کاوش الگوهای پویایی مشتریان در صنعت بانکداری

نوع مقاله: مقاله پژوهشی

نویسندگان

1 دانشجوی دکترای مهندسی فناوری اطلاعات، دانشکدة مهندسی صنایع و سیستم‌ها، دانشگاه تربیت مدرس، تهران، ایران

2 استاد، دانشکده مهندسی صنایع و سیستمها، دانشگاه تربیت مدرس، تهران، ایران

3 استادیار، دانشکده مهندسی صنایع و سیستمها، دانشگاه تربیت مدرس، تهران، ایران

چکیده

برای چندین دهه، سازمان‌ها بیش از مشتریان بر نشان تجاری و محصولاتشان تمرکز می‌کردند؛ اما اکنون بنگاه‌های اقتصادی بر ایجاد و حفظ ارتباط مؤثر با مشتریان متمرکز شده‌اند. در چنین شرایطی شناخت مشتریان و نیازهای آنان به امری حیاتی برای سازمان‌ها تبدیل شده است. یکی از پرکاربردترین روش‌های شناخت مشتریان، بخش‌بندی آنها به گروه‌های متجانس و شناخت ویژگی‌های هر بخش است؛ اما شیوه‌های سنتی و ایستای بخش‌بندی مشتریان پاسخگوی تغییرات سریع بازارهای پویای امروزی نیست. در عصر ارتباطات و فناوری‌های نوین، مشتریان مدام در بین بخش‌های مختلف جابه‌جا می‌شوند. شناخت الگوهای تغییرات و چگونگی پویایی بخش‌های مشتریان، عاملی کلیدی برای کسب بینش عمیق از مشتریان، پیش‌بینی تغییرات بازار و حتی هدایت مؤثر آن است. عمدة پژوهش‌های پیشین در این موضوع سعی در تدوین الگویی عمومی و میان‌صنعتی برای تفسیر پویایی مشتریان کرده‌اند؛ حال آنکه ماهیت بخش‌های مشتریان و الگوهای پویایی از صنعتی به صنعت دیگر کاملاً متفاوت است. پژوهش حاضر با در نظر گرفتن مشخصات یک صنعت خاص (صنعت بانکداری)، الگوهای پویایی مشتریان را با استفاده از ابزارهای تحلیل داده‌های بزرگ کاوش و مطالعه کرده است. نتایج این مطالعه، هشت گونه از الگوهای پویایی و روابط میان آنها را در صنعت مطالعه‌شده آشکار ساخته و با استفاده از آنها، راهکارهایی برای پیش‌بینی پویایی آیندة مشتریان و هدایت آن برای ارتقای اثربخشی فعالیت‌های بازاریابی، پیشنهاد داده است.

کلیدواژه‌ها


عنوان مقاله [English]

Mining Patterns of Customer Dynamics in Banking Industry

نویسندگان [English]

  • Abdolreza Mosaddegh 1
  • Amir Albadvi 2
  • Mohammad Mehdi Sepehri 2
  • Babak Teimourpour 3
1 PhD Candidate, Department of Information Technology Engineering, Faculty of Industrial Engineering, Tarbiat Modares University, Tehran, Iran
2 Professor, Faculty of Industrial Engineering, Tarbiat Modares University, Tehran, Iran
3 Assistant Professor, Faculty of Industrial Engineering, Tarbiat Modares University, Tehran, Iran
چکیده [English]

For decades, enterprises focused on brand and products rather than the customers. But, now, economic enterprises focused on building and maintaining effective customer relationships. In such situations, the recognition of customers and their needs has become vital for organizations. One of the most widely used methods for recognizing customers is to segment them into homogeneous groups and recognize the characteristics of each sector, but traditional and static segmentation of customers is not able to respond to the rapid changes in today's dynamic markets. In the era of modern communication and technology, customers are constantly moving between different segments. Knowing patterns of change and the dynamics of customer segments is a key factor in gaining a deep insight into customers, predicting market changes, and even managing them effectively. Major studies in the literature attempt to develop a general and Cross-industry model for interpreting the dynamics of customers, while the nature of customer segments and the dynamic patterns from industry to industry are completely different. The present study, with the consideration of the characteristics of a particular industry (banking industry), explores the dynamics of customers using big data analytics. The results revealed eight categories of patterns and associations which can be proposed to predict the future dynamics of customers and direct it to improve effectiveness of marketing activities in the related industry.

کلیدواژه‌ها [English]

  • Customers Dynamics
  • Industry-specific Patterns
  • Customer Lifetime Value (CLV)
  • Banking Industry
  • Big Data Analytics

- مقدمه

برای چندین دهه، سازمان‌ها بیش از مشتریان بر نشان تجاری و محصولاتشان تمرکز می‌کردند؛ اما این استراتژی نتوانست مشتریان بالقوه و همچنین مشتریانی را که نیازهایشان برآورده نشده است، به‌درستی شناسایی کند. در دوران کنونی، مشتریان دارایی ارزشمند سازمان محسوب می‌شوند و سازمان‌ها به‌جای تمرکز بر تعاملات مقطعی، باید به تحکیم رابطة بلندمدت با مشتریان بپردازند (استال و همکاران، 2003).

در عین‌ حال، برای بسیاری از سازمان‌ها ضروری است منابع محدود خود را به مشتریان ارزشمند و سودآور اختصاص دهند. برای این منظور لازم است ارزش واقعی مشتریان شناسایی شود. تشخیص ارزش واقعی مشتری، سازمان‌ها را قادر می‌سازد تا مشتریان ارزشمند را حفظ و مشتریان بالقوة ارزشمند را سودآور کند. از سوی دیگر، جذب مشتریان جدید و تعمیق بازار، نیازمند کسب بینش صحیح از نیازهای مشتریان و شناسایی خلأهای بازار است (کیم و مابورن، 2005). برخی محققان معتقدند سازمان باید نیازهای خاص هر مشتری را به‌شکل جداگانه شناسایی و برآورده کند (کیچن و پروکتور، 2002)؛ البته چنین رویکردی در مقیاس وسیع، به‌راحتی اجرایی نمی‌شود. بخش‌بندی مشتریان، ابزاری راهبردی در اختیار سازمان‌ها قرار می‌دهد تا به‌جای شناسایی جداگانه نیازهای هر مشتری، گروه‌های همسان مشتریان و نیازهای آنان را شناسایی و منابع خود را به‌شکل بهینه مدیریت کنند (تپ و کلوز، 2002)؛ اما در عصر ارتباطات و شبکه‌های اجتماعی، نیازها و انتظارات مشتریان به‌سرعت تغییر می‌یابد که این تغییرات به بازارهای پویا و ایجاد ناهمگونی و شکاف در بخش‌ها منجر شده است (ایزنهارت و مارتین، 2000؛ ولپل و همکاران، 2004). برخی مطالعات حاکی از آن است که انتظارات مشتریانی که قبل‌تر در یک بخش قرار داشتند، به‌سرعت تغییر می‌یابد (ودل و کاماکورا، 2002)؛ همچنین ارزش آنان از نظر سازمان نیز با سرعت زیادی متحول می‌شود (فلینت و همکاران، 2002)؛ عامل دیگر، توسعة سریع فناوری و خدمات نوین است (دی و همکاران، 2004) که تمامی این موارد باعث تشدید پویایی بازار می‌شود. تغییرات بخش‌های مشتریان شامل تغییرات محتوا و ساختار بخش‌ها (بلاکر و فلینت، 2007) یا جابه‌جایی مشتریان از بخشی به بخش دیگر (برد، 2004) است.

برای سازمان‌ها حیاتی است که این تغییرات را در سریع‌ترین زمان تشخیص دهند تا بتوانند مزیت رقابتی خود را در بازار حفظ کنند. اگر این تغییرات به‌موقع شناسایی نشوند، ممکن است سبـب از دسـت رفـتن سهم سـازمـان از بـازار شـود. نتیـجة یـک بـررسـی (فـارسـتـر ، 2018) حاکی از آن است که 98 درصد کارشناسان بازاریابی در صنایع خدمات مالی، ارتباطات و خرده‌فروشی معتقدند بخش‌بندی ایستا، دقت و کارایی لازم در بازارهای پویای کنونی را ندارد. از این میان 46 درصد معتقدند در بخش‌بندی ایستا، بخش‌ها بهنگام به‌روزرسانی نمی‌شوند و 55 درصد نیز معتقدند بخش‌های حاصل، فاقد جزئیات کافی برای استفاده در کسب‌وکارند.

برخی پژوهشگران پیشنهاد می‌دهند بخش‌بندی باید یک روال دائمی باشد (گولر و همکاران، 2002). چنین رویکردی برای به‌روزرسانی  بخش‌های مشتریان می‌تواند مفید واقع شود؛ اما توضیحی دربارة چگونگی تغییر این بخش‌ها ارائه نمی‌دهد (پاراهالد و رامازوامی، 2004)

فهم فرایند تغییرات بخش‌های مشتریان، مهم‌تر از پاسخگویی به این تغییرات است؛ زیرا دانش ارزشمندی از نیازهای آیندة مشتریان و وضعیت آیندة بازار برای سازمان فراهم می‌آورد (فلینت و همکاران، 1997). بنابراین تنها روش مؤثر در مواجهه با تغییرات بخش‌های مشتریان، شناسایی چگونگی پویایی مشتریان است (برانگول و همکاران، 2002 ).

از سوی دیگر، باتوجه‌به وابستگی بخش‌بندی به صنعت، الگوی عمومی برای بخش‌های مشتریان وجود ندارد (پالمر و میلر 2004، گولر و همکاران 2002) و درنتیجه، چگونگی پویایی بخش‌های مشتریان نیز به صنعت وابسته خواهد بود؛ اما با این حال، عمدة پژوهش‌های انجام‌شده در این زمینه، برای نیازهای یک صنعت خاص تطبیق داده نشده است و تنها معدودی از آنان به چالش‌های صنایع پرداخته‌اند. پژوهش در این زمینه نیازمند مطالعات موردی عمیقی است که مشخصات خاص صنعت را در نظر گیرد و الگوهای پویایی مشتریان را باتوجه‌به مفاهیم کسب‌وکار مربوطه تحلیل کنند. صنعت خدمات مالی و به‌خصوص بخش بانکداری، با دارابودن مشخصات منحصربه‌فرد، یکی از صنایعی است که دارای الگوهای پویایی خاص و نیازمند بررسی مستقل است. در مقالة حاضر، نخست منابع در زمینة پویایی مشتریان بررسی شده و سپس نتایج پژوهش در خصوص الگوهای پویایی مشتریان در صنعت بانکداری ارائه می‌شود.

 

2- پیشینة پژوهش

تحقیقات متعددی دربارة ابعاد مختلف بخش‌بندی در ادبیات موضوع موجود است؛ اما تنها تعداد کمی از آنها به چگونگی پویایی بخش‌های مشتریان پرداخته‌اند. به‌طورکلّی، سه گروه از مطالعات در این زمینة پژوهشی وجود دارد:

نخستین گروه از تحقیقات، بر شناسایی مفاهیم مربوط به پویایی مشتریان تمرکز کرده است. بلاکر و فلینت (2007) پویایی بخش‌های مشتریان را از سه نوع می‌دانند: تغییرات اعضای بخش‌ها، تغییرات محتوای بخش‌ها و تغییرات ساختار بخش‌ها.

برخی پژوهشگران معتقدند ساختار بخش، پایداری بیشتری نسبت به اعضای بخش دارد. یک تحقیق (ها و رو، 1995) روی نشان تجاری خاصی در صنعت خرده‌فروشی، حاکی از آن است که در 12 بخش‌بندی ماهانه (در طول یک سال)، نوع و اندازه بخش‌ها ثابت مانده؛ اما عضویت بخش‌ها به شکلی اساسی دچار تغییر شده است. برانگول و همکاران (2002) نیز تغییرات ارزش را در طول زمان بررسی کرده‌اند. نتایج مطالعات آنان، به‌طور مشابهی نشان‌دهندة ثبات ساختاری بخش‌ها در حین تغییرات قابل توجه اعضا بود.

برخی مطالعات، الگوهای مختلف پویایی را تحقیق کرده‌اند. حداقل چهارگونة متمایز از الگوهای پویایی در منابع موضوع تشخیص داده می‌شود. سانگ و همکاران (2001) الگوهایی را که در هر دوره، پشتیبانی[1] بیشتری را کسب می‌کنند، الگوهای در حال ظهور تعریف کرده‌اند. الگوهایجدیدنیز به‌گونة دیگری از الگوها اطلاق می‌شود که با تمامی الگوهای پیشین متفاوت هستند و برای اولین‌بار ظاهر شده‌اند. سومین دسته از الگوها، الگوهای ازبین‌رفتههستند؛ الگوهای پیشین که در طی دورة جدید تکرار نشده‌اند (لانکیلون، 1999). لیو و همکاران (1996) نیز گونة دیگری از الگوها با عنوان الگوهای غیرمنتظره را شناسایی کردند. این الگوها باتوجه‌به دوره‌های قبل و بعد از خود، کاملاً به شکل غیرمنتظره ظاهر و سپس محو می‌شوند.

