Prediction of Customer Satisfaction level in after-sales service in automotive industry- Dealers in Saipayadak Co.

Subject Areas : Futurology

Reyhaneh  Varasteh ¹ (Department of Industrial and Technology Management, Faculty of Management and Economics, Science and Research Branch, Islamic Azad University, Tehran, Iran)
Ahmad  Ebrahimi ² (Department of Industrial Management, Faculty of Management and Economics, Science and Research Branch, Islamic Azad University, Tehran, Iran)

Received: 2020-10-03 Accepted : 2020-11-01 Published : 2023-11-22

Keywords: After-sales service, Customer Satisfaction, futures studies, Stepwise Regression, Prediction,

Abstract :

Background: Based on the competition and product variety in the automotive industry, auto makers require to achieve capability to respond properly to customers and their competitors. The special position of after-sales service in automotive industry and also maintain the existing customers and attract the new ones, makes the prediction and measurement of customer satisfaction as a must in this industry.Purpose: In this paper, using prediction approach in futures studies, has made us firstly to identify the influential factors on customer satisfaction. Then the customer satisfaction level has been predicted and analyzed in after-sales service of dealers in an automotive manufacturer.Methods: The statistical population includes the dealers of Saipayadak Co. The statistical sample includes 14486 of after-sales service dealers in the period of April 2017 to June 2017. Independent variables, after extracting through literature review, were finalized using brainstorming and fishbone diagrams. Statistical analysis and prediction was performed using stepwise regression method with coding in RStudio software.Findings: By using data mining method, the customer satisfaction score in after-sales service of dealers in Saipayadak Co. has been predicted with 80% accuracy.Conclusion: By knowing the customer satisfaction level, auto makers can define quality improvement projects and move toward to competitiveness desirably.

Full-Text:



پیش­بینی سطح رضایتمندی مشتریان در خدمات پس از فروش خودرو- نمایندگی های شرکت سایپا یدک

 

چکیده

زمینه: با توجه به وجود رقابت و تنوع پذیری صنعت خودرو، نیاز است تا خودروسازها قابلیت پاسخگویی و رفتار مناسب در قبال مشتریان و رقبای خود را داشته و یا به دست آورند. جایگاه ویژه خدمات پس از فروش در صنعت خودرو و همچنین نگهداشت مشتریان فعلی و جذب مشتریان جدید، اندازه گیری و پیش بینی سطح و نمره رضایتمندی مشتریان را در این صنعت به یک الزام و باید بدل کرده است.

هدف: استفاده از رویکرد پیش بینی در آینده پژوهی در مقاله حاضر موجب گردیده تا پس از شناسایی عوامل تأثيرگذار بر رضایتمندی مشتریان، امتیاز  سطح این عامل در نمایندگی‎های خدمات پس از فروش در یک شرکت خودروسازی مورد بررسی و پیش بینی قرار گیرد.

روش: جامعه آماری شامل نمایندگی‎های شرکت سایپایدک می‎باشد. نمونه آماری ‏شامل 14486 نمونه از نمایندگی‎های خدمات پس از فروش در ‏قلمرو زمانی فروردین 1396 تا خرداد 1398 است.‏ متغیرهای مستقل پس از استخراج اولیه از مرورادبیات، با استفاده از طوفان فکری و نمودار استخوان ماهی نهایی شده‎اند. تحلیل آماری و پیش بینی با استفاده از روش رگرسیون گام‎به‎گام و با کدنویسی در نرم‎افزار RStudio انجام شده‎است.

یافته‎ها: با استفاده از روش داده کاوی بکار گرفته شده، امتیاز رضایتمندی مشتریان نمایندگی‎های خدمات پس از فروش در شرکت سایپا یدک با صحت 80 درصد قابل پیش بینی شده است.

نتیجه‏گیری: با دانستن سطح و نمره رضایتمندی مشتری، سازمانهای خودرو ساز می توانند نسبت به تعریف پروژه های بهبود کیفیت و حرکت به سمت رقابت پذیری در صنعت خودرو، به شکلی هدفمند و مطلوب حرکت نمایند.

واژه‎های کلیدی: آینده پژوهی، پیش‎بینی، رضایتمندی مشتریان، خدمات پس از فروش، رگرسیون گام به گام

 

 

 

 

 

1- مقدمه

آینده‎ پژوهی به معنای تجزیه و تحلیل الگوها و عوامل تغییر و یا ثبات به منظور شناخت احتمالات و عوامل کلیدی آینده، پیش‎بینی، ارائه پیشنهادات موثر به منظور تعیین اقدامات مورد نیاز برای نیل به آینده مطلوب است (Bamooeifard, 2020; Alizadeh et al., 2020). از این رو با توجه به توسعه سریع و تغییرات شدید به ویژه در صنعت خودرو (Jian-ling et al., 2008)، سازمان‎ها برای پاسخگویی به این تغییرات و انجام اقدامات استراتژیک به موقع، باید ظرفیت تفکر آینده پژوهی خود را توسعه دهند؛ چرا که هر عمل نیاز به پیش‌بینی دارد (Graefe et al., 2010; Lun et al., 2016; Haverila et al., 2016). در بازار آتی به خصوص در صنعت خودرو همانطور که در پژوهش کانفنته و روسو (2015) اشاره شده است، پایدارترین و مهمترین ‏تجارت برای تولید کنندگان خودرو، خدمات پس از فروش خواهد بود؛ ‏چرا که از یک طرف محصولات در سال‎های چرخه عمر خود نیازمند خدمات مرتبط هستند (Xu et ‎al., 2017‎). ‏از طرف دیگر رشد فروش جدید خودرو در حال کند شدن است، اما می‎تواند به عنوان یک فرصت امیدوارکننده ‏و نامشهود، برای بازار خدمات پس از فروش مانند قطعات یدکی، خدمات، فروش خودرو استفاده ‏شده و تأمین مالی، که به عنوان یک جزء جدا نشدنی در برندسازی و مدیریت فروش است، عمل کند (Shokouhyar et al., 2020).‏ در ایران گزارش فعالیت شرکت سایپا نشان می­دهد که در طی سه سال گذشته متوسط درآمد شرکت سایپا از یک مشتری در حوزه فروش خودرو معادل 134,000,000 میلیون تومان و در حوزه خدمات پس از فروش معادل1,300,000 میلیون تومان است. طبق آمار منتشر شده شرکت سایپا حدود 500 هزار دستگاه خودرو و حدود 2.500.000 پذیرش در هر سال را از طریق شبکه نمایندگی­های مجاز خود محقق نموده است(معاونت مالی واقتصادی گروه سایپا، 1398). بنابراین این اعداد و ارقام خود گویای اهمیت و ضرورت حفظ و نگهداشت مشتریان برای شرکت سایپا و شبکه خدمات پس از فروش می­باشد. بدون شک خدمات پس از فروش اکنون به دلیل مزایا و منافع خود، بخش مهمی از استراتژی کوتاه مدت و بلند مدت بازاریابی شرکت های خودروسازی است (Adusei and Koduah, 2019). ‏ فضای کسب و کار فعلی و تغییرات چشم گیر آن، شرکت های خودروسازی را وادار می کند تا ‏استراتژی های پایداری برای حفظ و افزایش رضایتمندی مشتری و سهم بازار خود در یک بازار خدمات پس از فروش ‏چالش زا پیدا کنند (Confente And Russo, 2015). از همین رو بازار خدمات پس از فروش توجه شرکت ها و متخصصان را به خود جلب کرده و یک مزیت جدید برای رقابت به شمار می رود.(Jian-ling et al., 2008).

