Segmentation and Profiling of Customers of Arvand License Plate Registered Vehicles Using Neural Network Algorithm of Self-Organizing Maps Model

Subject Areas : Jounal of Marketing Management

nazanin abbasi ¹ , maryam darvishi ²

1 - Department of Executive Management, Ahvaz Branch, Islamic Azad University, Ahvaz, Iran
2 - Department of Business Management, Omidiyeh Branch, Islamic Azad University, Omidiyeh, Iran

Received: 2021-12-21 Accepted : 2023-03-18 Published : 2022-10-23

Keywords: Arvand free zone, segmentation, self-organized neural network, customer profile,

Abstract :

The emergence of car import market in Arvand Free Zone in Khuzestan province, has covered a significant share of car purchases in this vast province. The present study was conducted using artificial network algorithm of self-organizing maps model aiming at segmentation and profiling of customers of Arvand license plate registered vehicles. In order to identify the profile of customers and adopt an appropriate marketing strategy, the statistical population of this study was formed over 70,000 owners of Arvand license plate registered vehicles across the Khuzestan province. Using Morgan table, 384 people were selected as a sample by random sampling method, and a questionnaire was utilized to collect information. Research in the group was carried out with a quantitative method that was applied in terms of purpose, exploratory-survey in terms of nature, and also cross-sectional time wise. Data analysis was performed by self-organizing neural network analysis (SOM). Simultaneously, the demographic, psychological, and behavioral characteristics have also been considered to categorize customers. Based on the results, 3 sections including indifferent, conservative and loyal customers were identified and named. The validity and reliability of the study were also statistically confirmed. The results of this study show that demographic, psychological and behavioral variables have a decisive and special role in customer segmentation of Arvand license plate registered vehicles.  

References:

احمدی، پ.، آذر، ع. و صمصامی، ف. (1393). "بخش‌بندی بازار دارو با رویکرد شبکه‌های عصبی (مطالعه موردی: بازار دارو ایران)"، مدیریت بازرگانی، دوره 2، شماره 6، صص. 1-20.

 

افجه، ع. و درویشی، م. (1393). "بخش‌بندی و شناسایی ویژگی‌های مصرف‌کنندگان در یک محیط چند کانالی با استفاده از ترکیب روش نقشه‌های خودسازمانده و رگرسیون لجستیک"، دو فصلنامه علمی پژوهشی کاوش‌های مدیریت بازرگانی، شماره 12، سال ششم، صص. 47-73.

 

بحرینی‌زاده، م.، اسماعیل‌پور، م. و کبیری‌فرد، د. (1395). "بخش‌بندی بازار گردشگران ساحلی با رویکرد نقشه‌های خودسازمانده"، مدیریت بازرگانی، شماره 4، دوره 8، صص. 745-770.

 

حسنقلی‌پور، ط.، میری، م. و مروتی شریف‌آبادی، ع. (1386). "تقسیم بازار با استفاده از شبکه‌های عصبی مصنوعی مطالعه موردی: فرآورده‌های گوشتی (سوسیس)"، فصلنامه مدرس علوم انسانی، دوره 11، شماره 55، صص. 57-80.

 

حسینی، ی. و ضیایی بیده، ع. (1392). "بخش‌بندی و تعیین نیم‌رخ مصرف‌کنندگان سبز با استفاده از نقشه‌های خودسازمانده"، پژوهش‌های مدیریت در ایران، دوره ۱۷، شماره 2، صص. 43-68.

 

سیفی دیوکلایی، م. (1394). "بررسی عوامل مؤثر بر عشق به برند و پیامدهای آن از دیدگاه مشتریان خودروهای لوکس وارداتی"، پایان‌نامه کارشناسی ارشد. دانشگاه آزاد اسلامی واحد تهران مرکز، دانشکده مدیریت و حسابداری.

 

سلطانی، م. و محمدیان، ب. (1395). "گفتمان کاوی الگوهای ذهنی مشتریان مردد: کاربست روش کیو"، مدیریت بازرگانی، دوره 8، شماره 2، صص. 339-354.

 

صبوریفرد، م.، یوسفی مجد، ف. و شعاران، ا. (1395). "بررسی مفهومی و ارائه یک مدل ریاضی تقسیم‌بندی مشتریان، به منظور تدوین استراتژی‌های بازاریابی با رویکرد تئوری شبکه عصبی"، سومین کنفرانس بین‌المللی مدیریت، حسابداری، اقتصاد و علوم انسانی، نروژ، مؤسسه تحقیقاتی، پژوهشی علوم و تکنولوژی نروژ.

 

Camilleri, M.A. (2018). “Market Segmentation, Targeting and Positioning. In Travel Marketing, Tourism Economics and the Airline Product”, Cham, Switzerland: PP. 69-83.

 

Gordon A.D. (1999). “Classification.2nd Edition”, London: Chapman & Hall/CRC, P. 320.

 

Gorr, W.L. & Nagin, D. (1994). “Comparative Study of Artificial Neural Network and Statistical Models for Predicting Student Grade Point Averages”, International Journal of Forecasting, Vol. 10, PP. 17-34.

 

Haley, R.I. (2016). “Benefit Segmentation: A Decision-Oriented Research Tool”, Journal of Marketing, Vol. 32(3), PP. 30-35.

 

Hasan, M.K., Al Mamun, M.A. & Islam, M.R. (2015). “Market Segmentation and Targeting Strategy for Promoting Cox’s Bazar Beach in Bangladesh as A Tourists’ destination”, British Journal of Marketing Studies, Vol. 3(4), PP. 59-72.

 

Kotler, P. & Armstrong G. (2010). “Principles of marketing (12 Ed)”, Upper Saddle River, NJ: Prentice Hall.

 

Mostafa, M. (2009). “Shades of green: A psychographic segmentation of the green consumer in Kuwait using self-organizing maps”, Expert Systems with Applications, Vol. 36(8), PP. 11030-11038.

 

Mostafa, M.M. & El-Masry, A.A. (2013). “Citizens as consumers: Profiling egovernment services users in Egypt via data mining techniques”, International Journal of Information Management, Vol. 33(4), PP. 627-641.

 

Surjandari, I., Masbar Rus, A.M. & Pramudita, R. (2018). “Segmentation of Natural Gas Customers in Industrial Sector Using Self-Organizing Map (SOM) Method”, IOP Conference Series Materials Science and Engineering, Vol. 316(1), 012046.

 

Walczac, S. & Cerpa, N. (1999). “Heuristic Principles for the Design of Artificial Neural Networks”, Informational Software Technology, Vol. 41, PP. 107-117.

 

Wells, V.K., Chang, S.W., Oliveira-Castro, J. & Pallister, J. (2010). “MarketSegmentation from a Behavioral Perspective”, Journal of Organizational Behavior Management, Vol. 30(2), PP. 176-198.

 

Wen, K.W. & Peng, K.F. (2002). “Market Segmentation via Structured Click Stream Analysis”, Industrial Management & Data Systems, Vol. 102(9), PP. 493-502.

 

Yankelovich, D. & Meer, D. (2006). “Rediscovering market segmentation”, Harvard Business Review, Vol. 84, PP. 122-131.

 

Zhou, J., Zhai, l. & Pantelous, A.A. (2019). “Market Segmentation Using High-dimensional Sparse Consumers Data”, Expert Systems with Applications, Vol. 145, 113136.

 

Full-Text:



به نام خدا

بخش‌بندی و تعیین نیمرخ مشتریان خودروهای پلاک اروند با استفاده ازالگوریتم شبکه عصبی مدل نقشه‌های خودسازمانده

چکیده

پیدایش بازار واردات خودرو در منطقه‌ی آزاد اروند در استان خوزستان، سهم بسزایی از خرید خودرو در این استان پهناور را به خود اختصاص داده است. پژوهش حاضر با هدف بخش‌بندی و تعیین نیمرخ مشتریان خودروهای پلاک اروند با استفاده از الگوریتم شبکه مصنوعی مدل نقشه‌های خودسازمانده صورت گرفته است. برای شناسایی نیمرخ مشتریان ، بالغ‌ بر 70 هزار نفر از دارندگان خودروهای پلاک اروند در سطح استان خوزستان جامعه آماري اين پژوهش را تشکيل داده است. با استفاده از جدول مورگان 384 نفر به روش نمونه‌گیری تصادفی به‌عنوان نمونه انتخاب و جهت گردآوری اطلاعات از پرسش‌نامه استفاده گرديد. تحقیق در گروه روش‌های کمی بوده که با توجه به هدف، كاربردي و ازلحاظ ماهيت، اکتشافی – پیمایشی و به لحاظ زمانی نیز مقطعی می‌باشد. تجزیه‌وتحلیل اطلاعات به روش تحلیل و داده کاوی با استفاده از شبکه عصبی خودسازمانده SOM  انجام شد. برای بخش‌بندی مشتریان ، ویژگی‌های جمعیت شناختی، روان‌شناختی و رفتاري هم‌زمان به كار گرفته شده است.