دستة دوم تحقیقات که متداول‌ترین گونة در میان خیل منابع دربارة موضوع است، به توسعة مدل‌های ریاضی برای پیش‌بینی تغییرات آیندة بخش‌های مشتریان می‌پردازد؛ بدون آنکه تلاش کند چگونگی ایجاد تغییرات را توضیح دهد. بسیاری از این مطالعات سعی در پیش‌بینی پویایی مشتریان براساس رفتار گذشتة آنان دارند. لابی و بروسپی (2007) از زنجیرة مارکوف و روش سه‌مرحله‌ای برای ارتقای CLV[2] مشتریان یک شرکت هواپیمایی استفاده کردند. آنها سعی کردند با پیش‌بینی تغییرات بخش‌های مشتریان، فعالیت‌های بازاریابی سازمان را بهبود دهند. در نهایت، به‌کارگیری مدل توسعه‌یافته، باعث کاهش 20درصدی در هزینه‌های بازاریابی شد. لمنز و همکاران (2012) از مدل HMM برای پیش‌بینی تغییرات بخش‌های کشورها در بازارهای بین‌المللی استفاده کردند. یافته‌های تحقیق حاکی از آن بود که با معرفی محصولات جدید، پویایی چشمگیری در بخش‌های مشتریان ایجاد می‌شود. آنها همچنین تأکید کردند به‌جای بخش‌بندی کلّی و عمومی، بخش‌بندی باید براساس نوع محصولات و بازار مربوطه شکل گیرد. میهوا و همکاران (2018) دقت روش‌های مختلف بخش‌بندی مشتریان براساس وفاداری را برای پیش‌بینی رفتار مشتریان در صنعت بانکداری مقایسه کرده‌اند. برای این منظور داده‌های وام‌گیرندگان از یک بانک تجاری مطالعه کرده‌اند. نتایج تحقیق، پویایی بخش‌های مشتریان در صنعت بانکداری را تأیید کرده است و نتیجه‌ می‌گیرد باتوجه‌به تغییر مداوم روندهای بازار بانکداری، پویایی نیازهای مشتریان و ارائة خدمات نوین بانکی، روش‌های بخش‌بندی ایستا، دقت لازم برای پیش‌بینی رفتار مشتریان در این صنعت را ندارد. نتزر و همکاران (2008) مدل نامتجانس مارکوف را برای پیش‌بینی وضعیت رابطة دانشجویان با دانشگاه با استفاده از سوابق داده‌های آموزشی در طی زمان به‌کار گرفتند، سپس نتایج مدل را با چهار مدل غیرپویا مقایسه کردند. نتایج نشان‌دهندة 11.3 درصد بهبود در مدل‌های پویا نسبت به مدل‌های ایستاست. ها و بای (2006) از متغیرهای RFM [3] برای اندازه‌گیری ارزش طول عمر[4] و بخش‌بندی مشتریان استفاده کردند. آنها با استفاده از قوانین وابستگی[5] و مدل‌سازی سوابق تغییرات بخش‌های مشتریان در صنعت خرده‌فروشی، مدلی با دقت 70.9 درصد برای پیش‌بینی تغییرات بخش‌های مشتریان ارائه کردند.

ازآنجاکه این دسته از مطالعات به داده‌های گذشته وابسته‌اند، مدل‌های ایجادشده، نیازمند ثبات در شرایط برای پیش‌بینی صحیح آینده هستند. با پویایی هرچه بیشتر بازارها و فناوری‌های جدید، انتظار چنین ثباتی چندان واقع‌گرایانه نیست. در چنین وضعیتی، اتکای صرف بر داده، بدون وجود تئوری که شکل پویایی را توضیح دهد، نمی‌توانند کارگشا باشد. به عبارت دیگر، اصرار بر روش‌های کمّی در تحلیل، به ارائة مدل‌های ریاضی بدون کسب بینش عمیق منجر شده و تحلیلگر در میان اعداد و ارقام گم می‌شود (دنه و کرافورد، 2013).

سومین گروه از تحقیقات توجه خود را به بیان توضیح دربارة الگوهای پویایی مشتریان معطوف کرده‌اند که تنها معدودی از تحقیقات موجود در ادبیات موضوع را می‌توان در این رده قرار داد. بوچر و همکاران (2009) از تحلیل اقلام مکرر[6] برای تحقیق پویایی بخش‌های مشتریان استفاده کردند. این مطالعه حاکی از آن بود که بخش‌های مشتریان به دو گونة بخش‌های اصلی و مشتق تقسیم می‌شوند. بخش‌های کوچک‌تر که از بخش اصلی مشتق شده‌اند، از تغییرات بخش‌های اصلی تبعیت می‌کنند. بنابراین با هدایت بخش‌های اصلی می‌توان بخش‌های مشتق را نیز به وضعیت مطلوب هدایت کرد؛ البته چون بخش‌بندی مشتریان در این تحقیق، از الگویی عمومی و میان صنعتی تبعیت می‌کند، یافته‌های آن نیز محدود به الگوهای کلی از پویایی است که چندان معطوف به کاربرد نیست.

آخوندزاده و همکاران (2014) نیز پویایی گروه‌های مختلف مشتریان و تغییرات ساختاری بخش‌ها را در صنعت مخابرات مطالعه کرده‌اند. برای این منظور از متغیرهای RFM برای محاسبة ارزش طول عمر مشتری استفاده کرده و طی بخش‌بندی‌های متعدد در طی زمان، تغییرات بخش‌های مشتریان را با استفاده از قوانین وابستگی بررسی کردند. آنها 7 الگوی پویایی از جمله سه الگوی جدید را شناسایی کردند: مشتریانی که ساختار را تثبیت می‌کنند، آنهایی که با ساختار سازگارند و مشتریان ساختارشکن.

تحقیق دیگری در صنعت داروسازی (مونتایا و همکاران، 2008)، پویایی رفتار پزشکان در زمینة تجویز دارو را بررسی کرده است. در این تحقیق به‌جای بخش‌بندی، سه وضعیت (غیرفعال/ غیرمکرر/ مکرر) برای تجویز داروها در نظر گرفته شد. نتایج نشان‌دهندة آن بود که وضعیت‌های غیرفعال و غیرمکرر، پویایی کمتری نسبت به وضعیت مکرر دارند. این الگو در صنعت داروسازی به مقاومت پزشکان در تجویز داروهای جدید تفسیر شد. جنبة مهمی از این تحقیق، تجویز اقداماتی به‌منظور تغییر وضعیت غیرمکرر به مکرر بود که به‌کار گرفتن آن موجب 51 درصدی افزایش در تجویز داروهای جدید از سوی پزشکان شد.

 

 

 

شکل 1- دسته‌بندی پژوهش‌های مربوط به پویایی مشتریان در منابع

 

 

3- نقد ادبیات و پیشینه موضوع

الف- ضعف در پژوهش‌های معطوف به کاربرد

هم‌چنان‌که در مرور منابع دربارة موضوع ملاحظه شد، پژوهش‌های موجود در زمینة پویایی مشتریان عمدتاً با رویکردی عام و تعمیم‌پذیر انجام شده است؛ حال آنکه بخش‌بندی مشتریان کاملاً به زمینه وابسته است و نمی‌توان الگویی عمومی برای بخش‌بندی مشتریان در هر صنعت و کسب‌وکاری ارائه کرد (پالمر و میلر 2004؛ گولر و همکاران 2002). هرچند نتایج حاصل از تحلیل مشاهدات در یک صنعت می‌تواند ایده‌هایی برای شناسایی الگوهای مشابه در صنایع دیگر فراهم آورد، تعمیم نتایج حاصل از مطالعة موردی در یک صنعت به صنعت دیگر بدون آزمایش تئوری در محیط صنعت مذکور امکان‌پذیر نیست.

برای نمونه، شرایط متفاوتی در محیط‌های «قراردادی» و «غیر قراردادی» حاکم است. در محیط‌های قراردادی (مانند صنعت خرده‌فروشی) رفتار مشتریان به‌راحتی با استفاده از تعاملات خریدوفروش تفسیرپذیر است. در چنین شرایطی، متغیرهایی مانند تازگی، تکرار و ارزش مالی خرید (RFM)، به شکل مؤثری ارزش مشتری را توصیف می‌کنند؛ حال آنکه در محیط‌های غیر قراردادی مانند صنعت بانکداری، ممکن است سپرده‌گذار که مبالغ مالی حجیمی را در سپرده‌های بلندمدت ودیعه‌گذاری کرده، بدون داشتن شرایط تازگی یا تکرار، نیز مشتری باارزشی تلقی شود. درواقع بسیاری از مسائل پیچیده مالی را نمی‌توان با متغیرهای میان‌صنعتی نظیر RFM توصیف و بررسی کرد. متغیر‌های  میان‌صنعتی و مدل‌های عام، نتایجی را به دست می‌دهند که توانایی تعمیم‌پذیری زیادی دارند؛ اما در عین حال، توانایی پاسخگویی به چالش‌های دنیای واقعی کسب‌وکار را ندارند و نمی‌توانند معطوف به کاربرد باشند.

از سوی دیگر، مرور ادبیات موضوع به ما می‌گوید پژوهش‌های انجام‌شده عمدتاً بر توصیف تغییرات بخش‌های مشتریان یا پیش‌بینی این تغییرات تمرکز کرده‌ و رویکردهای تجویزی کمتر مورد توجه قرار گرفته‌اند. تعدادی از پژوهش‌های موجود پس از بخش‌بندی مشتریان به توصیف جابه‌جایی میان بخش‌ها پرداخته و در همین نقطه متوقف شده‌اند. بخش زیادی از پژوهش‌های مرتبط با موضوع نیز مدلی برای پیش‌بینی تغییرات بخش‌بندی مشتریان ارائه داده‌اند، اما تنها معدودی از این پژوهش‌ها به تجویز اقدامات اصلاحی در صنعت مطالعه‌شده پرداخته‌اند؛ حال آنکه چنین رویکردی در پژوهش‌های معطوف به کاربرد کاملاً ضروری به نظر می‌رسد؛ زیرا سازمان‌ها تمایل دارند تا علاوه بر شناسایی پویایی مشتریان خود و پیش‌بینی وضع آیندة آنان، به راهکارهایی برای ارتقای بخش‌های مشتریان نیز دست یابند تا در نهایت منجر به افزایش سودآوری مؤسسه شود.

ب‌-استفاده از ابزارهای سنتی تحلیل داده

ابزارهای توسعه‌یافتة فناوری اطلاعات، ایجاد پارادایم جدیدی در داده‌کاوی تحت مفهوم داده‌های بزرگ را به وجود آورده است. استفاده از تکنیک تحلیل داده‌های بزرگ این امکان را فراهم کرده تا به‌شکل بی‌سابقه‌ای بتوان با استفاده از ابزارهای نوین به کشف الگوهای موجود در داده‌ها پرداخت و روابط تاکنون کشف‌نشده را مشاهده کرد. چنین ابزاری می‌تواند فرصت‌های پژوهشی جدیدی، حتی در زمینه‌هایی فراهم آورد که پیش‌تر با ابزارهای سنتی داده‌کاوی مطالعه می‌شدند و به ایجاد تئوری‌های جدید با رویکرد استقرایی از داده‌ها کمک کند.

باتوجه‌به آنکه ابزارها و تکنیک‌های تحلیل داده‌های بزرگ عمدتاً به‌تازگی توسعه یافته‌اند، استفاده از تحلیل داده‌های بزرگ رویکرد نسبتاً جدیدی در پژوهش‌های مرتبط با پویایی مشتریان است. مرور پیشنة موضوع نیز نشان می‌دهد بیشتر پژوهش‌های موجود در این زمینه با استفاده از روش‌های سنتی داده‌کاوی انجام شده و از مزایای تحلیل داده‌های بزرگ استفاده نکرده‌اند. برخی از این پژوهش‌ها به‌علت  امکان‌نداشتن تحلیل داده‌های حجیم و دارای سرعت تولید بالا، بازه‌های زمانی نسبتاً طولانی‌مدتی را برای بخش‌بندی در نظر گرفته‌اند که  با‌توجه‌به پویایی سریع بازارهای نوین، باعث کسب نتایج دقیقی نمی‌شود. همچنین، محدودیت‌های داده‌کاوی سنتی باعث شده تا برخی از پژوهش‌ها از متغیرهای جمعیت‌شناختی یا جغرافیایی دارای پویایی کمتر در بخش‌بندی استفاده کنند (سانگ و همکاران 2001). ازآنجاکه چنین متغیرهایی در بازة زمانی کوتاه دچار تغییرات محسوس نمی‌شوند، نمی‌توانند پویایی مشتریان را در بازارهای بی‌ثبات کنونی به‌خوبی بازتاب دهند.

