رویکرد داده‌کاوی در بخش‌بندی بازار مشتریان به منظور اتخاذ استراتژی‌های کارا (مطالعه موردی صنعت مخابرات)
الموضوعات :
محمد ولایتی
1
(دانشجوی دکتری،گروه مدیریت بازرگانی،واحد امارات، دانشگاه آزاد اسلامی،دوبی ،امارا ت متحده عربی)
فرهاد حسین زاده لطفی
2
(استاد،گروه ریاضیات کاربردی، واحد علوم و تحقیقات، دانشگاه آزاد اسلامی،تهران،ایران)
محمدرضا شهریاری
3
(دانشیار ،گروه مدیریت صنعتی،واحد تهران جنوب،دانشگاه آزاد اسلامی،تهران ،ایران)
فریدون رهنمای رود پشتی
4
(استاد،گروه مدیریت مالی،واحد علوم و تحقیقات،تهران،ایران)
الکلمات المفتاحية: خوشه بندی, واژه‌های کلیدی: مدیریت ارتباط با مشتری, مخابرات. طبقه بندی JEL : M20, M21, M3,
ملخص المقالة :
تصمیم گیری صحیح و ایجاد استراتژی ها و تاکتیک های موثر بازاریابی و فروش، منوط به شناسایی و درک صحیح سازمان ها از مصرف کنندگان و خریداران است. امروزه ،محققان بازاریابیبه طور دائم در تلاشند تا رفتار مصرف کنندگان را شناسایی کنند و بر این اساس، راهکارهایی مناسب را برای فروش بهتر و موثرتر و افزایش سهم بازار اتخاذ کنند. تولیدکنندگان، برای تامین تقاضاها و حفظ و گسترش سهم بازار، باید از لایه های ادراکی، تعقلی و رفتاری خریداران بالقوه، آگاهی داشته باشند تا متناسب با سازه ها و سازوکارهای تصمیم گیری خود، اقدام به تولید فرآورده ها، توزیع و ترویج آنها کنند. مبتکران و طراحان فرآورده ها، صرفا با شناخت الگوهای رفتاری مصرف کنندگان، می توانند نسبت به زوایای انتظارات و رضایت مندی افراد، آگاه شوند و بهره گیری از آنها را با مدلسازی هموارتر کنند. در این تحقیق یک رویکرد مبتنی بر پردازش داده ارائه می شود تا با واکاوی رفتار مشتریان سیاست های بازاریابی مربوط به هر مشتری به صورت سفارشی تعیین شود. متدولوژی ارائه شده از خوشه بندی داده های استخراج شده از پایگاه داده مربوط به رفتار مشتری استفاده می کند. سپس با توجه به کلاس مالی، که مشتری به آن تعلق دارد دو نوع سیاست بازاریابی را پشتیبانی می کند. سیاست اول، سیاست بقا یا تثبیت مشتری در کلاس مالی جاری آن مشتری پی ریزی می شود این سیاست بر اساس وفادار کردن مشتریان به سازمان و استمرار سفارشات آنها در دراز مدت، طرحها یا محصولاتی که احتمالا مشتری از آنها اطلاع ندارد یا تا کنون از آنها استفاده نکرده است را به او معرفی می کند. سیاست دوم سیاست انگیزشی یا ارتقا نام دارد این سیاست بر اساس ایجاد انگیزه در مشتریان برای قرار گرفتن در کلاس های مالی بالاتر عمل می کند به طوری که بر اساس تحلیل رفتار مشتریان قرار گرفته در کلاس های مالی بالاتر طرحها یا محصولاتی هدفدار به مشتری ارائه می شود. Abstract Good decision-making and adoption of effective marketing, sale strategies and tactics are subjected to a proper understanding and identification of consumers and purchasers in organizations. Nowadays, marketing researchers are attempting to identify behavior of consumers in order to make suitable solutions for better and effective sale in order to expand market share. Manufacturer should be aware of perceptual, belonging and behavioral layers of potential purchasers in order to produce distribute and promote products regarding their decision-making structures and mechanisms. Innovators and designers of products can find expectations and satisfaction aspects of individuals by modeling and identifying behavioral pattern of consumers. A data mining-based approach was proposed in this research to determine marketing policies related to each customer within ordering type investigating customers’ behavior. The proposed methodology used clustering of data extracted from database related to customer behavior. Then, this method supported two types of marketing policies considering financial class which customer belongs. In first policy, the customer consolidation or retention in its current financial class in underpinned; this policy introduces those projects or products that may be unknown or unused for customer making them loyal to organization or prolonging their orders for long term. Second policy is named motivational or promotional policy; this policy performs to encourage customers to be in higher financial classes. In this regard, some projects or products will be presented purposefully based on the analysis of behavior of customers at higher financial classes.
فهرست منابع
1) Filippidou, D., Keane, J.A., Svinterikou, S. and Murray, J., Data Mining for Business Improvement: Applying the HyperBank Approach,PADD’98 - 2nd Int.Conf., on the Practical Application of Knowledge Discoveryand Data Mining, Practical Application Company, 1998, pp.1-10.
2) Hatamlou, A., 2013. Black hole: A new heuristic optimization approach for data clustering. Information Sciences, 222, 175–184.
3) Fayyad, U., Shapiro, G.S. and Smyth, P., From Data Mining to Knowledge Discovery in Databases, AI Magazine, 1996, pp.37-54.
