طبقه‌بندی نیازهای مشتریان و تجزیه و تحلیل رفتار آنها با استفاده از الگوی تلفیقی کانو و قوانین انجمنی

نوع مقاله: مقاله پژوهشی

نویسندگان

1 عضو هیِئت علمی گروه مدیریت دانشگاه اصفهان

2 دانشجوی کارشناسی ارشد مدیریت صنعتی دانشگاه اصفهان

چکیده

هدف از این مقاله، ارائه الگوی تلفیقی از مدل کانو و قوانین انجمنی به منظور طبقه بندی نیازهای مشتریان و تجزیه و تحلیل رفتار آنها است. جامعه آماری این تحقیق شامل مشتریان بانک سامان قم بوده ، پس از نمونه­گیری تصادفی ساده، تعداد 144 پرسشنامه برای تجزیه و تحلیل داده­ها استفاده شده است. در این تحقیق، بعد از جمع­آوری داده­ها، نیازهای مشتریان به وسیله مدل کانو طبقه­بندی و در ادامه به وسیله قوانین انجمنی، ارتباط میان ویژگی‌های جمعیت شناختی مشتریان و نتایج حاصل شده از مدل کانو، مشخص شده است. یافته‌های تحقیق نشان می دهد که ویژگی‌های جمعیت شناختی مشتریان به طور آشکاری بر نوع نیازهای آنها تاثیر گذاشته است. نتایج حاصل از این تحقیق می‌تواند به شکل مؤثری در تدوین استراتژی‌های بازاریابی به منظور جلب رضایت مشتریان و همچنین در بخش بندی بازار استفاده شود .

کلیدواژه‌ها


عنوان مقاله [English]

Classification of Customers' Needs and Analyzing Their Behavior Using Integrated Model of Kano and Association Rules

نویسندگان [English]

  • Arash Shahin 1
  • Reza Salehzadeh 2
1 Assistant Professor, Faculty of Administrative Sciences and Economics, University of Isfahan
2 M.Sc. in Industrial Management, University of Isfahan
چکیده [English]

The purpose of this paper is to propose an integrated model of Kano and Association rules for classification of customers' needs and analyzing their behavior. Statistical population of this research includes customers of Saman Bank of Qom. After random sampling, 144 questionnaires have been used for data analysis. After data collection, the needs of customers have been classified using the Kano methodology and then the relationship between customers demographical characteristics and results of the Kano model have been discovered. The findings show that customers' demographical characteristics have obviously influenced their typical needs. The results of this paper can be effectively used in marketing strategies formulation for achieving customer satisfaction as well as in market segmentation.

کلیدواژه‌ها [English]

  • kano model
  • Data Mining
  • Association Rules
  • Customer Satisfaction

1- مقدمه

در سال‌های اخیر مشارکت دادن مشتریان در طراحی محصولات و خدمات جدید، به عنوان یک عامل بسیار مهم برای موفقیت شرکت‌ها در نظر گرفته می شود (Svendsen et al., 2011). تضمین کیفیت با نیازهای مشتری شروع شده، با رضایت او پایان می‌پذیرد؛ بنابراین، تولیدکنندگان باید به ندای مشتری در سراسر مراحل طراحی محصولات و خدمات توجه کنند (NI et al, 2007). این که شرکت‌ها چگونه می‌توانند مشتریان خود را بشناسند؛ چه چیزی واقعاً برای مشتریان اهمیت دارد؛ خواسته‌ها و نیازهای واقعی مشتریان چه چیزهایی هستند؛ مشتریان چگونه انگیزه خرید پیدا می کنند و چه چیزی باعث رضایت مشتریان می شود؛ نیازمند روش‌های تحقیقات بازاریابی است. توجه به رضایت مشتری و برآورده کردن نیازهای وی، روز به روز اهمیت بیشتری پیدا می کند (Xu et al., 2009)؛ بنابراین، شناسایی نیازهای مشتریان و تبدیل آنها به ویژگی­های طراحی محصولات و خدمات، امری حیاتی برای رقابتی ماندن در بازار است(Tontini, 2003). تحقیقاتی که در سال‌های اخیر در زمینه رضایت مشتریان انجام شده، پیشنهاد می کند که ویژگی‌های محصولات و خدمات می توانند در سه طبقه عوامل الزامی، یک بعدی و جذاب طبقه بندی شوند که همۀ این عوامل بر رضایت و نارضایتی مشتریان تاثیرگذار هستند(Nilsson-Witell and Fundin, 2005). این عوامل از مدل کانو(1984) که مربوط به طبقه بندی نیازهای مشتریان است، ریشه گرفته است. مدل کانو به عنوان یکی از مدل‌های رایج کیفیت، امروزه توجه بسیاری از محققان بازاریابی را به خود جلب کرده است. این مدل به محققان اجازه می‌دهد تا با تجزیه و تحلیل ادراکات مشتریان از ویژگی‌های محصولات و خدمات، فهم عمیقتری از ترجیحات آنها به دست آورند (Gruber et al, 2008). در اکثر تحقیقاتی که به وسیله مدل کانو انجام گرفته است، فقط به طبقه بندی نیازهای مشتریان بسنده شده و تاثیر ویژگی‌های جمعیت شناختی مشتریان بر روی نتایج حاصل شده بررسی نشده است (Song Zhu et al., 2010)؛ در صورتی که مشتریان با ویژگی‌های جمعیت شناختی متفاوت، ترجیحات متفاوتی در مورد ویژگی‌های خدمات خواهند داشت (Lai and Wu, 2011).

مشتریان به علت باورهای مختلفی که با توجه به مسائل اجتماعی(مذهب، سیاست­ها و ...) و یا علایق شخصی(خانواده، دوستان، خرید، بهداشت و ...) دارند، ممکن است رفتار و یا ترجیحات متفاوتی داشته باشند (Urban and Hauser, 1993). یکی از بهترین روش‌ها برای استخراج الگوهای رفتاری مشتریان، استفاده از الگوریتم‌های داده کاوی است. داده کاوی یکی از تکنیک‌های هوش مصنوعی است که به منظور تجزیه و تحلیل در مقدار زیادی از داده‌ها، برای کشف الگوها و قوانین معنی دار توسعه یافته است.(Edelstein, 1997)  تکنیک‌های داده کاوی با استفاده از روش‌های آماری و هوش مصنوعی، الگوهای رفتاری مشتریان را استخراج کرده، در مورد آنها دانش بسیار زیادی حاصل می کنند. از داده کاوی می­توان به صورت گسترده ای در حمایت از تصمیمات بازاریابی استفاده نمود (Bose & Mahapatra, 2001; Show et al., 2001). پراهمیت ترین وظایف در داده کاوی، کشف آیتم‌های تکراری و قوانین انجمنی است
(Shankar and Purusothaman, 2009). با استفاده از قوانین انجمنی می‌توان وابستگی‌ها و ارتباطات بین داده‌های موجود در یک پایگاه داده را کشف کرد. بنابراین، با توجه به مطالب بیان شده، پس از طبقه بندی نیازهای مشتریان به وسیله مدل کانو، با استفاده از قوانین انجمنی می توان ارتباط میان ویژگی‌های جمعیت شناختی مشتریان و نتایج حاصل شده از مدل کانو را استخراج و رفتار مشتریان را تجزیه و تحلیل کرد. با مرور در ادبیات تحقیق به نظر نمی‌رسد تاکنون تحقیقی در زمینه استفاده از قوانین انجمنی در مدل کانو صورت گرفته باشد و تحقیق حاضر نخستین تحقیقی است که در این زمینه انجام می‌گیرد. مدل کانو تاکنون در بسیاری از زمینه‌ها به صورت موفقیت آمیز به کار گرفته شده است (Shahin and Zairi, 2009). قوانین انجمنی نیز در بسیاری از حوزه‌ها استفاده شده است
(Shankar and Purusothaman, 2009 and Sanchez et al., 2009)، ولی همان گونه که ذکر شد، تاکنون تحقیقی که به صورت همزمان از این دو استفاده کرده باشد، صورت نگرفته است. از تحقیقاتی که تا حدودی مرتبط با موضوع تحقیق حاضر باشند، دو مورد در ادبیات تحقیق یافت شد. سونگ ژو و همکاران[1](2010)، در تحقیقی که در سه مرحله و با 330 نمونه آماری از کاربران دوربین دیجیتال انجام دادند؛ در ابتدا نیازهای مشتریان را به وسیله مدل کانو طبقه بندی و سپس از تجزیه و تحلیل اهمیت-عملکرد استفاده نمودند و در ادامه، تاثیر ویژگی‌های جمعیت شناختی را بر روی نتایج حاصل شده از مدل کانو بررسی کردند. برای این منظور، پنج ویژگی جمعیت شناختی شامل جنسیت، سن، تحصیلات، شغل و درآمد را در نظر گرفته، با آنالیز واریانس، این ارتباط را آزمایش نمودند. نتایج تحقیق آنها نشان داد که ویژگی‌های جمعیت شناختی به طور معنی داری بر نتایج حاصل شده از مدل کانو تاثیرگذار است. شاهین و علی پور(1389) در تحقیق خود که در شعب بانک صادارات اصفهان و با 100 نمونه آماری انجام دادند؛ در ابتدا نیازهای مشتریان را به وسیله مدل کانو طبقه بندی کرده، در ادامه، تاثیر ویژگی‌های جمعیت شناختی را بر روی نتایج حاصل شده از مدل کانو بررسی نمودند. برای این منظور، پس از طبقه بندی نیازها به وسیله مدل کانو، به وسیله آنالیز واریانس و همچنین آزمون مقایسه میانگین دو جامعه، تاثیر ویژگی‌های جمعیت شناختی شامل جنسیت، سن، تحصیلات، شغل و درآمد را آزمون نمودند. نتایج تحقیق آنها نشان داد که اکثر این عوامل جمعیت شناختی تاثیر روشنی بر نتایج حاصل از مدل کانو دارند؛ به گونه ای که در جامعه‌های مختلف، میانگین  پاسخ‌ها به طور مشهودی متفاوت بوده، تنها در مورد عامل شغل این نتیجه گیری به روشنی بقیه نیست.

