رویکرد داده‌کاوی در بخش‌بندی بازار مشتریان به منظور اتخاذ استراتژی‌های کارا (مطالعه موردی صنعت مخابرات)

اقتصاد مالی

مقاله 10، دوره 11، شماره 41، اسفند 1396، صفحه 243-266   

نوع مقاله: علمی پژوهشی

نویسندگان

محمد ولایتی¹؛ فرهاد حسین زاده لطفی²؛ محمدرضا شهریاری^{* 3}؛ فریدون رهنمای رود پشتی⁴

¹دانشجوی دکتری،گروه مدیریت بازرگانی،واحد امارات، دانشگاه آزاد اسلامی،دوبی ،امارا ت متحده عربی

²استاد،گروه ریاضیات کاربردی، واحد علوم و تحقیقات، دانشگاه آزاد اسلامی،تهران،ایران

³دانشیار ،گروه مدیریت صنعتی،واحد تهران جنوب،دانشگاه آزاد اسلامی،تهران ،ایران

⁴استاد،گروه مدیریت مالی،واحد علوم و تحقیقات،تهران،ایران

چکیده

تصمیم گیری صحیح و ایجاد استراتژی ها و تاکتیک های موثر بازاریابی و فروش، منوط به شناسایی و درک صحیح سازمان ها از مصرف کنندگان و خریداران است. امروزه ، محققان بازاریابی به طور دائم در تلاشند تا رفتار مصرف کنندگان را شناسایی کنند و بر این اساس، راهکارهایی مناسب را برای فروش بهتر و موثرتر و افزایش سهم بازار اتخاذ کنند. تولیدکنندگان، برای تامین تقاضاها و حفظ و گسترش سهم بازار، باید از لایه های ادراکی، تعقلی و رفتاری خریداران بالقوه، آگاهی داشته باشند تا متناسب با سازه ها و سازوکارهای تصمیم گیری خود، اقدام به تولید فرآورده ها، توزیع و ترویج آنها کنند. مبتکران و طراحان فرآورده ها، صرفا با شناخت الگوهای رفتاری مصرف کنندگان، می توانند نسبت به زوایای انتظارات و رضایت مندی افراد، آگاه شوند و بهره گیری از آنها را با مدلسازی هموارتر کنند. در این تحقیق یک رویکرد مبتنی بر پردازش داده ارائه می شود تا با واکاوی رفتار مشتریان سیاست های بازاریابی مربوط به هر مشتری به صورت سفارشی تعیین شود. متدولوژی ارائه شده از خوشه بندی داده­های استخراج شده از پایگاه داده مربوط به رفتار مشتری استفاده می کند. سپس با توجه به کلاس مالی، که مشتری به آن تعلق دارد دو نوع سیاست بازاریابی را پشتیبانی می کند. سیاست اول، سیاست بقا یا تثبیت مشتری در کلاس مالی جاری آن مشتری پی ریزی می شود این سیاست بر اساس وفادار کردن مشتریان به سازمان و استمرار سفارشات آنها در دراز مدت، طرحها یا محصولاتی که احتمالا مشتری از آنها اطلاع ندارد یا تا کنون از آنها استفاده نکرده است را به او معرفی می کند. سیاست دوم سیاست انگیزشی یا ارتقا نام دارد این سیاست بر اساس ایجاد انگیزه در مشتریان برای قرار گرفتن در کلاس های مالی بالاتر عمل می کند به طوری که بر اساس تحلیل رفتار مشتریان قرار گرفته در کلاس های مالی بالاتر طرحها یا محصولاتی هدفدار به مشتری ارائه می شود.
 
Abstract
Good decision-making and adoption of effective marketing, sale strategies and tactics are subjected to a proper understanding and identification of consumers and purchasers in organizations. Nowadays, marketing researchers are attempting to identify behavior of consumers in order to make suitable solutions for better and effective sale in order to expand market share. Manufacturer should be aware of perceptual, belonging and behavioral layers of potential purchasers in order to produce distribute and promote products regarding their decision-making structures and mechanisms. Innovators and designers of products can find expectations and satisfaction aspects of individuals by modeling and identifying behavioral pattern of consumers. A data mining-based approach was proposed in this research to determine marketing policies related to each customer within ordering type investigating customers’ behavior. The proposed methodology used clustering of data extracted from database related to customer behavior. Then, this method supported two types of marketing policies considering financial class which customer belongs. In first policy, the customer consolidation or retention in its current financial class in underpinned; this policy introduces those projects or products that may be unknown or unused for customer making them loyal to organization or prolonging their orders for long term. Second policy is named motivational or promotional policy; this policy performs to encourage customers to be in higher financial classes. In this regard, some projects or products will be presented purposefully based on the analysis of behavior of customers at higher financial classes.

کلیدواژه‌ها

واژه‌های کلیدی: مدیریت ارتباط با مشتری؛ خوشه بندی؛ مخابرات. طبقه بندی JEL : M20؛ M21؛ M3

اصل مقاله

 

رویکرد داده‌کاوی در بخش‌بندی بازار مشتریان به منظور اتخاذ استراتژی‌های کارا (مطالعه موردی صنعت مخابرات)

 

 

محمد ولایتی

تاریخ دریافت: 22/07/1396             تاریخ پذیرش: 25/09/1396

[1]

فرهاد حسین زاده لطفی[2]

محمدرضا شهریاری[3]

فریدون رهنمای رودپشتی[4]

 

چکیده

تصمیم گیری صحیح و ایجاد استراتژی ها و تاکتیک های موثر بازاریابی و فروش، منوط به شناسایی و درک صحیح سازمان ها از مصرف کنندگان و خریداران است. امروزه ، محققان بازاریابی به طور دائم در تلاشند تا رفتار مصرف کنندگان را شناسایی کنند و بر این اساس، راهکارهایی مناسب را برای فروش بهتر و موثرتر و افزایش سهم بازار اتخاذ کنند. تولیدکنندگان، برای تامین تقاضاها و حفظ و گسترش سهم بازار، باید از لایه های ادراکی، تعقلی و رفتاری خریداران بالقوه، آگاهی داشته باشند تا متناسب با سازه ها و سازوکارهای تصمیم گیری خود، اقدام به تولید فرآورده ها، توزیع و ترویج آنها کنند. مبتکران و طراحان فرآورده ها، صرفا با شناخت الگوهای رفتاری مصرف کنندگان، می توانند نسبت به زوایای انتظارات و رضایت مندی افراد، آگاه شوند و بهره گیری از آنها را با مدلسازی هموارتر کنند. در این تحقیق یک رویکرد مبتنی بر پردازش داده ارائه می شود تا با واکاوی رفتار مشتریان سیاست های بازاریابی مربوط به هر مشتری به صورت سفارشی تعیین شود. متدولوژی ارائه شده از خوشه بندی داده­های استخراج شده از پایگاه داده مربوط به رفتار مشتری استفاده می کند. سپس با توجه به کلاس مالی، که مشتری به آن تعلق دارد دو نوع سیاست بازاریابی را پشتیبانی می کند. سیاست اول، سیاست بقا یا تثبیت مشتری در کلاس مالی جاری آن مشتری پی ریزی می شود این سیاست بر اساس وفادار کردن مشتریان به سازمان و استمرار سفارشات آنها در دراز مدت، طرحها یا محصولاتی که احتمالا مشتری از آنها اطلاع ندارد یا تا کنون از آنها استفاده نکرده است را به او معرفی می کند. سیاست دوم سیاست انگیزشی یا ارتقا نام دارد این سیاست بر اساس ایجاد انگیزه در مشتریان برای قرار گرفتن در کلاس های مالی بالاتر عمل می کند به طوری که بر اساس تحلیل رفتار مشتریان قرار گرفته در کلاس های مالی بالاتر طرحها یا محصولاتی هدفدار به مشتری ارائه می شود.

