اس 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 میـانگی