Identification of Dominant Customer Behavior Patterns among different Sectors over Time (Case Study: Ansar Bank)

Document Type : Original Article

Authors

1 PhD Candidate of Industrial Management , Management and Economic Faculty, Science and Research Branch Islamic Azad university, Tehran, Iran

2 Professor of Industrial Management Department, Management and Economic Faculty, Science and Research Branch Islamic Azad university, Tehran, Iran

3 Associate Professor of Business Management Department, Management and Economic Faculty, Science and Research Branch Islamic Azad University, Tehran, Iran

Abstract

Due to increasing competition among banks, in order to attract new customers, understanding and predicting their behaviors are very critical. In order to analyze customer behavior, it is necessary to identify customers, distinguish between them, and recognize more valuable customers. To distinguish among customers, segmentation concepts are used. A new issue that has recently been raised in customer segmentation is considering dynamic behavior of customers. Based on the developments in IT, offering new banking services and the banks competitions to increase market share as well as the psychological and environmental factors the dynamics of customers’ behavior should be considered over time. Transferring customers to different sectors over time and discovering the dominant models in their displacements between sectors are one of the important topics in this context.  Therefore, this article aims to identify the behavioral clusters, the dominant patterns of displacement, and the leading characteristics and patterns of customer displacements with a focus on the customer dynamics behavior of Ansar Bank. To this end, customers have been clustered and tagged in each of the time periods using the RFM variable. By sticking labels at each interval, the transmission patterns are obtained for the customer's behavior. Then, with the help of combination method clustering and association rules, patterns of behavior have been analyzed. Based on the results, four clusters of behaviors were identified: low-value customers with sustainable model, low-value customer with unsustainable profitability model, turned away customers with average profitability, loyal customers with low profitability and the relationships between them have been analyzed. The outcomes of this study can play a remarkable role for top managers to take appropriate marketing strategies.

Keywords


- مقدمه

مؤسسات مالی برای چندین دهه راهبردهای متمرکز بر تولید و معاملات را دنبال می‌کردند و چندان بر شیوة ارتباط با مشتریان تمرکز نداشتند. با رشد فناوری و توسعة عوامل رقابتی، نیاز بنگاه‌های اقتصادی به ایجاد و حفظ ارتباط مؤثر با مشتریان بیش از پیش نمود یافته است و بانک‌ها در بازار رقابتی با سایر بانک‌ها و مؤسسات مالی باید به شناخت صحیح از مشتریان خود دست یابند. هدف از شناسایی مشتریان، ایجاد تمایز و تشخیص باارزش‌ترین آنها و اقدام برای نگهداری و جذب آنهاست؛ ازاین‌رو مدیریت ارتباط با مشتریان ابزاری مهم و اثرگذاری در رقابت بین بانک‌ها به‌منظور ارائة خدمات بهینه و جذب مشتریان جدید است (خواجه‌وند و تاروخ، 2011).

مدیریت ارتباط با مشتری زیرساختی است که ارزش مشتری را آشکار می‌کند و افزایش می‌دهد. برای داشتن مدیریت ارتباط مؤثر با مشتری، جمع‌آوری اطلاعات دربارة ارزش مشتری و بخش‌بندی آنان به‌منظور پاسخگویی به نیازهای منحصربه‌فرد هر بخش ضروری است. بازار رقابتی امروزه به‌سرعت در حال تغییر و تحوّل است و ویژگی‌های خاصی ازقبیل تکرار خرید مشتریان در بازه‌های زمانی، حجم بالای مشتریان، اطلاعات باارزش از رفتار خرید مشتریان و ... دارد. در چنین بازارهایی، هدف مدیریت ارتباط با مشتری، درک و پیش‌بینی الگوی خرید و شناسایی نیازها مشتریان و عرضة متناسب با خواسته و انتظارات مشتری است؛ ازاین‌رو مدیریت ارتباط با مشتری، پیش‌نیازی برای فعالیت‌های بازاریابی ازقبیل هدف‌گذاری بخش‌های مشتریان پیاده‌سازی می‌شود (ها و باای، 2006). با رشد فناوری اطلاعات، افزایش رقابت بین بانک‌ها و ارائة خدمات در قالب‌های نوین بانکداری الکترونیک، احتمال ریزش مشتریان افزایش یافته است. از سوی دیگر تأثیر عوامل محیطی و روان‌شناختی مانند تبلیغات، ارائة خدمات نوین و... موجب شده است رفتار مشتری در برخی شرایط ثبات نداشته باشد و بانک‌ها در تحلیل و پیش‌بینی رفتار مشتریان با عدم قطعیت مواجه شوند (همان). بنابراین باید برای شناخت بهتر نیازها و پیش‌بینی دقیق رفتار مشتری، ماهیت پویای رفتار آنها را بررسی کرد.