 

واژه‌های کلیدی: مدیریت ارتباط با مشتری، خوشه بندی، مخابرات.

طبقه بندی JEL: M20, M21,M3

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

1- مقدمه

بنا به تحقیق مجله بررسی بازرگانی هاروارد برخی شرکت ها تنها با پنچ درصد تلاش بیشتر در حفظ مشتری های موجود سود خود را تا صد در صد افزایش می دهند. در ضمن جذب مشتری جدید بسیار گران تر از حفظ مشتری موجود است. از طرفی نگهداری و جلب رضایت تمام مشتریان هزینه و سرمایه گذاری نیاز دارد و گاهی مقرون به صرفه نیست. پس مسئله مهم برای شرکت ها این است کدام یک از مشتریان از توان مناسب برای نگهداری برخوردار است[1]. اکتشاف دانش از پایگاه داده و داده کاوی یکی از مهم ترین ابزار های مدیریت ارتباط با مشتری است که می تواند به سازمان با تاکید بر یافتن اطلاعات مفید یا دانش مورد علاقه آن کمک کنید[3][2].

یکی از روش‌های مورد استفاده برای درک مشتریان و شناسایی گروه‌های همگن، بخش‌بندی مشتریان می‌باشد. در عمل، بسیاری از خرده‌فروشان، روش بخش‌بندی را برای بهبود کارایی بازاریابی و خدمات به مشتریان خود اتخاذ کرده‌اند [4]. ارتباط بسیار روشنی بین رضایت، وفاداری و ارزش مشتری وجود دارد. این رابطه باعث عملکرد شرکت می‌شود. مشتریان راضی خرید بیشتری را در طول عمر خود انجام می­دهند و پس از مدت کوتاهی آنها تبدیل به مشتریان وفادار می‌شوند. مشتریان وفادار نیز برای شرکت و بهبود عملکرد شرکت ایجاد ارزش می‌کنند [5]. برون^[i] [6]، مدیریت ارتباط با مشتری را به عنوان استراتژی کلیدی جامعی برای متمرکز ماندن بر نیازهای مشتری و یکپارچه‌کردن روش‌های برخورد با مشتری در سازمان تشریح می­کند. همچنین چاترجی^[ii] [7] آن را به عنوان نظامی برای هدایت و بهبود فرایندهای تجارت که در مکانهای فروش، مدیریت، خدمات و پشتیبانی از مشتریان استفاده شده است، تعریف می­کند. بنا به نظر فینبرگ و کادام^[iii][8]، وقتی که نرخ نگهداری از مشتری 5 درصد زیاد شود، سود به میزان 25 تا 80 درصد زیاد می­شود [9]. در دهه گذشته، مدیریت ارتباط با مشتری توسط بسیاری از نویسندگان مورد توجه قرار گرفته است، و نقش حیاتی­ در اقتصاد و کسب و کار جدید ایفا کرده است. برخی از مزایای بالقوه آن به شرح زیر است: (1) افزایش حفظ و وفاداری مشتری، (2) سودآوری بالاتر مشتری، (3) ایجاد ارزش برای مشتری، (4) سفارشی کردن محصولات و خدمات، (5) کاهش فرآیند، ارائه محصولات و خدمات با کیفیت بالاتر [10].

 

2- پیشینه­ی تحقیق

به طور کلی مدل­های مختلفی به وسیله محققان در حوزه بخش­بندی مشتریان ارائه شده است، در اکثر این مطالعات مدل­ها از لحاط متغیرهای ورودی متفاوت هستند. از ورودی‌های اصلی برای بخش­بندی مشتریان RFM است. سیه^[iv] از یک شبکه عصبی SOM برای شناسایی گروه­های مشتریان بر اساس رفتار بازپرداخت، تاخر، فرکانس و پیش‌بینی‌های رفتار پولی استفاده کرد. او همچنین مشتریان بانک را به سه گروه عمده از گروه­های مشتریان سودآور طبقه بندی کرد [11]. چنگ و چن^[v] [12] نیز یک روش جدید پیوستن به مقدار ویژگی‌های کمی RFM و الگوریتم K میانگین در تئوری مجموعه ناهموار^[vi] برای استخراج قواعد معنا پیشنهاد دادند. داده­های این مطالعه موردی که از صنعت الکترونیک در شرکت چانگ هوآ^[vii] می‌باشد، شامل 401 رکورد از مبادلات شرکت است که در سال 2006 انجام شده است. شاخص­هایی که در بخش­بندی مشتریان مورد نظر بوده شامل منطقه، کشور و مقدار اعتبار می باشد. علاوه بر این، یک ترکیبی از متغیرهای ورودی­ که در بالا ذکر شده، نیز توسط محققان مورد استفاده قرار گرفته است. برای مثال، چان^[viii] و همکارانش، یک رویکرد جدید که ترکیبی از هدف قرار دادن مشتری و بخش­بندی مشتری برای استراتژی‌های کمپین می­باشد را ارائه داده­اند. در این تحقیق رفتار مشتری با استفاده از یک مدل RFM شناسایی شده، سپس از یک مدل LTV  برای ارزیابی مشتریان بخش­های پیشنهادی استفاده می­شود [13]. برخی از نویسندگان ترکیبی از متغیرها و معیارهای مختلف دیگری را برای خوشه­بندی مشتریان استفاده کرده­اند. به عنوان مثال، لی و پارک^[ix] [14]، به ارائه روش جایگزینِ عملی­تر، آسان­تر و کارآمد­تر بر اساس بررسی رضایت مشتری برای بخش­بندی سودآور آنها پرداختند  چانگ^[x] و همکارانش، یک مدل پیش بینی­ برای مشتریان بالقوه با رفتار خریدشان پیشنهاد داده‌اند. مدل آنها از رفتار خرید گذشته مشتریان وفادار و سرویس دهنده‌ی وب فایل‌های ورود به مشتریان وفادار و بالقوه با استفاده از تجزیه و تحلیل خوشه­بندی و تجزیه و تحلیل قواعد ارتباط، استنباط شده است [12]. استون^[xi] و همکارانش، به پیشنهاد یک چارچوب بخش­بندی مشتری بر اساس داده کاوی و ساختن یک روش جدید بخش­بندی مشتری بر اساس بقای شخصیت متمرکز شده‌اند. روش جدید بخش­بندی آنها از دو مرحله تشکیل شده است. در مرحله اول، با خوشه‌بندی محاسباتی K میانگین، مشتریان به بخش‌های مختلف با شخصیت‌های بقای مشابه (یعنی روند فعالیت فکری مشابه) تقسیم می­شوند. در مرحله بعد، تابع بقای هر خوشه به وسیله تجزیه و تحلیل پیش‌بینی شده است، پس از آن، اعتبار خوشه­بندی تست شده و روند فکری مشتری شناسایی شده است [15]. شی­یو^[xii] و همکارانش [16]، یکپارچه‌سازی داده‌کاوی و بازاریابی تجربی را در بخش مشتریان بازی‌های آنلاین بررسی کردند. نتایجش می‌تواند به شرکت‌ کمک ­کند تا به پیش‌بینی و درک رفتار خرید مصرف‌کننده جدید بپردازند. پراسد نیز با استفاده از روش خوشه‌بندی به تولید پروفایل مشتریان برای فروشگاه­های خرده‌فروشی پرداخت، که به شناسایی رفتارها و الگوهای خرید مشتری، بهبود خدمات برای مشتریان برای رضایت بیشترشان و در نتیجه حفظ آنان کمک می­کند [4]. چن و همکاران نیز بر اساس پرداخت گذشته‌ی مشتری با استفاده از درخت تصمیم‌گیری به بخش‌بندی مشتریان پرداختند [17]. جدول 1 مدل­های تقسیم‌بندی که توسط نویسندگان مختلف پیشنهاد شده است را با توجه به متغیرهای ورودی­شان طبقه‌بندی می­کند.

