ارائه الگویی در مدیریت ارتباط با مشتری (CRM) در فروشگاه‌های زنجیره‌ای تخفیفی با بکارگیری اینترنت اشیاء و بیگ دیتا

محورهای موضوعی : مدیریت بازاریابی

محمد رضا رستمی ¹ , اسحاق قورچی بیگی ²

1 - استادیار، گروه مدیریت بازاریابی، واحد شاهرود، دانشگاه آزاد اسلامی، شاهرود، ایران
2 - دانشجوی دکتری مدیریت بازاریابی، واحد شاهرود، دانشگاه آزاد اسلامی، شاهرود، ایران

تاریخ دریافت : 1400/04/10 تاریخ پذیرش : 1400/09/24 تاریخ انتشار : 1401/04/01

کلید واژه: اینترنت اشیاء, مدیریت ارتباط با مشتری, بیگ دیتا, فروشگاه‌های زنجیره‌ای تخفیفی,

چکیده مقاله :

موفقیت در ارتباط با مشتری به طور فزاینده‌ای به مدیریت دانش بستگی دارد. استخراج دانش در مدیریت ارتباط با مشتری از آنجایی پررنگ‌تر می‌شود که حجم بسیار انبوهی از داده درباره مشتریان، ویژگی‌های آنان و رفتار آن‌ها وجود داشته باشد. در چنین شرایطی استفاده از الگوریتم‌ها و فنون کارا برای تحلیل این داده‌ها امری ضروری می‌باشد. هدف این پژوهش، ارائه الگویی در مدیریت ارتباط با مشتری (CRM) در فروشگاه‌های زنجیره‌ای تخفیفی از طریق بکارگیری اینترنت اشیاء و بیگ دیتا، می‌باشد. روش تجزیه و تحلیل اطلاعات، روش مدل‌سازی ساختاری تفسیری می‌باشد. در این پژوهش به منظور تکمیل پرسش‌نامه‌ها، از نظرات 20 فرد خبره در این زمینه استفاده شده است. مطابق مدل ساختاری تفسیری استخراج شده سطح اول سلسله مراتب متعلق به "موفقیت مدیریت ارتباط با مشتری (3)"، سطح دوم سلسله مراتب متعلق به "تبلیغات بازاریابی سفارشی (1) و بهبود حفظ مشتری (2)" و سطح سوم سلسله مراتب متعلق به "استراتژی قیمت‌گذاری (3)" می‌باشد، این بدان معنا است که این متغیرها از باقی متغیرها اثر می‌پذیرد. اثرگذارترین متغیر، "تجزیه و تحلیل در زمان واقعی (4)" می‌باشد. نتایج به دست آمده می‌تواند الگوی مناسبی برای فروشگاه‌های زنجیره‌ای کشور جهت مدیریت بهتر ارتباط با مشتریان و کسب مزیت رقابتی باشد.

چکیده انگلیسی:

Success in customer relationship typically depends on increasing knowledge management. As the hiring of a scientist in customer relationship management becomes more prominent because there is so much information about drugs, their properties and their behavior. In such cases, use efficient algorithms and techniques to analyze this data is essential. The purpose of this study is to provide a model for customer relationship management (CRM) in discount chain stores through the use of the Internet of Things and Big Data. The data analysis method is a detailed construction modeling method. In this research, in order to fill in the questionnaires, the opinions of 20 experts in this field have been used. According to the interpretive structural model, the first level of the hierarchy belongs to “Customer Relationship Management Success (3)”, the second level of the hierarchy belongs to “Custom Marketing Advertising (1) and Customer Improvement (2)” and the third level of the hierarchy belongs to “Pricing strategy (3)” can be, which means that these variables are affected by other variables. The most influential variable is “real-time analysis” (4). The results can be a good model for the country's chain stores to better manage customer relationships and gain a competitive advantage.

منابع و مأخذ:

برقی اسکویی، م.م. و ناصری اسکویی، ح.ر. (1397). "بررسی نقش مدیریت روابط با مشتری در کسب مزیت رقابتی در بازارهای رقابتی در سازمان تأمین اجتماعی استان آذربایجان شرقی"، نشریه مطالعات نوین کاربردی در مدیریت اقتصاد و حسابداری، دوره 1، شماره 1، صص. 23-32.

 

بکایی جزی، ف.، حسینی فولادی، ش. و برادران، ر. (1394). "مدیریت ارتباط با مشتری (CRM) راهکاری اثربخش در کسب مزیت رقابتی پایدار در فرایند تجارت"، سومین کنفرانس بین‌المللی پژوهش‌های نوین در مدیریت، اقتصاد و حسابداری.

 

تقی‌زاده، ه. و ضیایی حاجی پیرلو، م. (1395). "بررسی روابط درونی مؤلفه‌های توانمندسازی کارکنان با توسعه الگوی ساختاری - مقایسه‌ای"، فصلنامه پژوهش‌های مدیریت منابع انسانی دانشگاه جامع امام حسین (ع)، دوره 8، شماره 2، صص. 85-111.

 

حبیبی، آ.، ایزدیار، ص. و سرافرازی، ا. (1393). "کتاب تصمیم‌گیری چندمعیاره فازی"، انتشارات کتیبه گیل.

 

جعفری‌نسب، ع. و راهپیما، ا.ا. (1396). "تبیین تأثیر مدیریت ارتباط با مشتری بر کسب مزیت رقابتی و موفقیت بازاریابی در کارخانه سیمان لامرد"، نشریه کنفرانس ملی تحقیقات علمی جهان در مدیریت، حسابداری، حقوق و علوم اجتماعی، دوره 2، صص. 1-12.

 

جمشیدی، ب. و دهقانی سانیچ، ح. (1399). "کلان داده‌های مبتنی بر اینترنت اشیاء از چشم‌انداز کشاورزی هوشمند"، فصلنامه رشد فناوری، دوره 63، صص. 12-22.

 

دانش‌مهر، ح.، رادفر، ر. و حیدرزاده هنزائی، ک. (1398). "ارائه مدل مدیریت ارتباط با مشتری برای کسب‌وکارهای مبتنی بر رسانه‌های اجتماعی"، فصلنامه آینده پژوهی مدیریت، دوره 30، شماره 117، صص. 101-120.

 

دهقانی‌سلطانی، م.، محمدی، ا.، همتی، ا. و رئوفی، م. (1398). "بررسی تأثیر مدیریت ارتباط با مشتری بر عملکرد بازاریابی با تبیین نقش میانجی نوآوری و حافظه بازاریابی"، راهبردهای بازرگانی، دوره 26، شماره 13، صص. 59-78.

 

رمضانی، پ.س.، مشایخ، م.ر. و معصومی‌فر، م. (1399). "تأثیر اینترنت اشیاء بر مدیریت ارتباط مجازی و حقیقی با مشتری با در نظر گرفتن رضایت مشتری (مقاله مروری)"، چهارمین کنفرانس بین‌المللی چشم‌اندازهای نوین در حسابداری، مدیریت و کارآفرینی، تهران.

 

زینی‌وند، س. و موقرپور، ن. (1398). "بررسی رابطه بین مدیریت داده‌های عظیم برای توانمندسازی مدیریت دانش در راستای مدیریت × ارتباط با مشتری (مورد مطالعه کتابخانه‌های عمومی استان خوزستان)"، دومین کنفرانس بازیابی تعاملی اطلاعات، تهران.

 

سیدجوادین، س.ر.، هاشمی، م. و محمودیان، ا. (1395). "ارائه مدلی به منظور تبیین مسئولیت اجتماعی در شرکت‌های نفت و گاز با استفاده از مدل‌سازی ساختاری تفسیری"، مجله مدیریت دولتی، دوره 8، شماره 1، صص. 75-92.

 

عقیقی، ع.ر. و غیاث یگانه، م. (1397). "استفاده از داده‌های بزرگ حاصل از سیستم‌های اطلاعات مدیریت ارتباط با مشتری برای تعیین ویژگی‌های مشتری در صنعت پخش"، چهارمین کنفرانس بین‌المللی مدیریت، کارآفرینی و توسعه اقتصادی، تاکستان.

فاضلی ماه سایه، ب.، احمدی‌فر، ح.ر. و مشکین مژه، م. (1398). "داده کاوی در بیگ دیتا فروشگاه جهت دسته‌بندی مشتریان بر حسب ویژگی‌ها و نوع خرید"، دومین کنفرانس بین‌المللی تحقیقات بین رشته‌ای در مهندسی برق، کامپیوتر، مکانیک و مکاترونیک در ایران و جهان اسلام، کرج.

 

فیروزجاییان، ع.ا.، فیروزجاییان، م.، هاشمی پطرودی، س.ح. و غلامرضازاده، ف. (1392). "کاربرد تکنیک مدل‌سازی ساختاری تفسیری (ISM) در مطالعات گردشگری (تحلیلی با رویکرد آسیب شناسانه)"، فصلنامه برنامه‌ریزی و توسعه گردشگری، دوره 2، شماره 6، صص. 129-159.

 

کیافر، پ. و جاورسینه، ص. (1394). "مروری بر چالش‌های تجزیه و تحلیل کلان داده و راه‌حل‌های رفع آن‌ها"، هشتمین کنفرانس ملی و دومین کنفرانس بین‌المللی مدیریت دانش، تهران.

 

گرامی، م. و قریبی، ن. (1396). "تحلیل داده‌های بزرگ در مدیریت زنجیره تأمین"، کنفرانس ملی فناوری‌های نوین در مهندسی برق و کامپیوتر.

 

مبین، م. و امیرنژاد، ق. (1396). "بررسی تأثیر موفقیت مدیریت ارتباط با مشتری بر عملکرد در شرکت مخابرات خوزستان"، کنفرانس پژوهش‌های نوین ایران و جهان در مدیریت، اقتصاد، حسابداری و علوم انسانی، دوره 1، صص. 3-15.

 

محمدی، ن.ا.، عزیزی، ص. و رجبی، م.ر. (1397). "مدیریت ارتباط با مشتری الکترونیکی (E-CRM) و عملکرد آن: چالش‌ها و راهکارها"، فصلنامه مطالعات نوین کاربردی در مدیریت اقتصاد و حسابداری، دوره 1، شماره 3، صص. 33-50.

 

ملاولی، ع. (1396). "بررسی تأثیر موفقیت مدیریت ارتباط با مشتری بر رضایت و وفاداری مشتریان (مورد مطالعه: در شعبات بانک رفاه کارگران استان کردستان)"، نخستین کنفرانس بین‌المللی حسابداری و مدیریت.

 

موسوی، س.م. و امیری عقدایی، س.ف.ا. (1399). "بررسی رفتار مصرف‌کننده به منظور خلق ارزش مورد انتظار مشتری توسط تحلیل کلان داده‌ها"، نشریه مطالعات رفتار مصرف‌کننده، دوره 7، شماره 1، صص. 160-182.

 

نظاری، ه. و کریمی، ف. (1396). "بررسی نقش ابعاد موفقیت‌آمیز پیاده‌سازی مدیریت ارتباط با مشتری (CRM) و تأثیر آن بر رضایت‌مندی مشتریان (مطالعه موردی: بانک تجارت)"، سومین کنفرانس سالانه مدیریت و اقتصاد کسب‌وکار، تهران.

 

نیکو، ح. و مروتی شریف‌آبادی، ع. (1396). "تأثیر مدیریت ارتباط با مشتری بر جنبه‌های عملکرد سازمانی (مورد مطالعه: هتل‌های 3 تا 5 ستاره مشهد)"، نشریه مطالعات مدیریت گردشگری (مطالعات جهانگردی)، دوره 12، شماره 39، صص. 27-48.

 

Abu Ghazaleh, M., Abdallah, S. & Khan, M. (2018). “Critical Internal Organization’s Forces Influencing Sustainability of Post ERP In UAE Service Industry: A Confirmatory Factor Analysis Approach”, International Journal of Organizational Analysis, Vol. 27(3), PP. 759-785.