ج‌-  خلأ الگوهای خاص صنعت

هرچه فعالیت‌های بازاریابی بیشتر بر مشتریان تمرکز کرده و همچنین داده‌های بیشتری از مشتریان در دسترس قرار ‌گیرد، سازمان‌ها بیشتر به تعیین ارزش مشتریان علاقه‌مند می‌شوند. از‌این‌رو، یکی از مهم‌ترین جنبه‌های پویایی مشتریان، تغییرات ارزش آنان در طول زمان است. برخی پژوهشگران (کیم و همکاران 2006) معتقدند برای محاسبة ارزش واقعی مشتریان، یکی از مؤثرترین شاخص‌ها، ارزش طول عمر مشتری است. مرور پیشنه و منابع موضوع نیز نشان می‌دهد عمده پژوهش‌ها در زمینة پویایی، بر تغییرات ارزش طول عمر مشتری تمرکز کرده‌اند (ازجمله: ها و بای 2006، لابی و بروسپی 2007 و آخوندزاده و همکاران 2014). اما مسئله آن است که مفهوم CLV در صنایع مختلف تفاوت‌های بنیادین دارد. پژوهش‌های پیشین در این زمینه، ازجمله تحقیقی در صنعت بانکداری در کشور آلمان (هاینلین و همکاران، 2007)، حاکی از ارتباط مستقیم ارزش طول عمر مشتری با نوع و میزان استفاده از خدمات و محصولات صنعت مربوطه است، چنین ارتباطی به معنای وابستگیCLV و شاخصه‌های محاسبة آن به صنعت است. استفاده از مقادیر CLV برای بخش‌بندی مشتریان، بدون توجه به مشخصات خاص صنعت، منجر به ایجاد بخش‌هایی می‌شود که صرفاً ارزش مشتری را بازتاب می‌دهند؛ برای مثال مشتریان پرارزش، کم‌ارزش و ... . بدون آنکه جزئیاتی درباری مسائل صنعت مطالعه‌شده ارائه دهد؛ برای مثال در صنعت بانکداری، وضعیت برای مشتریانی که به‌واسطة سپرده‌گذاری فراوان، باارزش تلقی می‌شوند و مشتریانی که از طریق پرداخت سود زیادِ تسهیلات، برای سازمان ارزش بسیاری ایجاد می‌کنند، کاملاً متفاوت است؛ درحالی‌که هر دوی این گروه‌ها به‌لحاظ CLV ممکن است دارای ارزش مشابهی باشند، اما الگوهای تغییرات آنها کاملاً مفاهیم متفاوتی در کسب‌وکار بانکی دارند و هریک نیازمند اتخاذ تدابیر و راهبردهای جداگانه‌ای از سوی سازمان است؛ برای مثال مشتریان سپرده‌گذار، علاقه‌مند به دریافت نرخ سود بیشتر با حداقل ماندگاری منابع مالی و مشتریان بخش تسهیلات، عمدتاً علاقه‌مند به پرداخت نرخ سود کمتر با شرایط زمانی بلندمدت هستند. بدیهی است که مؤسسة اعتباری نخواهد توانست با قراردادن چنین گروه‌های از مشتریان در بخش‌های یکسان، به‌خوبی نیازهای آنان را شناسایی کند و در صورت لزوم، مشوق‌های مناسبی ارائه دهد. برای پاسخگویی به نیازها و مسائل واقعی صنعت، به مطالعات کاربردی نیاز است که نتایج پویایی را باتوجه‌به مفاهیم کسب‌وکار در صنعت مطالعه‌شده تفسیر کنند.

 

4- روش‌شناسی پژوهش

برخلاف بخش‌بندی سنتی که انعکاس‌دهندة وضعیت ایستای مشتری است، تحلیل الگوهای پویایی بخش‌های مشتری، باید شناخت جامعی از مشتری برمبنای رفتار وی طی دوره‌های زمانی مختلف را فراهم آورد. برای این منظور لازم است طی بخش‌بندی‌های متوالی، تغییرات  بخش‌های مشتریان مطالعه و بررسی شود. از سوی دیگر یکی از مهم‌ترین جنبه‌های پویایی مشتریان، تغییرات ارزش آنان در طی زمان است و پرکاربردترین معیار تعیین ارزش مشتریان در ادبیات موضوع، CLV است؛ اما مفهوم ارزش طول عمر مشتری در صنایع مختلف کاملاً متفاوت است؛ زیرا به محصولات و خدمات ارائه‌شده در صنعت مطالعه‌شونده وابسته است. ازاین‌رو، مطالعة پویایی مشتریان باید مشخصات خاص صنعت را نیز در نظر گیرد. در تحقیق حاضر، از چارچوب مفهومی مطابق شکل 2 برای مطالعة پویایی بخش‌های مشتریان مبتنی‌بر ارزش طول عمر مشتری در یک صنعت خاص استفاده شده است. این تحقیق معطوف به کاربرد و با استفاده از مطالعة موردی در طول زمان اجرا شده است. مطالعه از نوع اکتشافی و با تمرکز بر رویکردهای کمّی است، هرچند در صورت نیاز از روش‌های کیفی نیز برای مکمّل روش‌های کمّی استفاده شده است (رویکرد مختلط). برای کاوش الگوهای پویایی و روابط میان آنها از تکنیک‌های تحلیل داده استفاده شده که باتوجه‌به حجم داده و پیچیدگی الگوها از قابلیت مقیاس‌پذیری الگوریتم‌های موازی و ابزارهای تحلیل داده‌های بزرگ بهره‌گرفته شده است.

هم‌چنان‌که در چارچوب مفهومی تحقیق مشخص شد، در مرحلة اول، شاخصه‌های محاسبة CLV در صنعت مطالعه‌شده شناسایی و باتوجه‌به میزان پویایی دسته‌بندی می‌شوند. شاخصه‌های پویا برای بخش‌بندی و شاخصه‌هایی که پویایی کمتری دارند، برای تحلیل و شناسایی بخش‌ها استفاده می‌شوند. گفتنی است هردو گروه این متغیرها به‌علت تأثیر بر ارزش طول عمر مشتری در محاسبة CLV نیز استفاده می‌شوند. از سوی دیگر، متغیرهایی نیز وجود دارند که بر CLV مؤثر نبوده، اما واجد اطلاعات ارزشمندی در خصوص مفاهیم کسب‌وکار مربوطه هستند. این متغیرها برای تحلیل کیفی بخش‌ها استفاده خواهند شد.

 

 

شکل 2 – چارچوب مفهومی تحقیق پویایی بخش‌های مشتریان

 

پس از انتخاب متغیرها، رکوردهای تجمیعی شامل اطلاعات متغیرهای انتخابی در بازه‌های زمانی متناوب برای هر مشتری ایجاد می‌شود. در مرحلة بعد، پس از پیش‌پردازش و پالایش داده‌ها، بخش‌بندی مشتریان انجام می‌شود. استفاده از شاخصه‌های پویای CLV، که باتوجه‌به خدمات و محصولات ارائه‌شده در صنعت مزبور انتخاب شده‌اند، امکان شناسایی بخش‌هایی را فراهم می‌آورد که اولاً در کسب‌وکار مربوطه دارای مفهوم هستند و ثانیاً دارای پویایی لازم برای انعکاس تغییرات بازار ‌باشند. در عین حال، ازآنجاکه همة متغیرهای انتخابی، مؤثر بر ارزش طول عمر مشتری هستند، بخش‌های مذکور، ارزش اعضای خود را نیز به‌خوبی بازتاب می‌دهند.

در مرحلة بعد، لازم است بخش‌بندی مشتریان در طی بازه‌های زمانی مختلف انجام شود؛ تکنیک‌های خوشه‌بندی افرازی، خصوصاً الگوریتم‌های خانوادة k-means، با برخورداری از سرعت مناسب، کاربرد مؤثری در بخش‌بندی مشتریان در منابع و پیشینه ارائه داده‌اند. ماهیت توزیع‌پذیر این الگوریتم‌ها، قابلیت استفاده از آن در پردازش موازی را فراهم کرده است. در این زمینه، تحقیقی در دانشگاه استنفورد (بهمنی و همکاران، 2012) روشی برای مقیاس‌پذیرکردن این الگوریتم برای تحلیل داده‌های بزرگ، با عنوان [7] k-means|| پیشنهاد کرده است.

باوجود مزایایی مانند سرعت زیاد و مقیاس‌پذیری، ضعف اصلی این گروه از الگوریتم‌ها، حساسیت به نقاط اولیه است. معرفی نقاط اولیة نامناسب می‌تواند باعث گرفتاری در دام بهینة محلی و خوشه‌بندی ناکارآمد شود. یکی از روش‌های متداول در منابع موضوع برای رفع این مشکل، شناسایی خوشه‌ها از راه سایر روش‌های خوشه‌بندی و سپس استفاده از مراکز این خوشه‌ها با عنوان نقاط اولیه در k-means است.

با به‌کارگیری این رویکرد در تحقیق حاضر، برای شناسایی بخش‌ها، نخست بخش‌بندی کلّی با استفاده از روش بخش‌بندی سلسله‌مراتبی تجمیعی[8] روی نمونة داده‌های کلیة بازه‌های زمانی مختلف اجرا شده و بخش‌های واجد معنی در صنعت مزبور را خبرگان کسب‌وکار شناسایی می‌کنند؛ سپس با استفاده از بخش‌های شناسایی‌شده، بخش‌بندی در بازه‌های زمانی متناوب یک‌ماهه با استفاده ازk-means|| تکرار می‌شود. برای این منظور، نمایندگان خوشه‌ها در بخش‌بندی سلسله‌مراتبی به‌عنوان نقاط اولیه، در بازة زمانی متناظر، به الگوریتم بخش‌بندی معرفی می‌شوند.

در گام بعدی تحقیق، بخش‌های حاصل از بخش‌بندی‌های متوالی، برای بررسی تغییرات بخش‌ها و نیز جابه‌جایی مشتریان میان بخش‌ها با استفاده از تحلیل قواعد انجمنی[9]، بررسی می‌شوند. این بخش‌ها در طول بازه‌های زمانی متوالی، مسیری را برای هر مشتری مشخص می‌سازند که نشان‌دهندة طرز پویایی آن در میان بخش‌های مختلف است. مشتریان دارای مسیر مشابه به گروه‌های یکسانی از نظر نوع پویایی تعلق دارند. برای شناسایی الگوهای غالب پویایی مشتریان، در این مطالعه از تحلیل اقلام مکرر[10] استفاده می‌شود. الگوهای غالب را خبرگان کسب‌وکار تحلیل می‌کنند و انواع پویایی مشتریان باتوجه‌به مفاهیم کسب‌وکار مربوطه شناسایی می‌شوند. جنبة دیگری از پویایی مشتریان نیز وجود دارد که به روابط میان پویایی آنان می‌پردازد. برای این منظور، ارتباطات میان مسیرهای پویایی مشتریان نیز بررسی شده و انواع روابط میان پویایی گروه‌های مختلف مشتریان تشخیص داده می‌شود.

برای تحلیل اقلام مکرر، دو گونة کلی از الگوریتم‌ها در منابع و پیشینة موضوع موجود هستند: الگوریتم‌های مبتنی‌بر جستجوی اول سطح و الگوریتم‌های مبتنی بر جستجوی اول عمق. تعداد زیاد کاندیداها و پویش چندین‌باره، سبب ایجاد محدودیت در کارایی الگوریتم‌های مبتنی‌بر جستجوی اول سطح در تحلیل داده‌های بزرگ می‌شود. الگوریتم‌های مبتنی بر جستجوی اول عمق، ازجمله FP-Growth از سریع‌ترین و پرکاربردترین روش‌ها در پیشینة موضوع هستند. این روش در پژوهشی با عنوان «کاوش الگوهای مکرر بدون تولید مجموعه کاندید» (هان و همکاران، 2004) پیشنهاد شد. FP-growth دارای دو مزیت عمده نسبت به روش‌های پیشین برای پردازش حجم بسیارِ داده است: اولاً تمامی اقلام داده را در قالب ساختاری درختی سازماندهی کرده و درنتیجه باعث تسریع در پیمایش می‌شود، ثانیاً از تولید بی‌رویة اقلام کاندید جلوگیری می‌کند.

