Designing a Customer Behavior Analysis Model in the Financial Industry
Subject Areas : Commercial ManagementSamaneh Ahmadi 1 * , MohammadHasan Maleki 2
1 - Phd Student, Department of Business Management, Shahr-e-Qods Branch, Islamic Azad University, Tehran, Iran
2 - Associate Professor, Department of Management, Faculty of Economics and Management, University of Qom
Keywords: Financial Services, Customer Behavior, Financial Industry Marketing,
Abstract :
Customer behavior in the financial industry is highly significant due to the diversity of needs and the complexity of decision-making. This study, with a qualitative approach, aims to identify the key dimensions influencing customer behavior and to design a conceptual model for its analysis. The research is applied in purpose and descriptive-analytical in nature. The qualitative sample consists of 16 academic experts in financial management and economics, selected through snowball sampling, with theoretical saturation reached at 14 participants. Data were collected via semi-structured interviews and analyzed using grounded theory through open, axial, and selective coding. In total, 96 codes were extracted and organized into six main categories. Findings revealed that causal factors include economic, psychological, social, and technological elements; contextual conditions involve infrastructure, regulations, organizational structure, and human resources; intervening conditions cover competition, crises, technological changes, and individual characteristics; while strategic factors relate to CRM indicators, pricing, service quality, and marketing, leading to outcomes such as financial performance, customer loyalty, organizational reputation, and product development.
اسفندیاری، مصطفی، و ایمان‌خان، نیلوفر. (1398). تحلیل رفتار مشتریان صنعت بانک: رهیافت نظریه داده بنیاد. فصلنامه مدلسازی اقتصادی، 13(45)، 113-134.
جاوید، محمدرضا، نعمتی‌زاده، سینا، و قاسمی، بهروز. (1402). سنجش کیفیت مدیریت ارتباط با مشتری برای توسعه استراتژی‌های بازاریابی دیجیتال در بانک شهر. نشریه علمی پژوهشی مدیریت بازاریابی بانک شهر، 4(2)، 25-41.
عالمی، زهره، و زارع مجتهدی، میلاد. (1400). مطالعه تأثیر اعتبار نیروی فروش بر رفتار مشتری در صنعت بانکداری (مطالعه موردی بانک اقتصادنوین). نهمین کنفرانس بین‌المللی مدیریت، تجارت جهانی، اقتصاد، دارایی و علوم اجتماعی. تهران: مؤسسه علمی همایش گستران.
فتحیان، محمد، و نصیرزاده، الناز. (1398). بخش‌بندی مشتریان بانکی براساس عوامل نگرشی و رفتار مالی به منظور ارتقاء تعامل بانک با مشتریان. مدیریت نوآوری در سازمان‌های دفاعی، 2(6)، 55-72.
محمدی، مرتضی، و گلشنی، حسین. (1397). تأثیر مشتری‌مداری بر عملکرد مالی شرکت با توجه به نقش میانجی نوآوری رفتار خلاقانه. سومین کنفرانس ملی سالانه اقتصاد، مدیریت و حسابداری. مشهد: دبیرخانه دائمی کنفرانس.
طراحی مدل تحلیل رفتار مشتری در صنعت مالی
سمانه احمدی1، محمدحسن ملکی2*
چکیده | |
نوع مقاله: مقاله پژوهشي
تاریخ دریافت: 31/06/1404 تاریخ پذیرش: 09/07/1404
| رفتار مشتری در صنعت مالی به‌دلیل تنوع نیازها و پیچیدگی تصمیم‌گیری‌ها اهمیت زیادی دارد. این پژوهش با رویکرد کیفی، به‌دنبال شناسایی ابعاد مؤثر بر رفتار مشتری و طراحی یک مدل مفهومی برای تحلیل آن است. هدف، ارائه چارچوبی کاربردی برای درک بهتر و بهبود تعامل با مشتریان مالی است. این پژوهش به لحاظ هدف کاربردی و از نوع توصیفی-تحلیلی می‌باشد. روش پژوهش کیفی است. جامعه آماری این پژوهش در بخش کیفی 16 نفر از صاحب‌نظران دانشگاهی در زمینه مدیریت مالی و اقتصاد می‌باشد که با استفاده از روش نمونه‌گیری گلوله برفی و نقطه اشباع نظری 14 نفر انتخاب شدند. ابزار گردآوری بخش کیفی داده‌های مصاحبه نیمه ساختاریافته و روش تجزیه و تحلیل این بخش با بهره‌گیری از نظریه داده‌بنیاد می‌باشد. داده‌ها در سه مرحله کدگذاری باز، محوری و انتخابی تحلیل شدند. در مجموع 96 کد استخراج و در قالب شش مقوله اصلی و مقوله‌های فرعی تبیین شد. نتایج نشان داد که عوامل علّی شامل (عوامل اقتصادی، عوامل روان‌شناختی، عوامل اجتماعی، عوامل فناورانه)؛ شرایط زمینه‌ای شامل (عوامل زیرساخت‌ها، قوانین و مقررات، ساختار سازمانی، منابع انسانی)؛ شرایط محوری شامل (تصمیم‌گیری مالی، تعامل با مؤسسات، رفتارهای مالی، رضایت مشتری)؛ شرایط مداخله‌گر شامل (رقابت، شرایط بحرانی، تغییرات فناوری، ویژگی‌های فردی)؛ عوامل راهبردی شامل (شاخص‌های مدیریت ارتباط با مشتری، قیمت‌گذاری، کیفیت خدمات، بازاریابی)؛ پیامدها شامل (عملکرد مالی، وفاداری مشتری، شهرت سازمانی، توسعه محصولات) است. |
کلیدواژهها | خدمات مالی، رفتار مشتری، صنعت مالی بازاریابی |
ناشر: دانشگاه آزاد اسلامي واحد شهرقدس
* نویسنده مسئول: محمدحسن ملکی ایمیل: bozorgmehr.maleki1363@gmail.com
1. دانشجوی دکتری، گروه مدیریت بازرگانی، واحد شهرقدس، دانشگاه آزاد اسلامی، تهران، ایران
2. استاد، گروه مدیریت، دانشکده اقتصاد و مدیریت دانشگاه قم (نویسنده مسئول)
مقدمه
در دنیای پرشتاب و دیجیتالی امروز، رفتار مشتری به عنوان یک مفهوم پویا و چند بعدی شناخته می‌شود که به‌شدت تحت‌تأثیر حولات فناوری، اجتماعی، اقتصادی و روان‌شناختی قرار دارد. در این میان، صنعت مالی یکی از حساس‌ترین و مهم‌ترین حوزه‌هایی است که تغییرات رفتار مشتری می‌تواند اثراتی گسترده بر آن داشته باشد. بانک‌ها، شرکت‌های بیمه، مؤسسات اعتباری و سایر نهادهای مالی برای حفظ رقابت‌پذیری و پایداری خود، نیازمند درک عمیق و دقیق‌تری از رفتار مشتریان هستند (لمون و ورهوف1، 2021). این درک به سازمان‌ها امکان می‌دهد تا خدمات خود را متناسب با نیازها و انتظارات مشتریان طراحی کنند و در عین‌حال تجربه‌ای یکپارچه و شخصی‌سازی‌شده فراهم آورند. تحلیل رفتار مشتری در صنعت مالی از اهمیت دوچندانی برخوردار است، چرا که تصمیمات مشتریان در این حوزه معمولاً مبتنی بر اعتماد، امنیت و ارزیابی دقیق ریسک است. به‌بیان دیگر، هرگونه بی‌توجهی به عوامل مؤثر بر رفتار مشتری می‌تواند منجر به از دست رفتن مشتریان و آسیب‌پذیری برندهای مالی شود. در سال‌های اخیر، با گسترش بانکداری دیجیتال، اپلیکیشن‌های مالی، پرداخت‌های آنلاین و پلتفرم‌های سرمایه‌گذاری هوشمند، حجم عظیمی از داده‌های رفتاری تولید شده که فرصت بی‌سابقه‌ای را برای تحلیل و مدلسازی فراهم کرده است (ژائو2 و همکاران، 2022). در همین راستا، تکنیک‌های نوین داده‌کاوی، یادگیری ماشین و هوش مصنوعی به ابزارهای کلیدی برای شناسایی الگوهای رفتاری مشتریان تبدیل شده‌اند. بر خلاف گذشته که تحلیل رفتار مشتری بیش‌تر به داده‌های ساختاریافته مانند داده‌های تراکنشی محدود می‌شد، امروزه داده‌های غیرساختاریافته همچون کلیک‌ها، پیام‌ها، نظرات در شبکه‌های اجتماعی و حتی سیگنال‌های احساسی نیز در مدل‌های تحلیلی لحاظ می‌شوند. این تحول موجب شده که مدلسازی رفتار مشتری وارد مرحله‌ای تازه شود که در آن نیاز به طراحی مدل‌های پیچیده‌تر، چندمنظوره و پویا وجود دارد (چن3 و همکاران، 2023). با ترکیب داده‌های سنتی و نوظهور، تحلیل‌گران قادر خواهند بود تا بینش‌هایی عمیق‌تر از رفتار مشتری استخراج کنند و بر اساس آن، پیش‌بینی‌های دقیق‌تری در مورد نیازها، تمایلات و ریسک‌های مرتبط ارائه دهند.