بر اساس خروجی های به دست آمده و شاخص های تعیین خوشه های بهینه، 3 بخش شامل مشتریان بی تفاوت، محافظه‌کار و وفادار شناسایی و برچسب گذاری شد. 

نتایج این پژوهش نشان می‌‌دهد که متغیرهاي جمعیت شناختی،روان‌شناختی و رفتاري در بخش‌بندی مشتریان خودروهای پلاک اروند نقش تعیین‌کننده‌ و ویژه‌ای دارند.

واژگان کلیدی: بخش‌بندی، شبکه عصبی خودسازمانده، نیمرخ مشتریان،منطقه آزاد اروند.

 

 

 

 

 

مقدمه 

از صنعت خودرو به‌عنوان لوکوموتیو دیگر صنایع یاد می‌گردد. این صنعت در ابتدای قرن بیستم موتور محرکه‌ی توسعه‌ و رشد اقتصادی صنعتی جهان سرمایه‌داری بوده است. به تبع آن واردات خودرو همیشه یکی از کسب و کارهای به‌روز و البته پرحاشیه‌ی کشور تلقی می شود. ازآنجایی که واردات خودرو عموماٌ پرسود و آسان بوده و از طرف دیگر نیازی به معرفی کالای واردشده نیست، فروش آن در حداقل‌ترین زمان، مقدور می باشد. درنتیجه ی این سهولت ، برگشت سرمایه این نوع تجارت در زمان کوتاهی اتفاق افتاده و به همین دلیل  تجار زیادی که حتی در زمینه‌های اقتصادی دیگری دارای فعالیت بوده‌اند با تغییر در رشته خود به این بازار روی آورده‌اند (سیفی‌دیوکلایی، 1394).

از نیمه ی دهه ی 80 شمسی تا انتهای آن، خیابان‌های کشور مملو از انواع و اقسام خودروهای لوکس و اسپرت معروف دنیا بود. درواقع، آن روزها به دلیل سهولت بیشتر قوانین واردات خودروهای گذرموقت، علاقه مندان خودروهای روز جهان می‌توانستند یکی از جدیدترین مدل‌ها را در نزدیک خود و در خیابان های شهرها ببینند. با آغاز اولین دور ممنوعیت واردات خودرو، گذرموقت‌ها نیز با چالش بزرگی روبه‌رو شدند. تغییر عمیق در قوانین و سخت‌گیری در اعطای مجوز حضور در خیابان، باعث شد تا حتی بعد از آزادسازی دوباره نیز حضور این تیپ از خودروها چندان رونق نداشته باشد. 

دقیقا در همین شرایط، درون مناطق آزاد تجاری، خودروهای روز دنیا کنار هم رژه می‌رفتند. کافی بود فقط مسافرتی کوتاه به مناطق آزاد تجاری اروند ( و البته به تبع آن کل استان خوزستان)  ، کیش و یا قشم داشته باشید تا مدل‌های مختلفی از این خودروها را ببنید.

حضور فعالان بسیار در حوزه ی واردات خودرو و در پی آن آشفتگی در بازارها ، شرکت‌ها و سازمان‌ها را متوجه این موضوع کرده است که مطالعه و کشف نیازهای مصرف‌کنندگان،تجزیه‌وتحلیل فرآیند رفتارمصرف‌کننده¹ و رتبه‌بندی عوامل تأثیرگذار بر این فرآیند، از عمده وظایف بازاریابان است و تنها وقتی می‌توانند به بقای خود ادامه دهند که بتوانند خواسته‌ها و نیازهای مصرف‌کننده را با درکی صحیح و جامع از طرف مقابلشان (مشتری) برآورده کنند و متناسب با هر بازار هدفی، از راهبردهای خاص بازاریابی بهره‌مند شوند. قلب بازاريابي راهبردي جديد به واسطة بخش بندي، هدف گيري و جايگاه يابي توصيف می­شود و بخش­بندي نخستين گام ضروري در جهت رويكرد بازاريابي هدفمند است(Hasan et al,2015). شرکتی که از چگونگی واکنش مصرف‌کنندگان نسبت به ویژگی‌های مختلف کالا، قیمت و دستاویزهای تبلیغاتی آگاه باشد، در مقابل رقبای خود می تواند از مزیت‌های نسبی برخوردار باشد(سلطانی و محمدیان، 1395). 

هدف از شناسایی مشتریان، ایجاد تمایز بین آن‌ها و تشخیص مشتریان پرارزش‌، نگهداری آن‌ها و جذب مشتریان ارزشمند است (صبوری فرد و همکاران، 1395).

حفظ و توسعه مزیت رقابتی در بازارهای رقابتی به‌طورکلی به شناخت رفتار مصرف‌کنندگان در آن بازار، بستگی دارد. بر اساس دستیابی به این شناخت، راهبردهای بازاریابی² مناسب توسعه داده می‌شوند. به‌منظور بسط بیشتر اجزای آمیخته‌ی بازاریابی مناسب برای مشتریان بالقوه با نیازها، انگیزه‌ها، سطوح درآمد، الگوهای مصرفی، نگرش‌ها، رفتارها و سبک‌های زندگی متفاوت، ضروری است که مشتریان بالقوه درون خرده گروه‌های جداگانه‌ای قرار داده شوند. به این دلیل، بخش‌بندی بازار به ابزار ارزشمندی در برنامه‌ریزی راهبردهای مناسب بازاریابی تبدیل شده است. بسیاری از صنایع مزیت بخش‌بندی را از طریق توسعه‌ی فعالیت‌های بازاریابی و کسب آگاهی و شناخت بیشتر از رفتار مشتریان خود به دست می‌آورند. امروزه، بخش‌بندی بازار توسط بازاریابان برای شناخت ویژگی‌ها و نیازهای مصرف‌کنندگان و در واقع، برای انتخاب بازار هدف مناسب استفاده می‌شود (بحرینی زاده و همکاران، 1395).

در چند سال اخیر با پیدایش بازاری نو در واردات صنعت خودرو، تحت عنوان «خودروهای پلاک اروند»، در منطقه‌ی آزاد اروند، واقع در استان خوزستان و با اجرایی شدن حق تردد این خودروها از سال 1393 به سایر شهرهای استان و دو ماه در سال به خارج از استان ، این کسب‌وکار جدید، روزبه‌روز گسترش‌یافته تا آنجا که تقریباً سهم بسزایی از خرید خودرو در این استان پهناور و استراتژیک را به خود اختصاص داده است و این رقم از مرز 70 هزار دستگاه خودرو فراتر رفته است. موضوع خودروهای پلاک اروند از آنچنان اهمیت فوق العاده ای برخوردار است که در محاسبات و تحلیل های مهاجرتی به بیرون و یا درون استان خوزستان به عنوان یک متغیر مهم در نظر گرفته می شود. لذا این نیاز دیده می‌شود تا پژوهشی در رابطه با بخش‌بندی و تعیین نیمرخ (شناسایی ویژگی‌های) مشتریان خودروهای پلاک اروند با استفاده از نقشه‌های خودسازمانده با رویکرد الگوریتم شبکه عصبی که از بهترین روش‌های به‌روز در بخش‌بندی بازار می‌باشد، صورت پذیرد.

