بخشبندی را بهبـود دادنـد. نتـایجنشان داد بخشبندی مشتریان بر اساس CFM در مقایسه با مدل RFM دقت بیشتری دارد.
کرامت ی و خ القی (1393) از م دلی ب ه ن ام PCB-RFM2 ب رای بخ شبن دی مش تریان خرده فروشی برخط کالاهای دیجیتالی ـ کامپیوتری بهره بردند. آنهـا در ایـن مـدل بـه اسـتثنایمتغیر R، مقادیر متغیرهای FM را در سطح دسته کالاها بهصورت جداگانه محاسبه کردند، سپس با اجرای روشهای قوانین انجمنی در هر خوشه پیشنهادهای متناسبی با ویژگیهـای آن خوشـهارائه دادند. نتایج نشان داد مدل پیشنهادی نسبت به مدل RFM ساده در پیشبینـی رفتـار آتـیمشتریان دقت بیشتری دارد.
محمدی و علیزاده (1393) به منظور تحلیل شعبه هـای بانـک آینـده در سراسـر کشـور، ایـنشعبه ها را بر اساس متغیرهـایR) RFS تـأخر اعـلام مشـکل،F تعـداد مشـکلات و S میـزانرضایت شعبه ها از مراکز تماس) بخش بندی کردند و ارتباط بین این متغیرها را با نـوع مشـکلاتشناسایی نمودند. طبق نتایج، شعبه های بانک بر اساس الگوی رفتـاری در مـدلRFS در چهـارخوشه توزیع شدند که در انتها محققان برای بهبود عملکرد آنها پیشنهادهایی ارائه دادند.
آخوندزاده نوقابی و همکارانش (1393) در تحقیقی به شناسایی گروههای رفتاری مشتریان و ویژگیهای هر یک در صنعت مخابرات پرداختند. بدین منظور آنان ابتدا مشـتریان را بـر اسـاس
متغیرهای RFM و روش K-means بخشبندی کردند، سپس با استفاده از قوانین انجمنـی بـهشناسایی الگوهای رفتاری مشتریان در هر بخش پرداختند. بر اساس نتایج، هفـت گـروه رفتـاریمختلف از مشتریان شناسایی شد که این امر به دید و شناخت بهتر نسبت بـه الگوهـای رفتـاریمشتریان و بهبود راهبردهای بازاریابی انجامید.
کوشا و زحمتکش (1392) برای شناسایی مشتریان و بخشبندی دقیقتر آنها مـدلRFMP را پیشنهاد کردند. در این پژوهش از روش AHP برای وزندهی به متغیرهـای RFMP اسـتفاده
ــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــ
Recency, Frequency, Monetary, Facilities, and Deferred
Product Category Based-RFM
شده است و بر اساس این مدل و الگوریتمK-means ، بخشها شناسـایی و رت بـه بنـدی شـدند. نتایج نشان داد راهبردهای ارائهشده بر اساس بخشهای ایجادشده، در موفقیت سازمان تأثیرگذار بوده است.
سوئینی و فتحعلیزاده (2012) در پژوهشی برای بخشبندی مشـتریان صـنعت بیمـه، مـدلRFM را به L) 1LRFMC طول ارتباط با مشتری و C میانگین خسارت وارده توسـط مشـتری) توسعه دادند که نتایج بخشبندی حاکی از بهبود کیفیت خوشه ها بود.
وی، لین، ونگ و وو (2012) پژوهشی با عنوان کاربرد مدل LRFM در بخـش بنـدی بـازار کلینیک دندانپزشکی انجام دادند و در آن بر اساس مدل LRFM به شناسایی مشـتریان وفـادار کلینیک پرداختند. طبق نتایج، بیماران به چهار دسته مشـتریان وفـادار، فعـال، جدیـد و نـامعلوم بخشبندی شدند و راهبردهای مناسب هر بخش تعیین شد.