از طرفی شركتهاي توليدی بدنبال فروش كالاهاي خويش همراه با حفظ ارتباطات با مشتريان خويش هستند و اين هدف از طريق خدمات پس از فروش صورت مي گيرد (Ahn and Sohn 2009; Amonkar, 2016). بنابراین وظیفه اصلی صنعت خدمات ارتقاء رضایتمندی مشتری، بهبود کیفیت خدمات و افزایش تعداد مشتری های جدید است (Kumar and Singh, 2016; Raja et al., 2013). بدین ترتیب می توان نتیجه گرفت خدمات پس از فروش می تواند یک عامل مهم برای اندازه گیری رضایتمندی و حفظ مشتری باشد (Shokouhyar et al., 2020; Dovalienė et al., 2007; Guajardo and Cohen, 2018). طی دو یا سه دهه گذشته یک استراتژی بسیار مهم و مورد توجه برای سازمان‎ها و اصلی ترین شاخص موفقیت در توسعه ‏اقتصادی و عملکرد موفق که توسعه پایداری کمک می‏کند توجه به ارزش، رضایتمندی و حفظ مشتری است (Strenitzerová and Gaňa, 2018; Dovalienė et al., 2007; Haverila et al., 2016; Lun et al., 2016; Mithas et al., 2016). رضایتمندی مشتری را می توان فاصله بین کیفیت درک شده محصول یا خدمات با انتظارات کیفیت قبل از ‏خرید ‏تعریف کرد (Haverila et al., 2016; Lucini et al., 2020). با افزایش رضایتمندی مشتری سازمان می‎تواند به مزایایی مانند ایجاد انگیزه وفاداری، ارائه ‏نظرات ‏مثبت، بازگشت برای خرید مجدد، توصیه محصول یا خدمات به دیگران، بهبود فروش و فرصت های گسترده تر در فروش ، فروش کالاهای با قیمت برتر، مشارکت بهتر مشتری / تأمین کننده، کاهش هزینه های بازاریابی ‏و ‏سودآوری بلند مدت‏ دست پیدا کند (Lucini et al., 2020; Awang et al., 2012; Raja et al., 2013; Dovalienė et al., 2007).

تحقیقات داخلی و خارجی مختلفی در خصوص مشتری و خدمات پس از فروش در صنعت خودرو انجام شده است، برای مثال برادران و محمدی(1394) در پژوهش خود به بررسی تاثیر عوامل خدمات پس از فروش بر وفاداری مشتریان در صنعت خودرو با استفاده از پرسشنامه و رویکرد تحلیل معادلات ساختاری پرداخته‎اند. نتایج پژوهش نشان داد که عوامل مطابقت با انتظارات، کیفیت فنی خدمات، شبکه خدمات پس از فروش و سهولت ارائه خدمت بر عامل وفاداری مشتری تاثیر دارد. بر اساس نتایج پژوهش صفرزاده و محمودی (1388) که با روش رگرسیون چندمتغیره به روش گام به گام در صنعت خودرو انجام شد، بين عوامل مؤثر بر رضايت مشتريان از نمايندگي‎هاي فروش و خدمات پس از فروش آنها نحوه‎ي رفتار كاركنان و پذيرايي از مشتريان داراي بالاترين اولويت بوده است. بر اساس نتایج پژوهش موسوی و خنیفر (1393) که با استفاده از مدل تتراکلاس انجام شد، عواملی مانند مناسب بودن زمان کاری نمایندگی‎ها، وجود مکان پارک مناسب در نمایندگی‎ها، حل مشکل مشتری در مدت زمان مناسب، قیمت قطعات جزء عوامل بسیار مهم در حوزه مشتری در صنعت خودرو می‎باشد. یاداو و جوزپه (2017) در پژوهش خود به بررسی ابعاد کیفیت خدمات پس از فروش بر رضایتمندی مشتری در صنعت خودرو با استفاده از مدلسازی معادلات ساختاری و حداقل مربعات جزئی پرداختند. نتایج نشان داد کیفیت خدمات پس از فروش مانند ملموس بودن ، قابلیت اطمینان ، ضمانت ، پاسخگویی و همدلی تأثیر مثبت قابل توجهی بر رضایتمندی مشتری دارد. جیان لینگ و همکاران (2008) در پژوهش خود مدلی به منظور پشتیبانی از تصمیم گیری در برای مدیریت خدمات پس از فروش در صنعت خودرو ارائه دادند. در این مدل عناصر موجود در خدمات پس از فروش مانند سهولت، پاسخگویی ، زمان انتظار ، کیفیت نگهداری و تعمیرات جز عواملی هستند که می‎توانند سنجشی برای اندازه گیری رضایتمندی مشتری باشند. بر اساس تحقیقات می‎توان گفت، يكي از مهمترين عواملي كه در ايجاد رضايت مشتريان صنايع خودروسازي مطرح است، كيفيت خدمات فروش و پس از فروش است كه اين صنايع توسط نمايندگي‎هاي مجاز خود ارائه مي‎دهند (صفرزاده و محمودی ، 1388).

از نگاه دیگر امروزه یکی از چالش‎های سازمان‎ها در صنایع مختلف استفاده موثر از داده‎های مربوط به مشتریان است (Maioli et al., 2019). برای توسعه آینده نگاری در سازمان رویکردهای مختلفی مانند بررسی محیطی ، مدیریت استراتژیک و پیش‎بینی وجود دارد (Graefe et al., 2010). بسیاری از سازمان ها برای استخراج اطلاعات معنی دار از این داده در مورد سنجش رفتار، میزان رضایتمندی و رویگردانی مشتری بر اساس اطلاعات تاریخی (De Caigny et al., 2018; Ngai et al., 2009; Roy et al., 2019; Olafsson et al., 2008; Ying et al., 2020) از روش‎های مختلفی مانند انواع تکنیک داده کاوی و یا انواع رگرسیون استفاده می‎کنند. داده کاوی را می‎توان به عنوان فرایندی تعریف کرد که از روش‎های آماری، ریاضی، هوش مصنوعی و یادگیری ماشین برای استخراج و شناسایی اطلاعات مفید و نهایتا کسب دانش از یک مجموعه داده استفاده می‎کند(Ngai et al., 2011). تکنیک داده کاوی را می توان در یک یا چند نوع مدل سازی داده که شامل قواعد انجمنی، ترتیب، پیش بینی، کلاسه‎بندی، رگرسیون، خوشه‎بندی و مصورسازی می‎باشد، پیاده سازی کرد (Kara et al., 2020; Roy et al., 2019). همچنین داده کاوی، یکی از بهترین ابزارهای پشتیبانی برای تصمیم گیری در سازمان‎ها، به خصوص در زمینه روابط با مشتریان است؛ چرا که دانش و اطلاعات مفید را از پایگاه های اطلاعاتی مشتری استخراج و شناسایی می کند (Aktepe et al., 2015; Liang, 2010). از این رو استفاده از تکنیک داده کاوی روز به رو برای سازمان های مهمتر می شود؛ چرا که از این طریق سازمان ها می توانند به صورت موثرتر داده مرتبط با مشتریان را از طریق داده کاوی تجزیه و تحلیل کنند و با استراتژی های مناسب و به موقع بر اساس آن، ارزش مشتریان و مزیت‎های رقابتی خود را افزایش دهند (Liang, 2010). به زعم چنگ و همکاران (2005) و لیانگ (2010) داده کاوی در زمینه روابط با مشتری از طریق افزایش کارایی با حداقل هزینه، به کارگیری مجموعه داده برای حفظ ارتباط با مشتری، افزایش ارزش مشتری، شناسایی نیاز مشتریان به منظور توسعه استراتژی، کنترل مزیت رقابتی، پاسخگویی به انتظارات مشتریان و بهبود کیفیت خدمات، می‎تواند به سازمان کمک کند. همانطور که گفته شد، یکی از تکنیک‎های موجود در داده کاوی، رگرسیون می‎باشد. یکی از کاربردهای روش‎های موجود در رگرسیون پیش‎بینی مقدار يك ويژگي مشخص بر اساس مقادير بعضي از ويژگي‎ها می باشد. به عبارت دیگر روش‎های رگرسیون منجر به  پيش‎بيني مقدار يك متغير پيوسته بر اساس مقادير ساير متغيرها بر مبناي يك مدل وابستگي خطي يا غيرخطي ‏ مي‎شود (سهرابی و همکاران، 1396). نوعي از رگرسيون به نام رگرسيون خطي به دو صورت رگرسيون خطي ساده و رگرسيون خطي ‏چند متغيره مطرح مي گردد. رگرسيون خطي ساده به پيش بيني مقدار يك متغير وابسته بر اساس مقدار يك متغير مستقل مي ‏پردازد. اما رگرسيون چند متغيره روشي است که براي تحليل مشاركت جمعي و فردي دو يا چند متغير مستقل، در تغييرات يك ‏متغير وابسته استفاده می شود. یکی از روش‎های رگرسيون چند متغيره، رگرسیون گام به گام، است ( ;Gu et al., 2017عبده کلاهچی و همکاران، 1393). با بررسی پیشینه نظری در زمینه مدیریت روابط با مشتری که از مدل های رگرسیون استفاده کرده بودند، تحقیقات مختلفی دیده می شود، مانند: استفاده از مدل رگرسیون گام به گام به منظور شناسایی عوامل موثر بر رضایتمندی مشتریان در بنگاه‎های تولیدی(صفرزاده و محمودی، 1388)، استفاده از مدل رگرسیون خطی به منظور تجزیه و تحلیل رابطه بین سهم مشتری با رضایتمندی مشتری و تاثیر آنها در صنعت خرده فروشی (Kim et al., 2020)، استفاده از تجزیه و تحلیل رگرسیون خطی چند معیاره در پیش بینی رضایتمندی مشتریان در صنعت هتلداری بر اساس نظرات مشتریان (Zhao et al., 2019)، استفاده از تجزیه و تحلیل رگرسیون به منظور تحلیل روابط بین رضایتمندی مشتری، فناوری اطلاعات و سود (Mithas et al., 2016). همچنین ولز و همکاران (2020) با استفاده از روش رگرسیون گام به گام مدلی به منظور پیش‎بینی احتمال رویگردانی مشتری در صنعت بانکداری توسعه داده اند. دووالینس و همکاران (2007) با استفاده از روش رگرسیون رابطه بین رضایتمندی مشتری و قصد برای برقراری روابط طولانی مدت با ارائه دهنده خدمات را در صنعت پزشکی بررسی کردند. بر اساس آنچه در پیشینه نظری مربوط به خدمات پس از فروش، رضایتمندی مشتری و روش رگرسیون ارائه شده می‎توان گفت به مسئله موجود در پژوهش حاضر کمتر پرداخته شده است و با توجه به اهمیت رضایتمندی مشتری در سودآوری شرکت ها و با توجه به جایگاه ویژه سطح خدمات پس از فروش در رضایتمندی مشتری به ویژه در صنعت خودرو، همچنین لزوم رویکرد آینده پژوهی در سازمان، پیش‎بینی امتیاز رضایتمندی مشتری در بخش خدمات پس از فروش در صنعت خودرو و شناسایی عوامل موثر بر رضایتمندی مشتریان، شالوده پژوهش حاضر را تشکیل داده است، که در ادامه هدف اصلی این پژوهش شرح داده می‎شود.