 در تحقیقات فوق با استفاده از تکنیک‌های آماری و تنها به صورت کلی، تاثیر ویژگی‌های جمعیت شناختی بر روی نتایج حاصل از مدل کانو آزمون شده است، اما در تحقیق حاضر با استفاده از قوانین انجمنی، ارتباط میان ویژگی‌های جمعیت شناختی مشتریان و هریک از نیازها به تفکیک و به صورت جداگانه بررسی و تجزیه و تحلیل شده است که نتایج حاصل از آن می‌تواند به شکل مؤثری در تدوین استراتژی‌های بازاریابی و همچنین، بخش بندی مشتریان استفاده شود. بنابراین، اهداف این مقاله عبارتند از: 1-طبقه بندی نیازهای مشتریان به وسیله مدل کانو؛ 2-بررسی ارتباط میان ویژگی‌های جمعیت شناختی مشتریان و نتایج حاصل شده از مدل کانو به وسیله قوانین انجمنی و 3-تجزیه و تحلیل رفتار مشتریان و نتایج حاصل شده از دو مرحله قبل. برای این منظور، در ادامه مقاله پس از تشریح مبانی نظری مدل کانو و داده کاوی، الگوی پیشنهادی ارائه شده است و در انتها این مدل در بانک سامان قم ارزیابی می‌گردد.

 

 

 

2- مدل کانو

مدل کانو برای نخستین بار در سال 1984 از سوی پرفسور نوریاکی کانو توسعه داده شد. این مدل قادر است تا بین سه نوع نیازهای یک محصول که از راه‌های مختلف بر روی رضایت مشتری اثرگذار هستند، تمایز ایجاد کند. این سه نوع نیاز عبارتند از: 1. نیازهای الزامی؛ 2. نیازهای تک بعدی؛ و 3.نیازهای جذاب(Kano et al., 1984).

 نیازهای الزامی(M): به آن بخش از خصوصیات محصول یا خدمت اطلاق می شود که در صورت ارضا شدن، اثر ناچیزی بر روی مشتری خواهند داشت، ولی در صورتی که به طور کامل ارضا نشوند، مشتری بسیار ناراضی خواهد شد.

 نیازهای یک بعدی(O): ارضای این نوع نیازها رابطه‌ای خطی با سطح رضایت دارد؛ به این معنی که هرچه بیشتر این نیاز تکمیل شود، رضایت مشتری بیشتر تامین می‌شود.

 نیازهای جذاب(A): ارضای این نیازها، رضایت مشتری را تا سطح بالایی برآورده کرده، اگر مشتری آنها را دریافت نکند، احساس نارضایتی نمی‌کند. علاوه بر نیازهای الزامی، یک بعدی و جذاب؛ نیازهای بی‌تفاوت، معکوس و سوال برانگیز نیز به عنوان نتایجی از مدل کانو می‌توانند وجود داشته باشند(Berger et al., 1993).

 نیازهای بی تفاوت(I): وجود و یا عدم یک ویژگی، نه باعث رضایت و نه باعث عدم رضایت می‌شود.

 نیازهای معکوس(R): رعایت ویژگی به صورت مطلوب، باعث عدم رضایت می شود و رعایت نکردن آن ویژگی، باعث رضایت خواهد شد.

نیازهای سؤال برانگیز(Q): بیانگر زمانی است که مشتری سؤال را نفهمیده باشد، نسبت به یک سؤال سوء‌تفاهم ایجاد شود، شرایط طرح سؤال مناسب نباشد و یا اطلاعات موجود در سؤال ناقص باشد. مدل کانو در شکل 1 نمایش داده شده است.

 

 

شکل1: مدل کانو(Kano et al., 1984)

 

 

 

 

 

 

 

 


3-داده کاوی

دانش نوین داده کاوی، یکی از ده دانش در حال توسعه ای است که دهه آینده را با انقلاب تکنولوژیک مواجه خواهد ساخت و در سال­های اخیر گسترش فوق‌العاده سریعی داشته است (Marban et al., 2008). پژوهش­های جدی بر روی داده کاوی از اوایل دهه90 شروع شده و از آن پس، مطالعات زیادی در این زمینه انجام شده است (Hand, 1998). کاربرد داده کاوی در سازمان‌های امروزی به طور فزاینده ای با اهمیت شده (Muata & Bryson, 2010)؛ و با توجه به افزایش روزافزون شدت رقابت، نیاز شرکت­ها برای فهمیدن دانشی که در داده‌هایشان پنهان است، بیش از گذشته شده است و به همین علت، درسال­های اخیر، منابع بیشتری در پروژه­های داده کاوی سرمایه­گذاری می‌کنند (Marban et al., 2008).  داده کاوی عبارت است از استخراج اطلاعات و دانش و کشف الگوهای پنهان از یک پایگاه داده بسیار بزرگ و پیچیده (Berry & Linhoff, 1999). داده کاوی فرآیندی مستمر و شامل گام‌های زیر است: 1-تعریف مسأله؛ 2-آماده سازی داده­ها؛ 3-داده کاوی و ساخت مدل؛ 4-تجزیه و تحلیل و ارزیابی مدل؛ 5-تفسیر و استخراج دانش و 6- استفاده از دانش کشف شده (Sahay & Mehta, 2010., Dzeroski, 2008).

 

3- 1- قوانین انجمنی

 پراهمیت‌ترین وظایف در داده کاوی کشف قوانین انجمنی است(Shankar and Purusothaman, 2009) . با استفاده از قوانین انجمنی می‌توان وابستگی‌ها و ارتباطات بین داده‌های موجود در یک پایگاه داده را کشف کرد(Mitchell, 1999). قانون انجمنی، یک استنتاج به صورت  X→Yاست ؛ به طوری که X و Y مجموعه اقلام ناسازگار هستند. این قانون انجمنی، حامل این مفهوم است که تراکنش‌های شاملX، احتمالا شامل Y نیز خواهند بود. هر قانون انجمنی دارای دو معیار اطمینان و پشتیبان است. اطمینان قانون انجمنیX→Y، نسبت تعداد تراکنش‌های شامل X و Y به تعداد تراکنش‌های شاملX است و پشتیبان، نسبت تعداد تراکنش‌های شامل X و Y به تعداد کل تراکنش‌هاست (Agrawal et al., 1993).