افزون بر این، تغییرات اقتصادی جهانی، بحران‌های مالی، همه‌گیری کرونا و تحولات تغییرات سیاسی و بین‌المللی در سال‌های اخیر باعث شده که رفتار مالی مشتریان به‌شدت تغییر کند. در شرایط عدم اطمینان، مشتریان به‌دنبال مؤسسات مالی‌ای هستند که افزون بر خدمات مالی مناسب، حس امنیت و پایداری را نیز القا کنند. بنابراین، نهادهای مالی نیاز دارند که مدل‌هایی طراحی کنند که نه تنها رفتار گذشته را تحلیل کند، بلکه توانایی واکنش سریع به تغییرات محیطی و رفتاری را نیز داشته باشد (لاوکانن4 و همکاران، 2021). این نوع مدل‌های تطبیق‌پذیر می‌توانند به شرکت‌های مالی کمک کنند تا در مواقع بحران نیز رابطه خود را با مشتریان حفظ و حتی تقویت کنند. هم‌چنین، با گسترش مفاهیم نوین در مدیریت تجربه مشتری، تمرکز صرف بر فروش و جذب مشتری جای خود را به ایجاد تعاملات عمیق، مستمر و مبتنی بر ارزش داده است. مشتریان امروزی تنها به دنبال دریافت خدمات نیستند بلکه تجربه‌ای یکپارچه، سریع و شخصی‌سازی‌شده را مطالبه می‌کنند. این رویکرد تازه مستلزم آن است که تحلیل رفتار مشتری به فراتر از صرفاً داده‌های آماری گسترش یابد و ابعاد روان‌شناختی، اجتماعی و فرهنگی نیز در طراحی مدل‌ها لحاظ شود ( لمون و ورهوف، 2021). از سوی دیگر، ظهور بانکداری باز و توسعه رابط برنامه‌نویسی کاربردی مالی موجب شده تا داده‌های مشتریان از انحصار یک نهاد مالی خاص خارج شده و امکان تحلیل گسترده‌تر و بین‌سازمانی فراهم شود. این امر ضمن ایجاد فرصت برای بهبود خدمات، چالش‌هایی نظیر حفظ حریم خصوصی، امنیت داده و شفافیت الگوریتم‌ها را نیز به‌دنبال دارد. بنابراین، مدل‌های تحلیلی باید به‌گونه‌ای طراحی شوند که از یک‌سو بینش‌های دقیق ارائه دهند و از سوی دیگر اصول اخلاقی و قانونی را نیز رعایت کنند (حداد و هورنوف5، 2022).
در مجموع، طراحی مدل تحلیل رفتار مشتری در صنعت مالی نیازمند رویکردی چندرشته‌ای است که عناصر تکنولوژیکی، رفتاری، مدیریتی و حقوقی را هم‌زمان در نظر بگیرد. چنین مدلی باید قادر باشد حجم عظیم و متنوعی از داده‌ها را پردازش کند، به تغییرات رفتاری مشتریان پاسخ دهد، و در نهایت، به بهبود تجربه مشتری و افزایش سودآوری سازمان منجر شود. در این مقاله، تلاش می‌شود تا مدلی نوین و قابل پیاده‌سازی برای تحلیل رفتار مشتری در صنعت مالی ارائه شود که هم از نظر فنی بهروز باشد و هم قابلیت بومی‌سازی در بازارهای در حال توسعه نظیر ایران را داشته باشد. هدف این پژوهش، پاسخ به پرسش‌هایی از این دست است: چه عواملی بر رفتار مشتریان مالی تأثیرگذارند؟ چگونه می‌توان با استفاده از داده‌های رفتاری، تمایلات و تصمیمات آتی مشتریان را پیش‌بینی کرد؟ کدام روش‌های تحلیلی، بیش‌ترین دقت و کارایی را در تحلیل داده‌های مالی دارند؟ و نهایتاً، چگونه می‌توان مدلی جامع طراحی کرد که هم برای تصمیم‌گیرندگان مالی مفید باشد و هم با چالش‌های اجرایی و داده‌ای سازگار باشد؟ پاسخ به این پرسش‌ها، گامی مهم در جهت بهینه‌سازی تعاملات مالی و ارتقای جایگاه مشتری در تصمیم‌گیری‌های استراتژیک خواهد بود.
مبانی نظری پژوهش
تحلیل رفتار مشتری در صنعت مالی به یکی از موضوعات مهم پژوهشی تبدیل شده است. پژوهش‌ها نشان می‌دهند که با استفاده از فناوری‌های نوین و داده‌های کلان، می‌توان رفتار مشتریان را به‌طور دقیق‌تری تحلیل کرد و تجربه‌های بهتری را برای آن‌ها فراهم کرد. ژانگ6 و همکاران (2021) به بررسی تأثیر تجربه مشتری بر وفاداری در صنعت خدمات مالی پرداخته و تأکید کرده‌اند که درک عمیق از رفتار مشتری می‌تواند به بهبود خدمات و افزایش رضایت مشتری منجر شود. هم‌چنین، مطالعه‌ای از شوم7 و همکاران (2022) نشان می‌دهد که استفاده از تحلیل‌های پیشرفته می‌تواند به شناسایی الگوهای خرید و پیش‌بینی نیازها کمک کند و در نتیجه، استراتژی‌های مؤثرتری را برای جذب و حفظ مشتری ایجاد نماید. این پژوهش‌ها بر لزوم طراحی مدل‌های تحلیل رفتار مشتری تأکید دارند که می‌توانند دستاوردهای قابل‌توجهی برای صنعت مالی به ارمغان بیاورند (کومار و گوپتا8، 2023).