در ایران، شرکت بازرسی کیفیت و استاندارد ایران ISQI)) در سال 1368 به منظور توسعه شاخص رضایتمندی مشتری و بهبود کیفیت محصولات تولیدی و حمایت از حقوق مصرف کنندگان تاسیس شد (Pirbazari and jalilian, 2020). ISQI شاخص رضایتمندی مشتریان را برای تولید کنندگان خودرو اندازه گیری می‎کند. بنابراین، برای هر نمایندگی در شبکه خدمات پس از فروش خودروسازان مانند سایپا، امتیاز رضایتمندی مشتری براساس داده‎های جمع آوری شده از مشتری توسط سازمان ISQI (بین 0 تا 1000) اندازه گیری می‎شود. این امتیاز برای هر نمایندگی حدود 4 ماه بعد توسط ISQI به سازنده خودرو (یا شرکت خدمات پس از فروش مربوطه) اعلام می شود (Pirbazari and jalilian, 2020). نکته حائز اهمیت این است در این پژوهش، پیش بینی امتیاز رضایتمندی مشتریان نمایندگی های خدمات پس از فروش سایپا 3 تا 4 ماه زودتر از اعلام ISQI با استفاده از روش رگرسیون گام به گام صورت می گیرد. در این پژوهش امتیاز رضایتمندی مشتریان به عنوان متغیر وابسته در نظر گرفته شده است، همچنین 11 متغیر مستقل نهایی پس از شناسایی اولیه از طریق مرور ادبیات، با استفاده از طوفان فکری و نمودار استخوان ماهی استخراج شده‎اند. همچنین، مجموعه داده استفاده شده مربوط به 14486 داده مشاهده و ثبت شده از 543 نمایندگی فروش برای مدت 27 ماه از فروردین 1396 تا خرداد 1398 می باشد. پس از نتایج حاصل از پیاده‎سازی روش مذکور، جهت بهره‎برداری و تصمیم‎گیری در جهت بهبود امتیاز رضایتمندی مشتریان نمایندگی های ضعیف، راهکارهایی ارائه می شود.

پژوهش حاضر شامل 4 بخش است که در بخش دوم به محل اجرای طرح، استخراج و انتخاب متغیرها، و معرفی روش‎ پیش بینی پرداخته می­شود. بخش سوم به تشریح نتایج حاصل از روش‎ مورد نظر می­پردازد. همچنین در بخش چهارم ر به روند کلی پژوهش، نتایج، ارائه راهکارهایی به منظور بهبود امتیاز رضایتمندی مشتریان و پیشنهاداتی برای تحقیقات آینده پرداخته خواهد شد.

2- روش پژوهش

در این بخش ابتدا به معرفی محل اجرای تحقیق و ابعاد مجموعه داده ، چگونگی تعریف متغیرها، و همچنین معرفی روش به کار رفته در تحقیق برای پیش بینی نمره رضایتمندی مشتریان یعنی رگرسیون گام به گام پرداخته می شود.

2-1 معرفی محل اجرای طرح و اندازه مجموعه داده 

شرکت سایپا در سال 1346 با مالکیت 75٪ ایرانی برای مونتاژ سیتروئن تحت لیسانس در ایران تاسیس شد. طبق گزارشات معاونت مالی واقتصادی گروه سایپا (1398)، شرکت مذکور اکنون توانایی تولید حدود یک میلیون دستگاه در 7 شرکت تولید کننده خودرو را دارد. این شرکت همکاری نزدیک با خودروسازان فرانسوی، کره ای، ژاپنی و چینی داشته است. طبق آمار به دست آمده در سال 1398، سایپا 363 هزار خودرو (هم داخلی و هم مونتاژ) تولید کرده است. اکنون این شرکت دارای 1368 نمایندگی ارائه خدمات فروش و خدمات پس از فروش است. 

جامعه آماری پژوهش حاضر شامل نمایندگی‎های شرکت سایپایدک می‎باشد. نمونه آماری موجود در پژوهش حاضر که توسط شرکت سایپا یدک در اختیار تیم نویسندگان قرار گرفته است، مربوط به شبکه نمایندگی‎های خدمات پس از فروش است که در ‏بازه زمانی اول فروردین سال 1396 تا پایان خرداد سال 1398 فعال بوده‎اند.‏ این داده ها به صورت ماهانه می‎باشند. اندازه نمونه آماری شامل 14486 ردیف نمونه ثبت شده در بانک اطلاعاتی شرکت مزبور می‎باشد.

2-2 تعریف متغیرها

در پژوهش حاضر متغیرهای مستقل ابتدا از بخش پیشینه ادبیات انتخاب شدند. سپس این متغیرها توسط خبرگان با سه جلسه از معاونت‎های ذیربط از جمله مدیریت فنی و گارانتی، مدیریت کیفیت، مدیریت تعمیرگاه‎های مرکزی، مدیریت حسابداری مالی، مدریرت تامین مورد ارزیابی و تجزیه و تحلیل قرار گرفتند. در نهایت با توجه به نظر خبرگان، و از روش طوفان فکری و نمودار استخوان ماهی ‏‎برای شناسایی و تعیین ارتباط بین متغیرهای مستقل با متغیر وابسته، استفاده شد. در نهایت پژوهش حاضر دارای یک متغیر وابسته امتیاز رضایتمندی ‏مشتریان نمایندگی‎های خدمات پس از فروش و 11 متغیر مستقل که از شرکت سایپایدک استخراج شده است. برای جمع­آوری داده­ها ابتدا نیاز بود تا متغیرهای مستقل شناسایی شوند. به منظور رسیدن به نمودار نهایی استخوان ماهی که در شکل 1 نشان داده شده است سه گام طی شد، این مراحل شامل موارد زیر می باشد:

گام اول: با توافق خبرگان متغیر وابسته پژوهش (رضایتمندی مشتریان) در سمت راست نمودار استخوان ماهی ترسیم شد (شکل 1).

 

 

 

 

 

رضایتمندی مشتریان

 

 

 

 

 

 

شکل 1. نمودار استخوان ماهی – گام اول

 

 

 

گام دوم: شش حوزه اصلی در نمودار استخوان ماهی شامل نیروی انسانی، مواد، اندازه‎گیری، ماشین و ابزار، روش و اثرات زیست محیطی ترسیم شد (شکل 2).