4) Prasad Pramod Latesh G. Malik (June 2011). “Generating Customer Profiles for Retail Stores Using Clustering Techniques.” International Journal on Computer Science and Engineering (IGCSE), Vol. 3 No. 6.
5) Malthouse E., Mulhern F. (September 2008). “Understanding and Using Customer Loyalty and Customer Value”, Journal of Relationship Marketing, Vol. 6, pp. 59-86.
6) Brown, Stanley A., and Price Waterhouse Coopers. Customer relationship management: A strategic imperative in the world of e-business. John Wiley & Sons, Inc., 1999.
7) Chatterjee, Arunabha, et al. "Manufacturing flexibility: Models and measurements." Proceedings of the first ORSA/TIMS special interest conference on FMS. Elsevier, Amsterdam, The Netherlands, 1984.
8) Feinberg, Richard, and Rajesh Kadam. "E-CRM Web service attributes as determinants of customer satisfaction with retail Web sites." International Journal of Service Industry Management 13.5 (2002): 432-451.
9) Seyed Hoseini SM., Maleki A., Gholamian MR. (2010). “Cluster Analysis Using Data Mining Approach to Develop CRM Methodology to Access The Customer Loyalty”, Expert Systems with Application, pp. 5259-5264.
10) Stone M., Woodcock N., Wilson M. (2006). “Managing the Change from Marketing Planning to Customer Relationship Management”. Lomg Range Planning, 29, 675-683.
11) Hsieh Nan-Chen (2004). “An Integrated Data Mining and Behavioral Scoring Model for Analyzing Bank Customer”, Expert System with Applications, Vol. 27, pp. 623-633.
12) Chang Horng-Jinh, Hung Lun-Ping, Ho Chai-Lin (2007). “An Anticipation Model of Potential Customers, Purchasing Behavior Based on Clustering Analysis and Association Rules Analysis”, Expert System with Applications, Vol. 32, pp. 753-764.
13) Chan, Chu Chai Henry. "Intelligent value-based customer segmentation method for campaign management: A case study of automobile retailer." Expert systems with applications 34.4 (2008): 2754-2762.
14) Lee Jang Hee, Park Sang Chan (2005). “Intelligent Profitable Customers Segmentation System Based on Business Intelligence Tools” Expert Systes with Applications, Vol. 29, pp. 1[2]-152.
15) Stone M., Woodcock N., Wilson M. (2006). “Managing the Change from Marketing Planning to Customer Relationship Management”. Lomg Range Planning, 29, 675-683.
16) Sheu Jyh-Jian, Su Yan-Hua (2009). Chu Ko-Tsung, Segmenting Online Game Customers-The Perspective of Experiential Marketing, Expert System with Applications, Vol. 36, pp. 8487-8495.
17) Chen, Jinghai, et al. "mir-17-92 cluster is required for and sufficient to induce cardiomyocyte proliferation in postnatal and adult hearts." Circulation research (2013): CIRCRESAHA-112.
18) Namvar, Morteza, Mohammad R. Gholamian, and Sahand KhakAbi. "A two phase clustering method for intelligent customer segmentation." Intelligent Systems, Modelling and Simulation (ISMS), 2010 International Conference on. IEEE, 2010.
19) Khajvand M., Zolfaghar K., Ashoori S., Alizadeh S. (February 2011). “Estimating Customer Lifetime Value Based On RFM Analysis of Customer Purchase Behavior: Case Study, Procedia Computer Science”, Vol. 3,pp.57-63.
20) Khajvand, Mahboubeh, and Mohammad Jafar Tarokh. "Estimating customer future value of different customer segments based on adapted RFM model in retail banking context." Procedia Computer Science 3 (2011): 1327-1332.
21) Kaufman L. and Rousseeuw P. J. (1990). Finding Groups in Data. An Iintroduction to Cluster Analysis. Wiley-Interscience.
22) Hung Chihli, Tsai Chih-Fong (2008). “Market Segmentation Based on Hierarchical Self-Organization Map for Market of Multimedia on Demand”. Expert System with Applications, Vol. 34, pp. 780-787.
23) حسینی، میرزا حسن و مصطفی، احمدی نژاد (1382)"بررسی تأثیر رضایت مندی مشتری، اعتماد مشتری به نام تجاری و ارزش ویژه نام تجاری در وفاداری رفتاری ونگرشی مشتری: مطالعه موردی بانک رفاه" بررسی بازرگانی، شماره 88 ، ص: 42-51
24) Tabaei, Zahra, Mohammad Fathian, and Mohammad Reza Gholamian. "Effective factors on electronic customers satisfaction." International Conference on Information and Financial Engineering. 2011.
25) Brian S., Penn (2005). “Using self-Organizing Maps to Visualize High-Dimensional Data”. Computers & Geosciences, Volume 31, Pages 531–544.
26) Kucukkan cabas, sh., Akyol, A., Ataman, berk. M. (2007). Examination of the Effects of the Relationship Marketing Orientation on the Company Performance, Springer.
27) Kargari, Mehrdad, and Mohammad Mehdi Sepehri. "Stores clustering using a data mining approach for distributing automotive spare-parts to reduce transportation costs." Expert Systems with Applications 39.5 (2012): 4740-4748.
یادداشت‌ها