لی و همکارانش (2011) در پژوهشی بر اساس شاخصهای مـدل LRFM و بـا اسـتفاده از روش بخشبندی دومرحلهای (روش وارد برای تعیین تعداد بهینـه خوشـههـا و روش K-means برای ایجاد خوشهها) به تجزیه و تحلیل مشخصات مشتریان بهمنظـور بهبـودCRM در صـنعت نساجی پرداختند. نتایج پژوهش درک بهتری را برای سازمان به منظور تعیین راهبردهای بازاریابی ایجاد کرد و نشان داد مشتریانی که ارتباط طولانی تری دارند، وفادارترنـد، اگرچـه تعـداد و ارزشپولی آنها زیاد نباشد.
وو، چانگ و لو (2009) با استفاده از مدل RFM و روش خوشهبندی K-means، به تحلیـلارزش مشتریان یکی از شرکت های ساخت تجهیزات صنعتی پرداختند. پس از آمادهسازی دادهها، مشتریان بر اساس شاخصهای RFM در شش خوشه قرار گرفتنـد ، سـپس ویژگـیهـای تمـاممشتریان در قالب خوشهها و با استفاده از ارزیابی ارزش طـول عمـر مشـتری تحلیـل شـدند . در انتهای پژوهش نیز، پیشنهادهایی مناسب با بخشهای مختلف مشتریان مطرح شده است.
چنـگ و چـن (2009) مـدلی برمبنـای ترکیـب روشهـای RFM و K-means بـا نظریـه مجموعههای سخت پیشنهاد کردند. آنها بر اساس مدل خود، وفاداری مشتریان را با تعیین تعـدادخوشهها به 3، 5 و 7 گروه طبقهبندی کردند، سپس با کشف و توصیف ویژگیهای مشتریان هـرخوشه، به ارزیابی و پیادهسازی CRM پرداختند.
کینگ (2007) با استفاده از مدل توسعهیافته RFC که در آن C هزینه افزایش کیفیت و ارائه خدمات زندگی بهجای M است، به بخـش بنـدی شـهروندان پرداخـت و بـر اسـاس ایـن مـدل، ویژگی های هر بخش را توصیف کرد.
ــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــ
1. Length, Recency, Frequency, Monetay, and Cost
چانگ و تسای (2004) در پژوهشی با ترکیب روشهای SOM و K-means در دادهکـاویبه بخش بندی مشتریان یک فروشگاه با توسعه مدل RFM به LRFM (با افزودن طول ارتبـاطبا مشتری) پرداختند. آنها مشتریان را بر اساس روش LRFM در پنج نوع و 16 دسته بخشبندی کردند و نشان دادند اضافهکردن این شاخص، سبب بهبود شناسایی مشتریان وفادار شده است.
با توجه به پیشینه تجربی بیان شده، پژوهشهای متعددی بـرای بخـش بنـدی مشـتریان بـر
اساس متغیرهای RFM یا RFM توسعهیافته (در نظرگرفتن چند متغیـر در کنـارRFM ) انجـامشده است. اغلب این پژوهشها در حوزه کسبوکارهای سنتی و فروشـگاه هـای فیزیکـی اسـت .
محققان بهخصوص در داخل کشور، کمتر به بخشبندی مشتریان در حـوز ه تجـارت الکترونیـکپرداختهاند که یکی از دلایل آن میتواند جدیدبودن این نوع کسبوکار در داخل کشور باشد.
یکی از شکاف های اساسی در روشهای بخشبندی پژوهشهـای گذشـته، بـی تـوجهی بـهرفتارهای خرید مشتریان در طول دورههای زمانی مختلف است و اگر هم پژوهشی این موضـوعرا مدنظر قرار داده، فقط به تحلیل تغییرات R (تأخر خرید) پرداخته و بـه رونـد تغییـراتF و M توجهی نکرده است. این در حالی است که روند تغییـرات تعـداد و مبلـغ خریـد، مـیتوانـ د نقـشتعیین کنندهای در شناسایی خوشه و وضعیت سودآوری و وفاداری مشتری داشـته باشـد. بنـابراینضرورت دارد با انجام پژوهشهای جدید این شکاف پژوهشی پر شود و در بخشبندی مشـتریانروند تغییرات رفتار خرید آنها مد نظر قرار گیرد.