گوپتا و آرورا9 (2021)، در پژوهشی به بررسی تأثیر عوامل عاطفی بر تصمیم‌گیری مالی مشتریان با استفاده از نورومارکتینگ پرداختند. این مطالعه ترکیبی از نظرسنجی‌ها و روش های تصویربرداری عصبی است و نتایج نشان داد که احساسات (مانند ترس یا طمع) تأثیری مستقیم بر تصمیم‌گیری مالی مشتریان دارد. مشتریان با سطح اضطراب بالا، تمایلی کم‌تر به سرمایه‌گذاری در محصولات پرریسک داشتند. نگوین10 و همکاران (۲۰۲۰)، در پژوهشی به تحلیل پیش‌بینانه رفتار مشتریان بانکداری دیجیتال با استفاده از یادگیری ماشین پرداختند. نتایج نشان داد که استفاده از الگوریتم‌های یادگیری ماشین می‌تواند رفتار مشتریان در بانکداری دیجیتال را با دقت ۸۷% پیش‌بینی کند. عوامل کلیدی مؤثر شامل دفعات ورود به سیستم، میزان تراکنش‌ها و تعامل با خدمات دیجیتال بود. چن و همکاران (۲۰۱۹)، در پژوهشی به بخش‌بندی رفتاری مشتریان مؤسسات مالی با تکنیک‌های خوشه‌بندی پیشرفته پرداختند. نتایج نشان داد که با استفاده از الگوریتم‌های خوشه‌بندی، مشتریان به ۴ گروه تقسیم شدند: مشتریان وفادار، مشتریان پرریسک، مشتریان کم‌مصرف و مشتریان نوظهور. این تقسیم‌بندی به بانک‌ها کمک کرد تا استراتژی‌های بازاریابی شخصی‌سازی شده طراحی کنند. اسمیت و جانسون11 (۲۰۱۸)، در پژوهشی به بررسی مدلسازی پیش‌بینانه ریزش مشتریان در صنعت خدمات مالی پرداختند و نتایج مطالعات نشان داد که این پژوهش از تحلیل داده‌های بزرگ برای شناسایی مشتریان در معرض ریسک خروج استفاده کرد. نتایج نشان داد که متغیرهای رضایت مشتری، طول عمر مشتری و تعداد شکایات، مهم‌ترین پیش‌بینی‌کننده‌های ترک خدمات مالی هستند. لی12 و همکاران (۲۰۱۷)، در پژوهشی به تحلیل محتوای شبکه‌های اجتماعی برای پیش‌بینی ترجیحات مالی مشتریان پرداختند. تحلیل داده‌های شبکه‌های اجتماعی با استفاده از پردازش زبان طبیعی نشان داد که تمایلات مثبت یا منفی کاربران نسبت به فین‌تک‌ها، با احتمال ۷۸% بر انتخاب محصولات مالی تأثیر می‌گذارد.
جاوید و همکاران (1402)، در پژوهشی با عنوان «سنجش کیفیت مدیریت ارتباط با مشتری برای توسعه استراتژی‌های بازاریابی دیجیتال در بانک شهر» نشان دادند که به‌کارگیری فناوری‌های دیجیتال در مدیریت ارتباط با مشتری موجب ارتقاء وفاداری، افزایش تعاملات و بهبود عملکرد بازاریابی بانک می‌شود. نتایج این مطالعه تأکید داشت که کیفیت ارتباط دیجیتال از عوامل کلیدی در تحلیل و مدیریت رفتار مشتریان است. عالمی و زارع مجتهدی (1400)، در مطالعه‌ای با عنوان «تأثیر اعتبار نیروی فروش بر رفتار مشتری در صنعت بانکداری» با تمرکز بر بانک اقتصادنوین دریافتند که اعتبار و مهارت‌های ارتباطی کارکنان بانک تأثیری مستقیم بر اعتماد، وفاداری و تصمیم‌گیری مشتریان دارد. این یافته‌ها نشان‌دهنده نقش مهم سرمایه انسانی در شکل‌دهی رفتار مشتریان بانکی است. فتحیان و نصیرزاده (1398)، در مقاله‌ای با عنوان «بخش‌بندی مشتریان بانکی براساس عوامل نگرشی و رفتار مالی» با بهره‌گیری از روش تحلیل خوشه‌ای، چهار نوع رفتار غالب در میان مشتریان بانک‌ها شناسایی کردند. آن‌ها پیشنهاد دادند که بانک‌ها با اتخاذ راهبردهای متناسب با هر گروه، می‌توانند اثربخشی بازاریابی خود را بهبود بخشند و تعاملات سودآورتر ایجاد کنند. اسفندیاری و ایمان‌خان (1398)، با استفاده از رویکرد نظریه داده‌بنیاد در مقاله‌ای با عنوان «تحلیل رفتار مشتریان صنعت بانک» مدلی مفهومی ارائه دادند که شامل عوامل علّی، زمینه‌ای، مداخله‌گر و راهبردی مؤثر بر رفتار مشتریان بود. نتایج این پژوهش به‌ویژه بر اهمیت تجربه خدمات، تصویر برند و روابط انسانی در شکل‌گیری رفتار مشتری تأکید داشت. محمدی و گلشنی (1397)، در پژوهش خود با عنوان «تأثیر مشتری‌مداری بر عملکرد مالی شرکت با توجه به نقش میانجی نوآوری رفتار خلاقانه» نشان دادند که مشتری‌مداری، هم به‌صورت مستقیم و هم از راه نوآوری در رفتار سازمانی، تأثیر معناداری بر بهبود عملکرد مالی دارد. یافته‌های این پژوهش بر لزوم سرمایه‌گذاری در نوآوری و توجه به نیازهای مشتریان در سیاست‌گذاری‌های بانکی تأکید داشت.
روش‌شناسی پژوهش
این پژوهش با هدف طراحی مدل تحلیل رفتار مشتری در صنعت بانکداری، از روش پژوهش کیفی با رویکرد ترکیبی - متوالی اکتشافی و بر اساس طرح نظریه زمینه‌ای انجام شده است. جامعه آماری شامل دو گروه خبره متشکل از اساتید دانشگاهی در رشته‌های مدیریت مالی و اقتصاد با حداقل ۱۰ سال سابقه تدریس و پژوهش، و مدیران ارشد بانکی با بیش از ۱۵ سال سابقه مدیریتی در سطوح عالی بوده است. نمونه‌گیری به روش هدفمند نظری با تکنیک گلوله برفی انجام شد که در آن معیارهای انتخاب شامل دارا بودن مدرک دکتری تخصصی، انتشار مقالات معتبر در حوزه رفتار مالی و تجربه مدیریت کلان در صنعت بانکداری بود. داده‌ها از راه ۱۴ مصاحبه نیمه‌ساختاریافته عمیق (۷ مصاحبه با اساتید و ۷ مصاحبه با مدیران ارشد) گردآوری شد که هر مصاحبه بین ۶۰ تا ۹۰ دقیقه به طول انجامید و پس از ضبط به صورت متن کامل پیاده‌سازی شد. تحلیل داده‌ها در سه مرحله کدگذاری باز، کدگذاری محوری و کدگذاری انتخابی انجام پذیرفت. فرآیند پژوهش تا رسیدن به نقطه اشباع نظری (عدم ظهور مفاهیم نوین در مصاحبه‌ها) که در مصاحبه چهاردهم محقق شد، ادامه یافت. این روش‌شناسی جامع امکان طراحی مدلی بومی و کاربردی برای تحلیل رفتار مشتریان در صنعت بانکداری را با در نظر گرفتن تمامی ابعاد و مؤلفه‌های مؤثر فراهم کرده است. نتایج این پژوهش می‌تواند مبنای مناسبی برای تصمیم‌گیری‌های راهبردی مدیران بانکی و سیاست‌گذاران مالی کشور قرار گیرد.
