سمیرا خدابنده لو

روش های معمول بخش بندی صرفاً باتکیه بر سه مؤلفه تأخر (R)، تعداد (F) و ارزش پولی (M) طراحی شده اند و تغییرات رفتاری مشتریان را در طول زمان در نظر نمی گیرند. بر این اساس برای دستیابی به بخش بندی مطلوب، هدف پژوهش حاضر به کارگیری مجموعه ای از محاسبات آماری از قبیل شیب خط و مشتق نسبت به زمان و روش های داده کاوی مانند K-means و نقشه های خودسازمانده (SOM) برای تعریف متغیرهایی جدید به منظور بررسی روند تغییرات رفتار خرید مشتریان است. نتایج پژوهش نشان می دهد در نظرگرفتن شیب خط تغییرات رفتار مشتریان (R، F و M) و ارزش بیشتر برای رفتارهای اخیر نسبت به رفتارهای گذشته در بخش بندی مشتریان، موجب افزایش دقت پیش بینی رفتار آتی و همگن تر شدن مشتریان هر بخش شده است. بر اساس روش پیشنهادی، مشتریان به چهار بخش بهترین، خرج کننده، تکرارکننده و از دست رفته دسته بندی شدند که به منظور شناخت بهتر و دقیق تر مشتریان بر اساس نحوه تغییر رفتار آنها، هر بخش نیز به دو زیربخش صعودی و نزولی طبقه بندی شد. درنهایت ضمن تشریح ویژگی هریک از بخش ها و زیربخش ها، راهبردهای مناسبی برای مدیریت مشتریان آنها ارائه شده است.

ارزیابی وفاداری مشتریان می تواند درراستای بهبود فرایندهای کسب وکار تأثیر مهمی داشته باشد. روش های معمول ارزیابی وفاداری مشتریان، صرفاً با تکیه بر سه مؤلفه تازگی (R)، تعداد دفعات (F) و ارزش پولی (M) طراحی شده اند. در این پژوهش چند عامل مؤثر دیگر شامل تعداد کالاهای خریداری شده، تعداد کالاهای برگشتی، مبلغ تخفیف و تأخیر در توزیع به تحلیل اضافه شدند و تأثیر هر یک بر بالارفتن کیفیت ارزیابی سنجیده شد. هدف پژوهش ارائه مدلی جدید برای بخش بندی مشتریان براساس میزان وفاداری آنها و تعیین راهبردهایی مناسب برای هر بخش است. مجموعه داده این پژوهش به یکی از عمده فروشی های مواد غذایی اختصاص دارد. داده ها در نرم افزار Clementine و با استفاده از شبکه های عصبی MLP، RBF و الگوریتم K-means تحلیل شدند. نتایج پژوهش نشان می دهد روش پیشنهادی بالاترین سطح دقت را در پیش بینی میزان وفاداری مشتریان دارد. براساس روش پیشنهادی، مشتریان از نظر وفاداری به پنج خوشه (مشتریان وفادار؛ بالقوه؛ جدید؛ از دست رفته و مشتریان روی گردان) تقسیم شدند که ویژگی های هر خوشه براساس وضعیت هفت عامل بیان شد و براساس این ویژگی ها راهبردهای مناسبی برای مدیریت مشتریان هر بخش ارائه شد.