 

Abu Ghazaleh, M. & Zabadi, A.M. (2020). “Promoting a Revamped CRM Through Internet of Things and Big Data: an AHP-based Evaluation”, International Journal of Organizational Analysis, Vol. 28(1), PP. 66-91.

 

Amaliah, Ima., Aspiranti, Tasya. & Purnamasari, P. (2015). “The Impact of the Values of Islamic Religiosity to Islamic Job Satisfaction in Tasikmalaya West Java, Indonesia, Industrial Centre”, Procedia - Social and Behavioral Sciences, Vol. 211, PP. 984-991.

 

Anshari, M., Nabil Almunawar, M., Ariff Lim, S. & Al-mudimigh, A. (2019). “Customer Relationship Management and Big Data Enabled: Personalization & Customization of Services”, Applied Computing and Informatics, Vol. 15(2), PP. 94-101.

 

Ashton, K. (2009). “That ‘internet of things’ thing”, RFiD Journal, Vol. 22(7), PP. 97-114.

 

Azar, A. (2010). “Modeling Agility of Supply Chain, Using Interpretive Structural Modeling Approach- Structural”, Journal of Humanities Teacher-Management Research in Iran, Vol. 14(4), PP. 1-25.

 

Barnaghi, P., Wang, W., Henson, C. & Taylor, K. (2012). “Semantics for the Internet of Things: Early Progress and Back To the Future”, International Journal on Semantic Web and Information Systems, Vol. 8(1), PP. 1-21.

 

Bojanowska, A. (2019). “Customer Data Collection With Internet of Things”, In MATEC Web of Conferences, Vol. 252, P. 03002. EDP Sciences.

 

Brill, H. & Jones, S. (2017). “Little Things and Big Challenges: Information Privacy and The Internet of Things”, American University Law Review, Vol. 66(5), PP. 1183-1230, available at: http://adezproxy.adu.ac.ae/docview/1956453949?accountid=2614.

 

Chatzigeorgakidis, G., Karagiorgou, S., Athanasiou, S. & Skiadopoulos, S. (2018), “FML-kNN: Scalable Machine Learning on Big Data Using K-Nearest Neighbor Joins”, Journal of Big Data, Vol. 5(1), PP. 1-27, available at: http://adezproxy.adu.ac.ae/docview/1995198850?accountid=26149.

 

Dayan, O. & Arnolds, C.A. (2012). “The Influence of New Product Launching Strategies on CRM Success: an Exploratory Study”, Management Dynamics, Vol. 21(1), PP. 2-17, available at: http://adezproxy.adu.ac.ae/docview/1442760950?accountid=26149.

 

Dlodlo, N., Foko, T., Mvelase, P. & Mathaba, S. (2012). “The State of Affairs in Internet of Things Research”, Electronic Journal of Information Systems Evaluation, Vol. 15(3), PP. 244-258, available at: http://adezproxy.adu.ac.ae/docview/1284712273?accountid=26149.

 

Eddy, N. (2014). “Internet of Things, 3D Printing to Shape Supply Chains”, EWeek, 6, available at: http://search.ebscohost.com.adu-libdatabase.idm.oclc.org/login.aspx?direct= true&db=aci&AN=95270492&site=ehost-live.

 

Farkas, T.J. (2017), “Data Created By The Internet of Things: the New Gold Without Ownership?”, Revista La Propiedad Inmaterial, Vol. 23. PP. 5-7.

 

Fox, G.C., Kamburugamuve, S. & Hartman, R.D. (2012). “Architecture and Measured Characteristics of A Cloud Based Internet of Things APL”, Conference: Collaboration Technologies and Systems (CTS), 2012 International Conference on, PP. 6-12.

Godsell, J., Diefenbach, T., Clemmow, C., Towill, D. & Martin, C. (2011). “Enabling Supply Chain Segmentation Through Demand Profiling”, International Journal of Physical Distribution and Logistics Management, Vol. 41(3), PP. 296-314.

 

Haddud, A., DeSouza, A., Khare, A. & Lee, H. (2017). “Examining Potential Benefits and Challenges Associated With the Internet of Things Integration in Supply Chains”, Journal of Manufacturing Technology Management, Vol. 28(8), PP. 1055-1085.

 

Hammoudi, S., Aliouat, Z. & Harous, S. (2018). “Challenges and Research Directions For Internet of Things”, Telecommunication Systems, Vol. 67(2), PP. 367-385.

 

Hofacker, C.F., Malthouse, E.C. & Sultan, F. (2016). “Big Data and Consumer Behavior: Imminent Opportunities”, Journal of Consumer Marketing, Vol. 33(2), PP. 89-97.

 

Ihde, D. (2010). “Heidegger on Technology: one Size Fits All”, Philosophy Today, Vol. 54, PP. 101-105, available at: http://adezproxy.adu.ac.ae/docview/762692068?accountid=26149.

 

Ittmann, H.W. (2015). “The Impact of Big Data and Business Analytics on Supply Chain Management”, Journal of Transport and Supply Chain Management, Vol. 9(1), available at: http://dx.doi.org.adu-lib-database.idm.oclc.org/10.4102/jtscm.v9i1.165.

 

Jesús Mario, V.C., Papinniemi, J., Hannola, L. & Donoghue, I. (2018). “Developing Smart Services By Internet of Things in Manufacturing Business”, Log Forum, Vol. 14(1). PP. 59-71.

 

Jong-Jin, J., Kim, K. & Jong-Bin, P. (2018), “Smart Offering System Using Marketing Strategy and Digital Promotional Brochure”, International Information Institute (Tokyo) Information, Vol. 21(2), PP. 679-686, available at: http://adezproxy.adu.ac.ae/docview/2038672396?accountid=26149.

 

Kannan, G., Palaniappan, M., Zhu, Q. & Kannan, D. (2012). “Analysis of Third Party Reverse Logistics Provider Using Interpretive Structural Modeling”, International Journal Production Economics, 140(1), PP. 204-211.

 

Kranenburg, R.V., Anzelmo, E., Bassi, A., Caprio, D., Dodson, S. & Ratto, M. (2011). “The Internet of Things. In 1st Berlin Symposium on Internet and Society: Exploring the Digital Future", Berlin: October 25-27.

 

Kumar, A., Adlakha, A. & Mukherjee, K. (2016). “Modeling of Product Sales Promotion and Price Discounting Strategy Using Fuzzy Logic in A Retail Organization”, Industrial Management and Data Systems, Vol. 116(8), PP. 1418-1444, available at: http://adezproxy.adu. ac.ae/docview/1826442392?accountid=26149.

 

Kyoung-Don, K., Chen, L., Yi, H., Wang, B. & Sha, M. (2017), “Real-Time Information Derivation From Big Sensor Data Via Edge Computing”, Big Data and Cognitive Computing, Vol. 1(1), PP.1-24. available at: http://dx.doi.org.adu-lib-database.idm.oclc.org/10.3390/bdcc1010005.

 

Li, S., Xu, L.D. & Zhao, S. (2015). “The Internet of Things: A Survey”, Information Systems Frontiers, Vol. 17(2), PP. 243-259.

Li,W., Mei, L. & Nie, K. (2013). “Research on Choices of Methods of Internet of Things Pricing Based on Variation of Perceived Value of Service”, Journal of Industrial Engineering and Management, Vol. 6(1), P. 175, available at: http://dx.doi.org.adu-lib-database.idm.oclc.org /10.3926/jiem.619.

 

Liu, Y.-Y., Tseng, F.-M. & Tseng, Y.H. (2018). “Big Data Analytics For Forecasting Tourism Destination Arrivals With The Applied Vector Autoregression Model”, Technological Forecasting and Social Change, Vol. 130, PP. 123-134.

 

Miorandi, D., Sicari, S., DePellegrini, F. & Chlamtac, I. (2012). “Internet of Things: Vision, Applications and Research Challenges”, Ad Hoc Networks, Vol. 10(7), PP. 1497-1516.

 

Mohamed, A., Najafabadi, M.K., Yap, B.W., Ezzatul Akmal, K.Z. & Maskat, R. (2019). “The State of the Art and Taxonomy of Big Data Analytics: View From New Big Data Framework”, The Artificial Intelligence Review, PP. 1-49, available at: http://dx.doi.org.adu-lib-database. idm.oclc.org/10.1007/s10462-019-09685-9.

 

Mohan, A. & Deshmukh, A.K. (2013). “Conceptualization and Development of a Supply Chain-Customer Relationship Management (SC2R-M) Synergy Mode”, Journal of Supply Chain Management Systems, Vol. 2(3). PP. 9-25.

 

Monika, R.Y. & Garima, T.K. (2015). “Usageof Big Data Analytics for Customer Relationship Management”, International Journal of Advanced Research in Computer Science, Vol. 6(2), PP. 1-3.

 

Nasereddin, H.H. & Faqir, M. (2019). “The Impact of Internet of Things on Customer Service: A Preliminary Study”, Periodicals of Engineering and Natural Sciences (PEN), Vol. 7(1), PP. 148-155.

 

O’Leary, D.E. (2013). “Big Data’, the ‘Internet of Things’ and the ‘Internet of Signs’”, Intelligent Systems in Accounting, Finance and Management, Vol. 20(1), P. 53.

 

Saarijärvi, H., Karjaluoto, H. & Kuusela, H. (2013). “Customer Relationship Management: the Evolving Role of Customer Data”, Marketing Intelligence and Planning, Vol. 31(6), PP. 584-600, available at: http://adezproxy.adu.ac.ae/docview/1447764681?accountid=26149.

 

Sundmaeker, H., Guillemin, P., Friess, P. & Woelfflé, S. (2010). “Vision and challenges for realising the Internet of Things”, (Vol. 20): EUR-OP.

 

Talón-Ballestero, Pilar., González-Serrano, Lydia., Soguero-Ruiz, Cristina., Muñoz-Romero, Sergio., Rojo-Álvarez, José Luis. (2018). “Using Big Data From Customer Relationship Management Information Systems To Determine The Client Profile In The Hotel Sector”, Tourism Management, Vol. 68, PP. 187-197.

 

Tan, L. & Wang, N. (2010). “Future internet: The Internet of Things. InAdvanced Computer Theory and Engineering (ICACTE)”, 2010 3rd International Conference on. 5: V5-376. IEEE.

 

Uden, L. & He, W. (2017). “How the Internet of Things Can Help Knowledge Management: A Case Study From The Automotive Domain”, Journal of Knowledge Management, Vol. 21(1), PP. 57-70, available at: http://adezproxy.adu.ac.ae/docview/1874671900?accountid=26149.

 

Walters, M. & Bekker, J. (2017). “Customer Super-Profiling Demonstrator To Enable Efficient Targeting In Marketing Campaigns”, South African Journal of Industrial Engineering, Vol. 28(3), PP. 113-127, available at: http://dx.doi.org.adu-lib-database.idm.oclc.org/10.7166/28-3-1846.

 

Wang, Y. & Feng, H. (2012). “Customer Relationship Management Capabilities”, Management Decision, Vol. 50(1), PP. 115-129.

 

Werenowska, A. (2020). “Big Data As A Key Aspect of Customer Relationship Management: An Example of the Restaurant Industry”, In Management in the Era of Big Data (PP. 153-164). Auerbach Publications.

 

Yerpude, S. & Kumar Singhal, T. (2018). “Internet of Things based Customer Relationship Management-A Research Perspective”, International Journal of Engineering and Technology, Vol. 7, PP. 444-450.

 

Ying, S., Sindakis, S., Aggarwal, S., Chen, C. & Su, J. (2021). “Managing Big Data in the Retail Industry of Singapore: Examining the Impact on Customer Satisfaction and Organizational Performance”, European Management Journal, Vol. 39(3), PP. 390-400.