یافته‌های پژوهش
جدول 1. مشخصات دموگرافيك مصاحبه‌شوندگان (خبرگان)
رديف | نوع | مدرك | رشته تحصيلي | سابقه | سمت |
|---|---|---|---|---|---|
1 | مصاحبه | دكتري تخصصی | مديريت مالی | 11 سال | استاد دانشگاه |
2 | مصاحبه | دكتري تخصصی | مديريت مالی | 18 سال | مدیر بانکی |
3 | مصاحبه | دكتري تخصصی | اقتصاد | 12 سال | استاد دانشگاه |
4 | مصاحبه | دكتري تخصصی | اقتصاد | 19 سال | مدیر بانکی |
5 | مصاحبه | دكتري تخصصی | اقتصاد | 15 سال | استاد دانشگاه |
6 | مصاحبه | دكتري تخصصی | مديريت مالی | 23 سال | مدیر بانکی |
7 | مصاحبه | دكتري تخصصی | مديريت مالی | 21 سال | استاد دانشگاه |
8 | مصاحبه | دكتري تخصصی | مديريت مالی | 17 سال | مدیر بانکی |
9 | مصاحبه | دكتري تخصصی | اقتصاد | 16 سال | استاد دانشگاه |
10 | مصاحبه | دكتري تخصصی | اقتصاد | 18 سال | استاد دانشگاه |
11 | مصاحبه | دكتري تخصصی | مديريت مالی | 20 سال | استاد دانشگاه |
12 | مصاحبه | دكتري تخصصی | اقتصاد | 24 سال | مدیر بانکی |
13 | مصاحبه | دكتري تخصصی | مديريت مالی | 13 سال | استاد دانشگاه |
14 | مصاحبه | دكتري تخصصی | مديريت مالی | 25 سال | مدیر بانکی |
-کدگذاری باز:
در مرحله نخست تحلیل، پژوهشگران با بررسی خط به خط مصاحبه‌ها به شناسایی و برچسب‌گذاری مفاهیم پایه پرداختند. این فرآیند منجر به استخراج 96 کد اولیه شد که هر کدام نمایانگر یک مفهوم یا ایده منحصر به فرد در داده‌ها بود. این مرحله بر اساس رویکرد استراوس و کوربین13 (۱۹۹۸) انجام شد و بر کشف مفاهیم نهفته در داده‌ها تأکید داشت.
-کدگذاری محوری:
در این مرحله پیشرفته‌تر، پژوهشگران روابط بین کدهای شناسایی شده را بررسی کردند. بر اساس چارچوب پارادایمی استراوس و کوربین، کدها در قالب شرایط علی، پدیده محوری، راهبردها، زمینه‌ها، عوامل مداخله‌گر و پیامدها دسته‌بندی شدند. این فرآیند منجر به تشکیل ۱۶ مقوله محوری با روابط درونی مشخص شد.
مقوله 1: عوامل علّی
این مقوله دارای 16 کد می‌باشد که در نهایت، کدهای "عوامل اقتصادی، عوامل روان‌شناختی، عوامل اجتماعی، عوامل فناورانه" انتخاب شدند.
مقوله2: عوامل راهبردی
این مقوله شامل 16 کد است. در نهایت، در این بخش کدهای "مدیریت ارتباط با مشتری، قیمت‌گذاری، کیفیت خدمات، بازاریابی" انتخاب شدند.
مقوله3: عوامل زمینه ای
این مقوله شامل 16 کد نهایی است. در نهایت، کدهای این بخش شامل "عوامل زیرساخت‌ها، قوانین و مقررات، ساختار سازمانی، منابع انسانی" انتخاب شدند.
مقوله4: عوامل محوری
این مقوله شامل 16 کد می‌باشد. در نهایت، در این مقوله کدهای "تصمیم‌گیری مالی، تعامل با مؤسسات، رفتارهای مالی، رضایت مشتری" انتخاب شدند.
مقوله5: عوامل مداخله‌گر
این مقوله شامل 16 کد می‌باشد. کدهای نهایی این مقوله "رقابت، شرایط بحرانی، تغییرات فناوری، ویژگی‌های فردی" می‌باشد.
مقوله6: پیامدها این مقوله شامل 16 کد می‌باشد. کدهای محوری این مقوله شامل "عملکرد مالی، وفاداری مشتری، شهرت سازمانی، توسعه محصولات" بوده است.
در این مرحله سعی شد مقوله‌های مقارن و مشابه در تم‌های اصلی قرار بگیرند. بر اساس اشتراک مفهومی که مقولات با یکدیگر داشتند، تم‌ها به شکل مفاهیم انتزاعیتری استخراج شدند. پس از تهیه و تنظیم جدول مفاهیم و مقولات اولیه به عنوان گام ابتدایی تحلیل کیفی، داده‌های حاصل از انجام مصاحبه، برای تکمیل این فرآیند، مفاهیم حاصله در سطح بالاتر و تجریدی‌تر برای دست‌یابی به تم‌های اصلی، گروه‌بندی شدند. پس از مقایسه مقولات گروه‌بندی شده، مقولات مرتبط با یکدیگر در یك مضمون کلی طبقه‌بندی شدند و براساس عناوین موجود در نظریه‌های مرتبط یا مفاهیم برخاسته از ادبیات پژوهش، عناوین کلی برای این مضمون‌ها در نظر گرفته شدند.
جدول 2. کدهای مقوله علّی
کد محوری | مقوله اصلی | مفاهیم |
|
عوامل علّی
|
| نرخ تورم |
نرخ بهره بانکی | ||
رشد اقتصادی | ||
درآمد سرانه | ||
عوامل روان‌شناختی
| ریسک‌پذیری | |
اعتماد به سیستم مالی | ||
فتارهای مالی گذشته | ||
سطح دانش مالی | ||
عوامل اجتماعی | هنجارهای اجتماعی | |
تأثیر گروه مرجع | ||
طبقه اجتماعی | ||
سطح تحصیلات | ||
عوامل فناورانه | دسترسی به بانکداری الکترونیک | |
امنیت سامانه‌ها | ||
سهولت استفاده | ||
نوآوری در خدمات |
این مقوله دارای 16کد می‌باشد که در نهایت، کدهای عوامل اقتصادی، عوامل روان‌شناختی، عوامل اجتماعی، عوامل فناورانه شدند.