سؤالاتی كه در مسير انجام اين پژوهش تلاش شده است تا به آنها پاسخ داده شود به شرح زيرمی باشد:

1. بخش بندی مشتریان خودروهای پلاک اروند در استان خوزستان چگونه است؟

2. ویژگی‌های جمعیت شناختی مشتریان خودروهای پلاک اروند در هر بخش کشف‌شده از بازار به‌وسیله‌ی نقشه‌های خودسازمانده کدامند؟

3. ویژگی‌های روان‌شناختی مشتریان خودروهای پلاک اروند در هر بخش کشف‌شده از بازار به‌وسیله‌ی نقشه‌های خودسازمانده کدامند؟

4. ویژگی‌های رفتاری مشتریان خودروهای پلاک اروند در هر بخش کشف‌شده از بازار به‌وسیله‌ی نقشه‌های خودسازمانده کدامند؟

ادبیات نظری

بخش‌بندی بازار

اصطلاح بخش بندی بازار توسط وندل اسمیت در مقاله وی در سال 1956 ارائه شد و همین مقاله به نقطه عطفی در شناخت بیشتر و کشف سلیقه، انگیزه خرید و پیش بینی خرید بعدی مشتری تبدیل شد. بخش بندی فرآیند تقسیم بازار به گروه هایی از مشتریان بالقوه با نیازها و ویژگی­های مشابه است به گونه­ای که هر گروه، احتمالاً رفتار خرید مشابهی را انجام می دهند. بخش بندی بازار به سازمان امکان می­دهد تا فعالیت­های کلیدی بازاریابی خود را برای مورد هدف قرار دادن گروه خاصی از مشتریان متمرکز کند. این گروه خاص، از بیشترین احتمال برای خرید محصولات و خدمات سازمان برخوردار بوده و یا مناسب ترین گروه برای بهره برداری از محصولات و خدمات سازمان هستند (Wells et al,2010). در سال 1978 شیفمن و کانوک³ بخش‌بندی را فرآیند تقسیم بازار بالقوه به زیرگروه‌های مجزایی از مصرف‌کنندگان و انتخاب یک یا چند بخش به‌عنوان بازار هدف، برای اینکه با یک آمیخته‌ی بازاریابی منحصربه‌فرد کسب شود، تعریف کردند( افجه و درویشی،1393). 

بخش بندي بازار، افراد را از نظر سلايق، نيازها، نگرشها، سبك زندگي، اندازه و تركيب خانوار طبقه بندي مي كند. مرکز ثقل استفاده از مفهوم بازاریابی، بخش بندی بازار است که تقسیم بازارها درون خوشه های خریداران با ترجیحات مشابه است(Zhou et al,2019) . حرکت در مسیر بخش بندی بازار نیازمند ابزارهایی است که قابلیت اتکای بالایی داشته و از عهده­ی حل پیچیدگی­های انسانی برآیند. روش­های تجزیه و تحلیل قدیمی بیش از حد کُند بوده، از این رو به اتخاذ تصمیم های دقیق مدیریتی منجر نمی­شدند. امروزه علاوه بر روش­های سنتی در تقسیم بازار، روش­های نوینی در این عرصه مطرح گردیده است که از میان آنها می­توان به روش­های تقسیم بندی چند بعدی⁴، مدل­های طبقه پنهان(مدلهای‌ترکیبی)⁵، خوشه بندی فازی و همپوشانی⁶، تحلیل خوشه­ای و شبکه­های عصبی مصنوعی اشاره کرد. طی دهه گذشته، شبکه­های عصبی به عنوان یک فناوری ظاهر شده­ است که الگوی داده­ها را شناسایی و مدلسازی می­کند، کاری که با روش­های آماری سنتی به آسانی امکان پذیر نیست (Gordon,1999). یکی از روش­های قابل استفاده در بخش بندی بازار، استفاده از شبکه های عصبی مصنوعی است. علت استفاده از آن، توانایی‌آن در استفاده از اطلاعات جدید و انعطاف‌پذیری در ساختن مدل می باشد
(Wen & et al,2002) .

 ضعف‌های شناخته‌شده در روش‌های خوشه‌بندی کلاسیک مانند تغییرپذیری هر اجرا براثر تغییر دانه‌های اولیه، نیاز به یک روش تحلیلی ایجاد می‌کند که بخش‌بندی بهینه‌ای بدون نیاز به اطلاعات این دانه‌ها ایجاد کند و قابلیت تعلیم و مدل‌سازی سیستم‌های پیچیده را داشته باشد. یکی از روش‌های تأمین‌کننده این انتظارات شبکه‌های عصبی هستند (احمدی، آذر و صمصامی، 1389).

امروزه اهميت شناسايي بخش­هاي بازار براي هر محصول يا خدمت به امري اجتناب نا پذير تبديل شده است. افراد مزيت­هايي را براي استفاده از هر محصول يا خدمت جستجو مي كنند و همين مي­تواند دليلي براي بخش بندي بازار باشد(Haley,2016). بخش­هاي شناسايي شده ابزاري را براي ارتباط بهتر مزاياي محصول با بازار هدف و همچنين توصيف كامل تري را در مورد ويژگي­هاي افراد در هر يك از بخش­ها براي بازاريابان تامين مي­كنند. بنابراين بخش بندي به بازاريابان اجازه مي دهد تا بتوانند نيات مصرف كنندگان را شناسايي كرده و نيازهاي آنان را ارضا كنند. همچنين زماني كه شركت ها ،شباهت ها و تفاوت ها را بين بخش هاي مختلف بازار مصرف كننده شناسايي می كنند و در مورد ويژگي هاي منحصر به فرد هر يك از بخش ها اطلاعاتي را جمع آوري می كنند، بر اساس يك منطق معنا دار مي توانند بازارهاي هدف خود را انتخاب كرده و در تنظيم و پياده سازي استراتژي هاي بازاريابي اثربخش موفق باشند(Yankelovich,2006).

شبکه عصبي

 شبکه عصبی رویکردی است که سعی در تقلید از توانایی‌های پردازشی ویژه مغز انسان دارد. این‌روش یادگیری ماشینی می‌تواند با استفاده از پردازش‌های موازی انبوه به فراگیری موجود در داده‌ها بپردازد (حسنقلي پور و همکاران، 1386). یک شبکه عصبی ایده‌ای است برای پردازش اطلاعات که از سیستم عصبی زیستی الهام گرفته‌شده و مانند مغز به پردازش اطلاعات می‌پردازد. عنصر کلیدی این ایده، ساختار جدید سیستم پردازش اطلاعات است. این سیستم از شمار زیادی عناصر پردازشی فوق‌العاده به‌هم‌پیوسته تشکیل‌شده نورون که برای حل یک مسئله باهم هماهنگ عمل می‌کند(Gorr&Nagin,1994). این سیستم از شمار زیادی عناصر پردازشی فوق‌العاده به‌هم‌پیوسته بانام نورون تشکیل‌شده که برای حل یک مسئله باهم هماهنگ عمل می‌کنند و توسط سیناپس‎ها (ارتباطات الکترومغناطیسی) اطلاعات را منتقل می‎کنند. در این شبکه‌ها اگر یک سلول آسیب ببیند بقیه سلول‎ها می‌توانند نبود آن را جبران کرده و نیز در بازسازی آن سهیم باشند. این شبکه‌ها قادر به یادگیری‎اند. یادگیری در این سیستم‎ها به‌صورت تطبیقی صورت می‌گیرد، یعنی با استفاده از مثال‌ها وزن سیناپس‎ها به‌گونه‌ای تغییر می‌کند که در صورت دادن ورودی‎های جدید، سیستم پاسخ درستی تولید کند(Walczac et al,1999).

روش نقشه هاي خودسازمانده⁷

نقشه‌های خود‌سازمانده از انواع شبکه‌های عصبی با قابلیت یادگیری بدون ناظر هستند که در تحلیل فضاهای پیچیده، توانایی زیادی دارند. این مدل از شبکه‌های عصبی اولین بار در سال 1981 توسط کوهنن با الگو برداری از عصب‌های شبکیه‌ی چشم معرفی شد(mostafa,2009). نقشه هاي خودسازمانده روش منحصربه فردي براي كاهش داده‌ها و ابعاد از طريق قابليت خوشه بندي و تصويرسازي همزمان است. اين روش داده هاي با ابعاد زياد را به صورت داده‌هاي دوبعدي نمايش مي‌دهد. به طوري كه ركوردهاي ورودي شبيه به هم در كنار يكديگر قرار ميگيرند. نقشه هاي خودسازمانده از دو لاية ورودي و خروجي تشكيل ميشوند. لاية ورودي داده‌ها را بر اساس شباهت ميان آنها طبقه بندي مي‌كند و لاية خروجي نورونهاي شعاعي را به صورت نقشة دوبعدي سازماندهي مي‌نمايد . درواقع در لاية خروجي نورونهايي كه وزن مشابهي دارند، در كنار يكديگر قرار مي‌گيرند و باعث شكل گيري خوشه هاي مختلف ميشوند(Mostafaa & El-Masry,2013). در خروجی نقشه‌های خودسازمانده متناظر با مقدار هر مشخصه در بردار وزنی یک بردار RGB و درنتیجه یک رنگ در نظر گرفته می‌شود؛ به‌گونه‌ای که تمام مقادیر با استفاده از طیف رنگی، از آبی تیره برای کمترین مقدار تا قرمز تیره برای بیشترین مقدار، قابل‌نمایش باشند (حسینی و ضیایی بیده، 1392).