روششناسی پژوهش
روش پژوهش، مطالعه موردی است که بر اساس دادهکاوی اجرا میشود. مجموع ه داده ای که در این پژوهش مطالعه شده، به دادههای واقعی یک فروشگاه اینترنتی پوشاک در ایـران و بـه بـازه
زمانی 01/11/1393 تا 01/11/1394 (حدود 12 ماه) اختصاص دارد. این مجموعه داده مربوط به 2542 مشتری است و 17000 رکورد را دربردارد. در ادامه نوشتار، آمادهسازی دادهها و روشهای پیشنهادی تشریح میشوند.
آمادهسازی دادهها
آمادهسازی دادهها در روشهای دادهکاوی گامی ضروری است و کمابیش 60 تـا 70 درصـد کـلزمان را به خود اختصاص میدهد. این مرحله شامل شناسایی، تکمیل یا حذف دادههـای پـرت و گم است. علاوهبر این، در این فرایند باید فیلدهای نامرتبط حذف شود و درصورت نیاز متغیرهای جدیدی از روی مجموعه داده تشکیل شوند. در این مرحله رکوردهـای نـاقص و مشـتریانی کـهاطلاعات کاملی درباره آنها وجود نداشت از مجموع ه داده اصلی حـذف شـدند و درنتیجـه تعـدادرکوردهـای مجموعـه داده از 17000 رکـورد بـه 15386 و تعـداد مشـتریان از 2542 بـه 2080 مشتری کاهش یافت؛ متغیرهای RFM نیز برای هریک از مشتریان محاسبه شده است.
بخشبندی بر اساس مدل AFM1
رفتار اغلب مشتریان در طول زمان به دلایل گوناگونی همچون تغییر علایق و نیازهای شـان تغییـرمیکند، این تغییر رفتارها موجب میشود که مشتریان در دورههای زمانی مختلف میانگین خریـدمتفاوتی داشته باشند. این میانگین خریدها به کسبوکارها در درک رفتار مشتریان کمک میکند.
برای مثال، اگر میانگین خرید یک مشتری بهطور دائم روند کاهشی داشته باشد، میتوان نتیجـهگرفت که این مشتری در معرض خطر رویگردانی است یا دست کم در حال جابه جایی از بخش مشتریان سودآور به بخش غیرسودآور است. بهطور مشابه، مشتریانی کـه میـانگین خریدشـان در دورههای بررسی رو به افزایش است، میتوانند به مشتریان سودآور برای شـرکت تبـدیل شـوند.
بنابراین، مدیران کسبوکار باید با مشتریانی که رفتارهای خرید متفاوتی دارند، بـه طـور متفـاوت برخورد کنند. برای تبدیل این ایده به یک متغیر قابل محاسبه، طبق رابطه 1 متغیر میـزان تغییـرمبلغ خرید برای هر دوره زمانی تعریف میشود.
رابطه 1)
مبلغ خرید( ) − مبلغ خرید(1+)اگرمبلغخرید
مبلغخرید( )= میزانتغییرمبلغخرید(1+)درغیراینصورت%100