 

جدول 1- متغیرهای ورودی استفاده شده در مدل­های بخش­بندی [18]

متغیرهای ورودی مورد استفاده	منابع
جمعیت­شناختی	(جوتلا و همکاران، 2001) (لی و همکاران، 2005) (هانگ و همکاران، 2008)
RFM	(چنگ و همکاران، 2009)
LTV	(کیم و همکاران، 2006)
جمعیت­شناختی+ RFM	(سیه، 2004) (مک­کارتی و همکاران، 2007)
جمعیت­شناختی+ LTV	(هوانگ وهمکاران، 2004)
LTV+RFM	(چای و همکاران، 2008)
جمعیت­شناختی+RFM+ LTV	(مرتضی نامور و همکاران، 2010)
متغیرهای دیگر	(استون و همکاران، 2006) (لی و همکاران، 2006) (هوانگ و همکاران، 2007) (کیم و همکاران، 2008) (چانگ و همکاران، 2007) (شی­یو و همکاران، 2009) (جیل-سائورا و همکاران، 2009)

 

در مطالعات خواجوند^[xiii] و همکاران [19]، همچنین خواجوند و تارخ^[xiv] [20] از RFM کلاسیک برای تعریف ارزش مشتری استفاده کرده‌اند. در برخی از مطالعات نیز از RFM وزن­دار برای ارزش مشتری استفاده کرده‌اند [23،22 ،21]. زهرا طبائی روش‌های مختلف استفاده شده برای ارزش مشتری با توجه به مطالعات قبلی را بنا بر جدول 2 بیان می‌نماید:

 

جدول 2- مدل‌های ارزش مشتری (زهرا طبائی، [24])

مدل	منابع
SOW و SW	(کومار و رینارتز، 2006) (دیو و کاماکورا، 2007)
RFM	(خواجوند و همکاران، 2011) (خواجوند و تارخ، 2011) (لیو و شیه، 2005) (چنگ و چن، 2009) (چنگ و تی‌ساعی، 2011) (سیدحسینی و همکاران، 2010) (مک‌کارتی و هاستاک، 2007) (لی و همکاران، 2011)
LTV	(مالتوس و مولهرن، 2008) (هیدالگو و همکاران، 2008) (سانت آنا و ریبیرو، 2009) (گلیدی و همکاران، 2009) (فراچر و سیگو، 2009) (هوانگ و همکاران، 2004) (سوبلابان و آرانها، 2009) (بنویت و همکاران، 2009) (ما و همکاران، 2008)

3- بیان مسئله

امروزه خدمات الکترونیکی و پرداخت­های موبایلی به کمک افراد آمده تا از اتلاف زمان، انرژی و هزینه ­ها بکاهد. سازمان­ها و موسسات نیز هرکدام به­ نحوی برای افزایش رضایتمندی مشتریان خود و ایجاد تسهیل در تبادلات مالی به روش­های فوق روی آورده­ اند. درهمین راستا سامانه کد دستوری #۷۸۰* تحت پوشش هلدینگ تهران اینترنت و با همکاری شرکت پرداخت نوین آرین (تحت نظر بانک اقتصاد نوین و دارای مجوز از شاپ رک و بانک مرکزی جمهوری اسلامی ایران) اقدام به ارایه زیرساخت و خدمات متنوع پرداخت در بستر تلفن همراه کرده است.

سامانه سرویس ۷۸۰ برای تمام مشترکین شبکه تلفن همراه در اقصی نقاط ایران بدون پرداخت هیچ گونه هزینه­­ای و به صورت رایگان فعال است. برای استفاده از این سامانه حتی نیاز به نصب هیچ گونه نرم افزار بر روی گوشی تلفن همراه و یا استفاده از گوشی ­های مدرن و هوشمند نیست و تنها کافیست رمز اینترنتی (رمز دوم) کارت بانکی از خودپرداز بانک صادرکننده، دریافت شود. خدمات این سامانه قابل استفاده برای همه کاربران دارای یکی از کارت­های بانکی عضو شبکه شتاب می­باشد. سطح پوشش این سامانه مشترکین هر سه اپراتور در همه‌ استان‌های کشور می باشد.

در این بخش از تحقیق یک متدولوژی پیشنهادی جهت مشخص نمودن سیاست بازاریابی در سازمان مورد مطالعه ارائه می شود که زیر بخشهای آن در ادامه توضیح داده خواهد شد هدف اصلی در نهایت این است که طرحهای با بیشترین بازخورد به صورت سفارشی برای هر مشتری تعیین و سپس با استفاده از روشهای مختلف تبلیغی به مشتری مربوطه معرفی شود. به طور کلی متدولوژی ارائه شده در این تحقیق به صورت شکل 1 نمایش داده می شود.