 

 

 

اندازه گیری

مواد

نیروی انسانی

 

 

رضایتمندی مشتریان

 

 

 

تاثیرات محیط

ماشین و ابزار

روش

 

 

 

شکل 2. نمودار استخوان ماهی – گام دوم

 

 

گام سوم(گام نهایی): استخوان‎های جدید مرتبط با زیرمجموعه استخوان­های اصلی در شش دسته اصلی به عنوان متغیرهای مستقل به صورت خطوط عمود ترسیم شد (شکل 3).

 

 

 

اندازه گیری

مواد

نیروی انسانی

 

پذیرش‎های برگشتی در حوزه قطعه

مصرف قطعات اضطراری

پذیرش‎های برگشتی در حوزه اجرت

 

 

مصرف قطعات مارک 500

پذیرش‎های برگشتی در حوزه اظهار

 

پذیرش وارانتی

مصرف قطعات عادی

 

وفاداری

 

رضایتمندی مشتریان

 

 

پذیرش سرویس ادواری

 

 

فروش خودرو نمایندگی

 

پذیرش گارانتی

روش

تاثیرات محیط

ماشین و ابزار

 

 

 

 

شکل 3. نمودار استخوان ماهی – گام سوم

 

تعریف متغیرهای مستقل موجود در شکل 3، به شرح جدول 1 می باشد.

 

جدول 1. تعریف متغیرهای مستقل و متغیر وابسته

ردیف	نام متغیر	نوع متغیر	تعریف متغیر
1	X1: پذیرش‎های برگشتی در حوزه اظهار	کمی	مراجعه مجدد مشتری یا پیشنهاد به سایرین جهت مراجعه به نمایندگی مذکور، ظرف 72 ساعت پس از ترخیص خودرو ‏با همان اظهار ‏تعمیرات قبلی
2	X2: پذیرش‎های برگشتی در حوزه قطعه	کمی	مراجعه مجدد مشتری ظرف 72 ساعت پس از ترخیص خودرو و اظهار در مورد همان قطعه ای که در تعمیر قبلی عوض شده‎است، و رفع ایراد با تعویض مجدد همان قطعه که در پذیرش اول تعویض شده‎است.
3	X3: پذیرش‎های برگشتی در حوزه اجرت	کمی	مراجعه مجدد مشتری ظرف 72 ساعت پس از ترخیص خودرو و رفع ایراد با همان شرح اجرت در پذیرش اول
4	X4: مصرف قطعات اضطراری	کمی	مبلغ ریالی قطعاتی که در هنگام مراجعه مشتری، نمایندگی آن را در انبار نداشته‎است و از شرکت درخواست ارسال سریع و خارج از سیکل آن قطعه را می‎کند. در خصوص این درخواست‎ها، قطعه حداکثر ظرف 48 ساعت تامین و از طریق پست و یا ناوگان حمل و نقل جاده ای، برای نمایندگی ارسال می‎گردد.
5	X5: مصرف قطعات مارک 500	کمی	مبلغ ریالی قطعاتی که نمایندگی در انبار نداشته است، و شرکت هم ظرف 48 ساعت نتوانسته است تامین کند، به همین خاطر به نمایندگی مجوز می‎دهد که قطعه را از بازار تهیه کند.
6	X6: مصرف قطعات عادی	کمی	مبلغ ریالی قطعات یدکی که برای ارائه خدمات به مشتریان صرف شده، در شرایطی که قطعه در انبار نمایندگی وجود داشته و مشکل تامین وجود ندارد.
7	X7: پذیرش گارانتی	کمی	تعداد مراجعه مشتریان جهت دریافت خدمات تعمیرات خودرو در دوران ضمانت
8	X8: پذیرش وارانتی	کمی	تعداد مراجعه مشتریان جهت دریافت خدمات تعمیرات خودرو در دوران تعهد
9	X9: پذیرش سرویس ادواری	کمی	تعداد مراجعه مشتریان جهت دریافت خدمات سرویس های ادواری خودرو مطابق الزامات خودروساز(مندرج در دفترچه راهنما خودرو) در دوران ضمانت و تعهد
10	X10: وفاداری	کمی	میزان مقبولیت نمایندگی نزد مشتری و تمایل مشتری به مراجعه مجدد، که به صورت ادراکی اندازه گیری می شود.
11	X11: میزان فروش خودرو نمایندگی	کمی	تعداد خودروهای فروخته شده توسط نمایندگی در یک ماه
۱۲	:Yامتیاز رضایتمندی مشتریان نمایندگی­های خدمات پس از فروش	کمی	-

 

 

2-3 روش رگرسیون گام به گام

تجزیه و تحلیل رگرسیون یکی از محبوب ترین تکنیک‎هایی است که به منظور پیش‎بینی مورد استفاده قرار می گیرد. ‏ هدف از تجزیه و تحلیل رگرسیون یک یا چند متغیره، توسعه یک مدل آماری است که برای ایجاد معادله‎ای استفاده می‎شود که متغیر وابسته را با استفاده از یک یا چند متغیر مستقل پیش‎بینی می‎کند. از طرفی روش‎های زیادی در تجزیه و تحلیل رگرسیون چند متغیره وجود دارد یکی از این روش‎ها رگرسیون گام به گام می‎باشد. از رگرسیون گام به گام برای تعیین تأثیرگذارترین اصطلاحات و پارامترها در مدل رگرسیون خطی بسیار استفاده شده است (Shacham & Brauner et al., 2014). در پژوهش حاضر به منظور بهبود عملکرد پیش‎بینی، از رگرسیون گام به گام استفاده شد. متغیرهای مستقل در مدل رگرسیون گام به گام می توانند در هر مرحله از مدل اضافه یا حذف شوند (;Awang et al., 2012; Gu et al., 2017 عبده کلاهچی و همکاران، 1393). روش‎هاي رگرسیون گام به گام را مي توان در سه دسته کلی گزينش پيش‎رونده، حذف پس‎رونده و ترکیبی از این روش‎ها تقسيم نمود (قبائي سوق و همکاران، 1389).

رگرسیون گام به گام برای انتخاب متغیرهای مهم از یک مجموعه داده‏ با انتخاب ‏بهترین پیش بینی کننده متغیر وابسته شروع می شود. به طور متوالی، ‏متغیرهای مستقل تا زمانی که ضرایب همبستگی جزئی آنها از نظر آماری معنی دار باشند، به مدل اضافه ‏می شوند. با این وجود ، در صورت اضافه شدن سایر متغیرهای مستقل به مدل، اگر قدرت پیش بینی کننده متغیرهای قبلی به سطح غیر قابل قبولی کاهش یابد می توان آنها را ‏حذف کرد. نتیجه ترکیبی از ‏متغیرهای پیش بینی کننده است که همگی ضرایب قابل قبولی در جهت پیشب‎ینی متغیر وابسته دارند(Tsai et al., 2012)، که نتیجه آن را می توان در معادله 1 نشان داد (; Gu et al., 2017عبده کلاهچی و همکاران، 1393).

       (1)

در معادله 1، Y متغیر وابسته یا مقدار پیش بینی شده می‎باشد، همچنین  ،  و غیره متغیرهای مستقلی هستند که برای پیش بینی Y‏ استفاده می شوند. ،  و غیره ضرایبی هستند که اندازه تأثیر متغیرهای مستقل بر متغیر وابسته Y را بیان می کنند ، و A مقدار Y پیش بینی شده است وقتی که مقدار تمام متغیرهای مستقل برابر صفر باشند (سوهانی و همکاران 1396؛ Awang et al., 2012). بر اساس آنچه بيان شد نوع مطالعه، توصيفي، تحليلي، همبستگی و اكتشافي است؛ زيرا تركيبي از مرور مطالعات مرتبط با موضوع، پیش‎بینی و کشف و تحليل ارتباط عوامل مؤثر بر رضایتمندی مشتری مي باشد. 