مبلغ خرید (i) نشاندهنده کل مبلغ خرید مشتری در iامین دوره زمانی است. اگر مدت زمـانبررسی به 1 + n دوره زمانی دسته بندی شود، n عدد میزان تغییر مبلغ خرید برای کل دوره وجود خواهد داشت. در نتیجه، دنبالهای از میزان تغییرات ایجاد میشود که میتواند برای کشـف رفتـارکلی خرید مشتریان در طول زمان استفاده شود. نسبتدادن یک مقدار مشخص به هریک از این دنبالههای میزان تغییر، بسیار اهمیت دارد که دو روش برای آن ارائه شده اسـت . روش نخسـت، محاسبه شیب خط مبلغ خرید در محور زمان است که برای انجام ایـن کـار از رگرسـیون خطـی استفاده میشود. در محاسبه شیب خط مبلغ خرید در واحد زمـان ، معادلـه محـور مختصـات خـطرگرسیون (a) به صورت رابطه 2 است.
ــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــ
1. Alteration, Frequency, and Monetary
رابطه 2) ̅−=
و شیب b از طریق رابطه 3 محاسبه میشود.
(−)(̅−)∑رابطه 3) ̅
متغیرهای x و y به ترتیب میانگین xها (زمان خرید) و میانگین yها (مبلغ خرید در هر دوره زمانی) هستند.
در روش بعدی، به محاسبه متغیر جدیدی با عنوان شـیب خریـد مبتنـیبـر ارزش دوره هـایزمانی (VPS)1 پرداختیم. در این روش، شیب خرید هر مشتری طبق رابطه 4 با جمع شـیب هـایمبلغ خرید او در همه دورههای زمانی بهدست میآید.
VPS = (4 رابطه
n تعداد دورههای زمانی، S شیب مبلغ خرید در iامـین دوره زمـان ی و ارزش ویـژه اسـت . متغیر ارزش فعلی شیبهای گذشـته را تعیـین مـیکنـد . در VPS بـا تعریـف متغیـر ، تـأثیر رفتارهای خرید مشتری در دورههای زمانی مختلف، متفاوت در نظر گرفته شده است، بـه طـوری که در آن تأثیر رفتارهای خرید اخیر مشتری رو به افزایش گذاشته و تأثیر خریدهای قبلی کاهش یافته است. برای مثال، اگر ارزش ویژه را 7/0 در نظر بگیریم، برای یک مشـتری بـا چهـار دوره زمانی، آخرین شیب در 1، سومین شـیب در 7/0، دومـین شـیب در 49/0 و اولـین آن در 343/0 ضرب میشوند. درواقع، وجود ضریب ارزش ویژه در محاسبه شیب خرید مبتنـی بـر ارزش زمـان، موجب کاهش اثر شیبهای اولیه در متغیر VPS میشود.
این روش به ایجاد دو زیربخش با علامتهای مختلف VPS (یکی VPS مثبـت و دیگـری VPS منفی) در هر خوشه میانجامد. با این دو بخش از مشتریان باید بهطور متفاوتی رفتار شـودو بر اساس رفتارهای خرید آنها، راهبردها و پیشنهادهای هدفمند بهتری طراحی و اتخاذ شوند.
بخشبندی بر اساس مدل RFM بهبودیافته (IRFM)2
این روش بر اساس ایده میزان تغییر مبلغ خرید در روش AFM است، اگر محاسبات شیب خرید مبتنیبر ارزش ویژه را به متغیرهای F ،R و M تعمیم دهیم، میتوانیم بخـشهـای مشـتریان و
ــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــ
Value-based Purchase Slope
Improved RFM
مشتریان در معرض خطر رویگردانی را بهتر تشخیص دهیم. این شاخصهـا از طریـق محاسـبه میزان تغییر متغیرهای RFM به دست می آیند. به بیان دیگر، نه تنها توجه بـه متغیرهـایRFM برای بخشبندی مشتریان ضروری است، بلکه محاسبه مشتقهای تأخر، تعداد و پولی، با توجه به زمان میتواند برای دستیابی به نتایج بهتر و مناسبتر در بخشبندی مفید باشد. نحـوه محاسـبهمیانگین مشتق متغیرهای RFM مشابه روش VPS است.
اگر ، و