یکی از مسائل نوظهور در مدیریت ارتباط با مشتری(CRM)و تحلیل رفتار، بخش‌بندی پویای مشتریان[1]است. باتوجه‌به اهمیت و جایگاه راهبردی بخش‌بندی مشتری در مدیریت ارتباط با مشتری، باید رفتار پویای مشتری در این حوزه بررسی شود. پژوهش‌های انجام‌شده در گذشته بیشتر، بخش‌های مختلف مشتریان را ثابت فرض کرده و ماهیت پویای رفتار آنها و تغییرات محیطی را نادیده گرفته است؛ بنابراین پژوهش‌های پیشین با اعمال فرض ثابت‌بودن بخش‌های مشتریان زمینه‌های مناسبی برای پیش‌بینی دقیق رفتار مشتریان فراهم نمی‌کنند (همان). در بخش‌بندی پویای مشتری، دو رویکرد اساسی وجود دارد که عبارت‌اند از: مطالعة جابه‌جایی مشتری بین بخش‌های مختلف و بررسی تغییرات بخش‌های مشتریان در طول زمان.

این پژوهش درنظر دارد الگوهای غالب[2]جابه‌جایی مشتریان در بازه‌های زمانی متفاوت را به‌منظور تحلیل رفتار پویای مشتریان شناسایی کند. مطالعات گذشته عمدتاً با استفاده از شمارش دنباله‌های موجود و حداکثر فراوانی آنها، الگوهای غالب رفتاری در بین مشتریان را کشف کرده و از روش‌های نظام‌مند استفادة چندانی نشده است.

این پژوهش با استفاده از روش‌های داده‌کاوی[3]سعی دارد به سؤالات زیر پاسخ دهد:

  • رفتار مشتریان در بازه‌های زمانی مختلف چگونه است؟
  • براساس رفتار شناسایی‌شده، مشتریان چگونه گروه‌بندی شده‌اند و هر گروه چه ویژگی‌هایی دارد؟
  • الگوهای غالب و حاکم بر عضویت مشتریان به بخش‌های مختلف در طول زمان کدامند؟

به‌منظور پاسخگویی به سؤالات طرح‌شده روش ترکیبی مبتنی بر الگوریتم K-means  و الگوریتم‌های قواعد انجمنی ارائه شده است تا بتواند الگوهای رفتاری مشتریان را استخراج کند و عضویت هریک از مشتریان به بخش‌های مختلف را شناسایی کند. در نهایت به کمک قوانین انجمنی، الگوهای غالب هرگروه از مشتریان به دست آمد.

 

2- پیشینة پژوهش

در این بخش مفاهیم بخش‌بندی و بخش‌بندی پویای مشتریان بررسی شده و به پژوهش‌های پیشین دربارة بخش‌بندی پویای مشتریان اشاره شده است.