3- نتایج

در ابتدا به منظور استفاده از روش رگرسیون خطی چندگانه به روش گام به گام، فرض‎های موجود در رگرسیون خطی که شامل فرض برابری واریانس‎های عناصر خطا (آزمون ناهمسانی واریانس)، فرض نرمال بودن عناصر خطا (آزمون توزیع نرمال) و فرض وجود استقلال در عناصر خطا می‎باشد، بررسی شد. بر اساس شکل 4، می‎توان نتیجه گرفت فرض برابری واریانس‎های عناصر خطا در مجموعه داده برقرار است. به منظور بررسی این فرض، نمودار مقدارهای پیش‌بینی شده در مقابل ریشه دوم باقی‌مانده‌های استاندارد ترسیم شد. همانطور که دیده می شود باقی‌مانده‌ها نسبت به مقدار پیش‌بینی به طور تصادفی حول نقطه صفر تغییر کند، به همین دلیل ثابت بودن واریانس قابل شناسایی است. به عبارت دیگر بر اساس آزمون وایت، فرض ناهمسان بودن واریانس رد می‎شود. بررسي نتایج آزمون ناهمساني واریانس نشان داد در سطح خطاي 5 درصد، مقدار احتمال (p-value = 0.65) نسبت به احتمال خطای نوع اول (α = 0.05)  بزرگتر است؛ بنابراین، فرض صفر مبني بر همساني (برابری) واریانس تایید شد. همچنین مطابق شکل 5 می‎توان گفت، فرض نرمال بودن عناصر خطا، به عنوان فرضیه دوم برقرار است. به منظور بررسی این فرض، مطابق شکل 5، چندک‌های توزیع نرمال در مقابل باقی‌مانده استاندارد شده ترسیم شده است. اگر توزیع باقی‌مانده مانند توزیع متغیر تصادفی نرمال باشد، نقطه‌های ترسیمی باید روی یک خط راست قرار گرفته باشند. به همین ترتیب مطابق شکل 5، بیشتر نقاط روی یک خط راست قرار گرفته‌اند. پس می‌توان نرمال بودن توزیع باقی‌مانده‌ها را در این حالت تایید کرد. همچنین به منظور بررسی بیشتر در مورد برقرار بودن فرض توزیع نرمال از آزمون اندرسون دارلینگ در نرم افزار SPSS استفاده شد. با توجه به بزرگ بودن مقدار احتمال (p-value = 0.07) نسبت به احتمال خطای نوع اول (α = 0.05) و همچنین با توجه به نمودار هیستوگرام شکل 6، فرض نرمال بودن این داده‌ها رد نخواهد شد و فرض صفر که بیانگر توزیع نرمال بود، تایید می‌گردد. در نهایت بر اساس شکل 7، می‎توان نتیجه گرفت فرض وجود استقلال در عناصر خطا (عدم وجود همبستگی) در مجموعه داده برقرار است. مطابق شکل 7 می توان گفت با توجه به روند تصادفی که مقدارهای پیش‌بینی و باقی‌مانده‌ها دارند، مشخص است که باقی‌مانده‌ها تصادفی حول میانگین صفر تغییر می‌کنند.

شکل 5. فرض نرمال بودن عناصر خطا

شکل 4. فرض برابری واریانس‎های عناصر خطا

 

 

 

شکل 7. فرض وجود استقلال در عناصر خطا

شکل 6. نمودار هیستوگرام توزیع نرمال داده‎ها

 

بر اساس آنچه مطابق شکل 4، 5، 6 و 7  به دست آمد می‎توان نتیجه گرفت سه فرض رگرسیون خطی در مجموعه داده برقرار است به همین دلیل می توان از رگرسیون خطی چندگانه به روش گام به گام استفاده نمود. به منظور پیدا کردن معادله خط پیش‎بینی امتیاز رضایتمندی مشتریان از آزمون رگرسیون خطی چندگانه به روش گام به گام و کد نویسی در نرم افزار آماری RStudio استفاده شد. همانطور که گفته شد روش‎هاي رگرسیون گام به گام شامل گزينش پيش‎رونده، حذف پس‎رونده و ترکیبی از این روش‎ها می‎باشد، که در پژوهش حاضر به منظور دستیابی به مدل بهینه از روش ترکیبی استفاده شده است. نتايج حاصل از تحليل رگرسيوني در جداول 2، 3 و 4 قابل مشاهده است. از بین مجموع متغیرهای پیش‎بینی کننده (مستقل) متغیرهای X6, X1, X9, X4, X8, X7, X10 در مدل باقی ماند و متغیرهای X11, X5, X3, X2  از مدل حذف شدند. مطابق با جدول 2 ملاحظه می شود که برای مثال در گام نهایی ضریب همبستگی چندگانه رگرسیون برابر با R = 0.808 و ضریب تبیین (واریانس) R2 = 0.653 و ضریب تبیین اصلاح شده (واریانس یا پراکندگی داده‌ها را که توسط مدل شناسایی شده) برابر با Adj. R2 = 0.653 می باشد. مناسب‎ترين مدلي كه ضريب تعيين ياد شده را به‎دست ميآورد با استفاده از 7 متغیر مستقل اصلی است که در مدل باقی مانده است. همچنین ضریب تبیین R2 = 0.653 نشان ميدهد كه 65.3 درصد از تغییرات متغیر وابسته(امتیاز رضایتمندی مشتری) تحت تاثیر 7 متغیر باقی مانده در مدل می باشد.

جدول 2. خلاصه مدل رگرسیون

مدل		ضريب همبستگی چندگانه	ضريب تبیین	ضريب تبیین تصحیح‎شده
1		0.794a	0.631	0.631
2		0.805b	0.648	0.648
3		0.807c	0.651	0.651
4		0.807d	0.652	0.652
5		0.808e	0.652	0.652
6		0.808f	0.653	0.653
7		0.808g	0.653	0.653
a. پیش بین ها: (ثابت), X10
b. پیش بین ها: (ثابت), X7, X10
c. پیش بین ها: (ثابت), X8, X7, X10
d. پیش بین ها: (ثابت), X4, X8, X7, X10
e. پیش بین ها: (ثابت), X9, X4, X8, X7, X10
f. پیش بین ها: (ثابت), X1, X9, X4, X8, X7, X10
g. پیش بین ها: (ثابت), X6, X1, X9, X4, X8, X7, X10

مطابق جدول 3 و تحلیل واریانس انجام شده در آزمون رگرسیون که برای مثال مقدار آن در گام آخر برابر با F=3889.215 و P=0.000 به دست آمده است، همچنين معنادار بودن تحليل رگرسيوني به‎وسيله آماره F محاسبه شده است و نشان می دهد که در سطح 99 درصد (Sig. = 0.000) معني دار بوده است. از طرفی می توان نتیجه گرفت رگرسیون خطی است.

جدول 3. آزمون تحلیل واريانس (ANOVA)

ANOVA
مدل		مجموع مربعات	درجه آزادی	مربع میانگین	آماره F	سطح معناداری
1	رگرسیون	53823252.127	1	53823252.127	24788.163	0.000
	باقی مانده	31449526.177	14484	2171.329
	کل	85272778.305	14485
2	رگرسیون	55257893.905	2	27628946.953	13331.72	0.000
	باقی مانده	30014884.399	14483	2072.422
	کل	85272778.305	14485
3	رگرسیون	55494214.524	3	8498071.508	8996.037	0.000
	باقی مانده	29778563.781	14482	2056.247
	کل	85272778.305	14485
4	رگرسیون	55581610.290	4	13895402.572	6777.077	0.000
	باقی مانده	29691168.015	14481	2050.353
	کل	85272778.305	14485
5	رگرسیون	55628007.225	5	11125601.445	5434.304	0.000
	باقی مانده	29644771.080	14480	2047.291
	کل	85272778.305	14485
6	رگرسیون	55656178.849	6	9276029.808	4534.877	0.000
	باقی مانده	29616599.456	14479	2045.487
	کل	85272778.305	14485
7	رگرسیون	55668339.637	7	7952619.948	3889.215	0.000
	باقی مانده	29604438.668	14478	2044.788
	کل	85272778.305	14485

 

بر اساس اطلاعات موجود در جدول 4، در مورد ارتباط متغير وابسته با تک تک متغيرهاي مستقلي كه ارتباط معني‎دار با متغير وابسته داشتند می‎توان گفت ارتباط متغیرهای مستقل X6, X4, X8 , X10 با متغیر وابسته با توجه به مثبت بودن مقدار عددی B، مثبت و مستقیم است. به عبارت دیگر می توان اینگونه تحلیل کرد که با توجه به ضرایب متغیرها، مشخص است که رابطه قوی ومثبت بین این متغیرهای مستقل و متغیر وابسته مسئله وجود دارد. این تاثیر بدین صورت است که با افزایش این متغیرها امتیاز رضایتمندی مشتری نیز افزایش می یابد. از طرفی ارتباط متغیرهای مستقل X9, X7 , X1  با متغیر وابسته با توجه به منفی بودن مقدار عددی B، غیر مستقیم است. این تاثیر بدین صورت است که با افزایش این متغیرها امتیاز رضایتمندی مشتری نیز کاهش می یابد و برعکس. از نگاه دیگر و بر اساس ستون سطح معناداری در جدول 4 می‎توان گفت از لحاظ آماری، فقط متغیرهای مستقل موجود در جدول 4 دارای تاثیر بر متغیر وابسته هستند. زیرا مقدار p-value که در جدول با علامت Pr(>|t|) نشان داده شده است، برای آن‌ها کمتر از ۰.05 است. همچنین در مورد اهميت و نقش متغيرهاي مستقل در پيش بيني معادله رگرسيون بايد از مقادير بتا استفاده كرد. از آنجا كه مقادير بتا استاندارد شده هستند؛ از طريق آن ميتوان در مورد اهميت نسبي متغيرها قضاوت كرد. بزرگ بودن مقدار بتا نشان دهنده اهميت نسبي و نقش آن در پيش بيني متغير وابسته است (عبده کلاهچی و همکاران، 1393).