مشتق متغیرهای F ،R و M در i امین دوره زمانی باشـند، میـانگین ایـنمشتقها با توجه به ارزش ویژه متفاوت برای هر متغیر، به کمـک رابطـه هـای 5، 6 و 7 محاسـبهمی شوند.
رابطه 5)

=

رابطه 6) =

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

رابطه 7)

=

، و ارزش ویژه متغیر های تأخر، تعداد و پولی هستند کـه مـی تواننـد بـر اسـاس تصمیم محقق و کارشناسان کسبوکار مقادیر متفاوتی داشته باشند.
، و

بر اساس رابطههای 8، 9 و 10 از طریق اختلاف متغیرهـا در دو دوره زمـانیمتوالی به دست میآیند.

رابطه 8) −=


رابطه 9) −=


رابطه 10) −=

مزیت روش IRFM نسبت به روش RFM ساده در این است که در روش IRFM تغییـراترفتار مشتریان در طول زمان در نظر گرفته میشود. بدین صورت کـه رفتـار خریـد مشـتریان دردورههای زمانی مختلف بررسی میشود که در آن بر اساس متغیر λ، ارزش دوره های زمانی اخیـربیشتر از دورههای قدیمیتر است و این امر موجب می شود نقش پررنگتر رفتارهای اخیـر خریـدمشتریان در بخشبندی در نظر گرفته شود. ضمن آن که در این روش، شیب خط مبتنیبر ارزش دورههای زمانی (VPS) برای هر سه متغیر F ،R و M محاسبه می شود که این امـر نیـز موجـبدقیقترشدن بخشبندی و تفاوت قائلشدن بین مشـتریان مسـتعد صـعود بـه بخـش بـالاتر یـاسودآورتر و مشتریان مستعد نزول به بخش پایینتر یا غیرسودآورتر می شود کـه در روش CRM باید برای مشتریان صعودی و نزولی هر خوشه، راهبردهـای متفـاوت و مناسـب بـا ویژگـی آنهـادرنظر گرفته شود.
یافتههای پژوهش
نتایج به دستآمده از بخشبندی بر اساس مدل AFM
با توجه به روششناسی پژوهش، در این مدل از دو روش می تـوان میـزان تغییـر مبلـغ خریـد را محاسبه کرد. روش نخست، محاسبه شیب مبلغ خرید در زمان با اسـتفاده از رگرسـیون خطـی وروش دوم، ایجاد متغیر جدیدی با عنوان شیب خرید مبتنیبر ارزش دورههای زمانی است کـه در این مدل، از روش اول استفاده شده است. مبلغ خریدهای هر مشتری طی 12 ماه بـه چهـار دوره (بر اساس تعریف سه ماه برای هر دوره زمانی) دسته بندی میشود. بنابراین، شـیب بهتـرین خـطایجاد شده در صفحه زمان ـ پول برای هر مشتری به دست می آید؛ سپس متغیر های تعداد، پـولیو میزان تغییر مبلغ خرید، برای هر دوره محاسبه میشوند.
با استفاده از الگوریتم SOM چهار خوشه بهینه برای بخـش بنـدی بـر اسـاس روش AFM بهدست آمد. تعداد و درصد اعضای هر خوشه در جدول 1 و میانگین کلـی هریـک از متغیرهـا در جدول 2 نشان داده شده است.
جدول 1. تعداد و درصد مشتریان 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 کل
جدول 2. میانگین و انحراف معیار متغیرهای روش AFM در هر خوشه
4 3 2 1 خوشه
5/37 13/43 8/72 17/54 میانگین F
3/78 3/63 3/28 5/39 انحراف معیار 69/29 134/91 387/57 589/62 میانگین M
18/96 68/49 191/44 243/24 انحراف معیار -4/76 -1/56 -2/83 3/49 میانگین شیب
2/55 5/78 4/48 18/17 انحراف معیار
این روش نسبت به روش سنتی RFM در بخشبندی مشتریان، دقیقتر عمل می کنـد؛ زیـراروند تغییر مبلغ خرید را بر اسـاس شـیب خـط در بخـشبنـدی در نظـر مـی گیـرد ، امـا یکـی ازمحدودیتهای بخشبندی مشتریان بر اساس روش یاد شده، در نظر گرفتن فقط شیب خط مبلغ خرید (M) و بی توجهی به شیب خط دو متغیر دیگر R و F است. همچنین در ایـن روش ، شـیبکل دوره زمانی لحاظ شده و بر اساس آن، ارزش رفتارهای اخیر و رفتارهای گذشـته یکسـان در نظر گرفته میشود، در صورتی که برای شناسایی بهتر مشتریان، رفتارهای اخیـر اهمیـت زیـادیدارد و باید به رفتارهای اخیر خرید اهمیت و ارزش بیشتری داده شود.
محدودیت دیگر این روش، بی توجهی به تفاوت رفتار خرید احتمالی افـراد درون هـر خوشـهاست؛ چون در هر خوشه مشتریانی وجود دارند که مستعد جابه جا شدن به خوشه سودآورترند (بـهاین مشتریان، مشتریان صعودی گفته می شود)؛ چرا که با راهبـرد سـاده ای مـی تـوان آنهـا را بـهخوشه بالاتر و سودآورتر انتقال داد. در کنار آن، گروهی از مشتریان هم در آستانه رفتن به خوشه پایین تر و کمسودآورتر یا غیرسودآورترند (این دسته از مشتریان، مشتریان نزولی نام دارند) و اگـربه نیازها و خواستههای آنان توجه نشود، ممکن است به خوشه پایینتر و غیرسودآور انتقال یابند. بنابراین برای رفع این محدودیتها، در پژوهش حاضر با استفاده از روش IRFM به بهبود روش RFM پرداخته می شود. در روش یاد شده، شیب خط رفتار خرید در دورههای زمانی مختلف کـهدر آن ارزش دورههای اخیر بیشتر است، بر اساس سه متغیر RFM بهصورت مجزا محاسبه شـده و به کمک متغیری با نام VPS، صعودی یا نزولی بودن مشتریان هر بخش مشخص می شود.
نتایج به دستآمده از بخشبندی بر اساس مدل IRFM
در این مدل، با نظرسنجی از کارشناسان کسبوکار، ارزش ویژه همه متغیرها 7/0 در نظر گرفتـه شده است. با استفاده از الگوریتم SOM تعداد 8 خوشه بهینه برای بخشبندی بـر اسـاس روش AFM بهدست آمد. نتایج خوشهبندی در جدول های 3 و 4 مشاهده می شود.
جدول 3. تعداد و درصد مشتریان 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 کل

