2-5 خوشه‌بندی.. 25

2-5-1 مزایای روش خوشه‌بندی.. 26

2-5-2 الگوریتم K میانگین.. 27

2-4 بخش‌بندی.. 29

2-4-1 اهداف بخش‌بندی.. 30

2-4-2 مزایای بخش‌بندی مشتریان.. 31

2-4-3 معیارهای کلی بخش‌بندی.. 32

2-6 الگوریتم RFM… 34

2-6-1 مزایای الگوریتم RFM… 35

2-7 نگاشت‌های خود سازمانده. 35

2-7-1 کاربرد نگاشت‌های خود سازمانده. 36

2-7-2 توپولوژی نگاشت‌های خود سازمانده. 37

2-8 کاربرد بخش‌بندی در صنایع مختلف… 40

2-9 پیشینه تحقیق.. 42

فصل سوم: روش تحقیق.. 56

3-1 مقدمه. 56

3-2 روش تحقیق.. 56

3-3 جامعه آماری و روش نمونه‌گیری.. 57

3-4 شرح مدل.. 58

3-5 ارزیابی اعتبار مدل.. 64

فصل 4: تجزیه و تحلیل داده‌ها (پیاده‌سازی مدل در مرکز اپل ایران) 67

4-1 مقدمه. 67

4-2 درک و شناخت داده‌ها 67

4-3 آماده‌سازی داده‌ها 69

4-4 تعیین وزن پارامترهای تراکنشی (RFM) با استفاده از فرآیند تحلیل سلسله مراتبی.. 71

4-5 اطمینان از صحت و درستی وزن‌های محاسبه شده در تکنیک AHP با استفاده از آزمون نرخ سازگاری   74

4-6 پیاده‌سازی مدل‌ها در مرکز اپل ایران.. 76

4-6-1 بخش‌بندی دو مرحله‌ای مشتریان با استفاده از مدل اول.. 76

4-6-2 بخش‌بندی دو مرحله‌ای مشتریان با استفاده از مدل دوم. 83

4-6-3 بخش‌بندی دو مرحله‌ای مشتریان با استفاده از مدل سوم. 90

4-7 ارزیابی مدل‌ها 94

فصل 5: نتیجه‌گیری.. 97

5-1 مقدمه. 97

5-2 جمع‌بندی و نتیجه‌گیری.. 97

5-3 بازخورد از خبرگان درمورد نتایج و یافته های پژوهش…. 99

5-4 محدودیت‌های پژوهش…. 100

5-5 پیشنهادات برای پژوهش‌های آتی.. 100

منابع فارسی.. 101

منابع انگلیسی.. 102

پیوست‌ها 109

 

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

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 فتحیان[1]، 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 مشتریان[2] و داده‌های معاملاتی[3] و استفاده می‌نماییم که در شکل 1-1 نشان داده شده است.

 

تعاملات مشتریان

پروفایل مشتریان

مدل 3

یک مطلب دیگر : نارضایتی بدنی و اختلالات روانی

رتبه‌بندی بخش‌ها

ارزیابی و مقایسه مدل‌ها

داده‌های جمعیت‌شناختی

WRFM

مدل 2

مدل 1

پروفایل بخش‌ها

 

شکل 1-1 متدولوژی تحقیق

در مدل اول از این متدولوژی، ابتدا بخش‌بندی را بر اساس داده‌های جمعیت‌شناختی^[4] از پروفایل مشتریان با استفاده از شبکه عصبی خود سازمانده^[5] 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.

تعاملات مشتریان

پروفایل مشتریان

داده‌های جمعیت‌شناختی

بخش‌بندی با الگوریتم SOM

بخش‌بندی هر خوشه با الگوریتم K میانگین

WRFM

تعیین مقدار بهینه K برای هر خوشه بنا بر شاخص Davies Bouldin

تعیین وزن نسبی RFM بنا به الگوریتم AHP

 

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.

تعاملات مشتریان

پروفایل مشتریان

داده‌های جمعیت‌شناختی

WRFM

بخش‌بندی با الگوریتم K میانگین

بخش‌بندی هر خوشه با الگوریتم SOM

تعیین مقدار بهینه K بنا بر شاخص Davies Bouldin

تعیین وزن نسبی RFM بنا به الگوریتم AHP

 

شکل 1‑3 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.

تعاملات مشتریان

پروفایل مشتریان

داده‌های جمعیت‌شناختی

WRFM

بخش‌بندی با الگوریتم SOM

بخش‌بندی  با الگوریتم K میانگین

K خوشه و  ها مراکز خوشه‌ها