جدول 4. ضرايب متغیرهای باقیمانده در مدل رگرسیون

در نهایت، مناسـب تـرين مـدل براي تبيين عوامل مؤثر بر رضایتمندی مشتری و پـيش بينـي آن، مطابق آنچه در بخش 3 پژوهش به آن اشاه شد و بر اساس جدول 4، به صورت معادله 2 می باشد:

(2)

:Y متغیر وابسته (رضایتمندی مشتریان نمایندگی‎های خدمات پس از فروش سایپا)

X10: وفاداری

X7: پذیرش گارانتی 

X8: پذیرش وارانتی 

X4: مصرف قطعات اضطراری

X9: پذیرش سرویس ادواری

X1: پذیرش‎های برگشتی در حوزه اظهار

X6: مصرف قطعات عادی 

در ادامه به منظور بررسی و ارزیابی عملکرد مدل از معیار ارزیابی اطلاع آیکاکه  (Akaike Information Criterion – AIC) استفاده شد.  AIC میزان اطلاعاتی که توسط مدل از دست می‌رود را اندازه‌گیری می‌کند. به این ترتیب AIC یک تعادل بین تعداد پارامترهای مدل (پیچیدگی مدل) و میزان برازش مدل روی داده‌ها ارائه می‎دهد. واضح است که مناسب‌ترین مدل برحسب معیار اطلاع آکایکه، دارای کمترین مقدار AIC‌ است (Ingdal et al., 2019; Kudo et al., 2020; Gkioulekas & Papageorgiou et al., 2018). پس می‎توان گفت مطابق جدول 5 که نشان دهنده خلاصه گام های انتخاب متغیر های مستقل تاثیر گذار بر متغیر وابسته است، مقدار AIC در گام آخر به عنوان گام نهایی کمترین مقدار را در مقایسه با گام‎های قبلی دارد.

جدول 5. خلاصه انتخاب گام گام متغیرهای مستقل

Coefficients
مدل		ضرايب غیراستاندارد		ضرايب غیراستاندارد	آماره t	سطح معناداری Pr(>|t|)
		B	خطای انحراف معیار	ضریب همبستگی Beta
7	(ثابت)	291	2.893	-	100.760	0.000
		638	4.055	0.778	157.372	0.000
		269-	13.177	0.198-	20.406-	0.000
		82	8.966	0.069	9.186	0.000
		72	17.711	0.028	4.070	0.000
		23-	5.075	0.024-	4.464-	0.000
		33-	9.872	0.019-	3.314-	0.001
		50	20.858	0.024	2.439	0.015

همچنین بر اساس شکل 8، به منظور بررسی باقی‌مانده در مقابل میزان حساسیت مشاهدات که نشان دهنده نقش هر مشاهده در صحت مدل رگرسیونی است، نموداری ترسیم شد. مطابق شکل 8، برای اندازه‎گیری فاصله بین نقطه‎ها از فاصله کوک (Cook’s distance) استفاده شده است. همچنین می‎توان گفت نقاطی که دارای خطای بیش از بقیه هستند مربوط به ردیف داده 1575، 8855 و 13483 است. شاید بتوان با حذف این نقاط برآورد بهتری بدست آورد.

 

شکل 8. بررسی باقی‌مانده در مقابل میزان حساسیت مشاهدات

به عنوان نتیجه گیری می‎توان گفت، مدل ارائه شده در معادله 2 مناسب ترين مدل حاصل از تحليل رگرسيون گام به گام است و از آن جهت اعتبار دارد كه نمايشي از الگوي مناسب تركيب متغيرهاي مستقل پژوهش حاضر براي تبيين عوامل مؤثر بر تغییرات امتیاز رضایتمندی مشتریان نمایندگی های خدمات پس از فروش سایپا می‎باشد. به بيان ديگر، از يک سو، عوامل مؤثر بر رضایتمندی مشتریان را مشخص مي كند و از سوي ديگر، امكان پيش بيني امتیاز رضایتمندی مشتریان را فراهم می کند.

گام	متغیر	اضافه / حذف	AIC	RMSE
1		اضافه	152411	46.5975
2		اضافه	151736	45.5239
3		اضافه	151624	45.3459
4		اضافه	151583	45.2808
5		اضافه	151563	45.2470
6		اضافه	151551	45.2271
7		اضافه	151547	45.2193

3- افزایش رضایتمندی مشتریان از شبکه خدمات پس از فروش

1- شناخت علل نارضایتی مشتریان از خدمات دریافت شده از نمایندگی

در نهایت با استفاده از معادله 2، امتیاز رضایتمندی مشتریان نمایندگی‎های خدمات پس از فروش در شهریور 1398، با توجه به متغیرهای مستقل مربوط به 540 نمایندگی، که توسط شرکت سایپا یدک در اختیار نویسندگان قرار گرفت، پیش‎بینی شد. بر اساس امتیاز رضایتمندی مشتری پیش بینی شده برای نمایندگی‎های خدمات پس از فروش، جلسه­ای با خبرگان این حوزه در شرکت سایپایدک برگزار شد و به منظور دستیابی به اهداف نمره رضایتمندی مشتریان، اقدامات عارضه­یابی در جهت بهبود این امتیاز صورت گرفت. برای طرح عارضه یابی مشتریان چهار هدف اصلی در طی جلسه در نظر گرفته شد که در شکل 9 نشان داده شده است:

 

 

 

 

 

4- افزایش اثربخشی طرح با اعمال سیستم تشویق و تنبیه

2- تعریف اقدام اصلاحی برای موارد نارضایتی ایجاد شده در نمایندگی

 

 

شکل 9. اهداف اصلی طرح عارضه یابی مشتریان

طبق اهداف فوق، مسئولیت مربوط به شرکت سایپا یدک شامل ارسال شرح خدمات و فاکتور مشتریان ناراضی، ارائه لیست نمایندگی با رضایتمندی پایین و همراه جهت اجرای طرح و پیگیری دفتر منطقه‎ای جهت اجرای اقدامات نمایندگی و اجرای کنترل نامحسوس می‎باشد. همچنین مسئولیت نمایندگی‎های خدمات پس از فروش شامل اجرای اقدام اصلاحی مشخص شده، تخصیص یک نفر جهت اجرای طرح پیگیری داخلی در نمایندگی و بارگزاری داده پیگیری روزانه در گروه و فایل صوتی مشتریان می‎باشد.

 

4- بحث و نتیجه‎گیری

هدف پژوهش حاضر شناسایی عوامل موثر بر رضایتمندی مشتری، پیش‎بینی امتیاز رضایتمندی مشتریان نمایندگی های‎خدمات پس از فروش با رویکرد آینده پژوهی در سایپا یدک و در نهایت ارائه راهکارهای پیشنهادی به منظور بهبود این امتیاز بود. در راستای رسیدن به هدف فوق از آزمون رگرسیون خطی چندگانه به روش رگرسیون گام به گام در نرم افزار آماری RStudio استفاده‎ شد. به همین منظور برای شناسایی متغیرهای مستقل بر رضایتمندی مشتریان بعد از مرور ادبیات در این حوزه، 3جلسه با تیم خبرگان سایپایدک برگزار شد و با استفاده از روش طوفان فکری و نمودار استخوان ماهی تعداد 11 متغیر مستقل بر رضایتمندی مشتری شناسایی استخراج شد. بر اساس متغیر های مستقل استخراج شده و متغیر وابسته پژوهش، مجموعه داده به صورت ماهانه از فروردین 1396 تا خرداد 1398 با 14486 سطر مشاهده جمع آوری شد.

