۲-۸ کاربرد بخشبندی در صنایع مختلف
بخشبندی مشتریان با بهره گرفتن از تکنیکهای خوشهبندی منحصر به یک صنعت خاص نمی‌باشد. به طوری که در صنایع تولیدی و خدماتی در جهان، از بخشبندی مشتریان برای پشتیبانی تصمیم و تعیین استراتژی‌های مدیریت ارتباط با مشتری استفاده می شود.
( اینجا فقط تکه ای از متن فایل پایان نامه درج شده است. برای خرید متن کامل پایان نامه با فرمت ورد می توانید به سایت feko.ir مراجعه نمایید و کلمه کلیدی مورد نظرتان را جستجو نمایید. )
به عنوان مثال در شرکت ارتباط سیار کرهجنوبی، کیم[۱۱۰] و همکارانش چارچوبی را برای تجزیه و تحلیل ارزش مشتری و بخشبندی مشتریان بر اساس ارزش آنها پیشنهاد دادهاند و استراتژی های مدیریت ارتباط با مشتری را بر اساس ارزش دوره عمر مشتری تعیین نموده‌اند. در این مطالعه موردی که در کرهجنوبی صورت گرفته است، مهمترین معیار برای بخشبندی مشترکان و وفاداری آنها این است که مشترک حق عضویتش را پرداخته است (۲۰۰۶).
بخشبندی مشتریان در صنعت خردهفروشی کالا نیز با بهره گرفتن از الگوریتمهای مختلفی مانند RFM صورت پذیرفته است. شاخص هایی که برای بخشبندی در این حوزه مدنظر قرار گرفته عبارتند از:
الف: تعداد مشتری
ب: تعداد مبادلات هر مشتری
ج: میانگین اقلام خریداری شده برای هر مشتری
د: میانگین فاصله زمانی خریدها
ح: میانگین قیمت اقلام با قیمت بالا
و: میانگین قیمت اقلام با قیمت متوسط
ز: میانگین قیمت اقلام با قیمت ارزان
با داده های فوق به بررسی الگوهای خرید زنجیری در بخش خردهفروشی کالا پرداخته شده است (چن[۱۱۱] و همکاران، ۲۰۰۹).
مک‌کارتی[۱۱۲] و هستک[۱۱۳]، در یک شرکت بازاریابی چند بخشی نیز، روشهای RFM، CHAID و رگرسیون لجستیک را به عنوان روشهای تحلیلی برای بخشبندی مستقیم بازاریابی، با بهره گرفتن از دو مجموعه دادهی مختلف بررسی کردند. پایگاه داده های مشتریان این شرکت شامل ۹۶۵۵۱ عضو می شود، که شرکت اقدام به ارسال پست الکترونیکی[۱۱۴] برای تمامی مشتریان می کند (۲۰۰۷).
همچنین در شرکت پخش ماهوارهای دجیتریک[۱۱۵] که در سال ۱۹۹۹ در ترکیه تاسیس شده است، بخشبندی مشتریان صورت پذیرفته است. این شرکت حدود هشتصد هزار نفر مشترک دارد (ساگلام[۱۱۶] و همکاران، ۲۰۰۶).
۲-۹ پیشینه تحقیق
به طور کلی مدلهای مختلفی به وسیله محققان در حوزه بخشبندی مشتریان ارائه شده است، در اکثر این مطالعات مدلها از لحاط متغیرهای ورودی متفاوت هستند.
از ورودی‌های اصلی برای بخشبندی مشتریان RFM است. سیه[۱۱۷] از یک شبکه عصبی SOM برای شناسایی گروه های مشتریان بر اساس رفتار بازپرداخت، تاخر، فرکانس و پیش‌بینی‌های رفتار پولی استفاده کرد. او همچنین مشتریان بانک را به سه گروه عمده از گروه های مشتریان سودآور طبقه بندی کرد، شکل۲-۶ مدل ارائه شده در این مطالعه را نشان میدهد (۲۰۰۴).
پردازش داده
کاربر متغیر
متغیرهای نمره‌دهی رفتاری
مجموعه داده‌های متمایل به رفتار فردی
متغیرهای نمره‌دهی RFM
داده های معاملاتی مشتری
داده های حساب مشتری
ساختارمدل نمره‌دهی رفتاری
کاربرآسوده
کاربر معامله‌گر
استقرائی
پروفایل مشتری
استراتژی‌های بازاریابی
شکل ۲-۶ مدل ارائه شده توسط سیه (۲۰۰۴)
چنگ و چن[۱۱۸] نیز یک روش جدید پیوستن به مقدار ویژگی‌های کمی RFM و الگوریتم K میانگین در تئوری مجموعه ناهموار[۱۱۹] برای استخراج قواعد معنا پیشنهاد دادند. داده های این مطالعه موردی که از صنعت الکترونیک در شرکت چانگ هوآ[۱۲۰] میباشد، شامل ۴۰۱ رکورد از مبادلات شرکت است که در سال ۲۰۰۶ انجام شده است. شاخص هایی که در بخشبندی مشتریان مورد نظر بوده به قرار زیر است: الف: منطقه ب: کشور ج: مقدار اعتبار
این مدل در شکل۲-۷ ارائه شده است (۲۰۰۹).