 

4-روش شناسی تحقیق

این تحقیق از نظر هدف، نظری- کاربردی و از نظر ماهیت از نوع توصیفی- پیمایشی است. جامعه آماری شامل مشتریان بانک سامان قم بوده، برای نمونه­گیری، از روش نمونه­گیری تصادفی ساده استفاده شد. تعداد 160 پرسشنامه در فاصله زمانی یک ماهه توزیع شد که از این 160 پرسشنامه، 16 پرسشنامه دارای اطلاعات ناقص و مبهم بودند که حذف شدند و در نهایت، تعداد 144 پرسشنامه برای تجزیه و تحلیل داده­ها استفاده شد. پرسشنامه این تحقیق شامل دو قسمت بود که در قسمت اول سؤال‌های جمعیت شناختی مشتریان بانک و در قسمت دوم، 21 مورد از نیازهای مشتریان در مورد خدمات بانکی قرار داشت. سؤال‌های قسمت دوم پرسشنامه از طریق مطالعات کتابخانه­ای و مصاحبه با تعدادی از مشتریان و صاحبنظران تعیین گردید. روایی هر دو قسمت پرسشنامه از روش دلفی تأیید شد و برای محاسبه پایایی پرسشنامه­ها هم از ضریب آلفای کرونباخ استفاده گردید که پایایی پاسخ‌های ارائه شده به شکل مثبت سؤال‌های کانو، 6/83% و پایایی پاسخ‌های ارائه شده به شکل منفی سؤال‌های کانو، 4/87% به­دست آمد. نرم­افزارهای مورد استفاده در این تحقیق Excel و Weka هستند. الگوی پیشنهادی و مراحل انجام این تحقیق در شکل 2 نمایش داده شده است.

 

 

 

 

شکل2: الگوی پیشنهادی

 

 

 پس از جمع آوری داده‌ها، ویژگی‌های خدمات به وسیله مدل کانو طبقه بندی می‌شوند. سپس ارتباط میان ویژگی‌های جمعیت شناختی مشتریان و نتایج حاصل شده از مدل کانو به وسیله قوانین انجمنی کشف می‌گردد و در انتها قوانین استخراج شده، تجزیه وتحلیل می شوند. در تحقیق حاضر، برای کشف قوانین انجمنی از الگوریتم Apriori استفاده می شود. همچنین برای اینکه قوانین استخراج شده از اعتبار خوبی برخوردار باشند، حداقل ضریب اطمینان 50 درصد در نظر گرفته می‌شود.

 

 

5-مطالعه موردی

با توجه به الگوی پیشنهادی، یک مطالعه موردی در بانک سامان قم صورت گرفته است. بانک سامان یکی از بانک­های جوان کشور است که به عنوان سومین بانک خصوصی کشور و اولین عضو گروه مالی سامان، تحت نظارت بانک مرکزی، مرداد ماه 1381 آغاز به کار کرده است (Saman bank, 2010). بانک سامان تنها یک شعبه در استان قم دارد که این شعبه فعالیت خود را از سال 1382 و با تعداد 4 نفر پرسنل آغاز کرده است و هم اکنون دارای 14 نفر پرسنل است. طبق الگوی پیشنهادی مراحل انجام این مطالعه موردی به صورت زیر است:

5-1-طبقه بندی نوع خدمات با استفاده از مدل کانو

با استفاده از قسمت دوم پرسشنامه، 21 مورد از خدماتی که بانک به مشتریان ارائه می دهد، به صورت یک زوج سوال مطرح شد که پاسخ هر سوال شامل پنج گزینه بود ودر نهایت، با استفاده از جدول ارزیابی مدل کانو، ویژگی­ها دسته­بندی گردیدند که نتایج در جدول 1 نشان داده شده است.


 

جدول1: طبقه بندی نوع خدمات به وسیله مدل کانو

فراوانی پاسخ‌ها

سؤال‌ها

طبقه

I

A

O

M

M

6

21

53

64

1. محل قرار گرفتن شعبه از نظر سهولت برای دسترسی و محل پارک اتومبیل

O

23

11

98

12

2. مشخص بودن بخش‌های مختلف درون بانک

O

22

8

59

55

3 اطلاع رسانی خدمات بانکی به­وسیله تلفن گویا یا سایت اینترنتی

O

49

8

52

35

4. اطلاع رسانی حمایتی از مشتری (جلوگیری از جریمه شدن‌ها و...)

O

3

35

65

41

5. مرکز اطلاع رسانی در داخل شعبه (فرد مطلع، بروشور)

M

 

7

11

126

6. امکانات رفاهی (صندلی، اسکناس شمار و سیستم تهویه)

M

34

15

47

48

7. امنیت مناسب برای بانک (نگهبان، سیستم حفاظتی)

M

36

5

26

77

8. آگاهی و تخصص رئیس شعبه

O

4

21

73

46

9. برخورد مناسب کارکنان با مشتری

A

 

51

43

50

10. اهمیت دادن به وقت مشتری توسط کارکنان

I

71

32

33

8

11. وضعیت ظاهری کارکنان (مرتب بودن، موجه بودن)

O

1

35

68

40

12. سرعت و دقت کارکنان در انجام عملیات بانکی

O

21

19

80

24

13. ارائه خدمات بانکداری اینترنتی

A

 

75

64

5

14. کاهش میزان کارمزد حوالجات ارزی

A

 

111

30

3

15. کم کردن سود تسهیلات

O

 

52

67

25

16. افزایش مدت زمان بازپرداخت تسهیلات

A

28

94

16

6

17. دعوت از مشتریان برای شرکت در سمینارها

M

 

 

6

138

18. محرمانه نگه داشتن اطلاعات و مشخصات مشتری

A

7

53

70

14

19. واحد رسیدگی به شکایات و انتقادات

A

36

65

40

3

20. امکان دنبال کردن آخرین خبرها از بورس، قیمت طلا و ... از همان مرکز

O

4

9

68

63

21. فیش‌های از پیش نوشته شده برای واریز به حساب‌های پرکاربرد مثل دانشگاه

M=الزامی

O=یک بعدی

   A=جذاب

   I=بی تفاوت

             

 

 

 

 

 

 

 


5-2-کشف قوانین انجمنی

پس از طبقه بندی نوع خدمات به وسیله مدل کانو، ارتباط ویژگی‌های جمعیت شناختی مشتریان و نتایج حاصل شده از مدل کانو، به وسیله قوانین انجمنی مورد کاوش قرار گرفت. برای انتخاب ویژگی‌های جمعیت‌شناختی باید معیارهایی در نظر گرفته می شد که برای بانک با اهمیت باشند تا مسؤولان بانک بتوانند پس از کشف قوانین و با توجه به اهمیت معیارها، استراتژی‌های بازاریابی خود را تدوین و با استفاده از آنها مشتریان را بخش بندی کنند. برای این منظور، با استفاده از نظر کارشناسان، چهار معیار شناسایی و داده‌های مربوط به مشتریان به صورت زیر جمع آوری گردید:

1-تحصیلات دانشگاهی: به صورت زیر دیپلم و دیپلم، فوق دیپلم، لیسانس و فوق لیسانس و بالاتر مورد سؤال واقع شد.

2- درآمد: به صورت100 تا 400 هزار، 400 تا 700، 700 هزار تا یک میلیون و بیشتر از یک میلیون مورد سؤال واقع شد.

3- میانگین تعداد دفعات انجام کار بانکی در طول هفته (حضوری و غیرحضوری): به صورت 1 یا 2 بار، 3 یا 4 بار، 5 یا 6 بار و بیشتر از6 بار مورد سؤال واقع شد.