 

Zhang, Y. & Liu, S. (2018). “A Real-Time Distributed Cluster Storage Optimization For Massive Data in Internet of Multimedia Things”, Multimedia Tools and Applications, Vol. 78(5), PP. 1-14, available at: http://dx.doi.org.adu-lib-database.idm.oclc.org/10.1007/s11042-018-7006-1.

 

متن کامل:



 

ارائه الگویی در مدیریت­ارتباط­با­مشتری (CRM) در فروشگاه­های زنجیره­ای تخفیفی با بکارگیری اینترنت­اشیاء و بیگ­دیتا

   

 

 چكيده 

موفقیت در ارتباط با مشتری به طور فزاینده­ای به مدیریت دانش بستگی دارد. استخراج دانش در مدیریت ارتباط با مشتری از آنجایی پررنگ­تر می­شود که حجم بسیار انبوهی از داده درباره مشتریان، ویژگی­های آنان و رفتار آن­ها وجود داشته باشد. در چنین شرایطی استفاده از الگوریتم­ها و فنون کارا برای تحلیل این داده­ها امری ضروری می­باشد. هدف این پژوهش، ارائه الگویی در مدیریت ارتباط با مشتری (CRM) در فروشگاه­های زنجیره­ای تخفیفی از طریق بکارگیری اینترنت اشیاء و بیگ دیتا، می­باشد. روش تجزیه و تحلیل اطلاعات، روش مدل­سازی ساختاری تفسیری می­باشد. در این پژوهش به منظور تکمیل پرسشنامه­ها، از نظرات 20 فرد خبره در این زمینه استفاده شده است. مطابق مدل ساختاری تفسیری استخراج شده سطح اول سلسله مراتب متعلق به "موفقیت مدیریت ارتباط با مشتری (3)"، سطح دوم سلسله مراتب متعلق به "تبلیغات بازاریابی سفارشی (1) و بهبود حفظ مشتری (2)" و سطح سوم سلسله مراتب متعلق به "استراتژی قیمت گذاری (3)" می­باشد، این بدان معنا­است که این متغیرها از باقی متغیرها اثر می­پذیرد. اثرگذارترین متغیر، "تجزیه و تحلیل در زمان واقعی (4)" می­باشد. نتایج به دست آمده می­تواند الگوی مناسبی برای فروشگاه­های زنجیره­ای کشور جهت مدیریت بهتر ارتباط با مشتریان و کسب مزیت رقابتی باشد.

 

       واژه‌هاي كليدي: اینترنت اشیاء، بیگ دیتا، فروشگاه­های زنجیره­ای تخفیفی، مدیریت ارتباط با مشتری.

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

مقدمه 

امروزه، نیازهای مشتریان و الگوهای خرید آنان به طور قابل ملاحظه­ای تغییر کرده است. لذا شرکت­ها به منظور ارضای نیازهای گوناگون مشتریان به تطبیق و بکارگیری استراتژی­های بازاریابی متنوع و مشتری محور برای کسب مزیت رقابتی گرایش پیدا کرده­اند. در این راستا، مدیریت ارتباط با مشتری یک استراتژی کلی و یک فرهنک تجاری پایدار است که هدف آن طبقه­بندی مشتریان مناسب و مدیریت آنها به منظور بهینه­سازی ارزش مشتری در درازمدت و بهره­گیری شرکت از آن می­باشد. ارتباطات توسعه یافته­تر با مشتریان می­تواند منجر به شکل­گیری مشتریان وفادار، حفظ و نگهداری آنها و نهایتا سودآوری شود (دهقانی سلطانی و همکاران، 1398). در این میان فناوري اینترنت، شرکت­ها را بر جذب مشتریان جدید قادر می­سازد تا عملکردها و رفتار آنلاین و ارتباطات، محصولات، خدمات و ارزش­هاي مشتریان را پی­گیري کند (محمدی و همکاران، 1397).

در سال­هاي اخير، توسعه اينترنت همراه با اشيا و دستگاه­هاي فيزيكي متصل به هم و نمايش مجازي آنها، روندي رو به رشد داشته است. به موجب اين روند، دامنه وسيعي از محصولات و خدمات جديد بالقوه در حوزه­هاي مختلفي چون خانه­هاي هوشمند، سلامت الكترونيكي، خودكارسازي، حمل ونقل و تداركات و نظارت محيطي ايجاد شده است Kranenburg et al, 2011)). مطالعات در اين زمينه به تازگي اوج گرفته است و از طريق تلاش­هاي مشترك دانشگاه­ها، صنعت و مؤسسه­هاي استاندارد در حوزه­هاي مختلف، از جمله مخابرات، وب معنايي و اطلاع رساني، پشتيباني مي­شود. در حالي كه سال­هاي زيادي سيستم­هاي قديمي ابتدا براي مقاصد خاص با انعطاف­پذيري محدود طراحي مي­شدند، اكنون ابتكار عمل در ساخت برنامه­هاي  كاربردي و خدمات حوزه اينترنت اشيا است كه مي­تواند به جذب، ارتباط، ذخيره­سازي، دسترسي و به اشتراك­گذاري داده­هاي دنياي فيزيكي اقدام كند. اين كار فرصت­هاي جديدي در حوزه­هاي گسترده­اي مانند بهداشت الكترونيكي، خرده فروشي، انرژي سبز، توليد، شهر/ سازمان/ خانه هوشمند و همچنين برنامه كاربردي شخصي سازي شده كاربر نهايي، ايجاد كرده است Barnaghi et al, 2012)). از طرفی افزایش چشمگیر میزان داده­هاي تولید شده در اینترنت، باعث رویارویی با حجم زیادي از اطلاعات شده است. اما در گذشته چنین نبوده است و سازمان­ها درکی از داده­هاي بزرگ و استفاده از آن در تصمیم­گیري نداشته­اند و به تدریج فرهنگ استفاده از آن و مدل بلوغ تحلیل داده­ها به وجود آمد. استفاده گسترده از تکنیک­هاي دیجیتال، منجربه ظهور پدیده­اي به نام کلان داده شد که این پدیده توانست کسب و کارهایی که از نظر توانایی در مرحله بحرانی بودند را به شرکتی که بوسیله حجم زیادي از اطلاعات به ارزش و مزیت رقابتی رسیدند، تبدیل کند. داده­های بزرگ یعنی حجم زیادي از داده­ها براي باز کردن الگوها و روندها خصوصاً مباحثه مربوط به رفتار انسانی که ممکن است توسط کامپیوتر آنالیز شود (گرامی و قریبی، 1396). ظهور داده­های بزرگ موج جدیدی از استراتژی­های مدیریت ارتباط با مشتری را در حمایت از شخصی سازی فروش، خدمات و خدمات مشتری را به ارمغان می­آورد Anshari et al, 2019)). علی­رغم فرصت ایجاد شده توسط اینترنت اشیا و بیگ دیتا و اهمیت استراتژیک اینترنت اشیا برای بسیاری از مشاغل، پذیرش این فناوری همچنان بزرگترین چالش است Hammoudi et al, 2018)). 

در واقع اینترنت اشیا و بیگ دیتا دو روی سکه هستند. داده­های مبتنی بر اینترنت اشیاء، مجموعه­ای از داده­های حجیم و بزرگ هستند که با ابزارهای مدیریتی و پایگاه­های داده سنتی و معمولی قابل پردازش و مدیریت نیستند و کلان داده نامیده می­شوند (جمشیدی و دهقانی سانیچ، 1399). چالش­هایی که امروزه سازمان­ها در رابطه با داده­های کلان با آن مواجه هستند به دلیل نیاز به تجزیه و تحلیل به موقع داده­ها است و این چالش­ها می­تواند در آینده مشکلاتی را به وجود آورد. اینترنت اشیا نیز با ایجاد ارتباط بین انسان و ماشین، ارتباطات گسترده­ای را به وجود آورده است. با این وجود ارتباط گسترده­ای که توسط اینترنت اشیا به وجود می­آید، باعث شده داده­های کلانی از طریق رسانه­های اجتماعی برای سازمان­ها محیا شوند که به عنوان یک دارایی بزرگ برای سازمان­ها مطرح هستند Farkas, 2017)). در واقع کلان داده به عنوان یک منبع غنی و ارزشمند برای انواع گسترده­ای از سازمان­ها به رسمیت شناخته شده است. اما به علت اینکه داده­ها بدون در نظر گرفتن شرایط و در ضمن طراحی بیشتر آن­ها مبتنی بر معماری متمرکز ساخته شده­اند برای کلان داده­ها مناسب نیستند زیرا منجر به هزینه بالا، عملکرد و کیفیت پایین پردازش می­شوند. از این­رو، پردازش و تجزیه و تحلیل کلان داده­ها امروز به یک چالش برای سیستم­های اخیر تبدیل شده است (کیافر و جاورسینه، 1394).

در این میان فروشگاه­های زنجیره­ای از جمله بنگاه­های اقتصادی روبه رشد رقابتی در کشور هستند که توسعه مفاهیم بازاریابی در این صنعت بسیار حائز اهمیت می­باشد. این در حالی است که طبق بررسی­های مقدماتی مشخص شد که فروشگاه­های زنجیره­ای کشور در ایجاد مشتریان وفادار و راضی تنها 30 درصد موفق بوده­اند. به نظر اکثر کارشناسان مربوطه، مشکل فروشگاه­های زنجیره­ای در ایران این است که در این نوع از خدمات توزیع، رویکرد منسجم و ساختار یافته­ای در حوزه­های مهم مشتری مداری و وفاداری مشتری از سوی مدیران این کسب و کارها اتخاذ نمی­شود. همچنین عدم وجود دیدگاه علمی و نظام مند باعث شده تا در دستیابی به نتایج مورد انتظار و بهره­گیری مطلوب از پتانسایل­های خود در جهت توسعه کسب و کار موفق نباشند. علاوه بر این، واحدهای منسجم و سازمان یافته پژوهش و تحقیقات بازار در این کسب و کارها به صورت مفید وجود ندارد تا بتواند در راستای تعیین عوامل اثرگذار بر رضایت مشتریان و تعیین نیازها و پیش نیازهای ایجاد رضایت مشتری گامی مؤثر بردارد. در همین راستا وجود یک سیستم ارتباط با مشتری از طریق برنامه­های الکترونیکی و کسب داده­های کلان از این طریق منجر به آگاهی مدیران سازمان­ها از عواملی می­شود که با تکیه بر آن می­توان گامی مؤثر در جهت کسب مزیت رقابتی برداشت. با این تفسیر که فروشگاه­های زنجیره­ای تخفیفی با وجود جدید بودن با مشکلات رقابتی فراوانی مواجه هستند و دستیابی به شاخص­های ارتباط با مشتری در بستر اینترنت و بیگ دیتا، می­تواند برای این سازمان­ها بسیار مفید باشد. در همین راستا در این تحقیق به ارائه الگویی در مدیریت ارتباط با مشتری (CRM) در فروشگاه­های زنجیره­ای تخفیفی از طریق بکارگیری اینترنت اشیاء و بیگ دیتا پرداخته شده است. در نتیجه سؤال اصلی مقاله به این صورت مطرح می­شود که طراحی الگوی مدیریت ارتباط با مشتری (CRM) در فروشگاه­های زنجیره­ای تخفیفی از طریق بکارگیری اینترنت اشیاء و بیگ دیتا چگونه است؟

 

ادبیات پژوهش

به گفته لی¹ و همکاران  (2015) اینترنت اشیا از دو کلمه "اینترنت" و "اشیا" تشکیل شده است و مربوط به دو دیدگاه اصلی است. دید اول عمدتاً به سمت مولفه شبکه و دیدگاه دوم به سمت مولفه اشیا معطوف است. اینترنت اشیا به ابزارهایی اشاره می­کند که از طریق شبکه به یکدیگر متصل می­شوند. اینترنت اشیا ابزاری است که داده­های کلان تولید می­کند. داده­ها را مردم تولید می­کنند و از این داده­های کلان می­توان برای تولید اینترنت علائم استفاده کرد. بنابراین، اینترنت اشیا کاملاً به انسان و ماشین­آلات برای کسب اطلاعات وابسته استO’Leary, 2013)). 