در مقیاس داده‌های بزرگ، اجرای الگوریتم FP-Growth به توان پردازشی سریعی نیاز دارد. ازاین‌رو الگوریتم‌های موازی برای مقیاس‌پذیرکردن این روش پیشنهاد شده است، ازجمله لی و همکاران (2008) که روشی با عنوان (PFP) Parallel FP-Growth ارائه کردند. این روش که از چارچوب Map-Reduce برای توزیع پردازش استفاده می‌کند، توان توزیع هریک از مراحل الگوریتم FP-Growth را به‌روی نودهای پردازشی مختلف داراست.

باید گفت باتوجه‌به استفاده از تکنیک‌های تحلیل داده‌های بزرگ، از محیط توسعة Spark-R برای اجرای الگوریتم‌های معرفی‌شده استفاده می‌شود. درنهایت پس از کاوش الگوها و روابط پویایی مشتریان و همچنین تحلیل آنان به کمک خبرگان کسب‌وکار، نتایج برای پیش‌بینی و هدایت پویایی مشتریان در راستای بهبود راهبردها و فعالیت‌های بازاریابی به کار گرفته می‌شوند.

 

5- پویایی مشتریان در صنعت بانکداری

با ظهور رقبای جدید در صنعت خدمات مالی ازجمله شرکت‌های قدرتمند فناوری–مالی[11]، انتظارات و نیازهای مشتریان صنعت بانکداری  به‌سرعت در حال تغییر است (کپجمنای و ای اف ام ای، 2013). معرفی مفاهیم نوینی مانند دفاتر کل توزیع‌شده[12]، پول‌های مجازی، خدمات همتا به همتا[13]، پرداخت‌های اینترنتی و کانال‌های ارائة خدمت جدید، پویایی این بازار را تشدید می‌کند (دانگ و همکاران،2017).

از سوی دیگر کسب‌وکار بانکی دارای مشخصات منحصربه‌فردی به‌خصوص در قیاس با محیط‌های قراردادی مانند صنعت خرده‌فروشی است. در محیط‌های قراردادی رفتار مشتریان با استفاده از تعاملات خرید و فروش، به‌راحتی تفسیر می‌شود؛ اما در کسب‌وکار بانکی، الگوهای پویایی مشتریان دارای مفاهیم متنوعی است؛ برای مثال تفسیر الگوهای پویایی مشتریان در بخش‌های سپرده‌گذاری، تسهیلات و خدمات غیرمشاع کاملاً متفاوت است.

بازار پویا و مشخصات منحصربه‌فرد کسب‌وکار بانکی، این صنعت را به گزینة مناسبی برای کاوش الگوهای خاص صنعت تبدیل کرده است.

در تحقیق حاضر برای مطالعة پویایی مشتریان، از سوابق داده‌ای موجود در پایگاه دادة بانکداری متمرکز بانک ملت، طی بازة زمانی 1393.01 تا 1396.06 (42 ماه)، استفاده شد. مطابق چارچوب اجرای تحقیق، در آغاز، متغیرهای مؤثر بر CLV در صنعت بانکداری شناسایی و براساس میزان پویایی دسته‌بندی شدند، سپس با بخش‌بندی متناوب مشتریان در طی زمان، تغییرات بخش‌های مشتریان تحلیل و درنهایت الگوهای پویایی ازجمله الگوهای خاص صنعت بانکداری شناسایی شدند. روند انجام مراحل مذکور، در ادامة در این بخش تشریح خواهد شد.

5-1- شاخصه‌های ارزش طول عمر مشتری در ادبیات موضوع

در حالی‌که برخی پژوهش‌ها (ازجمله گوپتا و همکاران، 2006 و هو و همکاران، 2006)، از متغیرهای عام و میان‌صنعتی برای محاسبة CLV استفاده کرده‌اند، برخی پژوهش‌های دیگر بر نقش صنعت در محاسبة CLV تأکید داشته‌اند، ازجمله هاینلین و همکاران (2007) با    به‌کارگرفتن مدل مارکوف و محاسبة CLV شش میلیون مشتری در یک بانک آلمانی به این نتیجه رسیدند که باتوجه‌به نوع محصولات و خدمات رایج مشتریان بانک و نیز میزان استفاده از این خدمات، می‌توان ارزش طول عمر مشتری را در صنعت بانکداری تعیین کرد. پژوهش دیگری (گارلند، 2004) در خصوص بانکداری خرد در کشور نیوزیلند، حاکی از آن بود که سن، سهم بازار و درآمد خانوار بر CLV تأثیر مستقیم دارد. تحقیقی دیگر (عبدلوند و همکاران، 2012) نیز تأیید کرد که میزان فعالیت، مدت‌زمان نگهداری مشتری و پرتفوی محصولات از شاخصه‌های مؤثر بر ارزش مشتری در صنعت بانکداری هستند. صفری کهره و همکاران (2014) نیز سه متغیر (مدت نگهداری، ماندة سپرده‌ها و حاشیة سود) مؤثر بر افزایش CLV مشتریان بانکی را شناسایی کردند. برخی از شاخصه‌های CLV در صنعت بانکداری، که با مرور پیشینة موضوع شناسایی شدند، در جدول شمارة 1 ذکر شده است.

 

جدول 1 – شاخصه‌های مؤثر بر ارزش طول عمر مشتری در صنعت بانکداری

شاخصه

بخش

کسب‌وکار

گروه

پژوهش

رابطه با CLV

نوع

هزینة اکتساب مشتری

عمومی

هزینة بازاریابی

(1996)بلاتبرگ و همکاران

معکوس

میان‌صنعتی

سن

عمومی

جمعیت‌شناختی

(2004)کمپبل و همکاران

مستقیم

میان‌صنعتی

مدت‌زمان رابطة مشتری با سازمان

عمومی

وفاداری مشتری

(2014)اکینچی و همکاران

مستقیم

میان‌صنعتی

میانگین ماندة سپرده‌های جاری مشتری

تجهیز منابع

سطح فعالیت

صفری کهره و همکاران (2014)

مستقیم

خاص صنعت بانکداری

میانگین ماندة سپرده‌های پس‌انداز مشتری

تجهیز منابع

سطح فعالیت

صفری کهره و همکاران (2014)

مستقیم

خاص صنعت بانکداری

میانگین سود پرداختی

تجهیز منابع

ارزش مالی

(2006)گوپتا و همکاران

مستقیم

خاص صنعت بانکداری

میانگین مبلغ تراکنشات

عمومی

ارزش مالی

(2012)غلامیان و همکاران

مستقیم

میان‌صنعتی

احتمال رویگردانی مشتری

عمومی

ارزش مالی

(2006) هو و همکاران

معکوس

میان‌صنعتی

داشتن بیمة عمر

تخصیص منابع

نوع محصول / خدمت

هاینلین و همکاران (2007)

مستقیم

میان‌صنعتی

مدت زمان سپری‌شده از افتتاح حساب

تجهیز منابع

وفاداری مشتری

(2012) غلامیان و همکاران

مستقیم

خاص صنعت بانکداری

روند ارتقای خدمات یا خرید خدمات جدید از مؤسسه

عمومی

ارزش مالی

(2006)هو و همکاران

مستقیم

میان‌صنعتی

میزان دارایی فعلی مشتری

عمومی

جمعیت شناختی

(2014) اکینچی و همکاران

مستقیم

میان‌صنعتی

داشتن حساب کفالتی

تجهیز منابع

نوع محصول / خدمت

هاینلین و همکاران (2007)

مستقیم

خاص صنعت بانکداری

داشتن حساب جاری

تجهیز منابع

نوع محصول / خدمت

(2012)عبدالوند و همکاران

مستقیم

خاص صنعت بانکداری

داشتن وام مسکن

تخصیص منابع

نوع محصول / خدمت

هاینلین و همکاران (2007)

مستقیم

خاص صنعت بانکداری

داشتن وام شخصی (خرد)

تخصیص منابع

نوع محصول / خدمت

هاینلین و همکاران (2007)

مستقیم

خاص صنعت بانکداری

داشتن حساب پس‌انداز

تجهیز منابع

نوع محصول / خدمت

(2012)عبدالوند و همکاران

مستقیم

خاص صنعت بانکداری

احتمال ماندگاری مشتری

عمومی

ارزش مالی

(1996)بلاتبرگ و همکاران

مستقیم

میان‌صنعتی

هزینة کسب رضایت مشتری

عمومی

ارزش مالی

(2002) گورو و همکاران

مستقیم

میان‌صنعتی

احتمال نکول بازپرداخت

تخصیص منابع

احتمال نکول

(1996)هارتفیل

معکوس

خاص صنعت بانکداری

هزینة کمپین‌های بازاریابی

عمومی

هزینه بازاریابی

(2006)هو و همکاران

معکوس

میان‌صنعتی

داشتن دستة چک

تجهیز منابع

نوع محصول / خدمت

(2012)عبدالوند و همکاران

مستقیم

خاص صنعت بانکداری

درآمد خانوار

عمومی

جمعیت شناختی

(2004)گارلند و همکاران

مستقیم

میان‌صنعتی

تاریخ آخرین تعامل

عمومی

تازگی تعامل

(2006)گوپتا و همکاران

مستقیم

میان‌صنعتی

حاشیة سود کسب‌شده از مشتری

عمومی

ارزش مالی

صفری کهره و همکاران (2014)

مستقیم

خاص صنعت بانکداری

ارزش مالی خدمات/ سرویس‌های استفاده‌شدة مشتری

عمومی

ارزش مالی

(2006) گوپتا و همکاران

مستقیم

خاص صنعت بانکداری

تعداد پرداخت‌ها و برداشت‌های نقدی

عمومی

سطح فعالیت

هاینلین و همکاران (2007)

مستقیم

خاص صنعت بانکداری

تعداد حساب‌های فعال

تجهیز منابع

سطح فعالیت

(2012)عبدالوند و همکاران

مستقیم

خاص صنعت بانکداری

تعداد روزهای دارای نکول

تخصیص منابع

احتمال نکول

(2012)عبدالوند و همکاران

معکوس

خاص صنعت بانکداری

تعداد حواله‌های صادره

خدمات

سطح فعالیت

هاینلین و همکاران (2007)

مستقیم

خاص صنعت بانکداری

تعداد وام‌های دارای بازپرداخت سررسید گذشته

تخصیص منابع

احتمال نکول

(1996) هارتفیل

معکوس

خاص صنعت بانکداری

هزینة عملیاتی مشتری

عمومی

ارزش مالی

(2006) گوپتا و همکاران

مستقیم

میان‌صنعتی

ریسک عملیاتی مشتری

عمومی

ارزش مالی

(2014) اکینچی و همکاران

معکوس

میان‌صنعتی

احتمال فعال ماندن مشتری

عمومی

ارزش مالی

(2006) گوپتا و همکاران

مستقیم

میان‌صنعتی

هزینة نگهداری مشتری

عمومی

هزینة بازاریابی

(1996)بلاتبرگ و همکاران

معکوس

میان‌صنعتی

فاصلة زمانی میان اولین و آخرین افتتاح حساب

تجهیز منابع

وفاداری مشتری

(2014) نیکو منش و همکاران

مستقیم

خاص صنعت بانکداری

مجموع مبلغ وام‌ها

تخصیص منابع

ارزش مالی

(2006)گوپتا و همکاران

مستقیم

خاص صنعت بانکداری

مجموع مبلغ مطالبات غیرجاری

تخصیص منابع

احتمال نکول

(1996)هارتفیل

معکوس

خاص صنعت بانکداری

مجموع مبلغ چک‌های برگشتی

تجهیز منابع

احتمال نکول

(2012)غلامیان و همکاران

معکوس

خاص صنعت بانکداری

مجموع مبلغ بازپرداخت‌نشدة وا‌م‌ها

تخصیص منابع

ارزش مالی

(2014)نیکو منش و همکاران

مستقیم

خاص صنعت بانکداری

مجموع تعداد تراکنشات واریز

تجهیز منابع

تکرار تعامل

(2012)غلامیان و همکاران

مستقیم

خاص صنعت بانکداری

مجموع تعداد تراکنشات برداشت

تجهیز منابع

تکرار تعامل

(2012) غلامیان و همکاران

مستقیم

خاص صنعت بانکداری

مجموع مبلغ گردش مالی مشتری

عمومی

سطح فعالیت

(2014)نیکو منش و همکاران

مستقیم

خاص صنعت بانکداری

 

5-2- جمع‌آوری و پیش‌پردازش داده

باتوجه‌به چارچوب تحقیق، بعد از شناسایی شاخصه‌های ارزش طول عمر مشتری، از این شاخصه‌های برای بخش‌بندی، توصیف بخش‌ها و محاسبة CLV استفاده شد. برای این منظور، تعدادی از شاخصه‌های مذکور که در پایگاه دادة مؤسسة هدف موجود بود، به همراه تعداد دیگری از متغیرها استفاده شدند که بر CLV تأثیری نداشت، اما دارای اطلاعات مفیدی برای تحلیل کیفی بخش‌های مشتریان هستند. باتوجه‌به داده‌های در دسترس، شاخصه‌های ارزش طول عمر مشتری، از میان متغیرهای مربوط به بخش تجهیز منابع (سپرده‌گذاری) انتخاب شدند.