جدول 3. کدهای مقوله محوری
کد محوری | مقوله اصلی | کدهای آزاد |
|
|
| انتخاب محصولات |
تخصیص منابع | ||
مدیریت ریسک | ||
|
تعامل با مؤسسات
| تعداد مراجعات | |
عمق رابطه | ||
مدت زمان رابطه | ||
رفتارهای مالی
| الگوی مصرف | |
پس‌انداز | ||
سرمایه‌گذاری | ||
استقراض | ||
رضایت مشتری
| رضایت کلی | |
احتمال تمدید رابطه | ||
توصیه به دیگران | ||
مقایسه با رقبا |
جدول4. کدهای عوامل زمینه ای
کد محوری | مقوله اصلی | کدهای آزاد |
عوامل زمینه ای
|
زیرساخت‌ها
| شعب فیزیکی |
سامانه‌های الکترونیک | ||
شبکه توزیع | ||
امکانات سخت‌افزاری | ||
قوانین و مقررات
| دستورالعمل‌های بانک مرکزی | |
قوانین مالیاتی | ||
مقررات نظارتی | ||
استانداردهای حسابداری | ||
ساختار سازمانی | چارت سازمانی | |
فرآیندهای داخلی | ||
سیستم‌های گزارش‌دهی | ||
فرهنگ سازمانی | ||
منابع انسانی | مهارت کارکنان | |
انگیزه کارکنان | ||
آموزش‌های تخصصی | ||
سیستم ارزیابی عملکرد |
این مقوله دارای 16کد می‌باشد که در نهایت، کدهای عوامل زیرساخت‌ها، قوانین و مقررات، ساختار سازمانی، منابع انسانی انتخاب شدند.
جدول 5. کدهای مقوله راهبردی
کد محوری | مقوله اصلی | کدهای آزاد |
عوامل راهبردی‌ای |
مدیریت ارتباط با مشتری
| برنامه‌های وفادارسازی |
بخش بندی مشتریان | ||
ارتباطات یکپارچه | ||
مدیریت شکایات | ||
قیمت‌گذاری
| رقابتی بودن نرخ‌ها | |
هزینه‌های پنهان | ||
طرح‌های تشویقی | ||
انعطاف‌پذیری قیمت | ||
کیفیت خدمات | سرعت انجام عملیات | |
دقت در انجام کار | ||
تخصص کارکنان | ||
تنوع خدمات | ||
بازاریابی | تبلیغات هدفمند | |
کانال‌های توزیع | ||
برندینگ | ||
روابط عمومی |
این مقوله دارای16 کد می‌باشد که در نهایت، کدهای شاخص‌های شاخص‌های مدیریت ارتباط با مشتری، قیمت‌گذاری، کیفیت خدمات، بازاریابی انتخاب شدند.
جدول6. کدهای مقوله مداخله‌گر
کد محوری | مقوله اصلی | کدهای آزاد |
عوامل مداخله‌گر
|
رقابت
| تعداد رقبا |
قدرت رقبا | ||
نوآوری رقبا | ||
سهم بازار رقبا | ||
شرایط بحرانی
| بحران‌های اقتصادی | |
نوسانات بازار | ||
تغییرات سیاسی | ||
بلایای طبیعی | ||
تغییرات فناوری
| ظهور فین‌تک‌ها | |
تغییر الگوهای مصرف | ||
نیازهای تازه مشتریان | ||
تحول در کانال‌ها | ||
ویژگی‌های فردی | سن | |
جنسیت | ||
وضعیت تأهل | ||
شغل |
این مقوله دارای 16کد می‌باشد که در نهایت، کدهای رقابت، شرایط بحرانی، تغییرات فناوری، ویژگی‌های فردی انتخاب شدند.
جدول 7. کدهای مقوله پیامدها
کد محوری | مقوله اصلی | کدهای آزاد |
پیامدها
|
عملکرد مالی
| سودآوری |
رشد دارایی‌ها | ||
سهم بازار | ||
بازده سرمایه | ||
وفاداری مشتری | ماندگاری | |
خریدهای مکرر | ||
خریدهای مکمل | ||
مقاومت در برابر رقبا | ||
شهرت سازمانی
| تصویر برند | |
اعتبار در بازار | ||
جایگاه رقابتی | ||
ارزش ویژه برند | ||
توسعه محصولات
| نوآوری در خدمات | |
تنوع محصولات | ||
شخصی‌سازی خدمات | ||
پاسخگویی به نیازها |
این مقوله شامل 16 کد می‌باشد. کدهای نهایی این مقوله شامل عملکرد مالی، وفاداری مشتری، شهرت سازمانی، توسعه محصولات می‌باشد.
- کدگذاری گزینشی:
به‌عنوان آخرین‌گام فرآیند تحلیل در نظریه داده‌بنیاد، جایی است که پژوهشگر با تمرکز بر کدهای محوری و روابط بین‌مقولاتی، به تدوین یک چارچوب نظری منسجم می‌پردازد. در این مرحله، براساس پارادایم استراوس و کوربین (1998)، کدهایی که بیش‌ترین قدرت تبیین پدیده مورد مطالعه را دارند انتخاب شده و در قالب یک مدل پارادایمی (شامل شرایط علّی، پدیده محوری، زمینه، شرایط مداخله‌گر، راهبردها و پیامدها) سازماندهی می‌شوند. این فرآیند با تعیین یک مقوله هسته‌ای به عنوان محور اصلی نظریه آغاز می‌شود، سپس با تحلیل روابط ساختاری بین مقولات و اعتبارسنجی مدل نهایی از راه مقایسه مستمر با داده‌ها، به خلق یک نظریه یکپارچه منجر می‌شود. هدف نهایی، عبور از سطح توصیف و رسیدن به تئوری‌سازی عمیق است که بتواند پدیده مورد مطالعه را به شکلی نظام‌مند تبیین کند. این مرحله نه‌تنها یافته‌های پژوهش را ساختار می‌بخشد، بلکه چارچوبی مفهومی برای درک جامع‌تر مسئله پژوهش ارائه می‌دهد.
شکل 1. مدل پارادایمی پژوهش (منبع: یافته‌های پژوهشگر)
نتیجه‌گیری و پیشنهادها
طراحی یک مدل جامع برای تحلیل رفتار مشتری در صنعت مالی می‌تواند به بانک‌ها کمک کند تا به‌گونه‌ای مؤثرتر به خواسته‌ها و نیازهای مشتریان پاسخ دهند و در نهایت، وفاداری و رضایت آن‌ها را افزایش دهند. در این راستا، پیشنهاد می‌شود که بانک‌ها با بهره‌گیری از تکنیک‌های تحلیلی پیشرفته و داده‌های موجود، الگوهای رفتاری مشتریان را شناسایی کرده و سازماندهی کنند. هم‌چنین، استفاده از بازخوردهای مشتریان برای بهبود خدمات و توسعه محصولات تازه، می‌تواند به افزایش رابطه‌کاری مؤثر و پایدار با مشتریان منجر شود. تقویت آموزش کارکنان در زمینه تحلیل داده‌ها و فنون بین‌فردی نیز از دیگر راهکارهای ضروری است که می‌تواند به بهبود تجربه مشتری و افزایش ارزش ارائه شده به آن‌ها کمک کند. با توجه به اینکه هدف از انجام این طراحی مدل تحلیل رفتار مشتری در صنعت مالی مي باشد. پژوهش کیفي از راه مصاحبه با 14 خبره در این حوزه انجام شده است. نتایج منجر به شناسایي 16 مؤلفه و 96 شاخص شده است.