در این میان فرایندهای مدیریت خدمات مشتری در صورتی انجام می­شوند که یک شرکت در تجزیه و تحلیل و پاسخگویی به نیازهای مشتری کوتاهی کند یا نتواند محصولات یا خدمات را بدون دریافت بینش از مشتری برای شکل دادن به روند خدمات مشتری توسعه، پشتیبانی و تحویل دهد. شرکت­هایی که خدمات مشتری مدرن دارند، بدون سیستم مدیریت ارتباط با مشتری، فرصت دستیابی به عملکرد مطلوب در ارائه محصولات را از دست می­دهند Mohan and Deshmukh, 2013)).

سیستم مدیریت ارتباط با مشتری، اطلاعات به موقع را در مورد نیازهای مشتری با شرکت در میان می­گذارد تا بتوانند هرگونه کمبود در راستای محصول و خدمات را پشتیبانی کنند Wang and Feng, 2012)).

مدیریت ارتباط با مشتری نقش مهمی را در شرکت­ها (اعم از مشاغل بزرگ و مشاغل کوچک) ایفا می­کند. مدیریت ارتباط با مشتری ارتباط بین مشتری و مدیریت صنعت یا شرکت­ها را فراهم می­کند. هر صنعت یا شرکتی بر روی انتظارات مشتری و نیازهای آنها کار می­کند. مشتری نقش مهمی در فعالیت­های تجاری و روند تصمیم گیری شرکت­ها دارد Monika et al, 2015)).

سیستم مدیریت ارتباط با مشتری با پشتیبانی از اینترنت اشیا و بیگ دیتا دید واضح­تری از توانایی­های لجستیکی سازمان را در اختیار مشتری قرار می­دهد. اگر سیستم مدیریت ارتباط با مشتری به طور مؤثر با اینترنت اشیا و بیگ دیتا ترکیب نشده باشد، مشکلات عمده­ای در تحویل محصولات و خدمات ممکن است رخ دهد. سیستم مدیریت ارتباط با مشتری ترکیبی از فناوری، افراد و فرایندها است که به دنبال درک نیازهای مشتریان یک شرکت است. این سیستم یک روش یکپارچه برای مدیریت روابط با تمرکز بر توسعه ارتباط با مشتری و حفظ مشتری است (Abu Ghazaleh, 2018).

 ایترنت اشیا امروزه عمدتا به بخشی از تجارت تبدیل شده است و استفاده از این فناوری می­تواند تأثیر چشمگیری در مدیریت ارتباط با مشتری داشته باشد و مزایای بالقوه­ای را برای سازمان­ها و مشتریان آنها ایجاد کند. اینترنت اشیا می­تواند با پیشنهاد یک راه حل یکپارچه و جدید پویا برای سه مشکل اصلی: تصمیمات استراتژیک، تصمیمات عملیاتی و ترازبندی هر دو تصمیم، عملکرد کسب و کار را ارتقا  داده و تصمیماتی را در زمان درست ارائه دهدHaddud et al, 2017)).

در واقع اینترنت اشیا آخرین تحولی است که با تکیه بر ابزارهای مختلف توانسته خدمات هوشمند را به مشتریان ارائه دهد. خدمات هوشمند در بخش تولید، نتیجه دیجیتالی شدن خدمات از طریق فناوری اینترنت اشیا و بیگ دیتا است. این سرویس­های هوشمند سرویس­های داده محور هستند Jesús Mario et al, 2018)).برنامه­های اصلی مدیریت ارتباط با مشتری شامل فروش، بازاریابی و خدمات به مشتری و فناوری­های ارتباطی برای توجه بیشتر به نیازهای مشتری است و این امر کلید تأمین ارزش افزوده و محصول یا خدمات بهتر است. در واقع سیستم مدیریت ارتباط با مشتری با تکیه بر بیگ دیتا و اینترنت اشیا و با اقدامات دیجیتالی ارائه شده، توانسته فضای کسب و کار را تغییر دهد Abu Ghazaleh and Zabadi, 2020)).

انشاری و همکاران (2019) مقاله­ای با عنوان داده­های بزرگ و مدیریت ارتباط با مشتری در ارائه شخصی سازی و سفارشی سازی خدمات، را انجام دادند. این مطالعه نشان می­دهد که مدیریت ارتباط با مشتری با بیگ دیتا باعث شده است تا تجارت از نظر استراتژی بازاریابی مانند هشدار از طریق تلفن هوشمند به مخاطبان بالقوه هدف خود، تهاجمی­تر شود. موسوی و امیری عقدایی (1399) مقاله­ای با عنوان بررسی رفتار مصرف کننده به منظور خلق ارزش مورد انتظار مشتری توسط تحلیل کلان داده­ها، را انجام دادند. بر اساس یافته‌های پژوهش پنج دسته کلی ارزش شامل: 1. ارزش‌های کارکردی، 2. ارزش‌های اقتصادی، 3. ارزش‌های کیفی، 4. ارزش‌های احساسی و 5. ارزش‌های اجتماعی، به همراه سازه‌های مربوط به هر نوع از ارزش شناسایی گردید؛ نتایج نشان می‌دهد با استفاده از تحلیل کلان‌داده‌ها می‌توان با سرعت بیشتر و اتلاف کمتر منابع، تصویری شفاف‌تر از ارزش‌های مورد انتظار مشتری، به منظور ارائه محصولی متناسب با نیاز و خواسته‌های مصرف‌کننده بدست آورد. رمضانی و همکاران (1399) مقاله­ای با عنوان تأثیر اینترنت اشیاء بر مدیریت ارتباط مجازی و حقیقی با مشتری با درنظرگرفتن رضایت مشتری، را انجام دادند. بررسی و مرور ادبیات و کارهای انجام شده در این زمینه حاکی از تأثیرگذاری اینترنت اشیاء بر رضایت مشتری، مدیریت ارتباط مجازی با مشتری و مدیریت ارتباط حقیقی با مشتری است. همچنین نتایج نشان­دهنده این بود که رضایت مشتری بر مدیریت ارتباط حقیق با مشتری و مدیریت ارتباط مجازی با مشتری تأثیر داشته است. همچنین به نقش میانجی رضایت مشتری در ارتباط بین اینترنت اشیا با مدیریت ارتباط مجازی و حقیقی با مشتری نیز اشاره شد. یینگ² و همکاران (2021) در پژوهشی به بررسی استفاده از کلان داده‌ها در صنعت خرده فروشی در کشور سنگاپور پرداختند. هدف از این تحقیق ارزیابی نحوه تاثیرگذاری کلان داده‌ها بر رضایت مشتری و عملکرد شرکتها بوده است. نتایج حاصل از این تحلیل پیمایشی نشان داد که استفاده از کلان داده‌ها باعث می‌شود که دانش مدیران شرکت‌ها راجع به علائق و خواسته‌های مشتریان افزایش یافته و بدین ترتیب توان محصولات و خدمات را به صورت سفارشی و شخصی‌سازی شده ارائه کرد. این امر در نهایت باعث بهبود عملکرد می‌شود. وارنوفسکا³ (2020) پژوهشی با عنوان کلان داده‌ها به منزله مولفه کلیدی در مدیریت رابطه با مشتری انجام داد. این تحقیق به صورت موردی در رابطه با رستوران‌ها انجام شده است. تجزیه و تحلیل نتایج تحقیقات نشان داده است که استفاده از فناوری های دیجیتالی به خصوص کلان داده‌ها در صنعت رستوران امکان درک عمیق نیازهای مشتریان و در نهایت جلب رضایت آنها را فراهم می آورد. این امر باعث می‌شود که بتوان قدرت حفظ مشتریان را بهبود بخشید. نصرالدین⁴ و همکاران (2019) مطالعه‌ای با عنوان تاثیر اینترنت اشیاء بر بهبود ارائه خدمات به مشتری انجام داد. در این مطالعه درباره اینترنت اشیا در مورد خدمات رسانی به مسافران در یک فرودگاه بین المللی در اردن ، بحث شده است. نتایج بدست آمده در این تحقیق نشان داد که بکارگیری اینترنت اشیاء باعث افزایش تطابق بین انتظارات مشتری و نحوه خدمات‌رسانی به مشتریان وجود دارد. بوجانوفسکا⁵ (2019) در پژوهشی به بررسی جمع‌اوری اطلاعات مشتریان با استفاده از اینترنت اشیاء انجام داد. این مطالعه با رویکرد توصیفی-مروری انجام شده است و برای تبیین بهتر مساله چند مثال نیز آورده شده است. در مجموع نتایج بدست آمده در این پژوهش حاکی از آن است که استفاده از اینترنت اشیاء به شکل شگرفی باعث افزایش اطلاعات و دانش شرکت‌های تجاری راجع به نیازها و درخواست‌های مشتری می‌شود که از این طریق می‌توان برنامه‌ریزی بهتری برای افزایش رضایت مشتریان انجام داد. تالان بالستریو  و همکاران (2018) مقاله­ای با عنوان استفاده از بیگ دیتا در سیستم­های اطلاعاتی مدیریت ارتباط با مشتری برای تعیین مشخصات مشتری در بخش هتل، را انجام دادند. نتایج نشان می­دهد تجزیه و تحلیل بیشتر در مورد جهت گیری به سمت بخش­های جدید بازار است. فناوری­های بیگ دیتا می­توانند برای تجزیه و تحلیل داده­های داخلی موجود در سیستم­های اطلاعات مدیریت ارتباط با مشتری از صنعت مهمان نوازی بسیار مفید باشند. یرپود و کومار سینگال (2018) مقاله­ای با عنوان مدیریت ارتباط با مشتری مبتنی بر اینترنت اشیا یک چشم انداز تحقیقاتی، را انجام دادند. یک مطالعه مروری گسترده در حال انجام است که در آن سازه­های مدیریت ارتباط با مشتری و اینترنت اشیا مورد مطالعه قرار گرفت. اطلاعات مقدماتی مختلفی در مورد سیستم اینترنت اشیا و مدیریت ارتباط با مشتری به همراه مؤلفه­های فعال کننده­های دیجیتال ارزیابی شده است. از منابع مقالات پژوهشی، مجلات، سایت­های اینترنتی، سایت­های داده­های آماری و کتابها برای جمع آوری مطالب مربوط به موضوع استفاده شد. مطالعه تمام سناریوهای مربوطه که در آن احتمال تأثیر داده­های سیستم اینترنت اشیا در زمان واقعی بر مدیریت ارتباط با مشتری وجود دارد، انجام شد. یافته­ها نشان داد که تقاضای مشتری بطور مداوم در حال پیشرفت و تغییر است و همسویی و همگام شدن با تغییرات برای همه سازمانها بسیار مهم است. سازمان­ها باید مشتری مدار باشند و نسبت به تغییر سناریوهای بازار چابک باشند. فاضلی ماه سایه و همکاران (1398) مقاله­ای با عنوان داده کاوی در بیگ دیتا فروشگاه جهت دسته­بندی مشتریان بر حسب ویژگی­ها و نوع خرید، را انجام دادند. بهبود فرایند شناسایی مشتریان هدف در شرایط رقابتی عاملی مهم در جهت ربودن گوی سبقت از رقبا با کاربری مشابه است. استفاده مناسب از روش­های دسته­بندی می­تواند در تجزیه و تحلیل ابر داده­های می­تواند فوق العاده مؤثر باشد. با توجه به اجرای مدل­های مهم و تأثیر گذار دسته بندی از جمله بیز ساده، مدل خطی تعمیم یافته، رگرسیون لجستیک، یادگیری عمیق، الگوریتم جنگل تصادفی، گرادیان بوستینگ، درخت تصمیم گیری و ماشین بردار پشتیبان در نرم افزار راپیدماینر انجام شد و بر حسب آیتم­های درصد صحت، ضریب کاپا، خطای مطلق نرمال، ضریب همبستگی و مربع ضریب همبستگی مقایسه شد. بر حسب نتایج بدست آمده مدل­های ماشین بردار پشتیبان و بیز ساده به ترتیب مدل­های کارآمد­تری هستند و مدل الگوریتم جنگل تصادفی با نتایج ضعیف­تر نسبت به سایر مدل­ها است. زینی وند و موقرپور (1398) مقاله­ای با عنوان بررسی رابطه بین مدیریت داده­های عظیم برای توانمندسازی مدیریت دانش در راستای مدیریت ارتباط با مشتری (مورد مطالعه کتابخانه­های عمومی استان خوزستان)، را انجام دادند. نتایج به دست آمده حاکی از وجود همبستگی بین مدیریت ارتباط با مشتریان، داده کاوی و مدیریت دانش با هم می­باشد. همچنین رابطه خطی بین متغیر مستقل و وابسته وجود دارد، به این معنی که کاربرد مدیریت دانش سبب افزایش ارتباط با مشتری (کاربر) در کتابخانه­های عمومی می­شود. عقیقی و غیاث یگانه (1398) مقاله­ای با عنوان استفاده از داده­های بزرگ حاصل از سیستم­های اطلاعات مدیریت ارتباط با مشتری برای تعیین ویژگی­های مشتری در صنعت پخش، را انجام دادند. روش­شناسی این پژوهش کمی است و پرسشنامه بین مشتریان وفادار و جدید تیام پخش برای آزمون مقایسه میان آن­ها توزیع شد. نتیجه­ی این پژوهش نشان دهنده­ی تجزیه و تحلیل بیشتر برای هدف­گذاری به سمت بخش­های جدید بازار است فناوری داده­های بزرگ می­تواند برای تجزیه و تحلیل داده­های داخلی قابل دسترس در سیستم اطلاعات مدیریت ارتباط با مشتری از صنعت بسیار مفید است. دانش مهر و همکاران (1398) مقاله­ای با عنوان ارائه مدل مدیریت ارتباط با مشتری برای کسب و کارهای مبتنی بر رسانه­های اجتماعی، را انجام دادند. یافته­های بدست آمده از بخش کمی نشان داد که 53 درصد واریانس مدیریت ارتباط با مشتری، 53 درصد مدیریت دانش مشتریان، 28 درصد تخصص­گرایی، 33 درصد قیمت­گذاری، 36 درصد حفظ پویایی، 28 درصد مدیریت دانش سازمانی، توسط متغیرهای مدل پژوهش تبیین می­شود. به طور کلی، با توجه به چارچوب­های موجود شاخص­های مرتبط شناسایی شده اند که در جدول شماره 1 نشان داده شده است.