متغیرهایی مانند ماندة حساب و میزان تراکنشات که قابلیت تغییر مداوم در هر مقطع نسبت به مقطع قبلی (بازة زمانی یک‌ماهه) را دارند، متغیرهای دارای پویایی زیاد و متغیرهای فاقد این خصوصیت، متغیرهای دارای پویایی کم دسته‌بندی شدند. در جدول 2، هر دو گروه از متغیرها به همراه کاربرد و میزان پویایی مشخص شده‌اند.

 

جدول 2 – دسته‌بندی متغیرهای استفاده‌شده

متغیر

نوع مشتری

میزان پویایی

کاربرد

نوع مشتری

حقیقی / حقوقی

کم

توصیف بخش

تحصیلات

حقیقی

کم

توصیف بخش

شغل

حقیقی

کم

توصیف بخش

جنسیت

حقیقی

کم

توصیف بخش

زمینة فعالیت

حقوقی

کم

توصیف بخش

میزان سرمایة ثبت‌شده

حقوقی

کم

توصیف بخش

نوع شرکت

حقوقی

کم

توصیف بخش

مدت فعالیت شرکت

حقوقی

کم

توصیف بخش

محدودة سنی

حقیقی

کم

توصیف بخش/ محاسبة ارزش طول عمر مشتری

داشتن دسته‌چک

حقیقی / حقوقی

کم

توصیف بخش / محاسبة ارزش طول عمر مشتری

متوسط ماندة کل حساب‌های دیداری

حقیقی / حقوقی

زیاد

بخش‌بندی / محاسبة ارزش طول عمر مشتری

متوسط ماندة کل حساب‌های بلندمدت

حقیقی / حقوقی

زیاد

بخش‌بندی / محاسبة ارزش طول عمر مشتری

تعداد تراکنشات واریز

حقیقی / حقوقی

زیاد

بخش‌بندی / محاسبة ارزش طول عمر مشتری

تعداد تراکنشات برداشت

حقیقی / حقوقی

زیاد

بخش‌بندی / محاسبة ارزش طول عمر مشتری

مدت‌زمان رابطة مشتری با بانک

حقیقی / حقوقی

زیاد

بخش‌بندی / محاسبة ارزش طول عمر مشتری

میزان کل گردش مالی

حقیقی / حقوقی

زیاد

بخش‌بندی / محاسبة ارزش طول عمر مشتری

 

 

هم‌چنان‌که در جدول 2 ملاحظه می‌شود، تنها 6 متغیر از 16 متغیر موجود، توانایی تغییر چشمگیر در بازه‌های زمانی کوتاه را دارند (متغیرهای پویا) که در این تحقیق از آنها برای بخش‌بندی مشتریان استفاده شده است. سایر متغیرها که پویایی کمتری دارند، نیز برای تحلیل کیفی بخش‌های مشتریان به‌کار گرفته شدند.

داده‌های حدود 17میلیارد تراکنش 32 میلیون از مشتریان بانک در طول 42 ماه از پایگاه دادة مؤسسة هدف جمع‌آوری شد. داده‌های مربوط به متغیرهای انتخاب‌شده در مرحلة قبل، از پایگاه دادة مؤسسة هدف استخراج و به ازای هر ماه برای هر مشتری، یک رکورد تجمیعی حاصل از تراکنشات وی ایجاد شده است. در مرحلة پیش‌پردازش داده، پس از حذف رکوردهای دارای داده‌های ناموجود و ناسازگار، تبدیل،  گسسته‌سازی و نرمال‌سازی مقادیر و درنهایت تجمیع و خلاصه‌سازی اطلاعات، 1.1 میلیارد رکورد تجمیعی حاصل از تراکنشات مشتریان به دست آمد که در مراحل بعدی تحقیق، برای بخش‌بندی مشتریان استفاده شدند.

 

جدول 3 – نمونه‌هایی از رکوردهای تجمیعی مشتریان

مقطع

شمارة مشتری

مجموع برداشت‌ها

مجموع واریزها

ماندة کل در پایان دوره

میانگین ماندة کل حساب‌ها

ماندة حساب جاری

1396.05

 

0

0

22501445

22501445

2853235

 

1396.05

 

0

0

3000

3000

3000

 

1396.05

 

0

0

548836

548836

348836

 

1396.05

 

7107250

7199589

19363370

22899232

47189

 

1396.05

 

0

0

367000

367000

367000

 

1396.05

 

1910000

1910000

591654

745847

11694

 

1396.05

 

447598608

507229214

73553035

29126319

29287995

 

 

 

5-3- بخش‌بندی متناوب در طی زمان

هم‌چنان‌که در روش تحقیق ذکر شد، الگوریتم‌های خانوادة k-means کاربرد مؤثری در بخش‌بندی مشتریان در پیشینة موضوع ارائه داده‌اند؛ اما ضعف اصلی این گروه از الگوریتم‌ها، حساسیت به نقاط اولیه است. معرفی نقاط اولیة نامناسب می‌تواند باعث گرفتاری در دام بهینة محلی و خوشه‌بندی ناکارآمد شود. در تحقیق حاضر برای رفع این مشکل، بخش‌بندی سلسله‌مراتبی تجمیعی[14]برای شناسایی خوشه‌ها به‌کار گرفته شد. سپس نمایندگان خوشه‌ها، در مقاطع زمانی متناظر، به‌منزلة نقاط اولیه به این الگوریتم معرفی شدند.

به‌دلیل حجم بسیار زیاد داده‌ها، از نمونه‌گیری تصادفی از یک‌درصد داده‌ها در هریک از مقاطع زمانی 42‌گانه استفاده شد. در مرحلة بعد با الگوریتم AGNES  [15] بخش‌بندی سلسله‌مراتبی روی داده‌های نمونه انجام گرفت. در یک بخش‌بندی مناسب، بخش‌های حاصل باید از نظر کسب‌وکار مربوطه دارای مفهوم باشند. برای رسیدن به این هدف، سلسله‌مراتب در مقاطع مختلف برش داده شده و بخش‌های مربوطه برای تفسیر به خبرگان کسب‌وکار ارائه شدند. گروه خبرگان کسب‌وکار، متشکل از چهار نفر از مدیران اجرایی نظام بانکی ایران، به تحلیل بخش‌های ارائه شده در مقاطع مختلف سلسله‌مراتب پرداختند. اطلاعات آماری خوشه‌ها ازجمله ترکیب اعضای خوشه (حقیقی / حقوقی) ، ترکیب منابع ارزان‌قیمت و گران‌قیمت، سرانة موجودی اعضاء، درصد اعضای خوشه به کلّ مشتریان، درصد موجودی خوشه به کلّ منابع و نیز اطلاعات مشتریان حقیقی شامل نوع اشتغال، تحصیلات، گروه سنی مشتریان و اطلاعات مشتریان حقوقی شامل زمینة فعالیت، سرمایه و سابقة فعالیت، نیز برای تحلیل خوشه‌ها به‌کار گرفته شد. درنهایت گروه خبرگان با تحلیل برش‌های مختلف، 17 بخش معنادار از نظر کسب‌وکار بانکی (شکل 3) را شناسایی و نامگذاری کردند.

 

 

شکل 3 – بخش‌های مشتریان حاصل از بخش‌بندی سلسله‌مراتبی تجمیعی

 

 

ازآنجاکه هدف تحقیق، بررسی پویایی بخش‌های مشتریان است، لازم است بخش‌بندی در فواصل زمانی منظمی تکرار و تغییرات بخش‌ها بررسی شود. باتوجه‌به ماهیت کسب‌وکار بانکی، بازه‌های زمانی یک‌ماهه برای خوشه‌بندی در نظر گرفته شده است. به این ترتیب برای 42 بازة زمانی مختلف با استفاده از الگوریتم Scalable K-Means بخش‌بندی به‌روی تمامی داده‌ها شکل گرفت. بدین‌منظور، نمایندگان خوشه‌ها در بخش‌بندی سلسله‌مراتبی به‌منزلة نقاط اولیه، در بازة زمانی متناظر به الگوریتم مذکور معرفی شدند. بخش‌های حاصل از یکی از بخش‌بندی‌های 42گانه در جدول 4 ارائه شده است.

 

 

جدول 4- بخش‌های مشتریان در مقطع زمانی 1394.04

شمارة بخش

عنوان بخش

دورة زمانی

تعداد اعضای بخش

درصد اعضاء از کلّ مشتریان

درصد منابع از کلّ منابع مالی

1

مشتریان غیرفعال

1394.04

3,955,622

15.39

0.03

2

مشتریان تابع خدمات

1394.04

1,529,249

5.95

2.64

3

مشتریان جدید با منابع خرد

1394.04

1,382,009

5.38

1.94

4

مشتریان جدید دارای منابع بالا و ارزان

1394.04

1,329

0.01

0.7

5

مشتریان جدید دارای منابع بالا و گران

1394.04

2,363

0.01

0.87

6

مشتریان جدید دارای منابع کلان ارزان

1394.04

12

0

0.73

7

مشتریان جدید دارای منابع کلان گران

1394.04

3

0

0.72

8

مشتریان معمولی دارای منابع خرد

1394.04

2,967,886

11.55

3.82

9

مشتریان معمولی دارای منابع بالای ارزان

1394.04

3,029

0.01

1.47

10

مشتریان معمولی دارای منابع بالای گران

1394.04

4,122

0.02

1.75

11

مشتریان معمولی دارای منابع کلان ارزان

1394.04

34

0

2.97

12

مشتریان معمولی دارای منابع کلان گران

1394.04

8

0

0.31

13

مشتریان قدیمی دارای منابع خرد

1394.04

15,797,353

61.46

27.26

14

مشتریان قدیمی دارای منابع بالای ارزان

1394.04

24,721

0.1

12.47

15

مشتریان قدیمی دارای منابع بالای گران

1394.04

35,542

0.14

16.67

16

مشتریان قدیمی دارای منابع کلان ارزان

1394.04

207

0

14.64

17

مشتریان قدیمی دارای منابع کلان گران

1394.04

140

0

10.98

 

 

5-4-        یافته‌های پژوهش

5-4-1-       کاوش الگوهای پویایی مشتریان

نتایج بخش‌بندی‌های متوالی، برای بررسی تغییرات بخش‌ها و نیز جابه‌جایی مشتریان میان بخش‌ها، مطالعه و بررسی شده‌اند. برای این منظور، بازه‌های زمانی سه‌ماهه (15 بازة زمانی) برای مطالعة تغییرات بخش‌ها در نظر گرفته شد. مسیر هر مشتری در هریک از بازه‌های زمانی پانزده‌گانه، شناسایی و مشتریان دارای مسیر مشابه در گروه‌های یکسان تجمیع شدند (جدول 5).

 

جدول 5 – نمونه‌هایی از مسیرهای گروه‌های مشتریان در میان بخش‌ها

شمارة گروه

بخش مشتری در هر بازه زمانی

تعداد اعضای گروه

T1

T2

T3

T4

T5

T6

T7

T8

T9

T10

T11

T12

T13

T14

T15

2108

1

13

1

1

13

13

1

13

13

13

13

13

13

13

13

120

2109

3

3

3

3

8

8

8

8

8

1

1

1

1

13

13

141

2110

8

8

8

8

13

13

13

13

13

13

1

13

13

13

13

889

2111

   

1

1

1

1

1

1

1

1

1

1

1

1

1

6866

2112

13

13

13

13

13

13

13

15

15

15

15

13

13

13

13

136

2113

           

3

5

5

5

10

10

10

10

10

141

2114

8

8

13

13

13

13

13

13

13

13

13

13

13

13

13

587585

2115

3

3

3

3

8

8

8

1

1

1

1

8

13

13

13

112

 

 

برای شناسایی اقلام مکرر از الگوریتم FP_Growth استفاده شد. از میان 247061 گروه متمایز مشتریان، تنها 5059 گروه که دارای پشتیبانی بزرگ‌تر مساوی 0.01 بودند (Support >= 0.01) با عنوان مسیرهای مکرر مشتریان شناسایی شدند. این مسیرهای مکرر را خبرگان کسب‌وکار، تحلیل کرده، سپس الگوهای مشابه، دسته‌بندی و درنهایت پنج دستة کلّی از الگوهای پویایی مشتریان در کسب‌وکار بانکی را شناسایی کرده‌اند:

الگوی پویایی مشتریان در دستة اول:

-            به بخش‌های 6،11 یا 16 تعلق دارند (متعلق به بخش‌های باارزش‌ترین مشتریان با منابع مالی ارزان هستند).