 تعیین مبنای بخش بندی

اولین گام در بخش‌بندی بازار، مشخص کردن متغیرهایی است که بر مبنای آن‌ها بخش‌بندی صورت می گیرد. پژوهشگران از متغیرهای مختلفی برای تقسیم‌بندی مشتریان استفاده می‌کنند که در این میان بسیاری از پژوهشگران از متغیرهای روان‌شناختی، رفتاری و جمعیت شناختی متفاوتی برای بخش‌بندی و مشخص کردن نیمرخ مشتریان استفاده می‌کنند.

الف) متغیرهای جمعیت شناختی:

متغیرهای جمعیت شناختی به دلیل کاربرد و سنجش آسان‌تر، بیش از سایر متغیرها در بخش‌بندی بازار مورداستفاده قرار می‌گیرند. تفاوت‌های جنسیتی می‌تواند بر دشواری تصمیم‌گیری و رویکردهای تصمیم‌گیری در مصرف‌کننده تأثیر بگذارد.  متغیرهای جمعیت شناختی را راحت تر می­توان اندازه گیری کرد. حتی هنگامی که متغیرهای دیگری مثل شخصیت یا رفتار به عنوان مبناهایی برای بخش بندی بازار مورد توجه قرار گیرند. ویژگی­های این گروه­ها را باید شناسایی کرد تا بتوان اندازه یا بزرگی بازار مورد نظر را تعیین و فعالیت­های خود را با کارایی بالایی ارائه کرد. متغیرهای جمعیت شناختی ممکن است شامل: سن، جنس، درآمد، شغل، وضعیت تاهل، اندازه خانواده، نژاد، مذهب و ملیت باشند. این روش های تقسیم بندی یک راه محبوب برای تقسیم بازار های مشتری هستند، زیرا متغیرهای جمعیت شناختی برای اندازه گیری نسبتا آسان هستند(Camilleri,2018).

 ب) متغیرهای روان‌شناختی:

تقسیم بندی روانشناختی می تواند برای تقسیم بازار با توجه به صفات شخصیت، ارزش ها، انگیزه ها، منافع و شیوه زندگی استفاده شود(Camilleri,2018).

خریداران با توجه به طرز تفکر، شخصیت و سبک زندگی که در یک گروه قرار می­گیرند از نظر روانی ممکن است شباهتهایی داشته باشند وپاسخهای مشابه ای به فعالیتهای بازاریابی بدهند (احمدی و همکاران، 1393). این متغیرها از عوامل مهم انگیزش مصرف‌کننده هستند. اگر خودروهای پلاک اروند را به‌عنوان کالای تحقیق حاضر یک کالای لوکس در نظر بگیریم، متغیرهای روانشناختی پژوهش را در جدول شماره 2 مشاهده می‌کنید:

 

---

[1]  customer behavior

[2]  marketing strategies

[3]  Schiffman & Kanuk

[4]  Multimensional Segmentation

[5]  Latent Class Models(Mixture Models)

[6]  Fuzzy and Overlapping Chispering

[7]  self-organizing map

جدول شماره 2: متغیرهای روانشناختی پژوهش

 

 

ج) متغیرهای رفتاری:

تقسیم بندی رفتاری به عنوان تقسیم بندی بازار با توجه به رفتار خرید فرد تعریف می شود. تقسیم بندی مبتنی بر رفتار با مزایای مورد نظر از محصول، با شناسایی رفتار خرید خاص، از نظر فرکانس خرید و حجم خرید، و غیره مشهود است(Camilleri,2018).بسیاری از بازاریابان بر این عقیده اند بخش بندی بر اساس عوامل رفتاری مناسبترین روش می­باشد. همچنین بازار را می­توان بر مبنای میزان وفاداری مصرف کننده بخش بندی کرد. یک شرکت می­تواند با بررسی و تجزیه و تحلیل الگوی وفاداری مصرف کنندگان مطالب زیادی درباره بازار مورد نظر بیاموزد. با توجه کردن به مشتریانی که از محصولات با نام و نشان تجاری شرکت رویگردان می­شوند، شرکت می تواند نقاط ضعف بازاریابی خود را بشناسد. در مورد مصرف کنندگان بی وفا شرکت می تواند با عرضه محصولات خود به آنان نظرشان را جلب نماید(Kotler&Armstrong,2010).

پژوهشگران پیشین از روش‌های مختلف خوشه‌بندی برای تقسیم بازار استفاده کرده اند، نمونه هایی از آنرا در جدول شماره 1 مشاهده می کنید:

 

 

جدول شماره 1 : پژوهش های پیشین در زمینه بخش بندی مشتریان

 

 

 

روش شناسی

 

الگوي كار در این تحقيق، پيروي از روش علمي در علوم رفتاري بوده كه هر يك از مراحل پژوهش بر اساس الگوي معرفی‌شده انجام می‌شود، بنابراین این تحقیق با توجه به هدف آن ‌در زمره‌ی تحقیقات کاربردی به‌حساب می‌آید. هدف تحقیقات کاربردی توسعه دانش برای به‌کارگیری در یک زمینه خاص می‌باشد. از نظر جمع­آوری اطلاعات بویژه جنبه­های بخش­بندی و تعیین نیمرخ روانشناختی – جمعیت شناختی و رفتاری مشتریان اکتشافی می­باشد، و به لحاظ توصیف ویژگی­های جامعه مورد مطالعه از نوع توصیفی- پیمایشی است. همچنین تحقیق حاضر در گروه روش‌های کمی قرار می‌گیرد؛ زیرا با استفاده از پرسشنامه به جمع‌آوری داده‌های مدنظر پرداخته شده است. به‌علاوه تحقیق حاضر ازلحاظ مکانی از نوع تحقیقات میدانی و به لحاظ زمانی نیز تحقیقی مقطعی است. 

جامعه آماری این تحقیق شامل دارندگان خودروهای پلاک اروند در سطح استان خوزستان می‌باشد که بر اساس آمار به‌دست‌آمده از اداره راهنمایی و رانندگی و همچنین گمرک استان خوزستان، بالغ‌بر 70 هزار خودرو پلاک اروندی وجود دارد که جامعه‌ی آماری تحقیق حاضر را تشکیل می‌دهند. دراین پژوهش برای محاسبه حجم نمونه از جدول کرجسی و مورگان¹ استفاده شد که با توجه به جدول حجم نمونه برابر با 384 نفر در نظر گرفته شده است. برای اطمینان از دستیابی به تعداد نمونه آماری مکفی، تعداد 410 پرسشنامه توزیع شد که پس از حذف پرسشنامه های مخدوش تعداد 394 عدد پرسشنامه مورد تجزیه و تحلیل قرار گرفت، در اين پژوهش برای اندازه‌گیری پايايي ابزار اندازه‌گیری از روش آلفای کرونباخ استفاده شده است.سؤالات پرسشنامه در دو بعد ویژگی‌های روان‌شناختی و ویژگی‌های رفتاری از پایایی مناسب بالای نمره 0.7 برخوردار می باشند. برای تعيين روايي و اعتبار ابزار گردآوری اطلاعات پرسشنامه از روايي محتوایی استفاده شده است. بنابراین از تعدادی از متخصصان بازاریابی و اساتید مدیریت و چند تن از خبرگان در مورد پرسشنامه و سؤالات آن نظرخواهي گرديد و مورد تأیید آن‌ها رسید.

ابزار مورد استفاده به منظور جمع آوري داده ها براي انجام تحلیل، پرسشنامه اي با 85 سوال بود. به جز سوالات جمعیت شناختی، پرسشنامه های مربوط به متغیرهای روانشناختی و رفتاری با استفاده از پرسشنامه استاندارد و با استفاده از طیف 5 تایی لیکرت (کاملا موافقم تا کاملا مخالفم) مورد سنجش قرار گرفتند.  