شرایط علّی در این زمینه، شامل (عوامل اقتصادی، عوامل روان‌شناختی، عوامل اجتماعی، عوامل فناورانه) است. بنابراین، برای بهبود و توسعه مدل تحلیل رفتار مشتری در صنعت مالی بانک‌ها، پیشنهاد می‌شود که بانک‌ها در پی ایجاد یک رویکرد چند بعدی باشند که تمامی این عوامل را در نظر بگیرد. این رویکرد می‌تواند شامل بررسی عمیق‌تر نیازها و ترجیحات مشتریان براساس نوسانات اقتصادی، تأثیرات اجتماعی و فرهنگی، و تغییرات فناورانه باشد. هم‌چنین، برگزاری کارگاههای آموزشی برای کارکنان در زمینه تحلیل داده‌های مربوط به رفتار مشتریان و اثرات روان‌شناختی بر انتخاب‌های مالی می‌تواند به تصمیم‌‌سازی‌های آگاهانه‌تر کمک کند. سرمایه‌گذاری در فن‌آوری‌های نوین مانند تحلیل داده‌های کلان و هوش مصنوعی می‌تواند به بانک‌ها در شناسایی روندها و الگوهای رفتاری در زمان واقعی کمک کند و در نتیجه به بهینه‌سازی خدمات و ارتقای تجربه مشتری منجر شود. در همین راستا، نتایج پژوهش با پژوهش‌های (سرکار14 و همکاران، 2024) همسو و با پژوهش‌های (گومز15 و همکاران، 2023) ناهمسو می‌باشد.
شرایط محوری در این زمینه، شامل (تصمیم‌گیری مالی، تعامل با مؤسسات، رفتارهای مالی، رضایت مشتری) است. پژوهش‌های آتی می‌توانند با تمرکز بر تأثیر فناوری‌های نوظهور (هوش مصنوعی، متاورس، بلاکچین) بر تعامل مشتری و تصمیم‌گیری مالی، شکاف‌های موجود در ادبیات را پر کنند. انجام مطالعات طولی برای بررسی تحول رفتار مشتری در بازه‌های زمانی بلندمدت و در شرایط بحرانی (مانند نوسانات اقتصادی شدید) ضروری است. هم‌چنین، پژوهش‌های مقایسه‌ای بین‌فرهنگی جهت شناسایی نقش تفاوت‌های فرهنگی در شکل‌گیری رفتارهای مالی و سطح رضایت و نیز تحلیل تأثیر سواد مالی دیجیتال و ریسک‌پذیری روان‌شناختی بر کیفیت تصمیم‌گیری‌های پیچیده (مانند سرمایه‌گذاری یا وام‌گیری) پیشنهاد می‌شود. توسعه مدل‌های یکپارچه‌تر با در نظر گرفتن نقش تعدیل‌گر متغیرهای جمعیت‌شناختی (نسل Z در مقابل سالمندان) و ارزیابی تأثیر راهبردهای شخصی‌سازی خدمات بانکی بر وفاداری رفتاری نیز از اولویت‌های پژوهشی آینده محسوب می‌شود. در همین راستا، نتایج پژوهش با پژوهش‌های (وو16 و همکاران، 2024) همسو و با پژوهش‌های (چن و همکاران، 2024) ناهمسو می‌باشد.
شرایط زمینه‌ای در این زمینه، شامل (عوامل زیرساخت‌ها، قوانین و مقررات، ساختار سازمانی، منابع انسانی) است. پژوهش‌های آتی می‌توانند تأثیر تعامل پویای زیرساخت‌های دیجیتال با مقررات نوین بانکی بر تجربه مشتری را با روش‌های ترکیبی (کیفی-کمی) بررسی کنند. هم‌چنین، تحلیل تطبیقی ساختار سازمانی بانک‌ها در مواجهه با فناوری‌های تحول‌آفرین (هوش مصنوعی، بلاکچین) و نقش آن در چابکی خدمات‌رسانی پیشنهاد می‌شود. بررسی رابطه‌ی شایستگی منابع انسانی (مهارت‌های دیجیتال، هوش عاطفی) با پذیرش نوآوری‌های زیرساختی توسط مشتریان، به‌ویژه در بازارهای درحال‌توسعه، از دیگر جهات ضروری است. افزون بر این، طراحی مدل‌های ارزیابی هزینه-فایده ارتقای زیرساخت‌ها تحت فشار مقررات متغیر و سنجش تأثیر غیرمستقیم آن بر وفاداری مشتریان، به درک واقع‌بینانه‌تری از اولویت‌بندی سرمایه‌گذاری‌های بانکی کمک خواهد کرد. مطالعه‌ی تأثیر اکوسیستم‌های مالی غیرسنتی (فین‌تک‌ها، سوپِراپ‌ها) بر ضرورت بازتعریف ساختار سازمانی بانک‌ها نیز از محورهای پیشنهادی آینده است. در همین راستا، نتایج پژوهش با پژوهش‌های (کوهن و برانر17 ، 2021) همسو و با پژوهش‌های (جانسون و لی18 ، 2022) ناهمسو می‌باشد.
شرایط راهبردی در این زمینه، شامل (مدیریت ارتباط با مشتری، قیمت‌گذاری، کیفیت خدمات، بازاریابی) است. پژوهش‌های آتی می‌توانند بر طراحی مدل‌های ترکیبی قیمت‌گذاری پویا (ترکیب ارزش مبتنی بر داده‌های رفتاری با مدل‌های اشتراکی) و تأثیر آن بر درک انصاف مشتری تمرکز کنند. بررسی هم‌افزایی راهبردهای بازاریابی چندکاناله (دیجیتال-فیزیکی) در تقویت تعامل مشتریان نسل Z و تحلیل نقش هوش مصنوعی در شخصی‌سازی کیفیت خدمات (مانند پیش‌بینی نیازهای مالی فردی) از اولویت‌های کلیدی است. هم‌چنین، ارزیابی تأثیر ربات‌های چت مبتنی بر هوش مصنوعی بر ابعاد انسانی مدیریت ارتباط با مشتری و سنجش ریسک‌های راهبردی آن پیشنهاد می‌شود. مطالعه واکنش مشتریان به مدل‌های قیمت‌گذاری شفاف/غیرشفاف در محصولات پیچیده مالی (مانند وام‌ها) و نیز تحلیل تأثیر بحران‌های اقتصادی بر اثربخشی راهبردهای بازاریابی بانکی در بازارهای نوظهور (مثل ایران) نیازمند پژوهش‌های تطبیقی عمیق‌تر است. توسعه چارچوب‌هایی برای سنجش تأثیر کیفیت خدمات سبز (بانکداری پایدار) بر تصویر برند و رفتار مشتری نیز شکاف موجود در ادبیات را پر خواهد کرد. در همین راستا، نتایج پژوهش با پژوهش‌های (پاراسورامان19 و همکاران، 2023) همسو و با پژوهش‌های (کلولی و براون20، 2023) ناهمسو می‌باشد.