-        مسیر آنها شامل حداقل یکی از بخش‌های 1, 2, 3, 4, 5, 8, 9, 10, 13, 14  یا  15است (سابقة جابه‌جایی به بخش‌های کم‌ارزش‌تر را نیز دارند).

-            دارای میزان تغییر بخش، بیش از یک تغییر در سال هستند (دارای پویایی بالا هستند).

این دسته از مشتریان جابه‌جایی پی‌درپی و زیاد در میان بخش‌ها دارند. آنان عمدتاً سازمان‌های بزرگی هستند که دارای سپرده‌های دیداری بسیار حجیم هستند و به بخش‌های 6, 11, 16 تعلق دارند. مشتریان این بخش‌ها به‌دلیل منابع حجیم و ارزان‌قیمتی که فراهم می‌آورند، باارزش‌ترین مشتریان بانک تلقی می‌شوند. هم‌چنان‌که در جدول شمارة 4 نشان داده شده، باوجود آنکه تنها 0.0009 درصد کل مشتریان (253 مشتری) از بخش‌های مذکور هستند، 18.34 درصد کل منابع بانک را در مقطع مربوطه به خود اختصاص داده‌اند.

در عین حال، رفتار گذشتة این مشتریان گویای آن است که به‌راحتی می‌توانند به بخش‌های کم‌ارزش‌تر انتقال یابند که این موضوع آنان را به تهدیدی بالقوه برای مؤسسه هدف تبدیل می‌کند. انتقال تنها تعداد اندکی از این مشتریان به بخش‌های کم‌ارزش‌تر موجب از دست رفتن حجم زیادی از منابع مالی و سود مؤسسه هدف می‌شود. به‌واسطه این مشخصات، عنوان «مشتریان بحران‌ساز» را برای آنان انتخاب کردیم.

 

 

 

شکل 4 – نمونه‌هایی از پویایی مشتریان پرریسک و بحران‌ساز

 

 

الگوی پویایی مشتریان در دستة دوم:

-            به بخش‌های 7،12 یا 17 تعلق دارند (متعلق به بخش‌های باارزش‌ترین مشتریان با منابع مالی گران هستند).

-        مسیر آنها شامل حداقل یکی از بخش‌های1, 2, 3, 4, 5, 8, 9, 10, 13, 14  یا 15است (سابقة جابه‌جایی به بخش‌های کم‌ارزش‌تر را نیز دارند).

-            دارای میزان تغییر بخش، بیش از یک تغییر در سال هستند (دارای پویایی بالا هستند).

این دسته از مشتریان نیز جابه‌جایی زیادی در میان بخش‌ها دارند. آنان عمدتاً دارای سپرده‌های بلندمدت بسیار حجیم هستند و به بخش‌های 7, 12, 17 تعلق دارند. هم‌چنان‌که در جدول شمارة 4 نشان داده شده، با وجود آنکه تنها 0.0005 درصد کل مشتریان (151 مشتری) از بخش‌های مذکور هستند، 12.01 درصد کل منابع بانک را در مقطع مربوطه به خود اختصاص داده‌اند. با اینکه سود بالای حساب‌های بلندمدت، سپرده‌های این مشتریان را به منابع پرهزینه‌ای برای مؤسسة مالی تبدیل می‌سازد، حجم بالای سپرده‌گذاری آنان موجب شده که جزو مشتریان پرارزش مؤسسة مالی محسوب شوند. در عین حال، همانند مشتریان بحران‌ساز، رفتار گذشتة این دسته از مشتریان نشان می‌دهد به‌راحتی می‌توانند به بخش‌های کم‌ارزش‌تر انتقال یابند (شکل 4). هرچند این انتقال به‌لحاظ پرهزینه بودن منابع آنان، تأثیر خطرناکی بر سوددهی مؤسسه مالی ندارد، باعث از دست رفتن حجم زیادی از نقدینگی می‌شود و مؤسسه را در معرض ریسک بالای نقدینگی قرار می‌دهد. از‌این‌رو، عنوان «مشتریان پرریسک» را برای آنان انتخاب کردیم.

الگوی پویایی مشتریان در دستة سوم:

1-        به بخش‌های 4, 5, 9, 10, 14 یا 15 تعلق دارند (متعلق به بخش‌های مشتریان ارزشمند هستند).

2-        مسیر آنها شامل حداقل یکی از بخش‌های 1, 2, 3, 8یا 13 است (سابقة جابه‌جایی به بخش‌های کم‌ارزش‌تر را نیز دارند).

3-        دارای میزان تغییر بخش، بیش از یک تغییر در سال هستند (دارای پویایی زیادی هستند).

این مشتریان پویا نیز جزو مشتریان پرارزش مؤسسة مالی محسوب می‌شوند و به بخش‌های4, 5, 9, 10, 14  و 15 تعلق دارند. هم‌چنین سابقة آنان نیز نشان‌دهنده قابلیت انتقال به بخش‌های کم‌ارزش‌تر است. برخلاف مشتریان بحران‌ساز و پر‌ریسک، سرانة سپرده این دسته مشتریان، حجم کمتری دارد. هم‌چنان‌که در جدول 4 نمایش داده شده، 0.29 درصد مشتریان (71106 مشتری) عضو بخش‌های مذکور هستند که 33.93 درصد کل منابع بانک را در مقطع مربوطه به خود اختصاص داده‌اند. ما این دسته از مشتریان را «مشتریان پویای باارزش» نام‌گذاری کردیم.

 

 

شکل 5 – نمونه‌هایی از پویایی مشتریان بالقوة ارزشمند و باارزش

 

 

الگوی پویایی مشتریان در دستة چهارم:

1-        به بخش‌های1, 2, 3, 8  یا 13 تعلق دارند (متعلق به بخش‌های مشتریان عادی هستند).

2-     مسیر آنها شامل حداقل یکی از بخش‌های4, 5, 6, 7, 9, 10, 11, 12, 14, 15, 16 یا  17است (سابقة عضویت در بخش‌های پرارزش را داشته‌اند).

3-        دارای میزان تغییر بخش، بیش از یک تغییر در سال هستند (پویایی زیادی دارند).

این مشتریان پویا، سابقاً مانند مشتریان بحران‌ساز، پر‌ریسک و باارزش، جزو مشتریان ارزشمند مؤسسة مالی محسوب می‌شدند؛ اما در حال حاضر در بخش‌های کم‌ارزش‌تری قرار دارند. در عین حال سابقة این مشتریان حاکی از قابلیت آنان در انتقال به سطوح بالاتر است که این موضوع آنان را به ارزش بالقوه‌ای برای مؤسسة مالی تبدیل می‌سازد. بنابراین برای این مشتریان عنوان «مشتریان بالقوة ارزشمند» را انتخاب کردیم.

الگوی پویایی مشتریان در دستة پنجم:

1-     مسیر آنها شامل هیچ‌یک از بخش‌های4, 5, 6, 7, 9, 10, 11, 12, 14, 15, 16  یا  17نیست (سابقة عضویت در بخش‌های پرارزش را نداشته‌اند).

2-        دارای میزان تغییر بخش، بیش از یک تغییر در سال هستند (پویایی زیادی دارند).

این دسته از مشتریان نیز مانند دسته‌های پیشین پویایی چشمگیری دارند. آنها به بخش‌های1, 2, 3, 8  و  13تعلق دارند و به این ترتیب جزو مشتریان عادی مؤسسة مالی محسوب می‌شوند. از سوی دیگر سابقة آنان نیز حاکی از قابلیت انتقال به بخش‌های پرارزش‌تر نیست. برای این مشتریان، عنوان «مشتریان پویای عادی» را در نظر گرفتیم.

 

 

 

شکل 6 – نمونه‌هایی از پویایی مشتریان پویای عادی و مشتریان تثبیت‌کننده

 

 

الگوی پویایی مشتریان در دستة ششم:

1-        دارای میزان تغییر بخش، کمتر یا مساوی یک تغییر در سال هستند (پویایی زیادی نداند).

این دسته از مشتریان برخلاف سایر دسته‌های ذکرشده، پویایی آن‌چنانی ندارند و به این لحاظ نمی‌توانند جزو مشتریان پویا طبقه‌بندی شوند. حجم عظیم این مشتریان (ازجمله گروه‌های مانند گروه شمارة 2114 در جدول 5) باعث تثبیت ساختار بازار مؤسسة مالی می‌شود. از‌این‌رو آنان را «مشتریان تثبیت‌کننده» نامیدیم.

 

جدول 6 – دسته‌بندی الگوهای پویایی مشتریان

ردة مشتری

الگوی پویایی

پویایی

اندازة رده

(تعداد اعضاء)

سرانة منابع مالی

اهمیت الگوی پویایی

1

بحران‌ساز

پویا

بسیار کوچک

بسیار زیاد

حیاتی

2

پر‌ریسک

پویا

بسیار کوچک

بسیار زیاد

زیاد

3

پویای باارزش

پویا

کوچک

زیاد

متوسط

4

بالقوة ارزشمند

پویا

کوچک

کم

متوسط

5

پویای عادی

پویا

متوسط

کم

کم

6

تثبیت‌کننده

ایستا

بسیار حجیم

کم

-

 

 

5-4-2-       کاوش روابط میان پویایی گروه‌های مختلف مشتریان

در حالی‌که الگوهای پویایی، ارزش واقعی مشتریان و رفتار آنان در بازارهای پویایی امروزی را منعکس می‌سازد، جنبة دیگری از پویایی بخش‌ها نیز وجود دارد که به کسب بینش از تغییرات آیندة بازار منجر می‌شود. ابزارها و الگوریتم‌های مقیاس‌پذیر تحلیل داده‌های بزرگ، این امکان را فراهم کرده است که روابط پیچیده در داده‌های حجیم را نیز شناسایی کرد. در تحقیق حاضر با بهره‌گیری از این ابزارها، انواع مختلفی از روابط میان گروه‌های پویای مشتریان شناسایی شد که ازجمله می‌توان به روابط همگامی، ناسازگاری و تبعیت اشاره کرد.

باتوجه‌به اینکه در مقالة حاضر، تمرکز بر کاوش الگوهایی از پویایی است که در پیش‌بینی پویایی مشتریان کاربرد دارند، پس با در نظر گرفتن نیازهای کسب‌وکار، الگوهای تبعیت (با حداقل 80 درصد شباهت) در بازة زمانی شش‌ماهه کاوش شدند.

بررسی روابط میان گروه‌های پویا نشان‌دهندة آن است که برخی از گروه‌های مشتریان دارای مسیر مشابهی با گروه(های) دیگر در بازه‌های زمانی متفاوتی هستند (جدول 7). چنین روابطی الزاماً از نوع علت-معلولی نیستند؛ برای مثال ممکن است برخی مشتریان در برابر تغییرات بازار حساس‌تر باشند و زودتر واکنش نشان دهند، حال آنکه برخی دیگر محافظه‌کارتر باشند و پس از مدتی تأخیر واکنشی مشابه را بروز ‌دهند.

جدول 7 – نمونه‌ای از دو گروه دارای پویایی مرتبط (گروه 3154 الگوی پویایی گروه 761 را بعد از دو ماه تکرار می‌کند)

 

شمارة گروه

هر بازة زمانیبخش مشتری در

T1

T2

T3

T4

T5

T6

T7

T8

T9

T10

T11

T12

T13

T14

T15

761

13

14

14

15

15

15

15

15

13

13

13

13

13

13

13

3154

-

-

13

14

14

15

15

15

15

15

15

13

13

13

13

 


برای کاوش این نوع رابطه، با استفاده از الگوریتم مقیاس‌پذیر Parallel FP_Growth ، روابط میان مسیرهای گروه‌های مشتریان پویا (با Confidence >= 0.8) بررسی و الگوهای مشابه دسته‌بندی شدند. درنهایت با بررسی الگوهای این روابط به‌کمک خبرگان بانکی، سه دستة کلّی از مشتریان پویا از لحاظ رابطة تبعیت شناسایی شدند:

  • آغازگران: این گروه از مشتریان، آغازگر پویایی هستند. در طی شش‌ماه پس از آغاز روند پویاییِ آغازگران، حداقل یک گروه از مشتریان، با حداقل 80 درصد مشابهت، الگوی پویایی آنان را تکرار می‌کند. بنابراین دنبال‌کردن روند پویایی آغازگران تخمینی مناسب از پویایی آیندة مشتریان مذکور را ارائه می‌دهد.
  • پیروان: پویایی این نوع مشتریان، از پویایی گروه‌های آغازگر تبعیت می‌کند. زمانی‌که آغازگران الگویی از پویایی را به نمایش می‌گذارند، گروه‌های پیرو آنان، در طی شش ماه آینده، این الگو را با حداقل 80 درصد مشابهت تکرار می‌کنند.