نتایج حاصل از پیاده سازی مجموعه داده به روش رگرسیون گام به گام در نرم افزار آماری RStudio نشان داد که از بین مجموع متغیرهای پیش‎بینی کننده (مستقل) متغیرهای X6, X1, X9, X4, X8, X7, X10 در مدل باقی ماندند و متغیرهای X11, X5, X3, X2  از مدل حذف شدند. همچنین با تجزیه و تحلیل نتایج، روابط بین متغیرهای مستقل با متغیرهای مستقل و میزان تاثیر هر کدام مشخص شد. سپس بر اساس نتایج، معادله خط به دست آمده با صحت 80 درصد می تواند امتیاز رضایتمندی مشتریان را پیش بینی کند. 

همچنین یافته‎های پژوهش در مورد عوامل تاثیرگذار خدمات پس از فروش بر رضایتمندی مشتری مانند وفاداری، میزان مصرف قطعات، ارائه سرویس به مشتری، وارانتی و گارانتی و غیره با تحقیقاتی همچون Giri and Thapa, 2016; Shaharudin et al., 2010; Murali et al., 2016; Masoudinezhad,2018   همسویی دارد.

به منظور استفاده از نتایج مدل ارائه شده و بهبود امتیاز رضایتمندی مشتریان خدمات پس از فروش با توجه به رویکرد آینده پژوهی، پیشنهاد می‎شود اقدامات اصلاحی در حوزه­های تاثیرگذار مانند بهبود كيفيت تعميرات و سرویس های ادواری، بهبود توضيحات ارائه شده هنگام ترخيص خودرو ، کاهش هزينه پرداختي و تامين به موقع قطعات انجام شود.

با توجه به یافته‎ها و نتایج پژوهش حاضر و با توجه به قابل تعمیم بودن آن، پیشنهاد می‎گردد به منظور اهمیت زیاد رضایتمندی مشتریان، در صنایع دیگر از روش‎های رگرسیون و دیگر روش‎های پیش‎بینی مانند روش‎های موجود در داده کاوی در جهت شناسایی عوامل تاثیرگذار و پیش‎بینی رضایتمندی مشتری استفاده شود. همچنین با توجه به نتایج به دست آمده در جهت بهبود این امتیاز اقداماتی تعریف، طراحی و اجرا گردد و نتایج آن بررسی شود.

 

فهرست منابع

1.       سهرابی, بابک, رئیسی وانانی، & کشاورزی. (1396) ارائه مدل پیش‏ بینی رضایت مشتریان از خدمات پشتیبانی نرم‏ افزار شرکت همکاران سیستم با رویکرد داده‏ ‌کاوی. پژوهشهای مدیریت راهبردی, 24(68)، 115-133.‎

2.       صفرزاده حسين، & محمودي نافع. (1388) عوامل موثر بر رضايت مشتريان از خدمات فروش و پس از فروش در بنگاه هاي توليدي (مورد پژوهي شركت سايپا).‎ فصلنامه مديريت كسب و كار

3.       عبده كلاهچي محسن، رفيعيان نجف آبادي محسن، دهقاني مصطفي، & ميرزاده سيدحسين.(1393)تحليل عوامل موثر بر قيمت مسکن با استفاده از مدل تحليل رگرسيون گام به گام (مطالعه موردي: محله فاطمي تهران).‎ فصلنامه اقتصاد و مديريت شهري

4.       برادران، وحید، & محمدی، مهیا (1394) " ارائه مدلی برای وفاداری مشتریان به شبکه خدمات پس از فروش خودرو و راهکارهای جذب و نگهداشت آنها؛ مطالعه موردی: گروه خودروسازی سایپا" کنفرانس بین المللی پژوهش های نوین در مدیریت و مهندسی صنایع

5.       صفرزاده و محمودی (1388) "عوامل مؤثر بر رضايت مشتريان از خدمات فروش و پس از فروش در بنگاههاي توليدي (مورد پژوهي شركت سايپا)" فصلنامه مديريت كسب و كار

6.       موسوی، مسعود،. & خنیفر، حسین. (1393). بررسی تاثیر عوامل خدمات پس از فروش در رضایت مشتریان، با استفاده از مدل تترا‌کلاس (مطالعه موردی گروه خودرو‌سازی سایپا). فصلنامه فرایند مدیریت و توسعه، 27(2), 181-203.‎

7.       معاونت مالی و اقتصادی گروه سایپا. (1398). گزارش فعالیت هیئت مدیره.

8.       قبائي سوق، محمد.، مساعدي، ابوالفضل.، حسام، موسی.، و هزارجريبي، ابوطالب. (1389) ارزیابی تاثیر پیش پردازش پارامترهای ورودی به شبکه عصبی مصنوعی (ANNs) با استفاده از روش های رگرسیون گلم به گام و گاما تست به منظور تخمين سريعتر تبخير و تعرق روزانه. نشريه آب و خاك، 24(3)، 610-624.

9.       Adusei, C., & Tweneboah-Koduah, I. (2019). After-Sales Service and Customer Satisfaction in the Automobile Industry in an Emerging Economy. Open Access Library Journal, 6(1), 1-21.

10.       Ahn, J. S., & Sohn, S. Y. (2009). Customer pattern search for after-sales service in manufacturing. Expert Systems with Applications, 36(3), 5371-5375.

11.       Aktepe, A., Ersöz, S., & Toklu, B. (2015). Customer satisfaction and loyalty analysis with classification algorithms and Structural Equation Modeling. Computers & Industrial Engineering, 86, 95-106.

12.       Alizadeh, R., Lund, P. D., & Soltanisehat, L. (2020). Outlook on biofuels in future studies: A systematic literature review. Renewable and Sustainable Energy Reviews, 134, 110326.

13.       Amonkar, R. (2016). Customer satisfaction towards after sales service: a case study analysis. International Journal of Science and Research (IJSR), 5(10), 1520-1524.

14.       Awang, M. K., Rahman, M. N. A., & Ismail, M. R. (2012). Data mining for churn prediction: multiple regressions approach. In Computer Applications for Database, Education, and Ubiquitous Computing (pp. 318-324). Springer, Berlin, Heidelberg.

15.       Bamooeifard, A. (2020). Futures studies in Iran development plans for wind power, a system dynamics modeling approach. Renewable Energy.

16.       Cheng, B. W., Chang, C. L., & Liu, I. S. (2005). Enhancing care services quality of nursing homes using data mining. Total Quality Management & Business Excellence, 16(5), 575-596.

17.       Confente, L., Russo, I. (2015). After-sales service as a driver for word-of-mouth and customer satisfaction: insights from the automotive industry. International Journal of Management Cases, 17(4).

18.       De Caigny, A., Coussement, K., & De Bock, K. W. (2018). A new hybrid classification algorithm for customer churn prediction based on logistic regression and decision trees. European Journal of Operational Research, 269(2), 760-772.

19.       Dovalienė, A., Gadeikienė, A., & Piligrimienė, Ž. (2007). Customer satisfaction and its importance for long-term relationships with service provider: the case of odontology services. Engineering economics, 55(5).

20.       ‎Famiyeh, S., Asante-Darko, D., & Kwarteng, A. (2018). Service quality, customer satisfaction, and ‎loyalty in the banking sector. International Journal of Quality & Reliability Management.‎

21.       Giri, S., & Thapa, K. (2016). A Study of Customer Satisfaction on After Sales Service of Two Wheelers in Kathmandu Valley. Journal of Business and Social Sciences Research, 1(1), 1-21.

22.       Gkioulekas, I., & Papageorgiou, L. G. (2018). Piecewise regression through the akaike information criterion using mathematical programming. IFAC-PapersOnLine, 51(15), 730-735.

23.       Graefe, A., Luckner, S., & Weinhardt, C. (2010). Prediction markets for foresight. Futures, 42(4), 394-404.

24.       Gu, Y., Bao, Z., Lin, Y., Qin, Z., Lu, J., & Wang, H. (2017). The porosity and permeability prediction methods for carbonate reservoirs with extremely limited logging data: Stepwise regression vs. N-way analysis of variance. Journal of Natural Gas Science and Engineering, 42, 99-119.