جدول 4. میانگین و انحراف معیار متغیرهای 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 میانگین R
42/12 14/32 9/12 6/64 3/22 9/59 8/58 6/52 انحراف معیار 3/26 5/42 9/26 12/44 7/34 8/52 13/13 16/38 میانگین F
7/52 2/76 4/52 3/91 1/25 3/94 5/73 5/63 انحراف معیار 41/24 83/85 116/24 192/24 313/21 498/04 523/55 652/97 میانگین M
37/83 39/41 97/83 139/67 120/92 147/14 192/46 292/37 انحراف معیار 7/85 -2/63 2/85 -3/02 2/24 -1/71 1/23 -3/48 میانگین dR
7/62 5/45 5/62 4/15 4/66 5/69 5/27 6/64 انحراف معیار -4/76 0/17 -3/83 0/82 0/31 0/08 -2/2 0/97 میانگین dF
3/03 0/23 1/03 3/91 0/52 1/10 0/98 3/31 انحراف معیار -26/44 -1/92 -16/37 1/74 -4/74 15/82 -13/21 29/41 میانگین dM
14/28 2/37 11/89 3/88 3/87 8/72 8/85 58/76 انحراف معیار ت عریف بخشها و ارائه راهبرد برای هر بخش
در این مرحله برای درک بهتر و شناسایی رفتار مشتریان در هر بخـش، بـه بررسـی هـر یـک ازبخشهای به دست آمده پرداخته می شود. پس از تعریف بخشهـا بایـد راهبردهـا و برنامـههـایهدفمندی را برای هر بخش بهطور جداگانه تعریف کنیم. در جدول 5 بخشهای اصلی بـ هدسـتآمده مشاهده می شود.
جدول 5. ویژگی های هر خوشه
dR dF dM M F R شماره خوشه بخش
منفی مثبت مثبت بالا بالا پایین 1 بهترین بخش صعودی
مثبت منفی منفی بالا بالا پایین 2 بهترین بخش نزولی
منفی نامشخص مثبت بالا پایین متوسط 3 بخش خرجکنندگان صعودی
مثبت مثبت منفی متوسط متوسط بالا 4 بخش خرجکنندگان نزولی
منفی مثبت نامشخص پایین بالا پایین 5 بخش تکرارکنندگان صعودی
مثبت منفی منفی پایین متوسط متوسط 6 بخش تکرارکنندگان نزولی
نامشخص مثبت منفی پایین متوسط بالا 7 بخش از دسترفته صعودی
منفی منفی منفی پایین پایین بالا 8 بخش از دسترفته نزولی


دیدگاهتان را بنویسید