 

 

شکل 7 – نمونه‌ای از پویایی یک گروه از مشتریان آغازگر و گروه پیرو آن

 

  • مستقلان: ارتباطی (با Confidence >= 0.8) میان پویایی این نوع از مشتریان با سایر گروه‌ها در بازة زمانی شش‌ماهه مشاهده نمی‌شود. به عبارت دیگر، پویایی این مشتریان از پویایی سایر گروه‌ها تبعیت نمی‌کند و بر پویایی گروه‌های دیگر نیز مؤثر نیست.

شناسایی روابط میان پویایی گروه‌های مشتریان، خصوصاً گروه‌های آغازگر و پیرو، در اتخاذ تدابیر مناسب برای هدایت بازار از اهمیت بسیاری برخوردار است؛ مثلاً اگر گروه آغازگری که یک گروه بحران‌ساز از آن تبعیت می‌کند، الگوی رویگردانی را نشان دهد، مؤسسة مالی با پیش‌بینی این موضوع می‌تواند مشوق‌هایی برای حفظ مشتریان باارزش خود ارائه دهد. هم‌چنین اگر گروه پیرو از مشتریان پرریسک باشد، مؤسسة مالی می‌تواند اقدامات مقتضی برای تأمین مالی از منابع دیگر به منظور مدیریت ریسک نقدینگی را در نظر بگیرد. هم‌چنین مؤسسة هدف می‌تواند شرایط و محصولات مختلف را به گروه‌های آغازگری ارائه دهد که مشتریان بالقوة ارزشمند از آن تبعیت می‌کنند و بدین‌ترتیب شرایط و خدماتی را شناسایی کند که توان ارتقای این مشتریان را فراهم می‌آورند. چنین شرایطی می‌توانند برای ارتقای مشتریان پیرو (گروه‌های مشتریان بالقوة ارزشمند) و تبدیل آنان به مشتریان ارزشمند نیز به کار بسته شود.

 

6- بحث

در مطالعة حاضر، بخش‌بندی براساس شاخصه‌های پویای CLV، متناسب با خدمات و محصولات صنعت بانکداری، منجر به کاوش الگوهای پویایی شد که گاه خاص صنعت پژوهش‌شده هستند. برای مثال، الگوی پویایی مشتریان پرریسک در این بخش بررسی می‌شود. بخش 17 با تنها 140 عضو (0.0005 درصد مشتریان) دارای 10.98 کل منابع مالی مؤسسة هدف (جدول 4) در دورة زمانی مربوطه بود. این در حالی است که میانگین ارزش مشتریان بخش 17 و 14 تقریباً یکسان است؛ زیرا پرداخت سود بیشتر نسبت به سپرده‌های دیداری، هزینة سپرده‌های بلندمدت مشتریان بخش 17 را برای مؤسسة مالی افزایش می‌دهد و درنتیجه، حاشیة سود کمتری ایجاد می‌کند. با این حال، حجم عظیم سپرده‌گذاری این مشتریان موجب می‌شود که جزو مشتریان پرارزش مؤسسة مالی محسوب شده و به این ترتیب مشتریان این بخش از ارزش مشابه مشتریان بخش 14 برخوردار می‌شوند؛ اما در عین تشابه در ارزش، الگوهای پویایی این دو گروه از مشتریان در کسب‌وکار بانکی کاملاً متفاوت است. جابه‌جایی تعداد اندکی از مشتریان بخش 17 به بخش‌های کم‌ارزش‌تر (جدول 8)، موجب از دست رفتن بخش فراوانی از منابع مالی و سبب ریسک زیاد نقدینگی برای مؤسسة اعتباری می‌شود (الگوی پویایی مشتریان پر‌ریسک)؛ حال آنکه در صورت بروز جابه‌جایی مشابه در بخش 14 چنین ریسکی ایجاد نخواهد شد.

 

جدول 8 – کاهش شدید منابع مالی بخش 17 درنتیجة پویایی مشتریان پر ریسک

بازة زمانی مبدأ

بازة زمانی مقصد

شمارة بخش مبدأ

شمارة بخش مقصد

عنوان بخش مقصد

میزان انتقال منابع مالی (درصد)

1394.03

1394.09

17

1

مشتریان غیرفعال

12.59

1394.03

1394.09

17

13

مشتریان قدیمی دارای منابع خرد

25.39

1394.03

1394.09

17

14

مشتریان قدیمی دارای منابع بالای ارزان

13.67

1394.03

1394.09

17

15

مشتریان قدیمی دارای منابع بالای گران

11.84

         

63.49

 

 

در صورت استفاده از متغیرهای عام و بخش‌بندی براساس میزان CLV ، مشتریان دو بخش 14 و 17 با دارا بودن ارزش مشابه، در بخش یکسانی قرار می‌گرفتند؛ اما هم‌چنان‌که ذکر شد مفهوم پویایی این بخش‌ها در صنعت بانکداری و اقدامات مقتضی برای مواجهه با هریک از آنها، کاملاً متفاوت است. چنین تفاوت‌هایی، لزوم در نظر گرفتن ویژگی‌های صنعت در مطالعة پویایی مشتریان و نیز توجه به الگوهای پویایی خاص صنعت را نمایان می‌سازد. البته باید در نظر داشت که الگوهای خاص صنعت (مانند بحران‌‌ساز و پر‌ریسک)، باوجودِ کاربرد در پاسخگویی به نیازهای صنعت مربوطه، لزوماً در صنایع دیگر (ازجمله خرده‌فروشی، مخابرات و ...) واجد معنی نیستند. بنابراین تعمیم این الگوها به صنایع دیگر نیازمند مطالعات جداگانه در محیط و شرایط خاص خودشان است.

 

7- نتیجه‌گیری و جمع‌بندی

بخش‌بندی متعارف، دیدگاهی ایستا از مشتریان ارائه می‌دهد که قادر به کسب بینشی عمیق از مشتریان و تغییرات آیندة بازار نیست. سازمان‌ها برای کسب مزیت رقابتی در بازارهای پویای امروزی، باید نوع پویایی مشتریان را شناسایی، تغییرات آیندة پویایی را پیش‌بینی و حتی این پویایی را به وضع مطلوب مد نظر خود هدایت کنند.

تحقیق حاضر با مرور ادبیات موضوع، دانش فعلی درزمینة پویایی مشتریان را بررسی و خلأهای موجود درزمینة الگوهای پویایی خاص صنعت را شناسایی کرده است. بسیاری از پژوهش‌های پیشین در این زمینه، به مطالعة تغییرات ارزش طول عمر مشتری در طی زمان پرداخته‌اند؛ اما باوجود آنکه این مفهوم بسیار زیاد به صنعت مطالعه‌شده وابسته است، عمدتاً در مطالعة پویایی به این موضوع توجه کافی نشده است که چنین رویکردی، قادر به کاوش الگوهای خاص صنعت و پاسخگویی به چالش‌های واقعی کسب‌وکار، به‌خصوص در محیط‌های غیرقراردادی مانند صنعت خدمات مالی نیست.

در پژوهش حاضر، برای بخش‌بندی مشتریان از شاخصه‌های پویای CLV استفاده شده که باتوجه‌به خدمات، محصولات و مشخصات یک صنعت خاص (صنعت بانکداری) انتخاب شده‌اند. این رویکرد موجب ایجاد بخش‌های پویا می‌شود که علاوه بر ارائة جزئیات لازم برای کسب‌وکار مربوطه، ارزش مشتریان را نیز منعکس می‌سازد و توان کاربرد مؤثر در تحقیق پویایی و کاوش الگوهای خاص صنعت را نیز دارند. الگوهای پویایی کاوش‌شده در مطالعة حاضر نشان‌دهندة آن است که حداقل پنج نوع از مشتریان، به لحاظ نوع پویایی و سه نوع از مشتریان، به‌لحاظ روابط پویایی، در صنعت مطالعه‌شده، قابل شناسایی است که از این میان، شش الگو (موارد نشانه‌گذاری‌شده در شکل 8) برای هدایت بازار دارای اهمیت بیشتری هستند.

 

 

شکل 8 – اهمیت مشتریان از لحاظ نوع و روابط پویایی


باتوجه ‌به آنکه مشتریان ایستا جابه‌جایی کمتری در میان بخش‌ها و ثبات بیشتری دارند، سازمان‌ها برای ارتقای وضعیت بازار خود، باید توجه بیشتری به مشتریان پویا نشان دهند. برای این منظور، نخست باید گروه‌های بااهمیت مشتریان پویا شناسایی شوند که جابه‌جایی بخش‌های آنان تغییرات اساسی در منابع مالی و ارزش کلی بازار مؤسسة هدف را در پی دارد. سپس، با شناسایی گروه‌های آغازگر و گروه‌های پیرو آنان، قابلیت پیش‌بینی پویایی برخی از گروه‌های بااهمیت فراهم می‌شود. گروه‌های آغازین، لزوماً از مشتریان باارزش نیستند، بلکه هم‌چنان‌که ذکر شد، گروه‌هایی را دربر می‌گیرند که واکنش سریع‌تری به تغییرات بازار دارد و به‌تبع، الگوهای پویایی را سریع‌تر به نمایش می‌گذارند که این خصوصیت قابلیت مناسبی برای پیش‌بینی تغییرات بعدی گروه‌های پیرو آنان را فراهم می‌آورد. این مسئله زمانی اهمیت بیشتری می‌یابد که گروه‌های پیرو، خود از مشتریان بااهمیت مؤسسة مالی باشند.

چهار گروه بااهمیت به‌لحاظ نوع مشتری در تحقیق حاضر شناسایی شده‌اند. از این میان، گروه‌های بحران‌زا حائز بیشترین اهمیت هستند؛ زیرا رویگردانی آنان مؤسسه را با بحران جدی دچار می‌کند. شناسایی گروه‌های آغازگری که این گروه‌ها پیرو آنها می‌شوند، امکان پیش‌بینی شرایط بحرانی و اتخاذ راهکار مناسب برای حفظ آنان را فراهم می‌آورد. دربارة مشتریان پرریسک نیز در صورت پیش‌بینی زودهنگام رویگردانی، مؤسسه قادر خواهد بود تا در فرصت مناسب، منابع مالی جدیدی جذب کند. گروه‌های پویای پرارزش هرچند از حساسیت کمتری نسبت به دو گروه اشاره‌شده، برخوردارند، در عین حال درصد زیادی از منابع مؤسسه را به خود اختصاص می‌دهند. بنابراین شناخت پویایی این مشتریان و به‌کارگیری آن برای حفظ و ارتقای وضعیت آنان نیز به بهبود سودآوری مؤسسه می‌انجامد.

بجز گروه‌های سه‌گانة ارزشمند از مشتریان پویا، گروه دیگری نیز دارای اهمیت است؛ مشتریان بالقوة ارزشمند، هرچند در وضعیت فعلی ارزش بسیاری ندارند، بیشترین بخت برای ارتقای ارزش در میان مشتریان مؤسسه را دارند. شناسایی این مشتریان و گروه‌های پیرو آنان، قابلیت اتخاذ تدابیر مناسب برای تبدیل آنان به مشتریان ارزشمند مؤسسه را فراهم می‌آورد.

به این ترتیب با شناسایی گروه‌های مشتریان مرتبط با هر ک از چهار الگوی مهم پویایی و نیز گروه‌های آغازگر و پیرو، می‌توان با بررسی واکنش گروه‌های آغازگر به شرایط بازار، محصولات جدید و استراتژی‌های بازاریابی، پویایی گروه‌های بااهمیت مشتریان پیرو را پیش‌بینی و در صورت نیاز با ارائة شرایط، محصولات، خدمات نوین و همچنین اتخاذ راهبردهای مقتضی، این پویایی را به نفع سازمان هدایت کرد. در این زمینه، به‌طور خلاصه مراحل زیر برای به‌کارگیری تحلیل پویایی، برای ارتقای اثربخشی فعالیت‌های بازاریابی پیشنهاد می‌شود:

1-     انتخاب شاخصه‌های مؤثر بر CLV و سایر متغیرهای کیفی موجود در پایگاه دادة سازمان هدف، باتوجه‌به خدمات، محصولات و نیازهای خاص صنعت مطالعه‌شونده؛

2-        بخش‌بندی مشتریان براساس شاخصه‌های پویا CLV در بازه‌های زمانی متناوب؛

3-        گروه‌بندی مشتریان دارای پویایی مشابه (مسیرهای یکسان در جابه‌جایی میان بخش‌ها در طی زمان)؛

4-        تعیین الگوی پویایی هر گروه از مشتریان؛

5-        شناسایی گروه‌های بااهمیت مشتریان از لحاظ نوع پویایی (ازجمله مشتریان بحران‌ساز، پر‌ریسک، پویای با‌ارزش و بالقوة ارزشمند)؛

6-        کاوش روابط میان الگوهای پویایی و شناسایی گروه‌های آغازگر و پیرو؛

7-        تشخیص گروه‌های پیرو که از لحاظ نوع مشتری، بااهمیت هستند و متعاقباً شناسایی گروه آغازگر مربوطه؛

8-        پیش‌بینی تغییرات آیندة گروه‌های بااهمیت پیرو، براساس پویایی گروه‌های آغازگر مربوطه؛

9-        تجویز مشوّق‌ها، شرایط و خدمات لازم برای هدایت پویایی آیندة مشتریان هدف به نفع سازمان؛

10-   آزمودن خدمات، محصولات و شرایط مختلف برای گروه‌های آغازگری که مشتریان بالقوة ارزشمند از آنان تبعیت می‌کنند، به‌منظور اتخاذ راهبردهای مناسب بازاریابی برای ارتقای ارزش مشتریان هدف.