در این تحقیق ما از شاخص silhouette یا ضریب نیمرخ برای یافتن تعداد خوشه ها استفاده می کنیم. تخمین تعداد بهینه خوشه یک از ارکان مهم در هر مساله خوشه بندی است که باعث بهبود خوشه بندی می شود. روش های مختلفی برای تعیین تعداد خوشه در ادبیات وجود دارد در این تحقیق ما از روش مشهور ضریب نیمرخ ]25[ برای تعیین تعداد بهینه خوشه استفاده می کنیم.

 

 

شکل 1- فلوچارت کلی روش پیشنهادی جهت انتخاب طرحهای پیشنهادی به مشتریان

 

مقدار نیمرخ برای هر شی، برابر است با میزان شباهت آن شی با اشیا داخل خوشه خودش در مقایسه با اشیا سایر خوشه ها است. که به صورت رابطه 1 تعریف می شود.

 

(1)

جاییکه

(2)

 

که 14ai">  متوسط فاصله شی i، با همه اشیا داخل خوشه خودش و 14d(i, C)">  میانگین فاصله شی i، با همه اشیا سایر خوشه ها k است.

دامنه 14si">  بین -1 تا 1 است. که این مقدار هرچقدر به 1 نزدیک تر باشد نشان دهنده این است که شی i، به خوشه خودش نسبت به خوشه همسایه نزدیک تر است. همچنین این مقدار هرچقدر به -1 نزدیک تر باشد نشان دهنده این است که فاصله شی i، با خوشه خودش زیاد و با خوشه همسایه کم است. زمانی که این مقدار نزدیک به 0 باشد روشن نیست که این شی باید در خوشه خودش یا خوشه همسایه قرار بگیرد.

بنابراین برای تعیین تعداد بهینه خوشه از شاخص نیمرخ SC، استفاده می شود که در رابطه 3 نشان داده شده است.

(3)

 

که 14s(k)">   متوسط پهنای نیم رخ نامیده می شود و برابر متوسط 14si">  همه اشیا در خوشه ها است.

دامنه SC نیز از -1 تا 1 بوده که هر چه قدر به یک نزدیکتر باشد نشان دهنده اعتبار بیشتر خوشه بندی است. از این رو می توان با تغییر در تعداد خوشه ها به ضریب های نیمرخ متفاوت برسیم. بنابراین تعداد خوشه با بالاترین مقدار ضریب نیمرخ به عنوان خوشه بهینه در نظر گرفته می شود. پس از مشخص شدن تعداد خوشه مناسب در این تحقیق از روش k-means برای خوشه بندی مشتریان سازمان مورد مطالعه استفاده می شود. این الگوریتم به طور رایج استفاده می‌شود و هدفش بهینه سازی یک تابع هدف است که به صورت رابطه­ی 4 توصیف می‌شود:

(4)

 

در معادله بالا، 14mi">  مرکز خوشه 14ci">  است که 14d(x-mi)">  فاصله اقلیدسی بین نقطه x و 14mi">  است. بنابراین، تابع معیار E، فاصله هر نقطه از مرکز خوشه‌ای که به آن متعلق دارد را حداقل می‌نماید (شکل 2). در واقع، الگوریتم به وسیله‌ی مقداردهی اولیه برای یک مجموعه از k مرکز خوشه آغاز می‌شود. سپس هر شی از مجموعه داده را به خوشه‌ای نسبت می دهد که مرکز آن از همه‌ی خوشه‌ها نزدیک‌تر است و دوباره مراکز را محاسبه می‌کند. فرایند ادامه پیدا می‌کند تا مراکز خوشه‌ها تغییر نکند[26].

 

شروع

انتخاب تعداد خوشه‌ها (K)

انتخاب مرکز خوشه‌ی اولیه

محاسبه‌ی فاصله‌ی بین مراکز خوشه‌ها و (N-K) نقطه‌ی باقی مانده

خوشه بندی بر اساس کمترین فاصله

محاسبه‌ی دوباره مراکز خوشه‌ها

آیا مرکز خوشه تغییر پیدا کرده؟ است

پایان

خیر

بله

شکل 2- الگوریتم خوشه‌بندی K میانگین [27]

 

در این تحقیق پس از خوشه بندی مشتریان ابتدا فرض می کنیم تراکنشات مالی مشتریان به عنوان یک عامل حیاطی در تعیین رفتار آنها می باشد بر این اساس جهت مشخص شدن هرم مشتری کلاس های مالی مشتریان را بر مبنای میزان پرداختی های انها در هر کلاس تعیین خواهیم نمود. سپس تاثیر این عامل کلیدی را برای تغییر رفتار مشتری در هر خوشه تحت یک آزمون آماری بررسی خواهد شد.

یکی از اهداف این تحقیق جلوگیری از معرفی طرحهای غیر ضروری به مشتریان بر اساس تحلیل رفتار آنها است. در این مرحله ابتدا کلاس مالی هر خوشه با توجه به میانگین پرداختی مشتریان درآن خوشه مشخص می شود. سپس طرحهای خریداری شده در هر خوشه بر اساس تعداد تراکنش های انجام شده توسط مشتریان، به صورت نزولی مرتب می شوند. ترتیب بدست آمده از توالی طرحهای استفاده شده در هر خوشه با طرحهای خریداری شده توسط هر مشتری مقایسه می شود سپس بر اساس دو رویکرد محتلف بازاریابی طرحهایی با استفاده از روشهای تبلیغی موجود در سازمان به مشتری معرفی می شود. این دو رویکرد شامل موارد زیر است.

1)      ارائه ی پیشنهاد تثبیت برای هر مشتری با توجه به توالی طرحها در خوشه خود مشتری

2)      ارائه ی پیشنهاد ارتقا برای هر مشتری با توجه به توالی طرحها در خوشه با کلاس مالی بالاتر

 

4- پیاده سازی و آنالیز نتایج

4-1- شاخص های طبقه بندی مشتریان

ارائه سرویس تلفن ثابت در ایران، در اختیار یک سازمان است و از این رو این سازمان آسوده خاطر به حرکت آرام خود ادامه می دهد و این مسئله مهم را نادیده گرفته است که اپراتورهای تلفن همراه مثل ایرانسل، همراه اول، رایتل و غیره رقبای خطرناکی برای آن محسوب میشوند و میتوانند سهم بازار و سهم درآمدی عمده ای را از آن بگیرند. چرا که تلفن همراه میتواند جایگزینی برای تلفن ثابت به شمار آید. افزایش کاربران اینترنت و امکان استفاده از چت صوتی و تصویری نیز میتواند در کاهش درآمد تلفن ثابت سهم داشته باشد. جذب مشتری بسیار پرهزینه تر از نگهداری مشتریان فعلی است و نیز با توجه به افزایش رقابت بین سازمانهای فعال در بخش خدمات، حفظ مشتریان فعلی اهمیت ویژه ای دارد. از این رو شناسایی مشتریان برای حفظ و حتی بهبود ارزش آنها از مسائل چالش برانگیز در تصمیمات تأثیرگذار این سازمان است. در حال حاضر خدمات و سرویسها به صورت کاملاً مشابه به همه مشتریان ارائه میشود. هدف در این مطالعه شناخت مشتریان برای اجرای بازاریابی هدفمند است.