4- انجام کارهای بانکی به صورت غیر حضوری: به صورت بله و خیر مورد سوال واقع شد.

پس از جمع­آوری اطلاعات از مشتریان، باید عمل هم مقیاس­سازی روی متغیرها انجام شود که به صورت زیر انجام گردید:

میزان تحصیلات: زیر دیپلم و دیپلم=A، فوق دیپلم=B، لیسانس=C، فوق لیسانس و بالاتر=D

میزان درآمد ماهیانه: 100 تا 400 هزار=A، 400 تا 700 هزار=B، 700 هزار تا یک میلیون=C، بیشتر از یک میلیون=D

میانگین تعداد دفعات انجام کار بانکی: یک یا دو بار=A، سه یا چهار بار =B، پنج یا شش بار=C، بیشتر از شش بار=D

انجام کارهای بانکی به صورت غیر حضوری: بله=A، خیر=B

پس از هم مقیاس­سازی، داده­های مربوط به ویژگی‌های جمعیت شناختی مشتریان و نتایج حاصل از طبقه بندی نیازها به وسیله مدل کانو(به تفکیک برای هر مشتری)، وارد نرم افزار اکسل شده، با پسوند CSV ذخیره گردید. پس از فراخوانی فایل مربوطه با نرم­افزار Weka، با استفاده از الگوریتم Apriori، ارتباط هر ویژگی جمعیت شناختی با نتایجی که به وسیله مدل کانو برای هر یک از نیازها به دست آمده بود، مورد کاوش قرار گرفت که نتایج به دست آمده در جدول 2 مشاهده می شود.

 

 

جدول2: قوانین استخراج شده به وسیله الگوریتم Apriori

شماره

قوانین استخراج شده

شماره

قوانین استخراج شده

1

اگر تحصیلات=C

آنگاه نیاز 1=O

(38,70/0)

2

اگر تحصیلات=B

آنگاه نیاز 1=M

(33,69/0)

3

اگر تحصیلات=B

آنگاه نیاز 2=O

(41,85/0)

4

اگر تحصیلات=C

آنگاه نیاز 2=O

(42,78/0)

5

اگر تحصیلات=A

آنگاه نیاز 2=I

(19,66/0)

6

اگر تحصیلات=B

آنگاه نیاز 3=M

(43,90/0)

7

اگر تحصیلات=C

آنگاه نیاز 3=O

(46,85/0)

8

اگر تحصیلات=A

آنگاه نیاز 3=I

(21,72/0)

9

اگر تحصیلات=A

آنگاه نیاز 4=M

(26,90/0)

10

اگر تحصیلات=C

آنگاه نیاز 4=I

(43,80/0)

11

اگر تحصیلات=B

آنگاه نیاز 4=O

(36,75/0)

12

اگر تحصیلات=A

آنگاه نیاز 5=M

(24,83/0)

13

اگر تحصیلات=B

آنگاه نیاز 5=O

(35,73/0)

14

اگر تحصیلات=B

آنگاه نیاز 6=M

(45,94/0)

15

اگر تحصیلات=C

آنگاه نیاز 6=M

(48,89/0)

16

اگر تحصیلات=A

آنگاه نیاز 6=M

(23,79/0)

17

اگر تحصیلات= C

آنگاه نیاز 7=I

(26,76/0)

18

اگر تحصیلات=A

آنگاه نیاز 7=M

(17,59/0)

19

اگر تحصیلات=A

آنگاه نیاز 8=M

(27,93/0)

20

اگر تحصیلات=B

آنگاه نیاز 9=O

(30,63/0)

21

اگر تحصیلات=A

آنگاه نیاز 9=M

(16,55/0)

22

اگر تحصیلات=C

آنگاه نیاز 10=A

(47,87/0)

23

اگر تحصیلات=A

آنگاه نیاز 10=M

(23,79/0)

24

اگر تحصیلات=A

آنگاه نیاز 11=I

(25,86/0)

25

اگر تحصیلات=C

آنگاه نیاز 11=I

(36,67/0)

26

اگر تحصیلات=C

آنگاه نیاز 12=O

(39,72/0)

27

اگر تحصیلات=A

آنگاه نیاز 12=M

(18,62/0)

28

اگر تحصیلات=C

آنگاه نیاز 13=O

(48,89/0)

29

اگر تحصیلات=B

آنگاه نیاز 13=O

(31,65/0)

30

اگر تحصیلات=A

آنگاه نیاز 13=I

(17,59/0)

31

اگر تحصیلات=C

آنگاه نیاز 14=A

(47,87/0)

32

اگر تحصیلات=A

آنگاه نیاز 14=O

(24,83/0)

33

اگر تحصیلات=C

آنگاه نیاز 15=A

(50,93/0)

34

اگر تحصیلات=B

آنگاه نیاز 15=A

(41,85/0)

35

اگر تحصیلات=A

آنگاه نیاز 15=O

(20,69/0)

36

اگر تحصیلات=B

آنگاه نیاز 16=O

(44,92/0)

37

اگر تحصیلات=C

آنگاه نیاز 16=A

(47,87/0)

38

اگر تحصیلات=A

آنگاه نیاز 16=M

(21,72/0)

39

اگر تحصیلات=B

آنگاه نیاز 17=A

(44,92/0)

40

اگر تحصیلات=A

آنگاه نیاز 17=A

(26,90/0)

41

اگر تحصیلات=C

آنگاه نیاز 17=I

(24,86/0)

42

اگر تحصیلات=C

آنگاه نیاز 18=M

(53,98/0)

43

اگر تحصیلات=B

آنگاه نیاز 18=M

(47,98/0)

44

اگر تحصیلات=A

آنگاه نیاز 18=M

(27,93/0)

45

اگر تحصیلات=C

آنگاه نیاز 19=O

(43,80/0)

46

اگر تحصیلات=A

آنگاه نیاز 19=A

(17,59/0)

47

اگر تحصیلات=B

آنگاه نیاز 19=O

(26,54/0)

48

اگر تحصیلات=A

آنگاه نیاز 20=A

(20,69/0)

49

اگر تحصیلات=B

آنگاه نیاز 20=O

(22,55/0)

50

اگر تحصیلات=A

آنگاه نیاز 21=M

(21,72/0)

51

اگر تحصیلات=C

آنگاه نیاز 21=O

(37,69/0)

52

اگر تحصیلات=B

آنگاه نیاز 21=M

(27,56/0)

53

اگر درآمد=D

آنگاه نیاز 1=M

(22,63/0)

54

اگر درآمد=B

آنگاه نیاز 1=O

(38,61/0)

55

اگر درآمد=D

آنگاه نیاز 2=I

(19,83/0)

56

اگر درآمد=C

آنگاه نیاز 2=O

(38,81/0)

57

اگر درآمد=B

آنگاه نیاز 2=O

(47,76/0)

58

اگر درآمد=C

آنگاه نیاز 3=M

(36,77/0)

59

اگر درآمد=B

آنگاه نیاز 3=O

(47,76/0)

60

اگر درآمد=D

آنگاه نیاز 3=I

(21,60/0)

61

اگر درآمد=C

آنگاه نیاز 4=O

(36,77/0)

62

اگر درآمد=D

آنگاه نیاز 4=M

(26,74/0)

63

اگر درآمد=B

آنگاه نیاز 4=I

(44,71/0)

64

اگر درآمد=B

آنگاه نیاز 5=A

(30,86/0)

65

اگر درآمد=C

آنگاه نیاز 5=O

(37,79/0)

66

اگر درآمد=D

آنگاه نیاز 5=M

(24,69/0)

67

اگر درآمد=C

آنگاه نیاز 6=M

(42,89/0)

68

اگر درآمد=B

آنگاه نیاز 6=M

(55,89/0)

69

اگر درآمد =D

آنگاه نیاز 6=M

(29,83/0)

70

اگر درآمد =B

آنگاه نیاز 7=I

(26,76/0)

71

اگر درآمد =D

آنگاه نیاز 7=M

(18,51/0)