یافته های پژوهش 

آموزش و ارزیابی شبکه

برای خوشه‌بندی داده‌ها با استفاده از روش نقشه‌های خودسازمانده از نرم‌افزار Viscovery SOMine نسخه 0/5 استفاده شده است. اين نرم افزار به طور خودكار هوش مصنوعي را براي پيدا كردن خوشه هاي كارآمد نقشه هاي خودسازمانده به كار ميگيرد(Mostafa&El-Masry,2013). ساختار نقشه خودسازمانده که در این مرحله برای خوشه‌بندی داده‌ها استفاده شده است دارای 500 نرون در لایه خروجی است. همچنین سرعت آموزش به صورتی تنظیم شده است که نرم‌افزار به‌طور خودکار حداکثر دقت را برای آموزش شبکه فراهم کند و مقدار کشش برای آموزش شبکه نیز عدد 3/0 انتخاب شده است. لازم به ذکر است که برای مشخص کردن تعداد نرون‌های لایه خروجی و مقدار کشش برای آموزش شبکه از روش سعی و خطا استفاده شده است؛ بدین‌صورت که ترکیب‌های متفاوتی از تعداد نرون‌های لایه خروجی و مقدار کشش آزمون شده است و ساختار شبکه‌ای که بهترین و قابل تفسیرترین نتایج را به دنبال داشت انتخاب شده است. نرم‌افزار SOMine در حین آموزش به‌صورت خودکار و با توجه به تعداد نرون‌های لایه خروجی بهترین ابعاد را برای شبکه انتخاب می‌کند. در این پژوهش نرم‌افزار پس از آزمون ابعاد مختلف در حین آموزش شبکه، درنهایت ابعاد ۲۸*۱۹ را برای لایه خروجی شبکه انتخاب کرده است. داده‌های تعلیم شبکه از ۳۹۴ (تعداد نمونه) بردار ۲۱ بعدی (متغیرهای بخش‌بندی) تشکیل شده است.

تحلیل نقشه های خروجی و بخش بندی نهایی

نرم‌افزار SOMine از یک روش تحلیل خوشه‌ای سلسله‌مراتبی با عنوان SOM-Ward Clusters برای مشخص کردن مرز‌های هر بخش و نیز مشخص کردن تعداد خوشه بهینه استفاده می‌کند. شکل شماره یک، نمایی کلی از بخش‌بندی نهایی مصرف‌کنندگان را در ۳ خوشه یا بخش نشان می‌دهد. در زمینه شکل شماره یک، U-Matrix را مشاهده می‌کنید و خطوط مشکی‌رنگ مرزهای بخش‌بندی را نشان می‌دهند که با استفاده از روش اشاره‌شده مشخص شده‌اند.

 

---

[1]  Krejcie & Morgan

 

                                        شکل شماره 1: نقشه خروجی نشان‌دهنده بخش‌بندی نهایی مصرف‌کنندگان

 

بررسی ویژگی‌های روان‌شناختی و رفتاری مصرف‌کنندگان هر بخش

بعد از مشخص کردن بخشها، متوسط متغیرهای بخش‌بندی که نشان‌دهنده ویژگی‌های روان‌شناختی و رفتاری مصرف‌کنندگان موجود در هر بخش است را مشاهده می‌کنید.

 

 

جدول شماره3 : ویژگی‌های روان‌شناختی و رفتاری مصرف‌کنندگان موجود در هر بخش

 

 

نتایج جدول شماره 3 نشان می دهد که در بخش 1، که این گروه از مصرف‌کنندگان پایین‌ترین سطح وفاداری را نسبت به خودروهای پلاک اروند دارند. در بخش2، از ویژگی‌های شاخص آن می‌توان به حساسیت بالا نسبت به کیفیت، بالاترین سطح ریسک‌گریزی در بین مصرف‌کنندگان سایر بخش‌ها اشاره کرد. همچنین مصرف‌کنندگان جای گرفته در این بخش برای لذت خرید اهمیت بسیار بالایی قائل هستند. و دربخش سوم، خریداران را می‌توان وفادارترین گروه پاسخگویان نسبت به خودروهای پلاک اروند دانست. این گروه از مصرف‌کنندگان در تمام ویژگی‌های روان‌شناختی و رفتاری به‌جز، حساسیت به قیمت و ریسک‌گریزی و لذت خرید بالاتری میانگین نمره را دریافت کرده‌اند.

از دیگر خروجی‌های خوشه‌بندی با استفاده از روش نقشه‌های خودسازمانده، نقشه‌های ویژگی¹ هستند که توزیع برداری هر یک از متغیر‌های خوشه‌بندی را در کل فضای تحلیل نشان می‌دهند. با استفاده از این نقشه‌ها از یکسو می‌توان به بررسی وضعیت متغیرها در هر بخش پرداخت و از سوی دیگر همبستگی بین متغیر‌های مختلف را مورد بررسی قرار داد. در پایین نقشه‌های ویژگی طیف رنگی از آبی تا قرمز برای مقادیر مختلف آن متغیر مشخص شده است. شدت همبستگی بین متغیرها را می‌توان از شدت تشابه رنگ میان نقشه‌ها بررسی کرد. در درون نقشه‌های ویژگی نیز‌ مرزبندی‌های مربوط به هر بخش مشخص شده‌اند. نقطه‌های رنگی که درون نقشه‌های ویژگی قرار دارند نشان‌دهنده خرده‌خوشه‌ها² هستند. هر خرده‌خوشه می‌تواند یک یا چند نمونه (مصرف‌کننده) با ویژگی‌های بسیار مشابه را در خود جای دهد. تعداد خرده‌خوشه‌ها از یکسو به تعداد نرون‌های لایه خروجی شبکه و از سوی دیگر به تعداد نمونه‌ها با ویژگی‌های بسیار مشابه بستگی دارد.

 

---

[1] - Feature Maps

[2]  - MicroCluster

 

شکل شماره ۲:  نقشه‌های ویژگی گزارش‌شده برای متغیرهای روان‌شناختی و رفتاری

 

از مقایسه نقشه‌های ویژگی ارائه شده در شکل شماره 2 با یکدیگر، می‌توان به این نتیجه دست یافت که همبستگی مثبتی بین اغلب ویژگی‌های روان‌شناختی و وفاداری خریداران به خودروهای پلاک اروند وجود دارد؛ زیرا در نواحی که نقشه خروجی مربوط به متغیر وفاداری به برند، رنگ قرمز (تمایل بالا) را نشان می‌دهد، نقشه‌ی مربوط به سایر متغیرهای دیگر نیز تقریباً همان مقدار و طیف رنگ را نشان می‌دهد. این ارتباط مستقیم تنها در رابطه با متغیرهای حساسیت به قیمت، لذت خرید و ریسک‌گریزی کمی متفاوت است و نمی‌توان رابطه مستقیم آن‌ها با متغیر وفاداری به برند را نتیجه گرفت.

نرم‌افزار SOMine برای کمک به شناسایی و توصیف ویژگی‌های شاخص مصرف‌کنندگان موجود در هر بخش، علاوه بر نقشه‌های ویژگی، وضعیت نسبی متغیرهای بخش‌بندی را نیز از طریق مقایسه متوسط متغیرها در هر یک از بخش‌ها با متوسط آن‌ها در کل نمونه، به صورت شکل شماره 3 نمایش می‌دهد. در این شکل هر رنگ بیانگر یکی از متغیرهای بخش‌بندی است و ارتفاع ستون با رنگ مربوطه بیانگر اختلاف متوسط متغیر در آن بخش با متوسط آن در کل نمونه است. با استفاده از اطلاعات ارائه شده در شکل شماره 3 می‌توان ویژگی‌ها و ادراکات مصرف‌کنندگان موجود در هر بخش را با سایر بخش‌ها مقایسه کرد.

 

 

 

شکل شماره ۳:  وضعیت نسبی متغیرهای بخش‌بندی در هر بخش

 

 

هریک از متغیرها با یک ستون رنگی مشخص شده اند و وضعیت سطح آن متغیر را در بخش مربوطه نشان می‌‌‌‌‌‌‌‌‌‌‌‌دهند. ستونهای رنگی که بالای خط قرار دارند نمره بالاتر از متوسط میانگبن دارند و آنانکه پایین قرار دارند نمره ضعیفی کسب کرده اند. مصرف‌کنندگان جای گرفته در بخش یک، نسبت به دو بخش دیگر وفاداری (ستون ارغوانی) بسیار پایین در حالیکه این ستون در بخش سوم مرتفع ترین می باشد. در بخش دوم لذت خرید(ستون زرشکی) نمره بالاتری نسبت به بقیه دارد. از دیگر ویژگی‌های شاخص بخش سوم می‌توان به سطح بسیار پایین متغیر ریسک‌گریزی می‌باشد. 