سازمانهای مخابراتی از پایگاه های غنی مربوط به مشتری بهره مندد. قبل از تحلیل داده، ابتدا لازم است پایگاه داده های موجود در سازمان را شناسایی کرده تا بتوانیم دادههای مناسب برای تحلیل را انتخاب کنیم. داده های موجود در سازمان را میتوان به پنج دسته تقسیم بندی کرد: داده های جمعیت شناختی، حساب، کاربری سرویس، صورت حساب و جزئیات رفتار تماس. داده های این تحقیق، از یکی از زیر مجموعه های مخابرات کشور تأمین شده اند. در سازمان مورد بررسی، بر روی حدود 1048575 تراکنش به صورت پایلوت تمرکز شده است ابتدا در جدول 3 شاخص های طبقه بندی تراکنشات و نحوه­ی کدینگ آنها در فرایند طبقه بندی ارائه می شود.

 

جدول 3- شاخص های طبقه بندی تراکنشات در پایگاه داده سامانه 780

نام شاخص در پایگاه داده	مقادیر شاخص
ACCOUNT ID	شماره کد مشتری
TOPUP TYPE	شماره طرح خریداری شده توسط مشتری
P-TIME	مقدار مصرف مشتری از طرح
P-DATE	تاریخ خرید طرح توسط مشتری
AMOUNT	میزان پول پرداختی توسط مشتری
PURCHASE TYPE	نوع خرید مشتری

ماخذ: یافته‌های پژوهشگر

 

انواع خدمات ارائه شده در شرکت 780 که تحت عنوان TOPUP TYPE در پایگاه داده برای هر تراکنش ارائه می شود به صورت جدول 4 ارائه شده است.

 

جدول 4- انواع خدمات قابل ارائه در سازمان به مشتریان به همراه کدینگ آنها

Topup type	نام خدمت	ردیف
19	بسته مناسبتی ایرانسل-دائمی	1
22	بسته مناسبتی ایرانسل-اعتباری	2
31	بسته های DT - LTE	3
32	بسته اینترنتی دائم ایرانسل	4
33	بسته اینترنتی دائم ایرانسل روزانه	5
34	بسته اینترنت ایرانسل EW	6
36	بسته اینترنتی دائم ایرانسل هفتگی	7
39	بسته بولتن ایرانسل شماره 1	8
40	شارژمستقیم ایرانسل	9
41	شارژشگفت انگیزایرانسل	10
42	قبض ایرانسل	11
43	پیش پرداخت ایرانسل	12
44	بسته اینترنت ایرانسل	13
46	بسته روزانه ایرانسل	14
47	بسته هفتگی ایرانسل	15
48	بسته ماهانه ایرانسل	16
49	بسته بولتن ایرانسل شماره 2	17
51	همراه1000تومانی EW	18
52	همراه2000تومانی EW	19
53	همراه5000تومانی EW	20
54	همراه10000تومانی EW	21
55	همراه20000تومانی EW	22
57	پایان دوره همراه	23
58	میان دوره همراه	24
60	رایتل مستقیم	25
61	همراه1000تومانی	26
62	همراه2000تومانی	27
63	همراه5000تومانی	28
64	همراه10000تومانی	29
65	همراه20000تومانی	30
67	اینترنت همراه اول	31
70	رایتل مستقیم	32
71	رایتل شورانگیز	33
75	همراه اول1000 مستقیم-عیدانه	34
76	همراه اول2000مستقیم-عیدانه	35
77	همراه اول5000مستقیم-عیدانه	36
78	همراه اول10000مستقیم-عیدانه	37
79	همراه اول20000مستقیم-عیدانه	38
83	پین تالیا	39
91	پین همراه	40
92	پین رایتل	41
93	پین ایرانسل	42
94	پین همراه EW	43
95	پین رایتل EW	44
96	پین ایرانسل EW	45
100	بسته شگفتی های ایرانسل	46
101	ثبت نام اعتباری شارژ خودکار	47
102	ثبت نام دائمی شارژ خودکار	48
103	لغو ثبت نام شارژ خودکار	49
104	تغییر مبلغ شارژ خودکار	50
105	ارسال notify اعتباری	51
106	ارسال notify دائمی	52
107	شارژ خودکار	53

ماخذ: یافته‌های پژوهشگر

 

با توجه به اینکه اطلاعات در پایگاه داده بر حسب تراکنش می باشد در این مرحله از تحقیق با نوشتن یک برنامه کامپیوتری تراکنشات مربوط به هر مشتری جدا شده و پایگاه داده ای جدیدی بر حسب رفتار هر مشتری ایجاد می شود. مشخصات استحراج شده برای هر مشتری شامل موارد زیر است. در این مرحله مشخص شد تمام تراکنشات موجود در این پایگاه داده متعلق به 72622 مشتری است.

ü       مطلوب ترین طرح مشتری

ü       تعداد تراکنشات برای خود مشتری

ü       تعداد تراکنشات برای دیگران

ü       کل ثانیه های مکالمه­ی مشتری در تمام تراکنشات

ü       کل پرداختی مشتری در تمام تراکنشات

 

4-2- تعیین تعداد خوشه مناسب

در این مرحله از تحقیق به منظور بدست آوردن تعداد بهینه خوشه از شاخص ضریب نیم رخ استفاده می کنیم که برای این منظور ابتدا داده ها با استفاده از روش k-means خوشه بندی شده سپس بر اساس نتایج بدست آمده شاخص ضریب نیم رخ محاسبه می شود که در جدول 5 نتایج بدست آمده برای 2 تا 10 خوشه نشان داده می شود همچنین شکل 3 روند تغییرات ضریب نیم رخ را به ازای تعداد خوشه های مختلف نشان می دهد همانطور که مشاهده می شود تعداد بهینه­ی خوشه بر اساس این شاخص، 5 تعیین شده است.

 

 

جدول 5- مقادیر ضریب نیم رخ به ازای تعداد خوشه های مختلف

ضریب نیمرخ	تعداد خوشه
0.8921	10
0.8921	9
0.8921	8
0.8951	7
0.8951	6
0.9603	5
0.9296	4
0.8731	3
0.8521	2

ماخذ: یافته‌های پژوهشگر

 

 

شکل 3. روند تغیرات شاخص ضریب نیم رخ در تعداد خوشه های مختلف

 

4-3- خوشه بندی مشتریان

در این مرحله با توجه به مشخص شدن تعداد 5 خوشه، 72622 مشتری در این تعداد خوشه قرار خواهد گرفت مشخصات این 5 خوشه در جدول 6 آمده است.