72

اگر درآمد =B

آنگاه نیاز 8=I

(30,83/0)

73

اگر درآمد =D

آنگاه نیاز 8=M

(28,80/0)

74

اگر درآمد =C

آنگاه نیاز 8=M

(32,68/0)

75

اگر درآمد =C

آنگاه نیاز 9=O

(28,60/0)

76

اگر درآمد =B

آنگاه نیاز 9=O

(34,55/0)

77

اگر درآمد =D

آنگاه نیاز 9=M

(19,54/0)

78

اگر درآمد =D

آنگاه نیاز 10=M

(29,83/0)

79

اگر درآمد =B

آنگاه نیاز 10=A

(48,77/0)

80

اگر درآمد =C

آنگاه نیاز 10=O

(35,74/0)

81

اگر درآمد =D

آنگاه نیاز 11=I

(26,74/0)

82

اگر درآمد =B

آنگاه نیاز 11=I

(38,61/0)

83

اگر درآمد =B

آنگاه نیاز 12=O

(40,65/0)

84

اگر درآمد =C

آنگاه نیاز 12=O

(26,55/0)

85

اگر درآمد =D

آنگاه نیاز 12=M

(19,54/0)

86

اگر درآمد =B

آنگاه نیاز 13=O

(57,92/0)

87

اگر درآمد = D

آنگاه نیاز 13=I

(17,81/0)

88

اگر درآمد =C

آنگاه نیاز 13=M

(17,71/0)

89

اگر درآمد =B

آنگاه نیاز 14=A

(54,87/0)

90

اگر درآمد =D

آنگاه نیاز 14=O

(25,71/0)

91

اگر درآمد =C

آنگاه نیاز 14=O

(32,68/0)

92

اگر درآمد =B

آنگاه نیاز 15=A

(57,92/0)

93

اگر درآمد =C

آنگاه نیاز 15=A

(42,89/0)

94

اگر درآمد =D

آنگاه نیاز 15=O

(21,60/0)

95

اگر درآمد =C

آنگاه نیاز 16=O

(39,83/0)

96

اگر درآمد = B

آنگاه نیاز 16=A

(47,76/0)

97

اگر درآمد =D

آنگاه نیاز 16=M

(21,60/0)

98

اگر درآمد =C

آنگاه نیاز 17=A

(43,91/0)

99

اگر درآمد =D

آنگاه نیاز 17=A

(31,89/0)

100

اگر درآمد =B

آنگاه نیاز 17=I

(24,86/0)

101

اگر درآمد =B

آنگاه نیاز 18=M

(61,98/0)

102

اگر درآمد =D

آنگاه نیاز 18=M

(33,94/0)

103

اگر درآمد =C

آنگاه نیاز 18=M

(44,94/0)

104

اگر درآمد =B

آنگاه نیاز 19=O

(44,71/0)

105

اگر درآمد = C

آنگاه نیاز 19=O

(29,62/0)

106

اگر درآمد =B

آنگاه نیاز 20=I

(28,78/0)

107

اگر درآمد = C

آنگاه نیاز 20=A

(33,70/0)

108

اگر درآمد =D

آنگاه نیاز 20=A

(20,57/0)

109

اگر درآمد =B

آنگاه نیاز 21=O

(43,69/0)

110

اگر درآمد =D

آنگاه نیاز 21=M

(22,63/0)

111

اگر درآمد =C

آنگاه نیاز 21=M

(28,60/0)

112

اگر میانگین =A

آنگاه نیاز 1=O

(38,72/0)

113

اگر میانگین =D

آنگاه نیاز 1=M

(38,58/0)

114

اگر میانگین =A

آنگاه نیاز 2=O

(41,77/0)

115

اگر میانگین =B

آنگاه نیاز 2=O

(17,71/0)

116

اگر میانگین = D

آنگاه نیاز 2=O

(38,58/0)

117

اگر میانگین =A

آنگاه نیاز 3=O

(46,87/0)

118

اگر میانگین =B

آنگاه نیاز 3=M

(19,79/0)

119

اگر میانگین =A

آنگاه نیاز 4=I

(43,81/0)

120

اگر میانگین =B

آنگاه نیاز 5=O

(18,75/0)

121

اگر میانگین =A

آنگاه نیاز 5=A

(28,53/0)

122

اگر میانگین =A

آنگاه نیاز 6=M

(47,89/0)

123

اگر میانگین =B

آنگاه نیاز 6=M

(21,88/0)

124

اگر میانگین =D

آنگاه نیاز 6=M

(56,86/0)

125

اگر میانگین =B

آنگاه نیاز 7=O

(19,79/0)

126

اگر میانگین =D

آنگاه نیاز 7=M

(35,54/0)

127

اگر میانگین =D

آنگاه نیاز 8=M

(56,86/0)

128

اگر میانگین =B

آنگاه نیاز 8=O

(17,71/0)

129

اگر میانگین =A

آنگاه نیاز 8=I

(29,55/0)

130

اگر میانگین =B

آنگاه نیاز 9=O

(15,63/0)

131

اگر میانگین =A

آنگاه نیاز 9=O

(28,53/0)

132

اگر میانگین =A

آنگاه نیاز 10=A

(47,89/0)

133

اگر میانگین =B

آنگاه نیاز 10=M

(20,83/0)

134

اگر میانگین =D

آنگاه نیاز 10=O

(38,58/0)

135

اگر میانگین =A

آنگاه نیاز 11=I

(36,68/0)

136

اگر میانگین =A

آنگاه نیاز 12=O

(39,74/0)

137

اگر میانگین =B

آنگاه نیاز 12=A

(16,67/0)

138

اگر میانگین =B

آنگاه نیاز 13=O

(23,96/0)

139

اگر میانگین =A

آنگاه نیاز 13=O

(48,91/0)

140

اگر میانگین =A

آنگاه نیاز 14=A

(47,89/0)

141

اگر میانگین =B

آنگاه نیاز 14=A

(20,83/0)

142

اگر میانگین =D

آنگاه نیاز 14=O

(54,83/0)

143

اگر میانگین =A

آنگاه نیاز 15=A

(49,92/0)

144

اگر میانگین =B

آنگاه نیاز 15=A

(21,88/0)

145

اگر میانگین =D

آنگاه نیاز 15=A

(39,60/0)

146

اگر میانگین =B

آنگاه نیاز 16=O

(23,96/0)

147

اگر میانگین =A

آنگاه نیاز 16=A

(47,89/0)

148

اگر میانگین =D

آنگاه نیاز 17=A

(59,91/0)

149

اگر میانگین =B

آنگاه نیاز 17=A

(20,83/0)

150

اگر میانگین =A

آنگاه نیاز 18=M

(52,98/0)

151

اگر میانگین =B

آنگاه نیاز 18=M

(23,96/0)

152

اگر میانگین =D

آنگاه نیاز 18=M

(61,94/0)

153

اگر میانگین =A

آنگاه نیاز 19=O

(42,79/0)

154

اگر میانگین =B

آنگاه نیاز 20=O

(21,88/0)

155

اگر میانگین =D

آنگاه نیاز 20=A

(51,78/0)

156

اگر میانگین =A

آنگاه نیاز 20=I

(27,51/0)

157

اگر میانگین =D

آنگاه نیاز 21=M

(46,71/0)

158

اگر میانگین =A

آنگاه نیاز 21=O

(37,70/0)

159

اگر میانگین =B

آنگاه نیاز 21=O

(16,67/0)

160

اگر غیرحضوری =A

آنگاه نیاز 1=M

(23,57/0)  

161

اگر غیرحضوری =A

آنگاه نیاز 2=O

(32,80/0)

162

اگر غیرحضوری =B

آنگاه نیاز 2=O

(66,63/0)

163

اگر غیرحضوری =A

آنگاه نیاز 3=M

(31,78/0)

164

اگر غیرحضوری =B

آنگاه نیاز 3=O

(53,51/0)

165

اگر غیرحضوری =A

آنگاه نیاز 4=O

(31,78/0)