شکل۲-۷ مدل ارائه شده توسط چنگ و چن (۲۰۰۹)
علاوه بر این، یک ترکیبی از متغیرهای ورودی که در بالا ذکر شده، نیز توسط محققان مورد استفاده قرار گرفته است. برای مثال، چان[۱۲۱] و همکارانش، یک رویکرد جدید که ترکیبی از هدف قرار دادن مشتری و بخشبندی مشتری برای استراتژی‌های کمپین میباشد را ارائه دادهاند. در این تحقیق رفتار مشتری با بهره گرفتن از یک مدل RFM شناسایی شده، سپس از یک مدل LTV برای ارزیابی مشتریان بخشهای پیشنهادی استفاده می شود که در شکل۲-۸ ارائه شده است (۲۰۰۸).
شکل۲-۸ مدل ارائه شده توسط چای و چان برای چارچوب بخشبندی مشتریان (۲۰۰۸)
برخی از نویسندگان ترکیبی از متغیرها و معیارهای مختلف دیگری را برای خوشهبندی مشتریان استفاده کرده اند. به عنوان مثال، لی و پارک[۱۲۲]، به ارائه روش جایگزینِ عملیتر، آسانتر و کارآمدتر بر اساس بررسی رضایت مشتری برای بخشبندی سودآور آنها پرداختند (۲۰۰۵). چانگ[۱۲۳]</ sup> و همکارانش، یک مدل پیش بینی برای مشتریان بالقوه با رفتار خریدشان پیشنهاد دادهاند. مدل آنها از رفتار خرید گذشته مشتریان وفادار و سرویس دهنده‌ی وب فایل‌های ورود به مشتریان وفادار و بالقوه با بهره گرفتن از تجزیه و تحلیل خوشهبندی و تجزیه و تحلیل قواعد ارتباط، استنباط شده است (۲۰۰۷). استون[۱۲۴] و همکارانش، به پیشنهاد یک چارچوب بخشبندی مشتری بر اساس داده کاوی و ساختن یک روش جدید بخشبندی مشتری بر اساس بقای شخصیت متمرکز شده‌اند. روش جدید بخشبندی آنها از دو مرحله تشکیل شده است. در مرحله اول، با خوشهبندی محاسباتی K میانگین، مشتریان به بخشهای مختلف با شخصیت‌های بقای مشابه (یعنی روند فعالیت فکری مشابه) تقسیم میشوند. در مرحله بعد، تابع بقای هر خوشه به وسیله تجزیه و تحلیل پیش‌بینی شده است، پس از آن، اعتبار خوشهبندی تست شده و روند فکری مشتری شناسایی شده است (۲۰۰۶).
شییو[۱۲۵] و همکارانش، یکپارچه‌سازی داده‌کاوی و بازاریابی تجربی را در بخش مشتریان بازی‌های آنلاین بررسی کردند که در شکل۲-۹ نشان داده شده است. نتایجش می‌تواند به شرکت کمک کند تا به پیش‌بینی و درک رفتار خرید مصرف‌کننده جدید بپردازند (۲۰۰۹).
شکل۲-۹ مفهوم مدل ارائه شده توسط شییو و همکارانش (۲۰۰۹)
علاوه بر این، همانطور که قبلا اشاره شد، برخی از نویسندگان در فرایند بخشبندی از نقطهنظر فنی متمرکز شدند. برای مثال، لی[۱۲۶] و همکارانش، روش جدیدی را برای بخشبندی متقاطع بازار توسعه دادند. این نویسندگان یک رویکرد دو مرحله‌ای[۱۲۷] یکپارچه‌سازی روشهای آماری و داده‌کاوی پیشنهاد کردند. برای آزمایش تفاوت بین عوامل خوشهبندی در مرحله اول با بهره گرفتن از روشهای آماری (چند گروه تجزیه و تحلیل عاملی تأییدی[۱۲۸]) انجام شده است و در مرحله دوم توسط یک روش داده‌کاوی (دو سطحی SOM) به توسعه خوشه‌های واقعی در درون هر قسمت پرداخته است (۲۰۰۴). هوانگ[۱۲۹] و همکارانش، از بردار پشتیبانی خوشهبندی[۱۳۰] برای بخشبندی بازاریابی استفاده کرده‌اند (۲۰۰۷). کیم و آهن[۱۳۱] هم، یک الگوریتم خوشهبندی جدید بر اساس الگوریتمهای ژنتیک[۱۳۲] برای بخشبندی موثر بازار خرید آنلاین پیشنهاد دادند (۲۰۰۸). به طور همزمان، هانگ و تی‌ساعی[۱۳۳] نیز یک رویکرد جدید تقسیم‌بندی بازار، به نام مدل بخشبندی نگاشت خود سازماندهی سلسله مراتبی[۱۳۴]، برای تقسیم بندی بازار چند رسانه‌ای دنیای واقعی بر روی تقاضا در تایوان، ارائه دادند. مرتضی نامور و همکاران نیز تحقیقی جهت بخشبندی مشتریان بر اساس مدل دو