 

 

 

 

جدول 6- اطلاعات مرکز خوشه های بدست آمده در فرایند خوشه بندی

شماره خوشه	تعداد اعضا	مرکز خوشه
		مطلوب ترین طرح	تعداد تراکنشات برای خود مشتری	تعداد تراکنشات برای دیگران	کل ثانیه های مکالمه­ی مشتری در تمام تراکنشات	پرداختی مشتری در تمام تراکنشات
1	6	471.000	233.167	1271.67	81416563	1563500
2	21150	58.323	15.141	5.73	1148616	563768
3	5604	59.707	33.948	13.85	2647216	1076629
4	455	114.963	77.404	47.82	6889697	1925675
5	45407	58.185	4.618	1.40	323383	174224

ماخذ: یافته‌های پژوهشگر

 

4-4- تعیین کلاس مالی هر خوشه

در این مرحله بنا داریم تا کلاس مالی هر خوشه را تعیین نماییم برای این منظور ابتدا به صورت فرضی هر خوشه ای که دارای بیشترین مقدار بعد "پرداختی مشتری در تمام تراکنشات" در مرکز خوشه خود باشد در کلاس مالی بالاتری قرار می گیرد در واقع چنین فرض می کنیم که یکی از دلایل بسیار مهم برای قرار گرفتن مشتریان در خوشه های مختلف تفاوت مبالغ پرداختی آنها به سازمان است. در جدول 7 کلاس مالی هر خوشه بر اساس میانگین پرداختی مشتریان آن خوشه مشخص شده است.

 

جدول 7- تعیین کلاس مالی هر خوشه بر اساس میانگین پرداختی مشتریان

شماره خوشه	میانگین پرداختی مشتری	کلاس مالی خوشه
1	1563500	4
2	563768	2
3	1076629	3
4	1925675	5
5	174224	1

ماخذ: یافته‌های پژوهشگر

 

 اکنون بنا داریم تا این فرضیه که فاکتور پرداختی مشتری در تمام تراکنشات به طور معناداری بر روی نحوه قرار گرفتن مشتریان در خوشه مختلف تاثیر گذار است را بیازماییم. برای این منظور از جدول ANOVA استفاده می کنیم که در آن فرض صفر فرض برابری پرداختی مشتریان هر خوشه در برابر فرض یک که فرض نابرابری آنها است قرار دارد. جدول 8 نتایج این آزمون آماری را نشان می دهد. همانطور که مشاهده می شود اختلاف بین پرداختی مشتریان هر خوشه تحت p-value برابر با صفر معنادار می باشد. در شکل 4 نمودار box plot نیز مقادیر پرداختی همه ی مشتریان در خوشه های مختلف را نشان می دهد.

 

جدول 8- جدول ANOVA برای آزمون آماری جهت بررسی معناداری اختلاف پرداختی مشتریان در هر خوشه

P-Value	F	MS	SS	DF	Source
0.000	15726.93	1.61055E+15	6.44219E+15	4	Cluster
		1.02407E+11	7.43649E+15	72617	Error
			1.38787E+16	72621	Total

ماخذ: یافته‌های پژوهشگر

 

 

شکل 4- نمودار box plot برای کل میزان پرداختی مشتریان در تمام تراکنشات در هر خوشه

 

4-5- انتخاب طرح های پیشنهادی برای هر مشتری

در این مرحله طرحهای استفاده شده توسط مشتریان هر خوشه مورد بررسی قرار می گیرد به طوری که تواتر استفاده از هر طرح به صورت نزولی مرتب می شود نتایج این بررسی در جدول 9 نشان داده شده است به عنوان مثال در خوشه 2 طرح شماره 40 با 10839 بار انتخاب توسط مشتریان این خوشه دارای بیشترین استفاده توسط مشتریان قرار گرفته در این خوشه است و محبوبترین طرح این خوشه محسوب می شود همچنین طرح های شماره 101، 104، 121 و 558 هر کدام تنها با 1 بار انتخاب توسط مشتریان این خوشه کمترین میزان استفاده را دارا می باشند. شماره طرحهایی که در زیل خوشه 2 نیامده است در واقع طرحهایی هستند که توسط هیچ یک از 21150 مشتری قرار گرفته در این خوشه انتخاب نشده اند.

 

جدول 9- فراوانی تعداد تکرار انتخاب هر طرح در هر خوشه

خوشه 1		خوشه 2		خوشه 3		خوشه 4		خوشه 5
طرح	تکرار	طرح	تکرار	طرح	تکرار	طرح	تکرار	طرح	تکرار
557	5	40	16352	40	4646	40	370	40	26996
558	5	62	8262	62	2530	62	221	62	12355
40	3	61	5903	61	1873	61	196	61	9276
58	3	63	5063	91	1627	91	180	63	6974
57	1	41	4660	41	1547	93	156	41	4757
91	1	91	3526	63	1497	41	136	64	3951
93	1	93	3437	93	1381	63	114	70	3467
		64	2984	64	819	557	83	93	3245
		70	2168	70	687	558	83	91	2475
		48	1652	47	561	70	72	48	1825
		557	1632	48	541	46	70	558	1762
		558	1632	46	535	64	67	557	1760
		47	1350	557	490	92	54	46	1271
		46	1287	558	490	47	49	47	1268
		101	1067	92	430	101	49	101	1065
		92	1058	101	417	48	43	92	970
		57	952	57	258	57	39	57	884
		65	730	105	224	58	39	65	716
		105	446	65	221	105	27	100	380
		58	424	58	182	-1	26	122	358
		-1	351	-1	160	65	16	105	295
		44	282	44	116	44	11	58	260
		100	213	100	75	103	8	44	242
		103	212	103	73	104	8	71	235
		122	170	122	65	100	6	-1	216
		121	120	104	47	49	5	103	189
		71	113	121	41	71	4	121	172
		104	110	120	37	102	4	120	157
		120	104	71	32	107	4	104	80
		341	65	341	27	120	4	341	76
		49	53	107	25	122	4	42	41
		342	49	38	23	341	4	342	38
		38	46	42	23	342	3	102	35
		42	37	342	20	38	2	49	34
		102	33	49	19	42	2	38	24
		107	17	102	9	121	2
		43	3	43	2
		39	2	343	2
		83	2
		343	2

ماخذ: یافته‌های پژوهشگر

در این مرحله از تحقیق قصد داریم تا طرحهای پیشنهادی به مشتریان را بر اساس تجزیه و تحلیل های انجام شده در مراحل قبل مشخص نماییم برای این منظور فرض می کنیم در صورتی که یک مشتری طرحی را در گذشته انتخاب کرده باشد از مزایا و معایب آن با خبر است لذا اگر استفاده­ی از آن طرح او را راضی کرده باشد در آینده نیز باز هم آن طرح را سفارش می دهد و اگر از طرح انتخاب شده راضی نباشد از سفارش آن در آینده خودداری خواهد کرد ما قصد داریم طرحهایی که متناسب با شرایط و رفتار مشتری است و مشتری به هر دلیلی از آنها استفاده نکرده و ممکن است از مزایا و معایب آنها بی اطلاع باشد، تحت عنوان سیاست های تبلیغی موجود در سازمان نظیر ارسال پیامک به او معرفی نماییم.