شرایط مداخله‌گر در این زمینه، شامل (رقابت، شرایط بحرانی، تغییرات فناوری، ویژگی‌های فردی) است. برای توسعه مدل تحلیل رفتار مشتری در بانکداری، پیشنهاد می‌شود پیاده‌سازی سیستم‌های هوش مصنوعی بلادرنگ جهت پایش تأثیر تغییرات فناوری (مانند فین‌تک‌ها) بر رفتار مشتری در فضای رقابتی، طراحی سناریوهای شبیه‌سازی بحران (شامل شوک‌های اقتصادی یا همه‌گیری) برای سنجش انعطاف‌پذیری مدل، تدوین مکانیزم‌های شخصی‌سازی پویا مبتنی بر داده‌های روان‌شناختی و رفتاری بمنظور مقابله با رقابت فزاینده، ارزیابی تأثیر نسل‌های نوین فناوری بر انتظارات مشتریان، اجرای آزمایشی مدل در بازارهای نوظهور (آسیا و خاورمیانه) جهت تطبیق با شرایط بحرانی خاص مانند تحریم‌ها و نوسانات ارزی، بررسی نقش ویژگی‌های فردی (سن، تحصیلات و سواد دیجیتالی) در پذیرش خدمات بانکی پیشرفته، توسعه چارچوب‌های اخلاق‌محور برای استفاده از داده‌های مشتریان در بحران‌ها، تحلیل اثرات رقابت بین بانک‌ها و فین‌تک‌ها بر الگوهای مصرفی گروههای درآمدی گوناگون، و در نهایت، ایجاد سکوهای آموزشی تعاملی برای کاهش شکاف دیجیتالی در مشتریان مسن‌تر در دستور کار قرار گیرد تا مدل طراحی‌شده بتواند پویایی محیط بانکداری آینده را پوشش دهد. در همین راستا، نتایج پژوهش با پژوهش‌های (کیم و پارک21، 2023) همسو و با پژوهش‌های (کلولی و براون، 2023) ناهمسو می‌باشد.
شرایط پیامدها در این زمینه، شامل (عملکرد مالی، وفاداری مشتری، شهرت سازمانی، توسعه محصولات) است .بنابراین، پیشنهاد می‌شود پژوهش‌های آتی با توسعه متغیرهای مدل (مانند تأثیر فناوری‌های نوین مانند هوش مصنوعی و بلاکچین بر رفتار مشتری)، اعتبارسنجی عملیاتی مدل در شعب بانک‌ها (با تمرکز بر سنجش تأثیر مستقیم پیاده‌سازی مدل بر شاخص‌های عملکرد مالی و وفاداری) و بکارگیری روش‌های ترکیبی (مانند تحلیل داده‌های غیرساختاریافته شبکه‌های اجتماعی و داده‌های بلادرنگ تراکنش‌ها) به درک جامع‌تری از رفتار مشتری دست یابند. هم‌چنین، مطالعه تطبیقی این مدل در بخش‌های دیگر مالی (مثل بیمه یا بورس) و بررسی تأثیر آن بر شهرت سازمانی در شرایط بحران‌های اقتصادی، می‌تواند گام بعدی ارزشمندی باشد. در همین راستا، نتایج پژوهش با پژوهش‌های (چن و وو22، 2023) همسو و با پژوهش‌های (ریچاردز و کرتیس23، 2023) ناهمسو می‌باشد.
بنابراین، پیشنهاد می‌شود تحلیل روابط غیرخطی و تعاملی بین مولفه‌ها (به‌ویژه تأثیرپذیری شرایط راهبردی مانند قیمت‌گذاری و کیفیت خدمات از مداخله‌گرهایی چون تغییرات فناوری و رقابت) در اولویت قرار گیرد و با به‌کارگیری رویکردهای ترکیبی (کیفی-کمی) و استفاده از داده‌های رفتاری بلندمدت، پویایی تأثیر شرایط محوری نظیر تصمیم‌گیری مالی بر پیامدهایی چون وفاداری مشتری در مواجهه با شوک‌های اقتصادی رصد شود. هم‌چنین، توسعه چارچوب مفهومی با افزودن متغیرهای تعدیل‌کننده تازه مانند فرهنگ سازمانی یا سوگیری‌های شناختی در لایه روان‌شناختی شرایط علّی، و ادغام دیدگاه‌های بین‌رشته‌ای (اقتصاد رفتاری، علوم اعصاب و مدیریت ریسک) برای تحلیل مکانیسم‌های تأثیرگذار بر پیامدهایی چون شهرت سازمانی ضروری است. از سوی دیگر، آزمون عملی مدل در بسترهای نوظهور (فین‌تک‌ها، بانکداری دیجیتال) با تمرکز بر تأثیر هوش مصنوعی بر شخصی‌سازی راهبردها و تحلیل محدودیت‌های مقرراتی تازه (مانند حریم خصوصی داده‌ها) به‌عنوان شرایط زمینه‌ای پیشنهاد می‌شود. در نهایت، توسعه ابزارهای کاربردی مانند طراحی سیستم‌های هشدار زودهنگام برای پیش‌بینی رفتار مشتریان تحت سناریوهای بحرانی و شبیه‌سازی‌های پویا مبتنی بر عوامل بمنظور افزایش قابلیت‌های پیش‌بینانه مدل در محیط‌های رقابتی پیشنهاد می‌شود. از محدودیت‌های این پژوهش اینکه، نتایج بدست‌آمده را نمی‌توان به سایر سازمان‌ها یا حوزه‌ها تسری داد. هم‌چنین، امکان عدم دسترسی به برخی بانک‌های اطلاعاتی و داده‌های موردنیاز، روند انجام پژوهش را با محدودیت‌هایی مواجه ساخته است. هم‌چنین، می‌توان به زمان محدود پژوهش و قلمرو مکانی مشخص آن اشاره کرد که موجب محدود شدن دامنه پژوهش شده است. انجام پژوهش به صورت مقطعی نیز باعث می‌شود که نتایج صرفاً وضعیت موجود در یک بازه زمانی خاص را منعکس کند و قابلیت تعمیم به دوره‌های زمانی گوناگون را نداشته باشد. افزون بر این، هزینه‌های مرتبط با اجرای پژوهش نیز از دیگر چالش‌هایی بوده که پژوهشگر با آن رویارو بوده است.
منابع
اسفندیاری، مصطفی.، و ایمان‌خان، نیلوفر. (1398). تحلیل رفتار مشتریان صنعت بانک: رهیافت نظریه داده بنیاد. فصلنامه مدلسازی اقتصادی، 13(45)، 113-134.
جاوید، محمدرضا.، نعمتی‌زاده، سینا.، و قاسمی، بهروز. (1402). سنجش کیفیت مدیریت ارتباط با مشتری برای توسعه استراتژی‌های بازاریابی دیجیتال در بانک شهر. نشریه علمی پژوهشی مدیریت بازاریابی بانک شهر، 4(2)، 25-41.
عالمی، زهره.، و زارع مجتهدی، میلاد. (1400). مطالعه تأثیر اعتبار نیروی فروش بر رفتار مشتری در صنعت بانکداری (مطالعه موردی بانک اقتصادنوین). نهمین کنفرانس بین‌المللی مدیریت، تجارت جهانی، اقتصاد، دارایی و علوم اجتماعی. تهران: مؤسسه علمی همایش گستران.
فتحیان، محمد.، و نصیرزاده، الناز. (1398). بخش‌بندی مشتریان بانکی براساس عوامل نگرشی و رفتار مالی به منظور ارتقاء تعامل بانک با مشتریان. مدیریت نوآوری در سازمان‌های دفاعی، 2(6)، 55-72.