مرحله‌ای خوشهبندی انجام دادهاند. این مقاله با بهره گرفتن از ابزارهای داده‌کاوی یک روش جدید برای خوشهبندی مشتریان با بهره گرفتن از RFM و داده‌های جمعیت‌شناختی و داده‌های ارزش طول عمر مشتری[۱۳۵] ارائه کرد. این روش جدید خوشهبندی از دو مرحله تشکیل شده است. ابتدا با الگوریتم k میانگین مشتریان بر اساس شاخص RFM به خوشه‌های مختلف تقسیم میشوند. سپس با بهره گرفتن از داده‌های جمعیت‌شناختی، هر خوشه مجددا به خوشه‌های جدید تقسیم‌بندی می‌شود. این متد بر روی یک بانک ایرانی پیاده سازی و به کار گرفته شد که نتایج حاصل از پیاده‌سازی این مدل مشتریان را به نه گروه بر اساس داده‌های مربوط به تراکنش‌ها و داده‌های مربوط به ویژگی‌های و مشخصات جمعیت‌شناختی تقسیم کرد. پروفایل مشتریان مربوط به هر گروه می‌تواند نقطه‌ی آغازی برای مدیران جهت تعیین استراتژی های بازاریابی برای بانک جهت ارائه سرویس و خدمات باشد. این مدل در شکل۲-۱۰ بیان شده است (۲۰۱۰).
مدل پیش بینی LTV
پروفایل مشتری
تعاملات مشتری
خوشهبندی K میانگین
خوشهبندی K میانگین
طبقه‌بندی شبکه عصبی
انتخاب متغیرها با بهره گرفتن از SOM
تخمینLTV
خوشهبندی دو مرحله‌ای
پروفایل خوشه‌ها
استراتژی‌های بازاریابی
شکل۲-۱۰ مدل ارائه شده توسط مرتضی نامور و همکاران (۲۰۱۰)
در همین سال سید حسینی و همکارانش تحقیق دیگری را منتشر کرده‌اند. هدف اصلی این مقاله تشخیص درجه وفاداری مشتری برای رسیدن به بهترین مدیریت ارتباط با مشتری میباشد تا بتوانند سود را بر اساس استراتژی برد-برد ماکزیمم کنند. مطالعه موردی این مقاله در شرکت ساپکو انجام شد. آنها در مطالعات خود از شاخص های RFM برای محاسبه‌ی وفاداری استفاده نمودند. شاخص چهارمی با عنوان طول مدت فعال بودن نیز مطرح کرده‌اند. در این تحقیق بعد از آماده سازی داده‌ها و شناسایی پارامترهای اختصاصی تعیین وفاداری مشتری بر اساس مدل RFM در مورد مطالعاتی شرکت ساپکو، به تعیین اوزان پارامترهای انتخابی با نظرسنجی از تصمیم گیرندگان اصلی سازمان طبق مقایسات زوجی و محاسبه اوزان با ا
ستفاده از نرم افزار متلب و سپس به خوشه بندی قطعات با الگوریتم k میانگین پرداخته شده است. در تعیین تعداد بهینه خوشه‌ها نیز از شاخص دیویس- بولدین استفاده نموده‌اند. جهت تعیین کیفیت خوشه‌ها در هر دو روش از معیار سنجش کیفیت خوشه‌ها که توسط میچاد در سال ۱۹۹۷ ارائه گردیده، استفاده شده است. پس از تعیین ارزش عددی هر خوشه و همچنین محاسبه‌ی فاصله‌ی مراکز خوشه‌ها از مبدا مختصات درجه‌ی اولویت خوشه‌ها در هر دو روش جداگانه تعیین شده است. جهت تعیین درجه‌ی اولویت نهایی خوشه‌ها نیز از جمع عددی ارزش هر خوشه و فاصله‌ی مرکز آن تا مبدا مختصات استفاده شده است به طوری که با مرتب کردن نزولی این داده‌ها و اختصاص دادن عدد از ۱ تا ۳۴ آنها را اولویت‌بندی نموده‌اند. در پایان نیز برای تعیین تابع وفاداری و بهبود عملکرد آن نموداری از درجه‌ی اولویت تعیین شده و ارزش هر خوشه برازش داده شده است. جهت اعتبارسنجی مدل، نتایج روش پیشنهادی را با نتایج مدلی که وزن مولفه‌های آن یکسان است مقایسه و نتایج نشان میدهد که متدولوژی پیشنهادی دارای عملکرد بهتری است. ارزیابی اولیه به کمک تست (برازش رگرسیون) انجام می شود. به این صورت که مقدار را برای تابع F ، تابع D و تابع F+D بدست آورده است. نتایج نشان میدهد که تابع F+D مقدار برازش بیشتری دارد. بنابراین تابع مناسب تری برای نشان دادن درجه وفاداری است (۲۰۱۰).