در این راستا ابتدا بر اساس تحلیل رفتار مشتریان موجود در یک خوشه خاص طرح پیشنهادی به مشتری مشخص می شود به طوری که پس از مشخص شدن فراوانی نزولی استفاده از هر طرح در هر خوشه به ترتیب از بالای لیست برای هر مشتری بررسی می کنیم که آیا این طرح قبلا توسط مشتری مورد استفاده قرار گرفته است یا خیر اگر پاسخ مثبت بود سراغ طرح بعدی لیست خواهیم رفت در غیر این صورت همان طرح تحت عنوان طرح تثبیت در خوشه به مشتری معرفی می شود. در ادامه جهت امکان ارتقا مشتری به کلاس مالی بالاتر پیشنهادی از خوشه با کلاس مالی بالاتر به او داده می شود روند انتخاب طرح از خوشه با کلاس مالی بالاتر دقیقا مشابه خوشه ی خود مشتری است فلوچارت 5 شکل کلی استخراج طرحهای پیشنهادی به مشتریان را نشان می دهد. که در آن i اندیس خوشه، j اندیس مشتری، k اندیس طرح های موجود در خوشه ای است که مشتری j به آن تعلق دارد و z اندیس طرحهای خوشه ای است که در کلاس مالی بالاتر نسبت به خوشه­ی i قرار دارد.

در ادامه با پیاده سازی روند فوق بر روی داده های بدست آمده از مراحل قبل طرحهای پیشنهادی برای تثبیت و ارتقا مشتریان در خوشه های مورد نظر بدست می آید. در جدول 10 از هر خوشه 5 مشتری انتخاب شده است تا خروجی حاصل از رویکرد پیشنهادی در این تحقیق نشان داده شود همانطور که مشاهده می شود برای هر سطر شماره مشتری، شماره خوشه­ای که مشتری به آن تعلق دارد، شماره خوشه با کلاس مالی بالاتر، طرح های استفاده شده توسط مشتری و طرح پیشنهادی تثبیت و ارتقا جهت معرفی و تبلیغ به مشتری آورده شده است.

 

 

شکل 5. فلوچارت تعیین طرحهای تثبیت و ارتقا برای هر مشتری در هر خوشه به صورت سفارشی

 

 

جدول 10- انتخاب طرحهای پیشنهادی تثبیت و ارتقا برای 25 مشتری به طور نمونه

طرح پیشنهادی برای ارتقا به خوشه­ی بالاتر	طرح پیشنهادی برای تثبیت در خوشه	طرح های استفاده شده توسط مشتری	شماره خوشه با کلاس مالی بالاتر	شماره خوشه	شماره مشتری
62	57	40, 58, 91, 557, 558	4	1	3213
62	40	557, 558	4	1	26591
62	40	58, 557, 558	4	1	44551
62	557	40, 93	4	1	56352
62	91	40, 57, 58, 557, 558	4	1	62822
91	62	40, 42, 47, 48, 57, 61, 63, 64, 101, 557, 558	3	2	6
91	63	40, 41, 61, 62, 93	3	2	8
62	40	41, 46, 58, 557, 558	3	2	12
61	62	40, 46	3	2	22
61	62	40, 41	3	2	25
557	61	40, 41, 62, 64, 65, 91, 93, 100, 101	1	3	7
557	62	40, 46, 48, 93	1	3	14
557	61	40, 48, 62, 93	1	3	36
557	62	40, 41, 91, 93, 101, 104, 105	1	3	45
557	40	41, 61, 62, 65	1	3	46
-	62	40, 46, 48, 120	-	4	3
-	62	40, 91, 92, 93	-	4	47
-	40	557, 558	-	4	97
-	61	40, 62	-	4	146
-	62	40, 41	-	4	163
61	62	40, 100	2	5	1
61	62	40, 91	2	5	2
61	62	40	2	5	4
61	62	40, 41	2	5	5
61	62	40	2	5	9

ماخذ: یافته‌های پژوهشگر

 

 

 

5- نتیجه گیری

امروزه با افزایش رقابت در بازارها و تغییر رویکرد از بازاریابی انبوه به بازاریابی مبتنی بر مشتری، مدیریت ارتباط با مشتری به عنوان مهم‌ترین استراتژی مدیریتی جهت حفظ و نگهداری مشتری، بقا در بازار و تصمیم‌گیری در مورد چگونگی تخصیص بهینه منابع مطرح است. از طرفی امروزه داده ها قلب تپنده فرایند تجاری بیشتر شرکت ها تلقی می شوند، آن ها فارغ از خرد و کلان بودن نوع صنعت در تمامی صنایع نظیر ارتباطات، تولید، بیمه، کارت اعتباری و بانکداری از طریق تعاملات در سیستم های عملیاتی شکل می گیرند. لذا نیازی به ابزاری است که بتوان داده های ذخیره شده را پردازش کرده و اطلاعات حاصل از آن را در اختیار کاربران قرار دهد. در این راستا سازمان های بسیاری در حال استفاده از داده کاوی برای کمک به مدیریت تمام فازهای ارتباط با مشتری هستند. این سازمان ها می تواند با برسی ویژگی ها و علت استفاده برخی از مشتریان از کالا ها و یا خدمات خود یا برسی علل عدم استقبال برخی از مشتریان از برخی کالاها نقاط قوت و ضعف خود را بیابند و در راستای بهبود کیفیت گام بردارند. در این تحقیق یک متدولوژی کارا جهت اتخاذ سیاست های بازاریابی برای سامانه مخابراتی 780 ارائه شده است. به طوری که بر اساس ویژگی های رفتاری مشتریان از دو رویکرد کلی برای این امر بهره برده می شود. این دو رویکرد به صورت طرحهای تثبیت و ارتقا برای هر مشتری به صورت سفارشی توسعه داده شده و بنا است تا با استفاده از روشهای تبلیغاتی موجود در سازمان به آنها معرفی شود.

آنچه تحت عنوان پیشنهادات برای تحقیقات آتی می توان مطرح نمود به این صورت است که در این پژوهش بیشتر به دنبال شناسایی گروه‌های مختلف مشتریان بر اساس ارزش آنها بودیم. در پژوهش‌های آتی می‌توان بر روی استراتژی‌های مناسب برای جلوگیری از ریزش مشتریان هر بخش، تحقیقات بیشتری انجام داد. همچنین محاسبه‌ی وزن متغیرها‌ی تراکنشی با استفاده از روش‌های سلسله مراتبی و استفاده از ابزارهای داده‌کاوی دیگری به جای K میانگین برای بخش بندی مشتریان می تواند جهت توسعه ­ مطالعه ی موجود مورد استفاده قرا گیرد.