166

اگر غیرحضوری =A

آنگاه نیاز 5=O

(30,75/0)

167

اگر غیرحضوری =A

آنگاه نیاز 6=M

(37,93/0)

168

اگر غیرحضوری =B

آنگاه نیاز 6=M

(89,86/0)

169

اگر غیرحضوری =A

آنگاه نیاز 7=M

(21,53/0)

170

اگر غیرحضوری =A

آنگاه نیاز 8=M

(33,83/0)

171

اگر غیرحضوری =A

آنگاه نیاز 9=O

(22,55/0)

172

اگر غیرحضوری =A

آنگاه نیاز 10=O

(34,85/0)

173

اگر غیرحضوری =B

آنگاه نیاز 11=I

(66,63/0)

174

اگر غیرحضوری =A

آنگاه نیاز 11=O

(23,57/0)

175

اگر غیرحضوری =A

آنگاه نیاز 12=O

(25,63/0)

176

اگر غیرحضوری =B

آنگاه نیاز 13=O

(71,68/0)

177

اگر غیرحضوری =A

آنگاه نیاز 14=O

(34,85/0)

178

اگر غیرحضوری =B

آنگاه نیاز 14=A

(71,68/0)

179

اگر غیرحضوری =A

آنگاه نیاز 15=A

(34,85/0)

180

اگر غیرحضوری =B

آنگاه نیاز 15=A

(77,74/0)

181

اگر غیرحضوری =A

آنگاه نیاز 16=O

(32,80/0)

182

اگر غیرحضوری =A

آنگاه نیاز 17=A

(35,88/0)

183

اگر غیرحضوری =B

آنگاه نیاز 18=M

(100,9/0)

184

اگر غیرحضوری =A

آنگاه نیاز 18=M

(38,95/0)

185

اگر غیرحضوری =A

آنگاه نیاز 19=O

(26,65/0)

186

اگر غیرحضوری =A

آنگاه نیاز 20=A

(33,83/0)

187

اگر غیرحضوری =A

آنگاه نیاز 21=M

(29,73/0)

188

اگر غیرحضوری =B

آنگاه نیاز 21=O

(59,57/0)

                   

 

 

 همان گونه که ملاحظه می‌شود، تعداد 188 قاعده با ضریب اطمینان بالای 50 درصد به دست آمده است که برای مثال  قاعده 1 به این معنی است که اگر تحصیلات مشتریان C باشد (لیسانس)؛ در آن صورت به احتمال 70 درصد، نیاز1    (محل قرار گیری شعبه) برای این افراد ویژگی O (یک بعدی) خواهد بود؛ که این قاعده با پشتوانه 38 تکرار در پاسخنامه‌ها به دست آمده است. به عبارت دیگر، در 38 مورد برای افرادی که تحصیلات لیسانس داشته‌اند، نیاز1 ویژگی یک بعدی بوده است و یا قاعده 180 به این معنی است که اگر مشتریان کارهای بانکی را به صورت غیر حضوری انجام ندهند؛ در آن صورت به احتمال 74 درصد، ویژگی 15 (کم کردن سود تسهیلات) برای این افراد یک ویژگی A (جذاب) خواهد بود که این قاعده با پشتوانه 77 تکرار در پاسخنامه‌ها به دست آمده است.

6-بحث

نتایج حاصل از طبقه بندی خدمات به وسیله مدل کانو که در جدول 1 قابل مشاهده است، نشان می دهد که نیازهای1، 6، 7، 8 و 18 از نظر بیشترین فراوانی در دسته نیازهای الزامی؛ نیازهای 2، 3، 4، 5، 9، 12، 13، 16 و 21 در دسته نیازهای یک بعدی؛ نیازهای 10، 14، 15، 17، 19 و 20 در دسته نیازهای جذاب و نیاز 11 در دسته نیاز بی تفاوت قرار گرفته است. بنابراین، نیازهای یک بعدی، بیشترین تعداد و نیاز بی تفاوت کمترین تعداد را داراست.

 نتایج به دست آمده از کاوش قوانین انجمنی(جدول2) نشان می دهد که تعداد 188 قاعده با ضریب اطمینان بالای 50 درصد به دست آمده است که از قاعده 1 تا 52 مربوط به ارتباط میان میزان تحصیلات و نوع نیازهای مشتریان؛ از قاعده 53 تا 111 ارتباط میان میزان درآمد و نوع نیازها؛ از قاعده 112 تا 159 ارتباط میان میانگین دفعات انجام کار بانکی در هفته و نوع نیازها؛ و از قاعده 160 تا 188 ارتباط میان انجام کارهای بانکی به صورت غیرحضوری و نوع نیازها هستند. در ادامه، برخی از این قوانین تشریح شده، رفتار مشتریان با ویژگی‌های جمعیت شناختی متفاوت، تجزیه و تحلیل می گردد.

 قاعده 3 بیان می کند که برای افرادی با تحصیلات فوق دیپلم، ویژگی "مشخص بودن بخش‌های مختلف درون بانک" به احتمال 85 درصد یک ویژگی یک‌بعدی است. همچنین، قاعده 4 بیان می‌کند که برای افراد با تحصیلات لیسانس نیز، این ویژگی به احتمال 78 درصد، یک ویژگی یک بعدی است؛ در صورتی که قاعده 5 بیان کننده این مطلب است که برای افراد با تحصیلات دیپلم و پایین تر، به احتمال 66 درصد همین ویژگی، یک ویژگی بی تفاوت خواهد بود. از این سه قاعده می توان نتیجه گیری نمود که برای افراد با تحصیلات دانشگاهی، ویژگی مشخص بودن بخش‌های مختلف درون بانک یک ویژگی یک بعدی و برای افرادی که تحصیلات دانشگاهی ندارند، یک ویژگی بی تفاوت است. به عبارت دیگر، برای افراد با تحصیلات دانشگاهی این ویژگی از اهمیت بالاتری برخوردار است.

 بنابر قاعده 12، اگر افراد تحصیلات دیپلم و زیر دیپلم داشته باشند، ویژگی"مرکز اطلاع رسانی در داخل شعبه"، به احتمال 83 درصد برای این افراد یک ویژگی الزامی است؛ در صورتی که همین ویژگی برای افراد با تحصیلات فوق دیپلم به احتمال 73 درصد یک ویژگی یک بعدی است؛ یعنی در واقع طبق این دو قاعده افراد فاقد تحصیلات دانشگاهی، نیاز بیشتری به راهنمایی و هدایت صحیح در داخل شعبه دارند.

 قاعده 24 بیان می‌کند که برای افراد با تحصیلات دیپلم و زیردیپلم، ویژگی"وضعیت ظاهری کارکنان" به احتمال 86 درصد یک ویژگی بی تفاوت است. همچنین، بنابر قاعده 25، برای افراد با تحصیلات لیسانس نیز به احتمال 67 درصد این ویژگی یک ویژگی بی تفاوت است که می توان نتیجه گرفت که وضعیت ظاهری کارکنان چه برای افراد دارای تحصیلات دانشگاهی و چه افرادی که تحصیلات دانشگاهی ندارند، یک ویژگی بی تفاوت است. به عبارت دیگر، وضعیت ظاهری کارکنان تاثیری در رضایت یا عدم رضایت مشتریان نخواهد داشت. به همین صورت، می توان سایر قوانین به دست آمده در مورد ارتباط میان میزان تحصیلات و نوع ویژگی‌های خدمات را تجزیه و تحلیل کرد. شاید برخی از قوانین به دست آمده از قبل قابل پیش بینی باشد؛ اما از خصوصیات تکنیک‌های داده کاوی این است که با استفاده از آن، برخی از قوانین با ضریب اطمینان بالا حاصل می شود که قابل پیش بینی نیست و این از ویژگی‌های جالب تکنیک‌های داده کاوی است. برای مثال، بنابر قاعده 9، برای افراد با تحصیلات دیپلم و زیردیپلم ویژگی "اطلاع رسانی حمایتی" به احتمال 90 درصد یک ویژگی الزامی است؛ در صورتی که همین ویژگی بنابر قاعده 10، برای افراد با تحصیلات لیسانس به احتمال 80 درصد یک ویژگی بی تفاوت و بنابر قاعده 11، برای افراد با تحصیلات فوق دیپلم به احتمال 75 درصد، یکی ویژگی یک بعدی است. به عبارت دیگر، این ویژگی برای افرادی که تحصیلات پایین‌تری دارند، از اهمیت بیشتری برخوردار است و به همین صورت، می توان قوانین مفید و جالب دیگری را با کنکاش در نتایج حاصل شده استخراج نمود.

