ن 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