 

جدول شماره 1:  مستندسازی مدل مفهومی پژوهش

ردیف		شاخص	منبع
1	استراتژی قیمتی	خدمات هوشمند زمان واقعی داده­ها پیش­بینی فروش رشد سود کارایی لجستیک تاکتیک قیمت گذاری	ژانگ و لیو6 (2018)، کیانگ دون7 و همکاران (2017)، جسوس ماریو8 و همکاران (2018)، چاتزیگرگادیکیدیس9 و همکاران (2018)، ایتمن10 (2015)، ادی11 (2014)، لی12 و همکاران (2013)، دایان و آرنولدس13 (2012).
2	تبلیغات بازاریابی سفارشی	خدمات سفارشی کمپین بازاریابی ماژول حمل و نقل پیش­بینی رفتار خرید قیمت­های پویا	محمد14 و همکاران (2019)،جانگ جین15 و همکاران (2018)، والتر و باکر16 (2017)، کومار17 و همکاران (2016)، هوفاکر18 و همکاران (2016).
3	تجزیه و تحلیل در زمان واقعی (کوتاهترین زمان)	قیمت­های رقیب ردیابی موجودی تبلیغات رقیب هزینه حمل و نقل خرابی محصول	بریل و جونر19 (2017) ، ایتمن (2015)
4	بهبود حفظ مشتری	بانک اطلاعات دانش توسعه محصول پیگیری رفتار مشتری محصولات متصل تقسیم بندی مشتری	لیو20 و همکاران (2018)، آدن و هی21 (2017)، سازیجاروی22 و همکاران (2013)، دلودلو23 و همکاران (2012)، ایهده24 (2010)، گادسل25 و همکاران (2011).
5	موفقیت مدیریت ارتباط با مشتری	رضایتمندی مشتری مزیت رقابتی عملکرد سازمانی	توکلی و همکاران (1397) برقی اسکویی و ناصری اسکویی (1397) جعفری نسب و راهپیما (1396) نیکو و مروتی شریف آبادی (1396) مبین و امیرنژاد (1396) نظاری و کریمی (1396) ملاولی (1396) بکایی جزی و همکاران (1394)

 

روش پژوهش

این پژوهش از لحاظ هدف کاربردی و از نظر روش جمع آوری اطلاعات: توصیفی- پیمایشی می­باشد. جهت جمع آوری اطلاعات از نظر خبرگان (20 خبره) استفاده شده است. منظور از افراد خبره در این پژوهش افرادی هستند که بیش از 5 سال سابقه داشته و از تجربه و سابقه­کاری مناسبی در صنعت خرده فروشی تخفیفی برخوردار بوده اند و دارای مدرک تحصیلی لیسانس و بالاتر هستند. بر همین اساس روش نمونه­گیری هدفمند بوده است. جهت تجزیه و تحلیل داده­ها از مدل­سازی ساختاری تفسیری استفاده شده است. بدین صورت که پرسشنامه مورد استفاده توسط پژوهشگر با استناد بر پژوهش­های گذشته و ادبیات موجود و راهنمایی استاد راهنما؛ طراحی و سپس روایی و پایایی آن سنجیده شده است. این روش یک متدولوژی برای ایجاد و فهم روابط میان عناصر یک سیستم پیچیده میباشد؛ به عبارتی این روش یک فرآیند متعامل است که در آن مجموعه­ای از عناصر مختلف و مرتبط با یکدیگر در یک مدل سیستماتیک جامع ساختاربندی می­شوند و هدف از آن به طور کلی طراحی یک سیستم و الگویی با سطوح مختلف است که مبنایی برای استفاده پژوهش های بعدی به صورت کمی برای پژوهشگران می­باشد (امالیه و همکاران، 2015).

لازم به ذکر است، علت انتخاب نمونه محدود در مطالعات معادلات تفسیری (10 الی 25 نفر) در راستای ماهیت پژوهش‌های کیفی و کفایت داده‌ها در این سطح از جامعه می‌باشد. استفاده از تعداد بالاتر باعث ایجاد انحراف در تحلیل ساختاری-تفسیری به دلیل الزام به استفاده از شاخص مد می‌گردد. و نیز دخالت افراد غیرمرتبط به تصمیم در فرآیند تصمیم‌گیری مشکلاتی را بوجود خواهد آورد و عدم استفاده از افراد خبره و کاردان نیز باعث تقلیل کارائی می‌گردد  (حبیبی و همکاران، 1393). 

 

 

یافته­ها

در بخش آمار توصیفی در مورد سطح تحصیلات خبرگان، کمترین فراوانی مربوط به « لیسانس » با 00/10 % و گزینه « دکترا » با 00/60 % بیشترین فراوانی را دارا بوده است. کمترین فراوانی در بین گزینه­‌های انتخابی در مورد سابقه کار خبرگان مربوط به بازه "5 تا 10 سال " با فراوانی 00/20 % و بیشترین فراوانی مربوط به، "بالای 15 سال" با میزان فراوانی 00/50% بوده است.

مدل سازی ساختاری تفسیری با تهیه فهرستی از متغیرهایی شروع می­شود که مربوط به مساله یا موضوع هستند. این متغیرها از مطالعه ادبیات موضوع، مصاحبه با خبرگان و یا از طریق پرسشنامه به دست می­آیند (تقی زاده و همکاران، 1395). لذا پس از تعیین متغیرها از طریق مطالعه­ی پژوهش­ها و مصاحبه با خبرگان و اساتید دانشگاهی با رسیدن به اشباع علمی و با استفاده از تکنیک دلفی، به موارد زیر جهت استفاده در این پژوهش استخراج شد. بانک اطلاعات دانش، توسعه محصول، پیگیری رفتار مشتری، محصولات متصل، تقسیم­بندی مشتری، قیمت­های رقیب، ردیابی موجودی، تبلیغات رقیب، هزینه حمل و نقل، خرابی محصول، خدمات سفارشی، کمپین بازاریابی، ماژول حمل و نقل، پیش بینی رفتار خرید، قیمت­های پویا، خدمات هوشمند، زمان واقعی داده­ها، پیش بینی فروش، رشد سود، کارایی لجستیک، تاکتیک قیمت­گذاری. سپس پرسشنامه­ای جهت شناسایی روابط میان متغیرها در اختیار خبرگان قرار گرفت.

 

به دست آوردن ماتریس خودتعاملی ساختاری 

این ماتریس یک ماتریس به ابعاد متغیرهاست که در سطر و ستون اول آن متغیرها به ترتیب ذکر می­شوند. آن­گاه روابط دو به دوی متغیرها توسط نمادهایی مشخص می­شود(آذر، 2010). ماتریس خود تعاملی ساختاری بر اساس بحث و نظرات گروه متخصصان تشکیل می­شود. برای تعیین نوع روابط پیشنهاد شده است که از نظر خبرگان و کارشناسان بر اساس تکنیک­های مختلف مدیریتی، از جمله طوفان مغزی و تکنیک گروه اسمی و غیره استفاده شود. برای تعیین نوع رابطه از جدول 2 استفاده شده است:

 

جدول شماره2: روابط مفهومی در تشکیل ماتریس خودتعاملی ساختاری

نماد	مفهوم نماد
V	iمنجر به j می­شود
A	j منجر به i می­شود
X	رابطه ی دوطرفه i و j وجود دارد
O	رابطه معتبری وجود ندارد.

 

 

جدول شماره3: ماتریس خود تعاملی ساختاری ارائه شده توسط خبرگان

تجزیه و تحلیل در زمان واقعی	استراتژی قیمت­گذاری	موفقیت مدیریت ارتباط با مشتری	بهبود حفظ مشتری	تبلیغات بازاریابی سفارشی
A	A	V	X		تبلیغات بازاریابی سفارشی
A	A	V			بهبود حفظ مشتری
A	A				موفقیت مدیریت ارتباط با مشتری
A					استراتژی قیمت­گذاری
					تجزیه و تحلیل در زمان واقعی

 

بدست آوردن ماتریس دستیابی  

با تبدیل نمادهای روابط ماتریس SSIM به اعداد صفر و یک می­توان به ماتریس دستیابی رسید. این قواعد در جدول4 بیان شده است(سید جوادین و همکاران، 1395).

 

جدول شماره4:  قواعد تبدیل ماتریس اولیه به ماتریس دستیابی

نماد	iبهj	jبهi
V	1	0
A	0	1
X	1	1
O	0	0

 

 

 

 

جدول شماره5: ماتریس دستیابی (خود دریافتی)

تجزیه و تحلیل در زمان واقعی	استراتژی قیمت­گذاری	موفقیت مدیریت ارتباط با مشتری	بهبود حفظ مشتری	تبلیغات بازاریابی سفارشی
0	0	1	1	1	تبلیغات بازاریابی سفارشی
0	0	1	1	1	بهبود حفظ مشتری
0	0	1	0	0	موفقیت مدیریت ارتباط با مشتری
0	1	1	1	0	استراتژی قیمت­گذاری
1	1	1	1	1	تجزیه و تحلیل در زمان واقعی

 

سازگار كردن ماتریس دستیابی

در این مرحله باید حالت ترایایی بین عوامل نیز بررسی شود. اگر i منجر به j و j منجر به k شد، آنگاه i باید منجر به k شود (جتیش تاکار و همکاران، 2007). هوآنگ و همکاران از قوانین ریاضی برای ایجاد سازگاری استفاده کردند بدین صورت که ماتریس دستیابی را به توان(K+1) می­رساند و K 1 است. البته، عملیات به توان رساندن ماتریس باید طبق قاعده بولیَن  باشد(کانن و همکاران، 2012).