 در مورد ارتباط میان میزان درآمد و نوع ویژگی‌های خدمات نیز قوانین مفید و کاربردی استخراج شده است. برای نمونه، بنا بر قاعده 83، برای افراد با درآمد 400 تا 700 هزار تومان، ویژگی "سرعت و دقت کارکنان در انجام عملیات بانکی" به احتمال 65 درصد یک ویژگی یک بعدی است؛ در صورتی که بنا بر قاعده 85، همین ویژگی برای افراد با درآمد بیش از یک میلیون، به احتمال 54 درصد، یک ویژگی الزامی است؛ یعنی برای افراد با درآمد بالاتر، این ویژگی از اهمیت بیشتری برخوردار است.

 برای نمونۀ جالب دیگر، طبق قاعده 99، برای افراد با درآمد بیش از یک میلیون، ویژگی "دعوت از مشتریان برای شرکت در سمینارها" به احتمال 89 درصد یک ویژگی جذاب است؛ در صورتی که بنا بر قاعده 100، همین ویژگی برای افراد با درآمد 400 تا 700 هزار، به احتمال 86 درصد یک ویژگی بی تفاوت است.

 در مورد ارتباط میان میانگین تعداد دفعات انجام کار بانکی در طول هفته و نوع ویژگی‌های خدمات نیز قوانین مفیدی به دست آمده است؛ برای نمونه، بنا بر قاعده 127، برای افرادی که بیش از 6 بار در طول هفته کار بانکی انجام می دهند، به احتمال 86 درصد، ویژگی "آگاهی و تخصص رئیس شعبه" یک ویژگی الزمی است؛ در صورتی که بنا بر قاعده 129، همین ویژگی برای افرادی که یک یا دو بار در طول هفته کار بانکی انجام می دهند، به احتمال 55 درصد یک ویژگی بی تفاوت است. این یافته تا حدی قابل پیش‌بینی نیز هست؛ یعنی برای افرادی که به تعداد زیاد، کار بانکی انجام می دهند؛ آگاهی و تخصص رئیس شعبه از اهمیت بالایی برخوردار بوده، یک ویژگی الزامی است.

 به عنوان قاعده جالب دیگر، بنا بر قاعده 154، برای افرادی که 3 یا 4 بار در طول هفته کار بانکی انجام می‌دهند، به احتمال 88 درصد، ویژگی "امکان دنبال کردن آخرین خبرها از بورس، قیمت طلا و ... از همان مرکز" یک ویژگی یک بعدی است؛ در صورتی که بنا بر قاعده 155، همین ویژگی برای افرادی که بیش از 6 بار در طول هفته کار بانکی انجام می دهند، به احتمال 78 درصد یک ویژگی جذاب و بنابر قاعده 156، همین ویژگی برای افرادی که 1 یا 2 بار در طول هفته کار بانکی انجام می دهند، به احتمال 51 درصد یک ویژگی بی تفاوت است. به عبارت دیگر، برای افرادی که 3 یا 4 بار در طول هفته کار بانکی انجام می‌دهند، برآوردن این ویژگی رابطه خطی با رضایت آنها خواهد داشت؛ برای افرادی که بیش از 6 بار در طول هفته کار بانکی انجام می دهند، برآوردن این ویژگی باعث انگیزش آنها خواهد شد و برای افرادی که 1 یا 2 بار در طول هفته کار بانکی انجام می دهند، برآوردن یا عدم برآوردن این ویژگی تاثیری در رضایت یا عدم رضایت آنها نخواهد داشت.

 در مورد ارتباط میان انجام کارهای بانکی به صورت غیر حضوری و نوع ویژگی‌های خدمات نیز می‌توان قوانین به دست آمده را تحلیل نمود. برای مثال، بنا بر قاعده 163، برای افرادی که کارهای بانکی را به صورت غیر حضوری انجام می دهند، به احتمال 78 درصد ویژگی "اطلاع رسانی خدمات بانکی با تلفن گویا و سایت اینترنتی" یک ویژگی الزامی است؛ در صورتی که بنا بر قاعده 164، همین ویژگی برای افرادی که کارهای بانکی را به صورت غیر حضوری انجام نمی دهند، به احتمال 51 درصد، یک ویژگی یک بعدی است که این قاعده با خصوصیات این افراد نیز به خوبی مطابقت دارد و به همین صورت، سایر قوانین به دست آمده را می توان تجزیه و تحلیل کرد و به نتایج جالبی دست یافت. مسؤولان بانک مربوطه به دو شکل می توانند از نتایج این تحقیق استفاده کنند:

1- استفاده از نتایج حاصل از طبقه بندی نیازها به وسیله مدل کانو (جدول 1):

1-1-به دلیل مسائل مالی و فنی برآوردن همه نیازها مقدور نیست؛ بنابراین، در ابتدا نیازهای الزامی افراد را مدنظر قرار دهند و در ادامه، با توجه به امکانات و محدودیت‌های خود، ارضای نیازهای یک بعدی و جذاب را در دستور کار قرار دهند.

1-2- با توجه به پویایی مدل کانو، به­دلیل اینکه نیازهای جذاب و یک بعدی زمان حاضر، به نیازهای الزامی سال­های آینده تبدیل خواهند شد؛ بانک باید برای برنامه­های بلند مدت ارضای این نیازها را نیز در برنامه‌های خود قرار دهد.

2-استفاده از نتایج حاصل از کاوش قوانین انجمنی(جدول2):

2-1- مسؤولان بانک می توانند با بررسی قوانین به دست آمده به تدوین استراتژی‌های خود بپردازند .

2-2-با کنکاش در یافته‌ها و تحلیل رفتار مشتریان، استراتژی‌های مختلفی را متناسب با مشتریان مختلف تدوین کنند.

2-3-با توجه به نتایج حاصل شده و با در نظر گرفتن بازار هدف خود، مشتریان را بخش بندی نمایند.

 همان گونه که نتایج این تحقیق نشان داد، ویژگی‌های جمعیت شناختی مشتریان  به طور آشکاری بر نوع نیازهای آنها تأثیر گذار است که این نتیجه با نتایج تحقیقات مرتبط پیشین، سازگاری دارد. در اکثر تحقیقاتی که به وسیله مدل کانو انجام شده است، فقط به طبقه بندی نیازهای مشتریان بسنده شده و تأثیر ویژگی‌های جمعیت شناختی مشتریان بر روی نتایج حاصل شده، بررسی نشده است. در تحقیقات اندکی هم که این موضوع مدنظر قرار گرفته‌اند و در مقدمه به آنها اشاره شد؛ تنها با استفاده از تکنیک‌های آماری و فقط به صورت کلی، تأثیر ویژگی‌های جمعیت شناختی بر روی نتایج حاصل از مدل کانو آزمون شده است، اما در تحقیق حاضر با استفاده از قوانین انجمنی، ارتباط میان ویژگی‌های جمعیت شناختی مشتریان و هریک از نیازها به به تفکیک و به صورت جداگانه بررسی و تجزیه و تحلیل شد که تحقیقی به این شکل برای نخستین بار صورت می گیرد. از محدودیت‌های تحقیق نیز می‌توان به موارد زیر اشاره کرد:

1- به دلیل اینکه سؤال‌های مدل کانو به صورت زوجی پرسیده می‌شوند، تعداد سؤال‌ها زیاد بوده، برخی از مشتریان به همین علت از پاسخگویی امتناع می‌کنند.