ویژگی‌های جمعیت‌شناختی مصرف‌کنندگان هر بخش

این دسته از متغیرها دارای مقیاس سنجش اسمی و رتبه‌ای هستند با هدف بررسی دقیق‌تر و واضح‌تر نتایج، متغیرهای جمعیت‌شناختی را به دو دسته تقسیم کرده و نتایج مربوط به هر یک را به‌صورت جداگانه بررسی می‌کنیم. با توجه به جدول شماره4، می‌توان نیمرخ جمعیت‌شناختی مصرف‌کنندگان موجود در هر بخش را مورد بررسی قرار داد. گفتنی است که اعداد گزارش شده برای متغیرهای اسمی (جنسیت و شغل) بیانگر درصد فراوانی مصرف‌کنندگان با توجه به آن ویژگی و برای متغیر سن که با مقیاس فاصله‌ای موردسنجش قرار گرفته است، بیانگر متوسط نمره مربوط به آن در هر بخش است.

 

 

 

 

 

جدول شماره 4 : ویژگی‌های جمعیت‌شناختی مصرف‌کنندگان هر بخش (دسته اول از متغیرها)

 

 

 

بخش 1: فراوانی زن‌ها در این بخش بیشتر از سایر بخش‌ها است، با توجه به میانگین سنی حدود ۴۰ سال، این گروه از مصرف‌کنندگان را بیشتر افراد میان‌سال تشکیل می‌دهند. ازلحاظ شغل نیز فراوانی کارمندان، افراد خانه‌دار و بازنشسته در این بخش بیشتر از سایر بخش‌های است.

بخش 2: تجمع مردها در این بخش و نیز بخش سوم به شکل شاخصی قابل‌مشاهده است. ازلحاظ رده سنی جوانترین گروهند. فراوانی افراد دارای شغل آزاد و نیز دانشجوها در این بخش بیشتر از سایر بخش‌ها است.

بخش 3: با توجه به میانگین سنی ۴۵ سال که برای این گروه از مصرف‌کنندگان گزارش شده است، می‌توان این بخش را مسن‌تر از دو بخش دیگر در نظر گرفت. از رسته‌های شغلی سطح بالا هستند، از ویژگی‌های جمعیت‌شناختی شاخص این گروه از مصرف‌کنندگان است.

 

 

شکل شماره 4 :  وضعیت نسبی ویژگی‌های جمعیت‌شناختی در هر بخش (دسته اول از متغیرها)

 

با توجه به شکل شماره 4، در رابطه با ویژگی‌های جمعیت‌شناختی شاخص هر گروه از مشتریان می‌توان به این نتیجه دست یافت که برای مثال در بخش 2 فراوانی نسبی افراد فعال در زمینه شغلی با کد ۱ (دانشجو) و کد ۷ (شغل آزاد) به شکل چشمگیری بیشتر از سایر بخش‌های است از ویژگی‌های متمایز مصرف‌کنندگان جای گرفته در این بخش می‌باشد. یا اینکه در بخش ۱ تجمع زن‌های فعال در شغل با کد ۹ (کارمند) به شکل شاخصی بیشتر از سایر بخش‌ها است.

 

 

شکل شماره 5 : نقشه‌های ویژگی گزارش شده برای متغیرهای جمعیت‌شناختی (دسته اول)

 

در شکل شماره 5، از نقاط رنگی نیز قابل برداشت است: در تصویرgender1  مرد به‌وضوح شاهد تجمع رنگ قرمز در بخشهای دو و سه هستیم و در تصویر بعدی   gender2زن، به‌وضوح شاهد تجمع رنگ قرمز در بخشهای یک هستیم. در تصویر Job9  کارمند ، شاهد تجمع نقاط قرمز(کارمندان) در بخش یک و دو هستیم.

 

            جدول شماره 5 : ویژگی‌های جمعیت‌شناختی مصرف‌کنندگان هر بخش (دسته دوم از متغیرها)

 

 

 

با توجه به جدول شماره 5، در بخش اول، اکثر مصرف‌کنندگان دارای سطح تحصیلات کارشناسی و کارشناسی ارشد هستند. ازلحاظ سطح درآمد،ضعیفترین گروه هستند و بیشتر در مرکز استان سکونت دارند.در بخش دوم،این گروه از مصرف‌کنندگان نیز مانند بخش اول بیشتر از سطح تحصیلات کارشناسی هستند. ازلحاظ سطح درآمدی متوسط می‌باشند. محل سکونت این گروه نیز اغلب مرکز استان می‌باشد.

دربخش سوم، می‌توان به سطح درآمدی بالای متوسط و سطح تحصیلات بالاتر از کارشناسی اشاره کرد. این گروه اغلب در سایر شهرها به‌جز مرکز استان سکونت دارند.

 

 

 

 

شکل شماره 6 :  وضعیت نسبی ویژگی‌های جمعیت‌شناختی در هر بخش (دسته دوم از متغیرها)

 

همانطور که در شکل شماره 6، نیز قابل مشاهده است، در بخش اول ستون بنفش و سبز، محل زندگی مرکز استان و سطح تحصیلات کارشناسی و ارشد را نشان می دهند. در بخش دوم ستونها، تحصیلات و محل زندگی در مرکزاستان را بخوبی نشان می‌دهند و در بخش سوم، سطح بالای درآمدی و محل زندگی در سایر شهرها رو ستونهای مرتفع بنفش و کاهی رنگ به تصویر کشیده‌اند.

 

 

شکل شماره 7 :  نقشه‌های ویژگی گزارش شده برای متغیرهای جمعیت‌شناختی (دسته دوم)

 

در شکل شماره 7 ، تجمع رنگها بخوبی تایید کننده نتایج قابل مشاهده در جدول شماره 5 و شکل شماره 6 می باشد، بطور مثال، تراکم نقاط قرمز در محل سکونت live 1 نمایانگر این است که مصرف کنندگان بخش های اول و دوم بیشتر در مرکز استان سکونت دارند.

نام گذاری بخش ها و تعیین نیمرخ مشتریان خودروهای پلاک اروند 

در شکل شماره 8، به روشنی بخش بندی و نیمرخ مشتریان خودروهای پلاک اروند را مشاهده می کنید:

 

 

 

 

 

شکل شماره8 : بخش بندی و نیمرخ مشتریان خودروهای پلاک اروند

 

پیشنهادهای کاربردی برای هدف قرار دادن بخش های بازار

 

 

شکل شماره8 : استراتژی های متناسب برای هر بخش

 

مشتریان بی‌تفاوت:

حضور زنان در این بخش از مشتریان، بیش از سایر بخش‌ها می‌باشد، پیشنهاد خودروهایی با مشخصاتی نظیر اکونومی و کم‌مصرف که نیازی به مراجعه مکرر به پمپ‌بنزین نداشته باشد، دنده اتوماتیک و نرم، مرغوبیت سیستم ترمزها، تهویه داخلی و ویژگی‌های ظاهری همچون رنگ موردتوجه آنان، این امکان را می‌دهد تا نظر مثبتشان را جلب کنیم.

این بخش از مشتریان دارای سطح درآمدی پایینی هستند، ارائه پیشنهاد خرید ماشین‌هایی با ویژگی‌های عملکردی بجای ویژگی‌های پرستیژی (نظیر آپشن‌های غیرضروری خودروهای لوکس که باعث بالا رفتن قیمت خودرو می‌شود)، مناسب این گروه از مشتریان می‌باشد و نیز این ضرورت دیده می‌شود تا در هنگام ارائه اطلاعات به آنان و یا تدوین استراتژی های ترفیعات، این آگاهی به آنان داده شود که با پرداخت مبلغ کمتر، آنان صاحب خودرویی با مدل بالاتر، کیفیت برتر نسبت به آن چیزی می‌شوند که با همان پول در بازار خودروی پلاک ملی می‌توانند بخرند، از این طریق نیز کوشش می‌شود تا میزان ریسک گریزی آنان را بهبود بخشیده و اعتمادشان را جلب کنیم.