 

جدول شماره 6: ماتریس دسترسی نهایی

 

 

تعیین سطح متغیرها و تشکیل ماتریس مخروطی

برای تعیین سطح و اولویت متغیرها مجموعه دستیابی و مجموعه پیش نیاز برای هر متغیر تعیین می­شود. مجموعه دستیابی هر متغیر شامل متغیرهایی می­شود که از طریق این متغیر می­توان به آنها رسید و مجموعه پیش نیاز شامل متغیرهایی می­شود که از طریق آنها می­توان به این متغیر رسید. سپس اشتراکات مجموعه دستیابی و پیش نیاز همه عوامل تعیین می­شود و در صورت برابر بودن مجموعه دستیابی با مجموعه اشتراک آن عامل به عنوان سطح بالا در نظر گرفته می­شود. برای به دست آوردن سایر سطوح باید سطوح قبلی از ماتریس جدا گردند و فرآیند تکرار شود. پس از تعیین سطوح دوباره ماتریس دریافتی را به ترتیب سطوح مرتب کرده، ماتریس جدید، ماتریس مخروطی نامیده می­شود(فیروزجاییان و همکاران، 1392).

 

 

 

 

 

جدولشماره7:  اولین تکرار بخش بندی سطوح ماتریس دسترسی

متغیر	مجموعه ی نفوذ	مجموعه ورودی	مجموعه مشترک	سطح
تبلیغات بازاریابی سفارشی (1)	1-2-3	1-2-4-5	1-2
بهبود حفظ مشتری (2)	1-2-3	1-2-4-5	1-2
موفقیت مدیریت ارتباط با مشتری (3)	3	1-2-3-4-5	3	1
استراتژی قیمت­گذاری (4)	1-2-3-4	4-5	4
تجزیه و تحلیل در زمان واقعی (5)	1-2-3-4-5	5	5

 

سطح اول سلسله مراتب متعلق به " به موفقیت مدیریت ارتباط با مشتری (3)" می­باشد.

 

جدول شماره8: دومین تکرار بخش بندی سطوح ماتریس دسترسی

متغیر	مجموعه ی نفوذ	مجموعه ورودی	مجموعه مشترک	سطح
تبلیغات بازاریابی سفارشی (1)	1-2	1-2-4-5	1-2	2
بهبود حفظ مشتری (2)	1-2	1-2-4-5	1-2	2
استراتژی قیمت گذاری (4)	1-2-4	4-5	4
تجزیه و تحلیل در زمان واقعی (5)	1-2-4-5	5	5

 

سطح دوم سلسله مراتب متعلق به " تبلیغات بازاریابی سفارشی (1) و بهبود حفظ مشتری (2)"  می­باشد. به روش مشابه سطح سوم سلسله مراتب متعلق به " استراتژی قیمت­گذاری (3)" و در­نهایت سطح چهارم سلسله مراتب متعلق به " تجزیه و تحلیل در زمان واقعی (5)" است.

مدل ساختاری –تفسیری نهایی به شرح زیر است:

 
نمودارشماره:1 مدل ساختاری تفسیری مدیریت ارتباط با مشتری در فروشگاه­های زنجیره­ای تخفیفی

 

همانگونه که در نمودار1 مشاهده می­شود، مطابق مدل مدل ساختاری تفسیری استخراج شده، متغیر "بهبود حفظ مشتری (3)"  در سطح یک قرار دارد، این بدان معنا است که این متغیر از باقی متغیرها اثر می­پذیرد. تأثیرگذارترین متغیر، متغیر " تجزیه و تحلیل در زمان واقعی (5)"  بوده و سپس متغیرهای "استراتژی قیمت گذاری (4)" و نهایتاً "تبلیغات بازاریابی سفارشی (1) و بهبود حفظ مشتری (2)" در مراتب اثرگذاری بعدی می­باشند. 

 

نمودارشماره:2 مدل ساختاری تفسیری بسط یافته مدیریت ارتباط با مشتری در فروشگاه­های زنجیره­ای تخفیفی 

 

 

تجزیه و تحلیل MICMAC

برای انجام تجزیه و تحلیل MICMAC محاسبه قدرت نفوذ و وابستگی هر متغیر نیاز است. قدرت نفوذ برابر با حاصل جمع اعداد سطر هر متغیر و قدرت وابستگی برابر با حاصل جمع اعداد ستون هر متغیر است. سپس جدول مختصاتی بر اساس دو بعد قدرت نفوذ و وابستگی تشکیل می­شود و متغیرها را بر حسب قدرت نفوذ و وابستگی محاسبه شده در جدول 6 در آن وارد می­کنیم. طبقه­بندی نهایی معیارها در نمودار 3 نشان داده شده است. پس از تعيين قدرت محرك يا اثرگذاري و قدرت وابستگي، مي­توان تمامي موانع را در يكي از خوشه­هاي چهارگانه روش ماتريس اثر ضرب ارجاع متقابل كاربردي قرار داد. بر روي ماتريس مورد نظر روش ماتريس اثر ضرب ارجاع متقابل كاربردي نقاط مرزي معمولاً يك واحد بزرگتر از ميانگين تعداد عوامل مي­باشند. به عبارت ديگر، براي مثال در اين تحقيق با توجه به اينكه تعداد عوامل برابر 5 مي­باشد، نقاط مرزي روي ماتريس اثر ضرب ارجاع متقابل كاربردي برابر 2.5 در نظر گرفته مي­شود. با اين حال، با توجه به شرايط تحقيق مي­توان نقاط مرزي متفاوتي را منظور نمود. نقاط مرزي بايد بگونه­اي باشد كه بخوبي عوامل مختلف را در خوشه­­هاي موردنظر تفكيك نمايد.

در این مرحله، متغیرها در چهار گروه طبقه­بندی می­شوند. اولین گروه شامل متغیرهای خودمختار می­شود که قدرت نفوذ و وابستگی ضعیفی دارند. این متغیرها تا حدودی مجزا از سایر متغیرها هستند و ارتباطات کمی دارند. متغیرهای وابسته از قدرت نفوذ ضعیف ولی وابستگی بالایی برخوردارند. گروه سوم متغیرهای پیوندی می­باشند که دارای قدرت نفوذ بالا و وابستگی بالایی برخوردارند. در واقع هرگونه عملی بر روی این متغیرها باعث تغییر سایر متغیرها می­شود. متغیرهای قسمت نفوذ دارای قدرت نفوذ بالا و وابستگی کم می­باشند.

 

نمودارشماره3: قدرت نفوذ – وابستگی

 

 

بحث و نتیجه گیری

متغیرهای مؤثر در مدیریت ارتباط با مشتری در فروشگاه­های زنجیره­ای تخفیفی  عبارت از تبلیغات بازاریابی سفارشی، موفقیت مدیریت ارتباط با مشتری، بهبود حفظ مشتری، استراتژی قیمت­گذاری و تجزیه و تحلیل در زمان واقعی می­باشند. مطابق مدل ساختاری تفسیری استخراج شده سطح اول سلسله مراتب متعلق به " به موفقیت مدیریت ارتباط با مشتری (3)" ، سطح دوم سلسله مراتب متعلق به " تبلیغات بازاریابی سفارشی (1) و بهبود حفظ مشتری (2)"  و سطح سوم سلسله مراتب متعلق به " استراتژی قیمت گذاری (3)" می­باشد، این بدان معنا است که این متغیرها از باقی متغیرها اثر می­پذیرد. تأثیر­گذارترین متغیر ، متغیر " تجزیه و تحلیل در زمان واقعی (5)"  بوده و سپس متغیرهای " استراتژی قیمت گذاری (4)" و نهایتاً "تبلیغات بازاریابی سفارشی (1) و بهبود حفظ مشتری (2)" در مراتب اثر­گذاری بعدی می­باشند. در خصوص پنج متغیر اصلی هیچ یک از متغیرها در "متغیرهای خودمختار" ،که قدرت نفوذ و وابستگی ضعیفی دارند، قرار نگرفته­اند. لذا می­توان اینگونه بیان نمود که متغیری که تا حدودی مجزا از سایر متغیرها باشد و ارتباطات کمی داشته باشد، وجود ندارد. همچنین متغیر "موفقیت مدیریت ارتباط با مشتری" در گروه "متغیرهای وابسته"،که از قدرت نفوذ ضعیف ولی وابستگی بالایی برخوردارند، قرار گرفته است. متغیرهای " تبلیغات بازاریابی سفارشی و بهبود حفظ مشتری" متغیرهای پیوندی می­باشند که دارای قدرت نفوذ بالا و وابستگی بالایی برخوردارند. با توجه به اینکه هرگونه عملی بر روی این متغیرها باعث تغییر سایر متغیرها می­شود، به این 2 متغیر میبایست توجه ویژه­ای شود. دو متغیر تجزیه و تحلیل در زمان واقعی و استراتژی قیمت گذاری" در قسمت نفوذ قرار دارند و دارای قدرت نفوذ بالا و وابستگی کم می­باشند. طبیعتاً تغییر در این گروه منجر به تغییر در باقی متغیرها میگردد. بیشترین نفوذ و کمترین وابستگی متعلق به "تجزیه و تحلیل در زمان واقعی" و سپس "استراتژی قیمت­گذاری" است که به نوبه خود نشان دهنده اهمیت بالای این متغیرها در مدیریت ارتباط با مشتری در فروشگاه­های زنجیره­ای تخفیفی می­باشد. 

نتایج اخذ شده در خصوص تأثیر تبلیغات بازاریابی سفارشی این پژوهش همراستای با پژوهش­های انجام شده توسط محمد و یینگ و همکاران (2021)، همکاران (2019)، جانگ جین و همکاران (2018)، والتر و باکر (2017)، هوفاکر و همکاران (2016) و کومار و همکاران (2016) میباشد. بعنوان مثال در مطالعه یینگ و همکاران (2021) مشخص شد که استفاده از کلان داده‌ها باعث می‌شود که دانش مدیران شرکت‌ها راجع به علائق و خواسته‌های مشتریان افزایش یافته و بدین ترتیب توان محصولات و خدمات را به صورت سفارشی و شخصی‌سازی شده ارائه کرد. همچنین در خصوص تأثیر بهبود حفظ مشتری این پژوهش همراستای با پژوهشهای انجام شده توسط لیو و همکاران (2018)، آدن و هی (2017)، سازیجاروی و همکاران (2013)، دلودلو و همکاران (2012)، گادسل و همکاران (2011) و ایهده (2010) میباشد. بعنوان مثال، وارنوفسکا (2020) گزارش کرد که استفاده از فناوری های دیجیتالی به خصوص کلان داده‌ها در صنعت رستوران امکان درک عمیق نیازهای مشتریان و در نهایت جلب رضایت آنها را فراهم می آورد. این امر باعث می‌شود که بتوان قدرت حفظ مشتریان را بهبود بخشید. بر اساس نتایج کسب شده مبنی بر تأثیر تجزیه و تحلیل در زمان واقعی (کوتاهترین زمان)، این پژوهش همراستای با پژوهش­های انجام شده توسط بریل و جونر (2017) و ایتمن (2015) میباشد. همچنین انشاری و همکاران (2018) نیز به مساله اشاره کرده‌اند که پیاده‌سازی فناوری‌های دیجالی مانند تحلیل کلان داده‌ها باعث تشریع در فرایند خدمت رسانی به مشتریان می‌شود که این یافته با نتایج بدست آمده در تحقیق حاضر همخوانی دارد. در خصوص تأثیر استراتژی قیمت گذاری نیز این پژوهش همراستای با پژوهشهای انجام شده توسط جسوس ماریو و همکاران (2018)، چاتزیگرگادیکیدیس و همکاران (2018)، ژانگ و لیو (2018)، کیانگ دون و همکاران (2017)، ایتمن (2015)، ادی (2014)، لی و همکاران (2013)، دایان و آرنولدس (2012) میباشد. بعنوان مثال، ژانگ و لیو (2018) نشان دادند که استفاده از فناوری‌های دیجیتالی باعث خواهد شد که قیمت‌گذاری به شکلی صورت گیرد که از دیدگاه مشتریان "منصفانه" تلقی می‌شود. فاکس و همکاران (2012) نیز به تاثیرگذاری اینترنت اشیاء بر بهینه سازی سیستم قیمت‌گذاری اشاره کرده‌اند.

