ارائۀ روشي جديد براي بخش‌بندي مشتريان بر اساس ميزان وفاداري آن‌ها و تعريف راهبردهايي مناسب براي هر بخش

Proposing a New Method for Customer Segmentation Based on Their Level of Loyalty and Defining Appropriate Strategies for Each Segment

ارزيابي وفاداري مشتريان مي‏تواند درراستاي بهبود فرايندهاي كسب‏وكار تأثير مهمي داشته باشد. روش‏هاي معمول ارزيابي وفاداري مشتريان، صرفاً با تكيه بر سه مؤلفۀ تازگي (R)، تعداد دفعات (F) و ارزش پولي (M) طراحي شده‏اند. در اين پژوهش چند عامل مؤثر ديگر شامل تعداد ‏كالاهاي خريداري‌شده، تعداد ‏كالاهاي برگشتي، مبلغ تخفيف و تأخير در توزيع به تحليل اضافه شدند و تأثير هر يك بر بالارفتن كيفيت ارزيابي سنجيده شد. هدف پژوهش ارائۀ مدلي جديد براي بخش‏بندي مشتريان براساس ميزان وفاداري آنها و تعيين راهبردهايي مناسب براي هر بخش است. مجموعۀ دادۀ اين پژوهش به يكي از عمده‏فروشي‎هاي مواد غذايي اختصاص دارد. داده‏ها در نرم‏افزار Clementine و با استفاده از شبكه‏هاي عصبي MLP، RBF و الگوريتم Kmeans تحليل شدند. نتايج پژوهش نشان مي‏دهد روش پيشنهادي بالاترين سطح دقت را در پيش‏بيني ميزان وفاداري مشتريان دارد. براساس روش پيشنهادي، مشتريان از نظر وفاداري به پنج خوشه (مشتريان وفادار؛ بالقوه؛ جديد؛ از‌دست‏رفته و مشتريان روي‌گردان) تقسيم شدند كه ويژگي‏هاي هر خوشه براساس وضعيت هفت عامل بيان شد و براساس اين ويژگي‏ها راهبردهاي مناسبي براي مديريت مشتريان هر بخش ارائه شد.

The evaluation of customer loyalty have a significant impact on improving business processes. Ordinary methods of customer loyalty evaluation have been designed based on three components including recency of transactions (R), the frequency of transactions (F) and the monetary value of transactions (M). In this study, it has been attempted to examine some affective factors, including the total number of purchased goods, returned goods, discounts and the average delay of distribution and their impact on increasing quality of assessment be measured. The main objective of the current study is to propose a new model for customer segmentation based on their level of loyalty and to define appropriate strategies for each segment. The data set for this study is obtained for the customers of a food wholesale. The obtained data have been analyzed using Clementine 14.2 software application using MLP and RBF neural networks as well as the Kmeans algorithm. The results of the study show that the proposed method provides the highest level of accuracy for predicting the customers’ loyalty. Based on this proposed method, the customers are divided into five clusters (Loyal, potential, new, lost and churn customers) from the point of view of loyalty, with the characteristics of each cluster expressed based on the status of seven factors. Based on these characteristics, appropriate approaches for managing the customers in each segment are proposed.