2- به دلیل ابهام موجود در سؤال‌های پرسشنامه کانو، مشتریان به توضیحات بیشتری نیاز دارند.

3-برای دستیابی به نتایج دقیقتر، به ویژگی‌های جمعیت شناختی بیشتری نیاز است؛ مانند جنسیت، شغل و... .

 

7- نتیجه گیری

در این مقاله، الگویی تلفیقی از مدل کانو و قوانین انجمنی ارائه شد و بر اساس آن، یک مطالعه موردی در بانک سامان قم صورت پذیرفت. یافته‌های حاصل از طبقه بندی نیازها به وسیله مدل کانو نشان داد که نیازهای یک بعدی دارای بیشترین تعداد و نیاز بی‌تفاوت کمترین تعداد را داراست و یافته‌های حاصل از کاوش قوانین انجمنی نیز بیانگر این مطلب بود که  ویژگی‌های جمعیت شناختی مشتریان به طور آشکاری بر نوع نیازهای آنها تاثیر گذار است. با مرور در ادبیات تحقیق، به نظر می رسد تحقیقی به این شکل که در آن از قوانین انجمنی در مدل کانو استفاد شده باشد؛ برای نخستین بار انجام می شود که این جنبه نوآوری تحقیق حاضر است. با استفاده از نتایج این تحقیق می‌توان با طبقه بندی نیازهای مشتریان و تجزیه و تحلیل رفتار آنها، به تدوین استراتژی‌های بازاریابی به منظور جلب رضایت مشتریان پرداخت و همچنین، از نتایج آن در بخش بندی بازار استفاده نمود. پیشنهادهایی نیز به شرح زیر برای تحقیقات آینده مطرح می گردد:

 1- اجرای الگوی پیشنهادی در سازمان­های دیگر و مقایسه نتایج حاصل با نتایج این تحقیق.

2-در این تحقیق ارتباط میان هر یک از ویژگی‌های جمعیت شناختی و نوع نیازهای مشتریان به صورت جداگانه بررسی شد که برای تجزیه و تحلیل دقیقتر رفتار مشتریان، می توان ویژگی‌های جمعیت شناختی را به صورت گروهی با ویژگی‌های خدمات بررسی کرد و قوانین را استخراج نمود. برای نمونه، ارتباط میان میزان تحصیلات و میزان درآمد با نیازهای مشتریان و یا ترکیبات ممکن دیگر.

3-استفاده از تکنیک‌های دیگر داده کاوی در مدل کانو( برای مثال، استفاده از تکنیک‌های داده کاوی برای خوشه بندی مشتریان و طبقه بندی نیازها برای هر خوشه به وسیله مدل کانو).

4- در نظرگرفتن ویژگی‌های جمعیت شناختی بیشتر، مانند: جنسیت، شغل و غیره.



[1] Song Zhu et al

1-     شاهین، آرش و علی­پور، میثم.(1387). «بررسی تاثیر عوامل جمعیت شناختی بر نتایج حاصل از طبقه‌بندی نیازهای مشتریان به وسیله مدل کانو - مورد مطالعه بانک صادرات شهر اصفهان»؛ سومین کنفرانس بین المللی مدیریت بازاریابی، تهران .

2-      Agrawal, R., Imielinski, T., and Swami A. (1993), Mining association rules between sets of items in large databases. In Proceedings of the acm sigmod Conference Management of Data, pp. 207-216.

3-      Berger, C., Blauth, C.,R. and Boger, D, (1993), Kano's Methods for Understanding Customer-Defined Quality, Center for Quality Management Journal, special issue, Vol. 2, No.4, pp.3-35.

4-      Berry, M. and Linhoff, G. (1999), Mastering Data Mining: The Art and Science of Customer Relationship, New York: John Wiley & Sons.

5-      Bose,I., & Mahapatra, R.K. (2001), Business data mining-a machine learning perspective, Information and Management, Vol.39, No.3, pp. 211–225.

6-      Dzeroski, S. (2008), Data mining, Encyclopedia of Ecology, pp.821-830.

7-      Edelstein, H. (1997), Data mining:exploiting the hidden trends in your data, DB2 Online Magazine, Available from: http://www.db2mag.com/9701edel.htm.

8-      Gruber, T., Reppel, A., Szmigin, I., and Voss, R. (2008), Revealing the expectations and preferences of complaining customers by combining the laddering interviewing technique with the Kano model of customer satisfaction, Qualitative Market Research: An International Journal, Vol. 11 Iss: 4, pp.400 – 413.

9-      Hand, D.J. (1998), Review of Data mining, The American statistician,Vol.52, pp.112-118.

10-  Kano, N. Seraku, N., Takahashi, F. and Tsuji, S. (1984), Attractive quality and must be quality, Quality, Vol.14, No.2, pp.39–48.

11-  Lai, H. J; and Wu, H. H, A. (2011), Case study of Applying Kano’s Model and ANOVA Technique in Evaluating Service Quality, Information Technology journal vol.10, NO.1, pp.89-97.

12-  Marban, O., Menasalvas, E and Fernandez-Baizan, C. (2008), A cost model to estimate the effort of data mining projects (DMCoMo), Information Systems, Vol.33, No.1, pp. 133-150.

13-  Mitchell T.M., (1999), Machine Learning and Data Mining, Communication of the ACM, Vol.42, No.11.

14-  Muata, K., and Bryson, O. (2010), Towards supporting expert evaluation of clustering results using  data mining process model, Information Sciences, Vol.180, pp.414–431.

15-  Ni, M., Xu, X., and Deng, S. (2007), Extended QFD and data-mining-based methods for supplier selection in mass customization, International Journal of Computer Integrated Manufacturing, Vol. 20, 280 – 291,2007.

16-  Nilsson-Witell, L. and Fundin, A. (2005), Dynamics of service attributes: a test of Kano’s theory of attractive quality, International Journal of Service Industry Management, Vol. 16 No. 2, pp. 152-68.

17-  Sahay, A., & Mehta, K. (2010), Assisting Higher Education in Assessing, Predicting, and Managing Issues Related to Student Success: A Web-based Software using Data Mining and Quality Function Deployment, QMS, LLP Academic and Business Research Institute Conference, Las Vegas.

18-  Saman bank. (2010), retrieved from: http://www.cms.sb24.com/fa/aboutbank/index.html.

19-  Sanchez, D., Vila, M.A., Cerda, L., and Serrano, J.M. (2009), Association rules applied to credit card fraud detection, Expert Systems with Applications, Volume 36, Issue 2, pp. 3630-3640.

20-  Shahin, A and Zairi, M, (2009), Kano model: A dynamic approach for classifying and prioritizing requirements of airline travellers with three case studies on international airlines', Total Quality Management & Business, Excellence,20:9,1003-1028

21-  Shankar, S., and Purusothaman, T. (2009), Utility Sentient Frequent Item set Mining and Association Rule Mining: A Literature Survey and Comparative Study, International Journal of Soft Computing Applications, Issue 4, pp.81-95.

22-  Show, M. J., Subramaniam C., Tan, G. W. and Welge, M. E., (2001), Knowledge management and data mining for marketing, Decision Support Systems, Vol.31, No.1, pp. 127–137.

23-  Song Zhu, D., Te Lin, CH., and J Wu1, J, A (2010), Study on the Evaluation of Customers satisfaction – the perspective of quality, International Journal for Quality research, Vol.4, No. 2.

24-  Svendsen, M. F., Sven A. Haugland, S. A., and Kjell, G. (2011), Marketing strategy and customer involvement in product development, European Journal of Marketing, Vol. 45 No. 4, pp. 513-530

25-  Tontini, G. (2003), Deployment of Customer Needs in the QFD Using a Modified Kano Model, Journal of the Academy of Business and Economics.

26-  Urban, G. L., & Hauser, J. R. (1993). Design and marketing of new products. Englewood Cliffs: Prentice Hall Press

27-  Xu, Q., Jiao, R.J., Yang, X., and Helander, M. (2009), An analytical Kano model for customer need analysis, Design Studies, Vol.30, No. 1.