مشتریان این بخش اغلب ساکن مرکز استان هستند و اغلب در رده شغلی کارمندان قرار دارند. پیشنهاد می‌شود، ماشین‌های اکونومی کم‌مصرف در کلاس A و B که ازلحاظ سایز مینی و کوچک و مناسب ترافیک شهری هستند را به مشتریان این بخش معرفی نمایید، چراکه گزینه‌ای مناسب در زمینه کاربری روزانه و یافتن جای پارک در کمترین زمان می‌باشد.

مشتریان محافظه‌کار (ریسک گریز):

مشتریان این بخش را افرادی با سطح درآمدی متوسط تشکیل داده که ویژگی «حساس به قیمت» در آن‌ها بیش از سایر بخش‌ها می‌باشد، به همین روی به مدیران پیشنهاد می‌شود تا شرایط پرداخت وجه خود را با کاهش بیعانه و افزایش مدت بازپرداخت با سودهاي کمتر (در قراردادهای بانکی خود جهت وام خرید خودروی اروندی)، تقویت نمایند.

 مشتریان محافظه‌کار (ریسک گریز)، با داشتن میزان «لذت خرید» بالا و انگیزه‌های لذت‌گرایانه نسبتاً بالاتری نسبت به گروه اول، نیازمند دریافت انگیزه‌های خرید لذت‌جویانه که نوعی انگیختگی هیجانی است، می‌باشند، پیشنهاد می‌شود مدیران با ایجاد محیطی جذاب و احساسی در مراکز خرید خودرو، بر محتوای ظاهری و نمادین خودرو تمرکز کرده و به تقاضای لذت‌جویانه‌ی آنان مبنی بر کشف تجربه تخیلی سفر با چنین خودرویی پاسخ دهند.

 تحقیقات نشان داده است کسانی که دارای ویژگی ریسک گریزی قابل‌توجهی هستند، برای به دست آوردن اطلاعات اقدام می‌کنند، ولی ازآنجاکه هزینه‌ی تحقیقات معمولاً سنگین می‌باشد از خرید محصول جدید صرف‌نظر کرده و به برند جدید توجه نشان نمی‌دهند، به مدیران پیشنهاد می‌شود منابع ریسک این مصرف‌کنندگان را شناسایی کرده، با در اختیار قرار دادن اطلاعات لازم و جامع از طریق تبلیغات، کاتالوگ‌ها، سامانه‌های اطلاع‌رسانی، شبکه‌های اجتماعی، مشتریان محافظه‌کار (ریسک گریز)، این بخش را به‌دوراز صرف هزینه زیاد، به سطحی از آگاهی سوق داده تا به‌دوراز ریسک تصمیم گرفته و به سمت گروه مشتریان وفادار هدایت شوند.

مشتریان وفادار:

بخش سوم یعنی مشتریان وفادار، این بخش بهترین بازار هدف ما در این پژوهش می‌باشند. از سطح تحصیلات و رده‌های شغلی بالا نیز برخوردارند که اغلب پرمشغله نیز می‌باشند. این گروه نگاه تخصصی‌تری به فرآیند کسب اطلاعات درباره‌ی خودروها دارند و بیش از هر گروه دیگر به کتاب‌ها و مقاله‌ها برای کسب دانش مراجعه می‌کنند؛ بنابراین مطلع‌ترین گروه بازار نیز محسوب می‌شوند

پیشنهاد می‌شود فروشندگان و نمایندگی‌های خودروی اروندی، محیط‌های مناسبی در فضای مجازی برای پاسخ دادن به سؤالات مشتریان ایجاد کنند. اگر می‌خواهید اولویت اول و آخر مشتریان برای خرید خودرو باشید، باید از توانایی بالایی برای مدیریت شبکه‌های اجتماعی و فضای دیجیتال برخوردار باشید. کافی است با به‌روزرسانی محتوا در شبکه‌های اجتماعی، کانال‌های اطلاع‌رسانی خود را تقویت کنید. مثلاً با ورود مشتری به سایت، از طریق «بازاریابی ایمیلی»  بدین‌صورت که با واردکردن آدرس ایمیل خود، در لیست مشترکان این برند قرارگرفته و از جدیدترین اخبار تولیدات و فروش آن باخبر شوند. این کار، از طریق فراهم کردن فرصت‌ کسب دانش و دریافت تجربه‌های جدید یا طرح‌های فروش خاص برند، بی‌نهایت مؤثر است، آنان را با جدیدترین برندها و مدل‌های خودرو آشنا می‌کند. از طرفی با به‌کارگیری استراتژی محوری بازاریابی داخلی در شبکه‌های فیزیکی فروش، می‌توانند بر بهبود عملکرد پرسنلی که در ارتباط مستقیم با مشتری قرار دارند، جهت تأمین نیازها و خواسته‌های مشتریان، از طریق آموزش، پاداش دادن و برانگیزاندن آن‌ها، تأثیر بگذارند. این فعالیت‌ها منجر به اصلاح ارتباطات داخلی و افزایش آگاهی و بصیرت مشتری از طریق پرسنل این بخش خواهد شد و درنهایت با افزایش کیفیت خدمات، قدرت تصمیم‌گیری آنان را به بهترین نحو، تقویت کرد.ازآنجایی‌که بیشتر افراد جای گرفته در این بخش، در شهرهایی غیر از مرکز استان یا شهرهای غیر از منطقه ویژه اقتصادی ساکن هستند و ازلحاظ شغلی نیز معمولاً افراد پرمشغله‌ای هستند که می‌توان از طریق ایجاد تنوع در کانال‌های فروش، بخصوص تقویت فروش آنلاین، مراحل سفارش و خرید خودرو و دیگر خدمات مرتبط با آن‌ها برای این گروه پرسود به شکل آسان‌تری ارائه داد.

افرادی که در گروه مشتریان وفادار قرار دارند، دارای بیشترین سطح از ارزش سودمند گری و حساس به کیفیت نسبت به سایر بخش‌ها هستند، طبق تحقیقات انجام‌شده توسط ووس و همکارانش در سال 2003، نقش سودمندی را وابسته به کیفیت کالاها می‌دانند، ازآنجایی‌که مردم تصور می‌کنند که کالاهای لوکس دارای ویژگی‌های برتر بوده و دارای عملکرد بالاتری می‌باشند، پیشنهاد می‌شود که کیفیت محصولات را حفظ کرده و پیشنهاد خرید محصولی با کیفیت بالاتر ازآنچه تاکنون تجربه کرده‌اند به آن‌ها داده شود. از سوی دیگر، یکی از راهکارهای مهم در بازاریابی چنین محصولاتی، به تصویر کشیدن کیفیت بالای آن‌هاست، پیشنهاد می‌شود مدیران بازاریابی هنگام ساخت طرح‌های تبلیغاتی با در اختیار گرفتن ابزارهای لازم بکوشند تا کیفیت و ارتباط آن‌ها با قیمت بالای خودرو، به‌خوبی بیان کنند و مشتریان را از این موضوع مطمئن سازند که انتخابی آگاهانه در انتظارشان خواهد بود.

پیشنهاد می‌شود از استراتژی بازاریابی رویدادی، جهت معرفی برندهای خودرو استفاده کنید، تنها از مشتریان وفادار خود، برای شرکت در این رویداد، دعوت به عمل‌آورده و هیچ پوشش رسانه‌ای نیز در آن وجود نداشته باشد، با این کار حس منحصربه‌فرد بودن و ارزش اجتماعی این بخش از مشتریان را تقویت می‌کنیم.

با ایجاد یک کمپین تبلیغاتی و به‌کارگیری استراتژی بازاریابی کمیابی، به معرفی محصولی نو، پرداخته که شرایط فروش آن به‌صورت بسیار معدود و درباره‌ی زمانی محدود اعلام شود، از این طریق حس نوجویی قوی در این مشتریان را از طریق یافتن چیزی جدید و کمیاب تحریک و به آنان این احساس داده می‌شود که با اقدام به این خرید، میزان قابل‌توجهی حس منحصربه‌فرد بودن، لذت، ... را تجربه خواهند کرد. پیشنهاد می‌شود این بخش از مشتریان را که دارای بیشترین سطح وفاداری هستند را به کمک بازاریابی رابطه‌مند، برای خرید در آینده و ترغیب دیگران به این کار از طریق کاربرد مدیریت مؤثر ارتباط با مشتری تشویق کنید. یکی دیگر از ابزارهای استراتژی‌های بازاریابی رابطه‌مند، ارائه خدمات جنبی است که شامل: عرضه خدمات مضاعف به همراه خدمت اصلی می باشد که وجه تمایز شرکت از رقبا خواهد بود، خدماتی که از دید مشتری ارزشمند باشند. پیشنهاد می‌شود با به‌کارگیری این استراتژی با ایجاد باشگاه برای مشتریان ارزشمند و وفادار، خدمات ویژه‌ای را به آنان ارائه دهند، این کار موجب افزایش پرستیژ مشتریان می‌شود و به کمک ابزارهای مناسب پیشبرد فروش، بروشورها، کاتالوگ‌ها و دیگر موارد، ارتباط خود را با مشتریان کلیدی حفظ کنند.