باتوجه به اینکه بیشترین نفوذ و کمترین وابستگی متعلق به "تجزیه و تحلیل در زمان واقعی" و سپس "استراتژی قیمت­گذاری" است است که به نوبه خود نشان دهنده اهمیت بالای این متغیرها در مدیریت ارتباط با مشتری در فروشگاه­های زنجیره­ای تخفیفی می­باشد، لذا این موضوع می­بایست به نحو ویژه­ای مد نظر قرار گیرد.

پیشنهادهای زیر برای پژوهشگران آتی پیشنهاد میگردد.

·       استفاده از روش داده بنیاد جهت ترسیم مدل

·       انجام پژوهش آینده را می­توان با استفاده از تلفیق تکنیک دیمتل و مدل­یابی معادلات ساختاری انجام داد و نتایج را مقایسه نمود.

·       بالا بردن حجم نمونه و استفاده از نرم افزار لیزرل در تست مدل

·       در پژوهش آتی می­توان روش ISM با پویایی سیستم بصورت ترکیبی انجام داد.

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

1.       برقی اسکویی،محمدمهدی؛ ناصری اسکویی،حمیدرضا. (1397)، بررسي نقش مديريت روابط با مشتري در کسب مزيت رقابتي در بازارهاي رقابتي در سازمان تامين اجتماعي استان آذربايجان شرقي، نشریه مطالعات نوين كاربردي در مديريت اقتصاد و حسابداري، دوره 1، شماره1، صفحه 32-23.

2.       بکایی جزی، فرزاد؛ حسینی فولادی، شیوا ؛ برادران، رزیتا. (1394)،مدیریت ارتباط با مشتری (CRM) راهکاری اثربخش در کسب مزیت رقابتی پایدار در فرایند تجارت،سومین کنفرانس بین المللی پژوهشهای نوین در مدیریت، اقتصاد و حسابداری.

3.       تقی زاده، هوشن؛ ضيایی حاجی پيرلو، مصطفی .(1395)، بررسی روابط درونی مؤلفه های توانمند سازی کارکنان با توسعه الگوی ساختاری- مقایسه ای، فصلنامۀ پژوهش هاي مديريت منابع انساني دانشگاه جامع امام حسین(ع)، سال8، شماره2، صفحه 111-85

4.       حبیبی، آرش؛ ایزدیار، صدیقه؛ سرافرازی، اعظم. (۱۳۹۳)، کتاب تصمیم‌گیری چندمعیاره فازی، انتشارات کتیبه گیل.

5.       جعفری نسب،عباس؛ راهپیما،امان اله. (1396)، تبیین تاثیر مدیریت ارتباط با مشتری بر کسب مزیت رقابتی و موفقیت بازاریابی در کارخانه سیمان لامرد، نشریه كنفرانس ملي تحقيقات علمي جهان در مديريت، حسابداري، حقوق و علوم اجتماعي ، دوره 2، صفحه 12-1.

6.       جمشیدی، بهاره، دهقانی سانیچ، حسین (1399).  کلان داده های مبتنی بر اینترنت اشیاء از چشم انداز کشاورزی هوشمند، فصلنامه رشد فناوری، 63، 12-22.

7.       دانش مهر،حسین؛رادفر،رضا؛ حیدرزاده هنزائی،کامبیز. (1398)، ارائه مدل مدیریت ارتباط با مشتری برای کسب و کارهای مبتنی بر رسانه های اجتماعی، فصلنامه آينده پژوهي مديريت، سال 30، شماره 117، صفحه 120-101.

8.       دهقاني سلطاني، مهدي، محمدي، اسفنديار، همتي، امين، رئوفي، مصطفي (1398). بررسي تأثير مديريت ارتباط با مشتري بر عملکرد بازاريابي با تبيين نقش ميانجي نوآوري و حافظه بازاريابي، راهبردهاي بازرگاني، 26(13)، 59-78.

9.       رمضانی، پری سیما؛ مشایخ، محمدرضا؛ معصومی فر، مرجان.(1399)،تاثیر اینترنت اشیاء بر مدیریت ارتباط مجازی و حقیقی با مشتری با درنظرگرفتن رضایت مشتری (مقاله مروری)،چهارمین کنفرانس بین المللی چشم اندازهای نوین در حسابداری، مدیریت و کارآفرینی، تهران.

10.       زینی وند، سهیلا؛ موقرپور، نرگس. (1398)،بررسی رابطه بین مدیریت داده های عظیم برای توانمندسازی مدیریت دانش در راستای مدیریت ×ارتباط با مشتری (مورد مطالعه کتابخانه های عمومی استان خوزستان)،دومین کنفرانس بازیابی تعاملی اطلاعات، تهران. 

11.       سیدجوادین،سیدرضا؛ هاشمی،مهدی؛ محمودیان،امید.(1395)، ارائة مدلي به منظور تبيين مسئوليت اجتماعي در شركت هاي نفت و گاز با استفاده از مدل سازي ساختاري تفسيري، مجله مدیریت دولتی، دوره8، شماره 1، صفحه 92-75.

12.       عقیقی، علیرضا؛ غیاث یگانه، منا. (1397)،استفاده از داده های بزرگ حاصل از سیستم های اطلاعات مدیریت ارتباط با مشتری برای تعیین ویژگی های مشتری در صنعت پخش،چهارمین کنفرانس بین المللی مدیریت،کارآفرینی و توسعه اقتصادی،تاکستان.

13.       فاضلی ماه سایه، بهرام؛ احمدی فر، حمیدرضا؛ مشکین مژه، مجید. (1398)، داده کاوی در بیگ دیتا فروشگاه جهت دسته بندی مشتریان بر حسب ویژگی ها و نوع خرید،دومین کنفرانس بین المللی تحقیقات بین رشته ای در مهندسی برق، کامپیوتر، مکانیک و مکاترونیک در ایران و جهان اسلام،کرج.

14.       فیروزجاییان،علی اصغر؛ فیروزجاییان،مجتبی؛ هاشمی پطرودی، سیدحمید؛ غلامرضازاده،فاطمه.(1392)، کاربرد تکنیک مدلسازی ساختاری تفسیری (ISM ) در مطالعات گردشگری (تحلیلی با رویکرد آسیب شناسانه)، فصلنامه برنامه ریزی و توسعه گردشگری، سال7، شماره6، دوره2، صفحه 159-129.

15.       کیافر، پیام، جاورسینه، صدیقه (1394). مروری بر چالش های تجزیه و تحلیل کلان داده و راه حل های رفع آن ها، هشتمین کنفرانس ملی و دومین کنفرانس بین المللی مدیریت دانش، تهران.

16.       گرامی، محسن، قریبی، نسترن (1396). تحلیل داده هاي بزرگ در مدیریت زنجیره تامین، کنفرانس ملی فناوری های نوین در مهندسی برق و کامپیوتر.

17.       مبین،مهران؛ امیرنژاد،قنبر. (1396)، بررسی تاثیر موفقیت مدیریت ارتباط با مشتری بر عملکرد در شرکت مخابرات خوزستان، كنفرانس پژوهش هاي نوين ايران و جهان در مديريت، اقتصاد، حسابداري و علوم انساني، دوره 1، صفحه 15-3.

18.       محمدي، نبي اله، عزيزي، صابر، رجبي، محمدرضا (1397). مديريت ارتباط با مشتري الکترونيکي (E-CRM) و عملکرد آن: چالش ها و راهکارها، مطالعات نوين كاربردي در مديريت اقتصاد و حسابداري، 1(3)، 33-50.

19.       ملاولی، عادل. (1396)، بررسی تاثیر موفقیت مدیریت ارتباط با مشتری بر رضایت و وفاداری مشتریان(مورد مطالعه در شعبات بانک رفاه کارگران استان کردستان)، نخستین کنفرانس بین المللی حسابداری و مدیریت.

20.       موسوی،سیدمحسن؛ امیری عقدایی،سیدفتح اله. (1399)، بررسی رفتار مصرف کننده به منظور خلق ارزش مورد انتظار مشتری توسط تحلیل کلان داده ها، نشریه مطالعات رفتار مصرف کننده، دوره 7، شماره 1، صفحه 182-160.

21.       نظاری، هادی؛ کریمی، فرهاد. (1396)،بررسی نقش ابعاد موفقیت آمیز پیاده سازی مدیریت ارتباط با مشتری (CRM)  و تاثیر آن بر رضایت مندی مشتریان (مطالعه موردی بانک تجارت)،سومین کنفرانس سالانه مدیریت و اقتصاد کسب و کار، تهران.

22.       نيكو، حسين؛ مروتي شريف آبادي، علي. (1396)، تاثير مديريت ارتباط با مشتري بر جنبه هاي عملکرد سازماني (مورد مطالعه: هتل هاي 3 تا 5 ستاره مشهد)، نشریه مطالعات مديريت گردشگري (مطالعات جهانگردي) ، دوره 12، شماره 39، صفحه 48-27.

23.       Abu Ghazaleh, M., Abdallah, S. and Khan, M. (2018), “Critical internal organization’s forces influencing sustainability of post ERP in UAE service industry: a confirmatory factor analysis approach”, International Journal of Organizational Analysis.

24.       Abu Ghazaleh, Mohamad; Zabadi, Abdelrahim M. (2020). Promoting a revamped CRM through Internet of Things and Big Data: an AHP-based evaluation. International Journal of Organizational Analysis, 28(1), 66–91.

25.       Amaliah, Ima., Aspiranti, Tasya., Purnamasari, Pupung.(2015), The Impact of the Values of Islamic Religiosity to Islamic Job Satisfaction in Tasikmalaya West Java, Indonesia, Industrial Centre, Procedia - Social and Behavioral Sciences, Volume 211, 25 November 2015, Pages 984-991.

26.       Anshari, M., Nabil Almunawar, M., Ariff Lim, S., Al-mudimigh, A.(2019). Customer Relationship Management and Big Data Enabled: Personalization & Customization of Services, Applied Computing and Informatics, Volume 15, Issue 2, July 2019, Pages 94-101.

27.       Ashton, K. (2009). That ‘internet of things’ thing. RFiD Journal, 22(7), 97-114.

28.       Azar, A. (2010). Modeling agility of supply chain, using interpretive structural modeling approach- Structural, Journal of Humanities Teacher-Management Research in Iran,14(4),138, 13.

29.       Barnaghi, P., Wang, W., Henson, C. & Taylor, K. (2012). Semantics for the Internet of Things: early progress and back to the future. International Journal on Semantic Web and Information Systems, 8(1): 1-21.

30.       Bojanowska, A. (2019). Customer data collection with Internet of Things. In MATEC Web of Conferences (Vol. 252, p. 03002). EDP Sciences.