25.       ‎Guajardo, J. A., & Cohen, M. A. (2018). Service differentiation and operating segments: a framework ‎and an application to after-sales services. Manufacturing & Service Operations Management, 20(3), ‎‎440-454.‎

26.       Haverila, M. J., & Fehr, K. (2016). The impact of product superiority on customer satisfaction in project management. International Journal of Project Management, 34(4), 570-583.

27.       Ingdal, M., Johnsen, R., & Harrington, D. A. (2019). The Akaike information criterion in weighted regression of immittance data. Electrochimica Acta, 317, 648-653.

28.       Jian-ling, W., Si-feng, L., Yuan-qi, W., & Nai-ming, X. (2008, October). Evaluation of customer satisfaction in automobile after-sales service based on grey incidence analysis. In 2008 IEEE International Conference on Systems, Man and Cybernetics (pp. 2386-2389). IEEE.

29.       Kara, M. E., Fırat, S. Ü. O., & Ghadge, A. (2020). A data mining-based framework for supply chain risk management. Computers & Industrial Engineering, 139, 105570.

30.       Kim, W., Kim, H., & Hwang, J. (2020). Sustainable growth for the self-employed in the retail industry based on customer equity, customer satisfaction, and loyalty. Journal of Retailing and Consumer Services, 53, 101963.

31.       Kudo, S., Fujimoto, M., Sato, T., & Nagano, A. (2020). Determination of the optimal number of linked rigid-bodies of the trunk during walking and running based on Akaike’s information criterion. Gait & Posture, 77, 264-268.

32.       Kumar, A., & Singah, B. (2016). Role of Customer Satisfaction in Automobile Service Sector. International Journal of Engineering Technology, Management and Applied Sciences, 4(10).

33.       Liang, Y. H. (2010). Integration of data mining technologies to analyze customer value for the automotive maintenance industry. Expert systems with Applications, 37(12), 7489-7496.

34.       Lucini, F. R., Tonetto, L. M., Fogliatto, F. S., & Anzanello, M. J. (2020). Text mining approach to explore dimensions of airline customer satisfaction using online customer reviews. Journal of Air Transport Management, 83, 101760.

35.       Lun, Y. V., Shang, K. C., Lai, K. H., & Cheng, T. C. E. (2016). Examining the influence of organizational capability in innovative business operations and the mediation of profitability on customer satisfaction: An application in intermodal transport operators in Taiwan. International Journal of Production Economics, 171, 179-188.

36.       Maioli, H. C., de Carvalho, R. C., & de Medeiros, D. D. (2019). SERVBIKE: Riding customer satisfaction of bicycle sharing service. Sustainable cities and society, 50, 101680.

37.       Masoudinezhad, N. (2018). The relationship between the quality of after-sales service and customer satisfaction, customer retention and customer loyalty.  International Journal of Business Qantitative Economics and Applied Management Research, Volume-5, Issue-1.

38.       Meinzer, S., Jensen, U., Thamm, A., Hornegger, J., & Eskofier, B. M. (2017). Can machine learning techniques predict customer dissatisfaction? A feasibility study for the automotive industry. Artif. Intell. Research, 6(1), 80-90.

39.       Mithas, S., Krishnan, M. S., & Fornell, C. (2016). Research note—Information technology, customer satisfaction, and profit: Theory and evidence. Information Systems Research, 27(1), 166-181.

40.       Murali, S., Pugazhendhi, S., & Muralidharan, C. (2016). Modelling and Investigating the relationship of after sales service quality with customer satisfaction, retention and loyalty–A case study of home appliances business. Journal of Retailing and Consumer Services, 30, 67-83.

41.       Ngai, E. W., Hu, Y., Wong, Y. H., Chen, Y., & Sun, X. (2011). The application of data mining techniques in financial fraud detection: A classification framework and an academic review of literature. Decision support systems, 50(3), 559-569.

42.       Ngai, E. W., Xiu, L., & Chau, D. C. (2009). Application of data mining techniques in customer relationship management: A literature review and classification. Expert systems with applications, 36(2), 2592-2602.

43.       Olafsson, S., Li, X., & Wu, S. (2008). Operations research and data mining. European Journal of Operational Research, 187(3), 1429-1448.

44.       Pirbazari, K. N., & Jalilian, K. (2020). Designing an Optimal Customer Satisfaction Model in Automotive Industry. Journal of Control, Automation and Electrical Systems, 31(1), 31-39.

45.       Raja, J. Z., Bourne, D., Goffin, K., Çakkol, M., & Martinez, V. (2013). Achieving customer satisfaction through integrated products and services: An exploratory study. Journal of Product Innovation Management, 30(6), 1128-1144.

46.       Roy, S., Mondal, S., Ekbal, A., & Desarkar, M. S. (2019). Dispersion Ratio Based Decision Tree Model for Classification. Expert Systems with Applications, 116, 1-9.

47.       Shacham, M., & Brauner, N. (2014). Application of stepwise regression for dynamic parameter estimation. Computers & chemical engineering, 69, 26-38.

48.       Shaharudin, M. R., Yusof, K. M. M., Elias, S. J., & Mansor, S. W. (2010). Factors affecting customer satisfaction in after-sales service of Malaysian electronic business market. Canadian Social Science, 5(6), 10-18.

49.       Shokouhyar, S., Shokoohyar, S., & Safari, S. (2020). Research on the influence of after-sales service quality factors on customer satisfaction. Journal of Retailing and Consumer Services, 56, 102139.

50.       Strenitzerová, M., & Gaňa, J. (2018). Customer satisfaction and loyalty as a part of customer-based corporate sustainability in the sector of mobile communications services. Sustainability, 10(5), 1657.

51.       Tabaei, Z., & Fathian, M. (2014). Measuring and analysing customer satisfaction with multi-criteria satisfaction analysis (MUSA) model: an electronic retailing case study. International Journal of Business Information Systems, 15(2), 189-204.

52.       Tsai, C. F., Lu, Y. H., & Yen, D. C. (2012). Determinants of intangible assets value: The data mining approach. Knowledge-Based Systems, 31, 67-77.

53.       Vélez, D., Ayuso, A., Perales-González, C., & Rodríguez, J. T. (2020). Churn and Net Promoter Score forecasting for business decision-making through a new stepwise regression methodology. Knowledge-Based Systems, 105762.

54.       Xu, L. U., Blankson, C., & Prybutok, V. (2017). Relative contributions of product quality and service quality in the automobile industry. Quality Management Journal, 24(1), 21-36.

55.       Yadav, S. K., & Joseph, D. (2017). After-sales service quality satisfaction in Indian automobile industry. ‎IJBIS, 26(3), 362-377.‎

56.       Ying, S., Sindakis, S., Aggarwal, S., Chen, C., & Su, J. (2020). Managing big data in the retail industry of Singapore: Examining the impact on customer satisfaction and organizational performance. European Management Journal.

57.       Zhao, Y., Xu, X., & Wang, M. (2019). Predicting overall customer satisfaction: Big data evidence from hotel online textual reviews. International Journal of Hospitality Management, 76, 111-121.

 

 

Prediction of Customer Satisfaction level in after-sales service in automotive industry- Dealers in Saipayadak Co.

Abstract

Background: Based on the competition and product variety in the automotive industry, auto makers require to achieve capability to respond properly to customers and their competitors. The special position of after-sales service in automotive industry and also maintain the existing customers and attract the new ones, makes the prediction and measurement of customer satisfaction as a must in this industry.

Purpose: In this paper, using prediction approach in futures studies, has made us firstly to identify the influential factors on customer satisfaction. Then the customer satisfaction level has been predicted and analyzed in after-sales service of dealers in an automotive manufacturer.

Methods: The statistical population includes the dealers of Saipayadak Co. The statistical sample includes 14486 of after-sales service dealers in the period of April 2017 to June 2017. Independent variables, after extracting through literature review, were finalized using brainstorming and fishbone diagrams. Statistical analysis and prediction was performed using stepwise regression method with coding in RStudio software.

Findings: By using data mining method, the customer satisfaction score in after-sales service of dealers in Saipayadak Co. has been predicted with 80% accuracy.

Conclusion: By knowing the customer satisfaction level, auto makers can define quality improvement projects and move toward to competitiveness desirably.   

Keywords: Futures studies, Prediction, Customer satisfaction, After-sales service, Stepwise regression

20

 

---