 

 

 

 

---

1- دانشجوی دکتری،گروه مدیریت بازرگانی،واحد امارات، دانشگاه آزاد اسلامی،دوبی ،امارا ت متحده عربی،  [e-mail]  

2- استاد،گروه ریاضیات کاربردی، واحد علوم و تحقیقات، دانشگاه آزاد اسلامی،تهران،ایران، [e-mail]

3- دانشیار ،گروه مدیریت صنعتی،واحد تهران جنوب،دانشگاه آزاد اسلامی،تهران ،ایران (نویسنده مسئول)  [e-mail]

4- استاد،گروه مدیریت مالی،واحد علوم و تحقیقات،تهران،ایران، [e-mail]  

---

[i] Brown

[ii] Chatterjee

[iii] Feinberg & Kadam

[iv] Hsieh

[v] Cheng & Chen

[vi] Rough Set

[vii] Chang hua

[viii] Chan

[ix] Lee & Park

[x] Chang

[xi] Stone

[xii] Sheu

[xiii] Khajvand

[xiv] Tarokh

مراجع

 

 فهرست منابع

1)      Filippidou, D., Keane, J.A., Svinterikou, S. and Murray, J., Data Mining for Business Improvement: Applying the HyperBank Approach,PADD’98 - 2nd Int.Conf., on the Practical Application of Knowledge Discoveryand  Data Mining, Practical Application Company, 1998, pp.1-10.

2)      Hatamlou, A., 2013. Black hole: A new heuristic optimization approach for data clustering. Information Sciences, 222, 175–184.

3)      Fayyad, U., Shapiro, G.S. and Smyth, P., From Data Mining to Knowledge Discovery in Databases, AI Magazine, 1996, pp.37-54.

4)      Prasad Pramod Latesh G. Malik (June 2011). “Generating Customer Profiles for Retail Stores Using Clustering Techniques.” International Journal on Computer Science and Engineering (IGCSE), Vol. 3 No. 6.

5)      Malthouse E., Mulhern F. (September 2008). “Understanding and Using Customer Loyalty and Customer Value”, Journal of Relationship Marketing, Vol. 6, pp. 59-86.

6)      Brown, Stanley A., and Price Waterhouse Coopers. Customer relationship management: A strategic imperative in the world of e-business. John Wiley & Sons, Inc., 1999.

7)      Chatterjee, Arunabha, et al. "Manufacturing flexibility: Models and measurements." Proceedings of the first ORSA/TIMS special interest conference on FMS. Elsevier, Amsterdam, The Netherlands, 1984.

8)      Feinberg, Richard, and Rajesh Kadam. "E-CRM Web service attributes as determinants of customer satisfaction with retail Web sites." International Journal of Service Industry Management 13.5 (2002): 432-451.

9)      Seyed Hoseini SM., Maleki A., Gholamian MR. (2010). “Cluster Analysis Using Data Mining Approach to Develop CRM Methodology to Access The Customer Loyalty”, Expert Systems with Application, pp. 5259-5264.

10)  Stone M., Woodcock N., Wilson M. (2006). “Managing the Change from Marketing Planning to Customer Relationship Management”. Lomg Range Planning, 29, 675-683.

11)  Hsieh Nan-Chen (2004). “An Integrated Data Mining and Behavioral Scoring Model for Analyzing Bank Customer”, Expert System with Applications, Vol. 27, pp. 623-633.

12)  Chang Horng-Jinh, Hung Lun-Ping, Ho Chai-Lin (2007). “An Anticipation Model of Potential Customers, Purchasing Behavior Based on Clustering Analysis and Association Rules Analysis”, Expert System with Applications, Vol. 32, pp. 753-764.

13)  Chan, Chu Chai Henry. "Intelligent value-based customer segmentation method for campaign management: A case study of automobile retailer." Expert systems with applications 34.4 (2008): 2754-2762.

14)  Lee Jang Hee, Park Sang Chan (2005). “Intelligent Profitable Customers Segmentation System Based on Business Intelligence Tools” Expert Systes with Applications, Vol. 29, pp. 1[2]-152.

15)  Stone M., Woodcock N., Wilson M. (2006). “Managing the Change from Marketing Planning to Customer Relationship Management”. Lomg Range Planning, 29, 675-683.

16)  Sheu Jyh-Jian, Su Yan-Hua (2009). Chu Ko-Tsung, Segmenting Online Game Customers-The Perspective of Experiential Marketing, Expert System with Applications, Vol. 36, pp. 8487-8495.

17)  Chen, Jinghai, et al. "mir-17-92 cluster is required for and sufficient to induce cardiomyocyte proliferation in postnatal and adult hearts." Circulation research (2013): CIRCRESAHA-112.

18)  Namvar, Morteza, Mohammad R. Gholamian, and Sahand KhakAbi. "A two phase clustering method for intelligent customer segmentation." Intelligent Systems, Modelling and Simulation (ISMS), 2010 International Conference on. IEEE, 2010.

19)  Khajvand M., Zolfaghar K., Ashoori S., Alizadeh S. (February 2011). “Estimating Customer Lifetime Value Based On RFM Analysis of Customer Purchase Behavior: Case Study, Procedia Computer Science”, Vol. 3,pp.57-63.

20)  Khajvand, Mahboubeh, and Mohammad Jafar Tarokh. "Estimating customer future value of different customer segments based on adapted RFM model in retail banking context." Procedia Computer Science 3 (2011): 1327-1332.

21)  Kaufman L. and Rousseeuw P. J. (1990). Finding Groups in Data. An Iintroduction to Cluster Analysis. Wiley-Interscience.

22)  Hung Chihli, Tsai Chih-Fong (2008). “Market Segmentation Based on Hierarchical Self-Organization Map for Market of Multimedia on Demand”. Expert System with Applications, Vol. 34, pp. 780-787.

23) حسینی، میرزا حسن و مصطفی، احمدی نژاد (1382)"بررسی تأثیر رضایت مندی مشتری، اعتماد مشتری به نام تجاری و ارزش ویژه نام تجاری در وفاداری رفتاری ونگرشی مشتری: مطالعه موردی بانک رفاه" بررسی بازرگانی، شماره 88 ، ص: 42-51

24)  Tabaei, Zahra, Mohammad Fathian, and Mohammad Reza Gholamian. "Effective factors on electronic customers satisfaction." International Conference on Information and Financial Engineering. 2011.

25)  Brian S., Penn (2005). “Using self-Organizing Maps to Visualize High-Dimensional Data”. Computers & Geosciences, Volume 31, Pages 531–544.

26)  Kucukkan cabas, sh., Akyol, A., Ataman, berk. M. (2007). Examination of the Effects of the Relationship Marketing Orientation on the Company Performance, Springer.

27)  Kargari, Mehrdad, and Mohammad Mehdi Sepehri. "Stores clustering using a data mining approach for distributing automotive spare-parts to reduce transportation costs." Expert Systems with Applications 39.5 (2012): 4740-4748.

 

 

 

 

یادداشت‌ها