از دیگر مزایای استفاده از بازاریابی رابطه‌‍‌‌مند، امکان قیمت‌گذاری رابطه‌‍‌‌مند می‌باشد که از طریق آن می‌توان راهکارهای خلاقانه و نوآورانه زیادی را به‌کاربرده تا به حفظ ارتباط با این گروه از مشتریان ارزنده پرداخت، به‌طور مثال: به آن دسته از مشتریان این بخش که در رده شغلی بالایی قرار دارند، این پیشنهاد داده شود: در ازای انعقاد قراردادی با شرکت، مبنی بر معرفی جمعی از پرسنل سازمان خود که متقاضی خرید خودروهای اروندی هستند، می‌توانند از تخفیفات قانونی و گروهی، معرفی به مؤسسات مالی جهت دریافت وام خرید خودرو اروندی، معرفی به مؤسسات بیمه جهت دریافت بیمه‌نامه خودرو، بهره‌مند شوند، با این کار جایگاه اجتماعی آن مشتری را تقویت کرده‌ایم.

 

منابع و مآخذ

احمدی، پ. ، آذر ، ع. و صمصامی، ف.(1393). "بخش بندی بازار دارو با رویکرد شبکه های عصبی (مطالعه موردی : بازار دارو ایران )"،مدیریت بازرگانی، دوره 2، شماره 6، صص 1-20. 

 

افجه، ع. و درویشی، م. (1393). "بخش‌بندی و شناسايي ویژگی‌های مصرف‌کنندگان در يك محيط چند كانالي با استفاده از تركيب روش نقشه‌های خودسازمانده و رگرسيون لجستيك"، دو فصلنامه علمی پژوهشی کاوش‌های مدیریت بازرگانی، شماره 12، سال ششم، صص 73-47.

 

بحريني زاده، م. ،اسماعیل‌پور، م. و كبيري فرد، د. (1395). " بخش‌بندی بازار گردشگران ساحلي با رويكرد نقشه‌های خودسازمانده"، مدیریت بازرگانی، شماره 4، دوره 8، صص 770-745.

 

حسنقلي پور، ط.، ميري، م و مروتي شريف آبادي، ع.(1386). "تقسيم بازار با استفاده از شبكه هاي عصبي مصنوعي مطالعه موردي: فرآورده هاي گوشتي(سوسیس)"، فصلنامه مدرس علوم انساني، 1-22.

 

حسینی، ی. و ضیایی بیده ،ع. (1392). " بخش‌بندی و تعیین نیم‌رخ مصرف‌کنندگان سبز با استفاده از نقشه‌های خودسازمانده". پژوهش‌های مدیریت در ایران، شماره۲، دوره ۱۷، ، صص: ۴۳-۶۸.

 

سیفی دیوکلایی، م. بررسی عوامل مؤثر بر عشق به برند و پیامدهای آن از دیدگاه مشتریان خودروهای لوکس وارداتی، پایان‌نامه کارشناسی ارشد. دانشگاه آزاد اسلامی واحد تهران مرکز، دانشکده مدیریت و حسابداری؛ 1394.

سلطانی، م. و محمدیان، ب. (1395). " گفتمان كاوي الگوهاي ذهني مشتريان مردد: كاربست روش كيو"، مدیریت بازرگانی، شماره 2، دوره 8، صص: 354-339. 

8-صبوریفرد، م.، یوسفی مجد،ف و شعاران،ا. "بررسی مفهومی و ارائه یک مدل ریاضی تقسیم‌بندی مشتریان، به‌منظور تدوین استراتژی‌های بازاریابی با رویکرد تئوری شبکه عصبی"، سومین کنفرانس بین‌المللی مدیریت، حسابداری، اقتصاد و علوم انسانی، نروژ، موسسه تحقیقاتی، پژوهشی علوم و تکنولوژی نروژ،1395. 

 

 

Camilleri, M.A. Market Segmentation, Targeting and Positioning. In Travel Marketing, Tourism Economics and the Airline Product. Cham, Switzerland: Springer; 2018: 69-83.    

 

Gordon A.D. Classification.2nd Edition. London: Chapman & Hall/CRC;1999: 320. 

 

Gorr, W. L., Nagin, D(1994)." Comparative Study of Artificial Neural Network and Statistical Models for Predicting Student Grade Point Averages", International Journal of Forecasting, 10(1994), pp. 17-34.

 

Haley.RI. (2016). "Benefit Segmentation: A Decision-Oriented Research Tool", Journal of Marketing, Vol. 32(3), pp. 30-35

Hasan, M. K., Al Mamun, M. A. & Islam, M. R. (2015). "Market Segmentation and Targeting Strategy for Promoting Cox’s Bazar Beach In Bangladesh As A Tourists’ destination', British Journal of Marketing Studies, 3(4), 59-72.

Kotler P & Armstrong G. Principles of marketing (12 ed). Upper Saddle River,NJ: Prentice Hall;2010.

 

Mostafa, M. (2009)"Shades of green: A psychographic segmentation of the green consumer in Kuwait using self-organizing maps", Expert Systems with Applications,  36( 8),pp. 11030-11038.

    

Mostafa, M. M. & El-Masry, A. A. (2013). "Citizens as consumers: Profiling egovernment services users in Egypt via data mining techniques",International Journal of Information Management, 33(4),pp. 627-641.

    

Surjandari,I., Masbar Rus, A M.& Pramudita, R. Segmentation of Natural Gas Customers in Industrial Sector Using Self-Organizing Map (SOM) Method, IOP Conference Series Materials Science and Engineering 316(1):012046, 2018.

 

Walczac, S.& Cerpa, N.(1999)." Heuristic Principles for the Design of Artificial Neural Networks", Informational Software Technology, 41, pp. 107-117.

Wells,V.K., Chang,SW., Oliveira-Castro,J & Pallister,J. (2010), "MarketSegmentation from a Behavioral Perspective", Journal of Organizational Behavior Management ,30(2),PP. 176-198.

 

Wen,KW.&Peng, K.F. (2002). Market Segmentation via Structured Click Stream Analysis", Industrial Management & Data Systems, 102 (9),PP. 493 - 502.

 

Yankelovich, D., Meer, D., (2006). "Rediscovering market segmentation". Harvard Business Review, 84,PP. 122–131.

 

Zhou,j., Zhai,l .& AA. Pantelous(2019). "Market Segmentation Using High-dimensional Sparse Consumers Data", Expert Systems with Applications, Volume 145, 113136. 

 

 

 

Segmentation and Profiling of Customers of Arvand License Plate Registered Vehicles Using Neural Network Algorithm of Self-Organizing Maps Model

 

Abstract

The emergence of car import market in Arvand Free Zone in Khuzestan province, has covered a significant share of car purchases in this vast province. The present study was conducted using artificial network algorithm of self-organizing maps model aiming at segmentation and profiling of customers of Arvand license plate registered vehicles. In order to identify the profile of customers and adopt an appropriate marketing strategy, the statistical population of this study was formed over 70,000 owners of Arvand license plate registered vehicles across the Khuzestan province. Using Morgan table, 384 people were selected as a sample by random sampling method, and a questionnaire was utilized to collect information. Research in the group was carried out with a quantitative method that was applied in terms of purpose, exploratory-survey in terms of nature, and also cross-sectional timewise. Data analysis was performed by self-organizing neural network analysis (SOM). Simultaneously, the demographic, psychological, and behavioral characteristics have also been considered to categorize customers.

Based on the results, 3 sections including indifferent, conservative and loyal customers were identified and named. The validity and reliability of the study were also statistically confirmed.

The results of this study show that demographic, psychological and behavioral variables have a decisive and special role in customer segmentation of Arvand license plate registered vehicles.

SEGMENTATION, self-organized neural network, customer profile,ARVAND FREE ZONE

 

 

 

 

20

 

---

Related articles