31.       Brill, H. and Jones, S. (2017), “Little things and big challenges: information privacy and the internet of things”, American University Law Review, Vol. 66 No. 5, pp. 1183-1230, available at: http://adezproxy.adu.ac.ae/docview/1956453949?accountid=2614.

32.       Chatzigeorgakidis, G., Karagiorgou, S., Athanasiou, S. and Skiadopoulos, S. (2018), “FML-kNN: scalable machine learning on big data using k-nearest neighbor joins”, Journal of Big Data, Vol. 5 No. 1, pp. 1-27, available at: http://adezproxy.adu.ac.ae/docview/1995198850?accountid=26149.

33.       Dayan, O. and Arnolds, C.A. (2012), “The influence of new product launching strategies on CRM success: an exploratory study”, Management Dynamics, Vol. 21 No. 1, pp. 2-17, available at: http://adezproxy.adu.ac.ae/docview/1442760950?accountid=26149.

34.       Dlodlo, N., Foko, T., Mvelase, P. and Mathaba, S. (2012), “The state of affairs in internet of things research”, Electronic Journal of Information Systems Evaluation, Vol. 15 No. 3, pp. 244-258, available at: http://adezproxy.adu.ac.ae/docview/1284712273?accountid=26149.

35.       Eddy, N. (2014), “Internet of things, 3D printing to shape supply chains”,EWeek, 6, available at: http://search.ebscohost.com.adu-libdatabase.idm.oclc.org/login.aspx?direct=true&db=aci&AN=95270492&site=ehost-live.

36.       Farkas, T.J. (2017), “Data created by the internet of things: the new gold without ownership?”, Revista La Propiedad Inmaterial, Vol. 23

37.       Fox, G. C., Kamburugamuve, S. & Hartman, R. D. (2012). Architecture and measured characteristics of a cloud based internet of things. In Collaboration Technologies and Systems (CTS), 2012 International Conference on. pp. 6-12). IEEE.

38.       Godsell, J., Diefenbach, T., Clemmow, C., Towill, D. and Martin, C. (2011), “Enabling supply chain segmentation through demand profiling”, International Journal of Physical Distribution and Logistics Management, Vol. 41 No. 3, pp. 296-314, available at:

39.       Haddud, A., DeSouza, A., Khare, A. and Lee, H. (2017), “Examining potential benefits and challenges associated with the internet of things integration in supply chains”, Journal of Manufacturing Technology Management, Vol. 28 No. 8, pp. 1055-1085.

40.       Hammoudi, S., Aliouat, Z. and Harous, S. (2018), Challenges and research directions for internet of things, Telecommunication Systems, Vol. 67 No. 2, pp. 367-385

41.       Hofacker, C.F., Malthouse, E.C. and Sultan, F. (2016), “Big data and consumer behavior: imminent opportunities”, Journal of Consumer Marketing, Vol. 33 No. 2, pp. 89-97.

42.       Ihde, D. (2010), “Heidegger on technology: one size fits all”, Philosophy Today, Vol. 54, pp. 101-105, available at: http://adezproxy.adu.ac.ae/docview/762692068?accountid=26149.

43.       Ittmann, H.W. (2015), “The impact of big data and business analytics on supply chain management”,Journal of Transport and Supply Chain Management, Vol. 9 No. 1, available at: http://dx.doi.org.adu-lib-database.idm.oclc.org/10.4102/jtscm.v9i1.165.

44.       Jesús Mario, V.C., Papinniemi, J., Hannola, L. and Donoghue, I. (2018), “Developing smart services by internet of things in manufacturing business”, LogForum, Vol. 14 No. 1

45.       Jong-Jin, J., Kim, K. and Jong-Bin, P. (2018), “Smart offering system using marketing strategy and digital promotional brochure”, International Information Institute (Tokyo) Information, Vol. 21 No. 2, pp. 679-686, available at: http://adezproxy.adu.ac.ae/docview/2038672396?accountid=26149.

46.       Kannan, G., Palaniappan, M., Zhu, Q., & Kannan, D. (2012). Analysis of third party reverse logistics provider using interpretive structural modeling. International Journal Production Economics, 140(1), 204-211

47.       Kranenburg, R. V., Anzelmo, E., Bassi, A., Caprio, D., Dodson, S. & Ratto, M. (2011). The Internet of Things. In 1st Berlin Symposium on Internet and Society: Exploring the Digital Future, Berlin: October 25-27.

48.       Kumar, A., Adlakha, A. and Mukherjee, K. (2016), “Modeling of product sales promotion and price discounting strategy using fuzzy logic in a retail organization”, Industrial Management and Data Systems, Vol. 116 No. 8, pp. 1418-1444, available at: http://adezproxy.adu.ac.ae/docview/1826442392?accountid=26149.

49.       Kyoung-Don, K., Chen, L., Yi, H., Wang, B. and Sha, M. (2017), “Real-time information derivation from big sensor data via edge computing”, Big Data and Cognitive Computing, Vol. 1 No. 1, available at: http://dx.doi.org.adu-lib-database.idm.oclc.org/10.3390/bdcc1010005.

50.       Li, S., Xu, L.D. and Zhao, S. (2015), “The internet of things: a survey”, Information Systems Frontiers, Vol. 17 No. 2, pp. 243-259.

51.       Li,W., Mei, L. and Nie, K. (2013), “Research on choices of methods of internet of things pricing based on variation of perceived value of service”, Journal of Industrial Engineering and Management,Vol. 6 No. 1, p. 175, available at: http://dx.doi.org.adu-lib-database.idm.oclc.org/10.3926/jiem.619.

52.       Liu, Y.-Y., Tseng, F.-M. and Tseng, Y.-H. (2018), “Big data analytics for forecasting tourism destination arrivals with the applied vector autoregression model”, Technological Forecasting and Social Change, Vol. 130, pp. 123-134.

53.       Miorandi, D., Sicari, S., DePellegrini, F.and Chlamtac, I. (2012). Internet of things: Vision, applications and research challenges’, Ad Hoc Networks, 10(7): 1497-1516.

54.       Mohamed, A., Najafabadi, M.K., Yap, B.W., Ezzatul Akmal, K.Z. and Maskat, R. (2019), “The state of the art and taxonomy of big data analytics: view from new big data framework”, The Artificial Intelligence Review, pp. 1-49, available at: http://dx.doi.org.adu-lib-database.idm.oclc.org/10.1007/s10462-019-09685-9.

55.       Mohan, A. and Deshmukh, A.K. (2013), “Conceptualization and development of a supply chaincustomer

56.       Monika, Romika Yadav., Garima, Tarun Kumar.(2015), Usageof Big Data Analytics for Customer Relationship Management, International Journal of Advanced Research in Computer Science, Volume 6, No. 2,pp:1-3.

57.       Nasereddin, H. H., & Faqir, M. (2019). The impact of internet of things on customer service: A preliminary study. Periodicals of Engineering and Natural Sciences (PEN), 7(1), 148-155.

58.       O’Leary, D.E. (2013), “‘Big data’, the ‘internet of things’ and the ‘internet of signs’”, Intelligent Systems in Accounting, Finance and Management, Vol. 20 No. 1, p. 53.

59.       relationship management (SC2R-M) synergy mode”, Journal of Supply Chain Management Systems, Vol. 2 No. 3, pp. 9-25.

60.       Saarijärvi, H., Karjaluoto, H. and Kuusela, H. (2013), “Customer relationship management: the evolving role of customer data”, Marketing Intelligence and Planning, Vol. 31 No. 6, pp. 584-600, available at: http://adezproxy.adu.ac.ae/docview/1447764681?accountid=26149.

61.       Sundmaeker, H., Guillemin, P., Friess, P. & Woelfflé, S. (2010). Vision and challenges for realising the Internet of Things (Vol. 20): EUR-OP.

62.       Talón-Ballestero, Pilar., González-Serrano, Lydia., Soguero-Ruiz, Cristina., Muñoz-Romero, Sergio., Rojo-Álvarez, José Luis. (2018), Using big data from Customer Relationship Management information systems to determine the client profile in the hotel sector, Tourism Management, Volume 68, October 2018, Pages 187-197.

63.       Tan, L., & Wang, N. (2010, August). Future internet: The internet of things. InAdvanced Computer Theory and Engineering (ICACTE), 2010 3rd International Conference on. 5: V5-376. IEEE.

64.       Uden, L. and He,W. (2017), “How the internet of things can help knowledge management: a case study from the automotive domain”, Journal of Knowledge Management, Vol. 21 No. 1, pp. 57-70, available at: http://adezproxy.adu.ac.ae/docview/1874671900?accountid=26149.

65.       Walters, M. and Bekker, J. (2017), “Customer super-profiling demonstrator to enable efficient targeting in marketing campaigns”, South African Journal of Industrial Engineering, Vol. 28 No. 3, pp. 113-127, available at: http://dx.doi.org.adu-lib-database.idm.oclc.org/10.7166/28-3-1846.

66.       Wang, Y. and Feng, H. (2012), “Customer relationship management capabilities”, Management Decision, Vol. 50 No. 1, pp. 115-129.

67.       Werenowska, A. (2020). Big data as a key aspect of customer relationship management: an example of the restaurant industry. In Management in the Era of Big Data (pp. 153-164). Auerbach Publications.

68.       Yerpude, Samir., Kumar Singhal, Tarun.(2018), Internet of Things based Customer Relationship Management-A Research Perspective, International Journal of Engineering and Technology, Vol. 7,pp:444-450.

69.       Ying, S., Sindakis, S., Aggarwal, S., Chen, C., & Su, J. (2021). Managing big data in the retail industry of Singapore: Examining the impact on customer satisfaction and organizational performance. European Management Journal, 39(3), 390-400.

70.       Zhang, Y. and Liu, S. (2018), “A real-time distributed cluster storage optimization for massive data in internet of multimedia things”, Multimedia Tools and Applications, Vol. 78 No. 5, pp. 1-14, available at: http://dx.doi.org.adu-lib-database.idm.oclc.org/10.1007/s11042-018-7006-1.

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

Provide a model for customer relationship management (CRM) in discount chain stores through the use of the Internet of Things and Big Data

Provide a model for customer relationship management (CRM) in discount chain stores through the use of the Internet of Things and Big Data

 

 

Abstract

Success in customer relationship typically depends on increasing knowledge management. As the hiring of a scientist in customer relationship management becomes more prominent because there is so much information about drugs, their properties and their behavior. In such cases, use efficient algorithms and techniques to analyze this data is essential. The purpose of this study is to provide a model for customer relationship management (CRM) in discount chain stores through the use of the Internet of Things and Big Data. The data analysis method is a detailed construction modeling method. In this research, in order to fill in the questionnaires, the opinions of 20 experts in this field have been used. According to the interpretive structural model, the first level of the hierarchy belongs to "Customer Relationship Management Success (3)", the second level of the hierarchy belongs to "Custom Marketing Advertising (1) and Customer Improvement (2)" and the third level of the hierarchy belongs to " Pricing strategy (3) "can be, which means that these variables are affected by other variables. The most influential variable is "real-time analysis" (4). The results can be a good model for the country's chain stores to better manage customer relationships and gain a competitive advantage.

 

Keywords: Big Data, Customer Relationship Management, Discount Chain Stores, Internet of Things.

 

 

 

 

 

 

 

 

 

 

 

13

 

---

[1]  Li et al

[2]  Ying

[3]  Werenowska

[4]  Nasereddin

[5]  Bojanowska

[6]  Zhang and Liu

[7]  Kyoung-Don

[8]  Jesús Mario

[9]  Chatzigeorgakidis

[10]  Ittmann

[11]  Eddy

[12]  Li

[13]  Dayan and Arnolds

[14]  Mohamed

[15]  Jong-Jin

[16]  Walters and Bekker

[17]  Kumar

[18]  Hofacker

[19]  Brill and Jones

[20]  Liu

[21]  Uden and He

[22]  Saarijärvi

[23]  Dlodlo

[24]  Ihde

[25]  Godsell

---