محمدی، مرتضی.، و گلشنی، حسین. (1397). تأثیر مشتری‌مداری بر عملکرد مالی شرکت با توجه به نقش میانجی نوآوری رفتار خلاقانه. سومین کنفرانس ملی سالانه اقتصاد، مدیریت و حسابداری. مشهد: دبیرخانه دائمی کنفرانس.
Chen, L., Wang, Y., & Gupta, S. (2024). The satisfaction-behavior gap in digital banking: When satisfied customers still leave. Journal of Business Research, 178, 114613.
Chen, L., Wang, Y., & Zhang, R. (2019). Behavioral segmentation of financial customers via clustering techniques. Journal of Financial Services Research, 55 (3), 321-340.
Chen, L., & Wu, Y. (2023). Digital customer analytics and loyalty in retail banking: The mediating role of personalized product development. Journal of Financial Services Marketing.28(2), 112–130.
Chen, Y., Zhang, X., & Huang, Q. (2023). A hybrid deep learning framework for customer behavior prediction in financial services. Expert Systems with Applications, 215, 119206.
Cluley, R., & Brown, S. D. (2023). Automation alienation in elderly banking customers. Journal of Services Marketing, 37(5), 612-625.
Cohn, A., & Brunner, D. (2021). Understanding Customer Behavior in Banking: The Role of Technology and Trust. Journal of Financial Services Marketing, 26(2), 83-95.
Gomez-Borja, M. Á., Mollá-Descals, A., & Ruiz-Mafé, C. (2023). The limited role of economic factors in explaining mobile banking resistance among the elderly: A fear-driven perspective. Journal of Financial Services Marketing, 28(2), 315-33.
Gupta, S., & Arora, N. (2021). Impact of emotional factors on financial decision-making: A neuro-marketing study. Journal of Consumer Behaviour, 40 (1), 112-125.
Haddad, C., & Hornuf, L. (2022). The emergence of the global fintech market: Economic and technological determinants. Small Business Economics, 58 (1), 185–208.
Johnson, M., & Lee, K. (2022). Regulatory Challenges in Banking: How they Affect Customer Behavior. Journal of Regulatory Economics,62(3), 213-230.
Kim, Y., & Park, J. (2023). Generational differences in digital banking adoption: A South Korean perspective. Technological Forecasting and Social Change, 188, 122-135.
Kumar, A., & Gupta, R. (2023). Understanding Consumer Behavior in Digital Banking: A Study on User Experience and Satisfaction. Journal of Financial Services Marketing, 28(1), 15-28.
Laukkanen, T., Zheng, L., & Hamari, J. (2021). The role of trust in consumer adoption of digital financial services. International Journal of Information Management, 59, 102512.
Lee, K., Park, S., & Kim, H. (2017). Social media analytics for customer behavior prediction in fintech. Electronic Commerce Research and Applications, 25, 50-62.
Lemon, K. N., & Verhoef, P. C. (2021). Understanding customer experience throughout the customer journey. Journal of Marketing, 85 (1), 27–54.
Nguyen, T. H., Le, Q. C., & Tran, K. P. (2020). Customer behavior analysis in digital banking: A machine learning approach. Journal of Financial Innovation, 6 (2), 45-60.
Parasuraman, A., Berry, L., & Zeithaml, V. (2023). Service Quality Measurement in Banking: Adaptation of SERVQUAL Model. Journal of Financial Services Marketing, 28(1), 112-130.
Richards, K. A., & Curtis, M. B. (2023). The dark side of customer analytics: Overreliance on data-driven models and product misdevelopment. International Journal of Bank Marketing. 41(5) , 1016–998.
Sarkar, S., Khare, A., & Sadh, A. (2024). Modelling the impact of economic anxiety and digital literacy on retail banking adoption: An emerging economy perspective. Journal of Retailing and Consumer Services, 77, 103651.
Shum, C., Lee, J., & Lee, S. (2022). Data Analytics in Financial Services: A Focus on Customer Insights. International Journal of Information Management, 62, 102448.
Smith, A., & Johnson, B. (2018). Predicting customer churn in financial services using big data analytics. International Journal of Bank Marketing, 36 (4), 735–750.
Strauss, A., & Corbin, J. (1998). Basics of qualitative research techniques. Sage Publications.
Wu, J., Li, X., & Lu, Y. (2024). Enhancing financial decision-making through digital banking interaction: The mediating role of customer empowerment and trust. Journal of Retailing and Consumer Services, 78, 103742.
Zhang, Y., Yang, Y., & Zhao, X. (2021). Customer Experience and Loyalty in Financial Services: The Mediating Role of Customer Satisfaction. Journal of Retailing and Consumer Services, 59, 102373.
Zhao, Y., Li, Y., & Liu, B. (2022). Predicting customer churn in the banking industry using machine learning techniques. Journal of Business Research, 142, 377–387.
[1] . Lemon & Verhoef
[2] . Zhao
[3] .Chen
[4] . Laukkanen
[5] . Haddad & Hornuf
[6] . Zhang
[7] . Shum
[8] . Kumar & Gupta
[9] . Gupta & Arora
[10] . Nguyen
[11] . Johnson & Smith
[12] . Lee
[13] . Strauss & Corbin
[14] . Sarkar
[15] . Gumez
[16] . Wuu
[17] . Cohm & Brunner
[18] . Johnson & Lee
[19] . Parasuraman
[20] . Cluley & Brown
[21] . Kim & Park
[22] . Chen & Wu
[23] . Richards & Curtis
Designing a Customer Behavior Analysis Model in the Financial Industry
Samaneh Ahmadi1, Mohammad Hasan Maleki2*
Abstract | Article Info |
Customer behavior in the financial industry is critically influenced by diverse needs and complex decision-making processes, necessitating a qualitative study to identify key behavioral dimensions and develop a conceptual analysis model. This applied, descriptive-analytical research employs grounded theory, with data collected via semi-structured interviews from 14 academic experts in financial management and economics (selected via snowball sampling and theoretical saturation). Through open, axial, and selective coding, 96 codes were categorized into six core themes: causal factors (economic, psychological, social, technological); contextual conditions (infrastructure, regulations, organizational structure, human resources); core conditions (financial decision-making, institutional interaction, financial behaviors, customer satisfaction); intervening conditions (competition, crises, technological shifts, individual traits); strategic factors (CRM metrics, pricing, service quality, marketing); and outcomes (financial performance, customer loyalty, corporate reputation, product development). The proposed framework enhances understanding of financial customer engagement, offering actionable insights for industry practitioners. | Article type: Research Article
|
Financial Services, Customer Behavior, Financial Industry Marketing | Keywords |
Publisher: Islamic Azad University Qods Branch
Corresponding Author: Mohammad Hasan Maleki
Email: bozorgmehr.maleki1363@gmail.com
1. Ph.D. Student, Department of Business Administration, Shahr-e-Qods Branch, Islamic Azad University, Tehran, Iran
2. Professor, Department of Management, Faculty of Economic and Administrative Sciences, University of Qom, Qom, Iran (Corresponding Author)
دانش بازاریابی و علم اطلاعات/ دانشگاه آزاد اسلامي واحد شهرقدس/ سال دوم / شماره چهارم/ زمستان ۱۴۰2