 

8- محدودیت‌های تحقیق و پیشنهاد پژوهش‌های بعدی

فهرست متغیرهای ذکرشده در منابع و پیشنة موضوع جامع نیست و از سوی دیگر، تنها زیرمجموعه‌ای از متغیرهای مذکور در پایگاه دادة مؤسسه هدف موجود بود که این مورد، از محدودیت‌های تحقیق حاضر است. غنی‌سازی متغیرهای استفاده‌شده در بخش‌بندی، موجب ایجاد بخش‌های ریزدانه‌تری می‌شود که این امر، بالقوه امکان کاوش الگوهای پویایی بیشتری را فراهم می‌آورد. محدودیت دیگر، تفسیر الگوهای پویایی از دیدگاه خبرگان کسب‌وکار است. این تفاسیر متأثر از نظرات شخصی و نیز میزان تخصص آنان در کسب‌وکار مربوطه است.

از سوی دیگر، در مطالعة روابط میان الگوهای پویایی در تحقیق حاضر، تمرکز بر روابطی بوده است که در پیش‌بینی پویایی استفاده‌شده واقع می‌شوند. تحلیل داده‌های بزرگ که پارادایم جدیدی در تحقیقات است، این امکان را فراهم کرده تا الگوهای غیرمنتظره و پنهان و نیز انواع روابط پیچیدة میان الگوها، حتی در حجم وسیع داده نیز کاوش شود (فرگوسن، 2012). استفاده از ابزارهای مقیاس‌پذیر و روش‌های نوین تحلیل داده‌های بزرگ این فرصت را فراهم می‌آورد تا گونه‌های دیگری از روابط میان الگوهای پویایی را شناسایی و نظریات موجود را تعمیق کرد.

در پایان دوباره باید گفت الگوهای خاص صنعت، لزوماً توان تعمیم‌پذیری به دیگر صنایع را ندارند. تحقیق حاضر بر پویایی مشتریان در صنعت بانکداری تمرکز کرده است؛ حال آنکه توسعة تئوری در این زمینة پژوهشی، نیازمند مطالعات موردی بیشتر در صنایع و محیط‌های مختلف است که با نیازهای کسب‌وکار مربوطه تطبیق یافته باشند.



[1] Support

[2] Customer Lifetime Value

[3] Recency Frequency Monitory

[4]Customer Lifetime Value

[5] Association Rules

[6] Frequent Item-set

[7] Scalable K-means++

[8] Hierarchical Agglomerative Clustering

[9] Association Rules

[10] Frequent Item-set

[11] Fin-Tech

[12] Distributed Ledgers

[13] Peer to Peer

[14] Hierarchical Agglomerative Clustering

[15] Agglomerative Nesting

منابع

  1. Abdolvand, N. & Albadvi, A. (2012). Providing a holistic model based on customer lifetime value to manage performance in geographically distributed service industries. Journal of Business Researches, 64, 43 -90.
  2. Akhondzadeh-Noughabi, E., Albadvi, A., & Aghdasi, M. (2014). Mining customer dynamics in designing customer segmentation using data mining techniques, Information Technology Management, 6(1), 1- 30.
  3. Bahmani, B., Moseley, B., Vattani, B., Kumar, R & Vassilvitskii, R. (2012) Scalable k-means++. Proceedings of the VLDB Endowment, 5(7), 622-633.
  4. Blattberg, R. C. & Deighton, J. (1996). Manage marketing by the customer equity test, Harvard Business Review, July/August, 136-144.
  5. Blocker, C. P. & Flint, D.J. (2007). Customer segments as moving targets: integrating customer value dynamism into segment instability logic. Industrial Marketing Management, 36(6), 810-822.
  6. Bottcher, M., Spott, M., Nauck, D. & Kruse, R. (2009). Mining changing customer segments in dynamic markets. Expert Systems with Applications, 36(1), 155- 164.
  7. Brangule-Vlagsma, K., Pieters, R. G. M. & Wedel, M. (2002). The dynamics of value segments: Modeling framework and empirical illustration. International Journal of Research in Marketing, 19(3), 267–285.
  8. Campbell, D. & Frei, F. (2004). The persistence of customer profitability: Empirical evidence and implications from a financial services firm. Journal of Service Research, 7(2), 107–123.
  9. Capgemini and Efma (2013). World Retail Banking Report 2013. Availabe at: https://www.capgemini.com/wp-content/uploads/2017/07/wrbr_2013_0.pdf
  10. Danah, B. & Crawford, K. (2013). Critical Questions for Big Data: Provocations for a Cultural, Technological, and Scholarly Phenomenon. Information, Communication, & Society, 15(5), 662-679.
  11. Day, G., Schoemaker, P., & Gunther, R. (2004). Wharton on Managing Emerging Technologies, Hoboken, NJ: Wiley.
  12. Dong, H., Leckow, R., & Haksar, V. (2017). Fintech and Financial Services: Initial Considerations, International Monetary Fund Staff Discussion Note 17, 05.
  13. Eisenhardt, K., & Martin, J. (2000). Dynamic capabilities: What are they? Strategic Management Journal, 21(10/11), 1105 -1121.
  14. Ekinci, Y.A., Uray, N., & Ulengin, F. (2014). A customer lifetime value model for the banking industry: A guide to marketing actions. European Journal of Marketing, 48(3/4), 761-778.
  15. Ferguson, R. B. (2012). Risky business: How data analytics and behavioral science can help. MIT Sloan Management Review, 54(1), 1–5.
  16. Flint, D. J., Woodruff, R. B., & Gardial, S. F. (1997). Customer value change in industrial marketing relationships: A call for new strategies and research. Industrial Marketing Management, 26(2), 163-176.
  17. Flint, D. J., Woodruff, R. B., & Gardial, S. F. (2002). Exploring the phenomenon of customers’ desired value change in a business-to-business context. Journal of Marketing, 66(4), 102–117.
  18. Forrester Consulting (2018), Capture the Customer Moment with Dynamic Predictive Segmentation, simMachines 2018.
  19. Garland, R. (2004). Share of wallet’s role in customer profitability. Journal of Financial Services Marketing, 8(3), 259–268.
  20. Gholamian, M., & Niknam, Z. (2012). An adapted pattern for customer segmentation in retail banking based on customer lifetime value, Journal of Executive Management, 4(7), 59-76.
  21. Goller, S., Hogg, A., & Kalafatis, S. P. (2002). A new research agenda for business segmentation. European Journal of Marketing, 36(1/2), 252-271.
  22. Gupta, S., Hanssens, D., Hardie, B., Kahn, W., Kumar, W., Lin, N., Ravishanker, N., & Sriram, S. (2006). Modeling customer lifetime value, Journal of Service Research, 9(2), 139-155.
  23. Gurau, C., & Ranchhod, A. (2002), How to calculate the value of a customer-measuring customer satisfaction: A platform for calculating, predicting and increasing customer profitability, Journal of Targeting, Measurement and Analysis for Marketing, 10(3), 203-219.
  24. Ha, S. H. & Bae, S. M. (2006). Keeping track of customer life cycle to build customer relationship, lecture notes in computer science. Advanced Data Mining and Applications, 4093, 372-379.
  25. Haenlien, M., Kaplan, A. M., Beeser, A.J. (2007). A model to determine customer lifetime value in a retail banking context. European Management Journal. 25(3), 221-234.
  26. Han, J., Pei, J., & Yin, Y. (2004). Mining frequent patterns without candidate generation: A frequent-pattern tree approach. Data Mining and Knowledge Discovery, 8(1), 53-87.
  27. Hartfeil, G. (1996). Bank one measures profitability of customers, not just products, Journal of Retail Banking Service, 18(2), 23-29.
  28. Ho, T., Park, Y., & Zhou, Y. (2006). Incorporating satisfaction into customer value analysis: Optimal investment in lifetime, Marketing Science, 25(3), 260-277.
  29. Hu, M. Y. & Rau, P. A. (1995). Stability of usage segments, membership shifts across segments and implications for marketing strategy an empirical examination. Mid-Atlantic Journal of Business, 31(2), 161−177.
  30. Kim, W. C. & Mauborgne, R. (2005). Blue ocean strategy: How to create uncontested market space and make the competition irrelevant. Boston, Mass. Harvard Business School Press.
  31. Kim, S-Y., Jung, T-S., Suh, E-H. & Hwang, H-S. (2006), Customer segmentation and strategy development based on customer lifetime value: A case study, Expert Systems with Applications, 31(1), 101-107.
  32. Kitchen, P. J. & Proctor, T. (2002). Communication in postmodern integrated marketing. Corporate Communications, 7(3), 114–154.
  33. Labbi, A. & Berrospi, C. (2007). Optimizing marketing planning and budgeting using Markov decision processes: An airline case study. IBM Journal of Research and Development, 51(3/4), 421–431.
  34. Lanquillon, C. (1999). Information filtering in changing domains. Proceedings of the International Joint Conference on Artificial Intelligence, 99, 41-48.
  35. Lemmens, A., Croux, C. H., & Stremersch, S. (2012). Dynamics in the international market segmentation of new product growth. International Journal of Research in Marketing, 29(1), 81-92.
  36. Li, H., Wang, Y., Zhang, D., Zhang, M., & Chang, E. (2008). PFP: Parallel FP-growth for query recommendation. In Proceedings of the 2008 ACM conference on Recommender systems. ACM, New York, 107-114.
  37. Liu, B. & Hsu, W. (1996). Post-analysis of learned rules. Association for the Advancement of Artificial Intelligence, 96, 828-834.
  38. Mihovaa, V. & Pavlovb, V. (2018). A Customer Segmentation Approach in Commercial Banks, AIP Conference Proceedings 2025, 030003.
  39. Montoya, R., Netzer, O., & Jedidi, K. (2008). Dynamic Marketing Resource Allocation for Long-Term Profitability. A Pharmaceutical Application, Marketing Science, 29(5), 909-924.
  40. Netzer, O., Lattin, J. M., & Srinivasan, V. (2008). A hidden Markov model of customer relationship dynamics. Marketing Science, 27(2), 185–204.
  41. Nikumanesh, E. & Albadvi, A. (2014). Customer's life-time value using the RFM model in the banking industry: A case study, International Journal of Electronic Customer Relationship Management, 8 (1/2/3), 15-30.
  42. Palmer, R. A. & Millier, P. (2004). Segmentation: Identification, intuition, and implementation. Industrial Marketing Management, 33(8), 779-785.
  43. Prahalad, C. K. & Ramaswamy, V. (2004). Co-creating unique value with customers. Strategy and Leadership, 32(3), 4-9.
  44. Safari Kahreh, M., Tive, M., & Babania, A. (2014). Analyzing the applications of customer lifetime value (CLV) based on benefit segmentation for the banking sector, Social and Behavioral Sciences, 109, 590 – 594.
  45. Song, H. S., Kim, J. K., & Kim, S. (2001). Mining the change of customer behavior in an internet shopping mall. Expert Systems with Applications, 21(3), 157–168.
  46. Stahl, H. K., Matzler, K., & Hinterhuber, H. (2003). Linking customer lifetime value with shareholder value, Industrial Marketing Management, 32(4), 267-279.
  47. Tapp, A. & Clowes, J. (2002). From ‘carefree casuals’ to ‘professional wanderers’: Segmentation possibilities for football supporters. European Journal of Marketing, 36(11), 1248-1269.
  48. Voelpel, S.C., Leibold, M., & Tekie, E. B. (2004). The wheel of business model reinvention: How to reshape your business model to leapfrog competitors. Journal of Change Management, 4(3), 259-276.
  49. Wedel, M. & Kamakura, W. (2002). Introduction to the special issue on market segmentation. International Journal of Research in Marketing, 19(3), 181-183.
  50. Yankelovich, D. & Meer, D. (2006). Rediscovering market segmentation. Harvard Business Review, 84(2), 122-131.