Provide a Model for Customer Relationship Management (CRM) In Discount Chain Stores Through The Use of the Internet of Things and Big Data
Subject Areas : Jounal of Marketing Management
Mohammadreza Rostami
1
(Assistant Professor, Department of Marketing Management, Shahroud Branch, Islamic Azad University, Shahroud, Iran)
Eshagh ghoorchibeygi
2
(PhD Student in Marketing Management, Shahroud Branch, Islamic Azad University, Shahroud, Iran)
Keywords: Big Data, Discount Chain Stores, Internet of Things, Customer Relationship Management,
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.
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.
_||_
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.
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
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.
[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