2-1 بخش‌بندی

از اوایل دهة 1980 مفهوم مدیریت ارتباط در حوزة بازاریابی اهمیت پیدا کرده است. به‌منظور مدیریت مؤثر ارتباط با مشتری، جمع‌آوری اطلاعات دربارة ارزش مشتری دارای اهمیت است؛ به‌طوری که می‌توان گفت قوی‌ترین ابزارهای کاربردی برای بازاریابی، پیش‌بینی رفتار خرید و بخش‌بندی مشتریان است که امکان تفکیک خریداران از غیرخریداران و شناسایی گروه‌های مشتریان را فراهم کرده آنها را از یکدیگر متمایز می‌کند. بخش‌بندی مشتریان به شناسایی مشتریان با مشخصه‌های مشابه اطلاق می‌شود و بازاریابان برای هدف‌گذاری مؤثر و تخصیص بهینة منابع از آن استفاده قرار می‌کنند (گریفین، 2003).

در طراحی بخش‌بندی مشتری معمولاً فرض بر این است که بازار نسبتاً پایدار و باثبات است و رفتار مشتری در طول زمان تغییر نمی‌کند. بر این اساس، اغلب پژوهش‌های پیشین فرض کرده‌اند بخش‌های مختلف مشتریان در طول زمان ثابت و پایدار بوده است و تعلق به این بخش‌ها تغییر نمی‌کند؛ اما در شرایطی که بازار باثبات و پایدار نیست، به دلیل تأثیرگذاری عوامل روانی- اجتماعی و محیطی در عدم ثبات رفتار مشتری، این فرض نادرست است. درواقع نیازها، ترجیحات، رفتار مشتری و همچنین شرایط بازار در طول زمان تغییر می‌کند و این فرض معمولاً بر شرایط دنیای واقعی صادق نیست (ها و همکاران، 2006).

در اکثر پژوهش‌های بخش‌بندی، رفتار مشتری را در یک بازة مشخص و ثابت بررسی کرده‌اند و نمی‌توان رفتار آنها را در طول زمان پیش‌بینی کرد؛ ازاین‌رو روش‌های بخش‌بندی ایستا پاسخگوی نیاز مدیران ارشد سازمان‌ها برای شناخت و پیش‌بینی رفتار مشتریان نیست (ها و باای، 2006 و هینینگ، جواَنجواَن و بیآن، 2009). این روش‌ها توانایی بازخورد جهت‌گیری تقاضا و نیازهای آیندة بخش‌های مختلف مشتریان را ندارند؛ اما از طریق سیستم‌های بخ بندی پویای مشتری، می‌توان به شناخت و درک جامعی از رفتار مشتری دست یافت و رفتار آنها را پیش‌بینی کرد (آخوندزاده و البدوی، 2014). بخش‌بندی پویا عبارت است از بخ بندی مشتریان، به گونه‌ای که به تغییرات بخش‌های مختلف مشتریان و تغییرات عضویت مشتریان به این گروه‌ها در طول زمان توجه شود. پایش جابه‌جایی مشتری از یک بخش به بخش دیگر، کشف الگوهای غالب در این جابه‌جایی‌ها و پیش‌بینی این نقل و انتقالات، موضوعاتی است که در بخش‌بندی پویای مشتریان بررسی می‌شود (ها و باای، 2006).

بررسی سایر مطالعات، نشان می‌دهد پژوهش‌های انجام‌شده در این حوزه هر یک در نوع خود به بررسی جوانب مختلفی پرداخته و چندان چارچوب مفهومی جامعی در حوزة بخش‌بندی پویای مشتریان وجود ندارد؛ به‌طوری که در بخش مدل‌سازی و پیاده‌سازی تجربی، خلاء تحقیقاتی زیادی وجود دارد (مروان حسنی و همکاران، 2015). باتچر و همکاران (2009)، بلاکر و فلینت (2007)، لمنس و همکاران ( 2012) و ژنگ (2015) تغییرات بخش‌های مختلف در طول زمان را بررسی کرده‌اند.‌ ها (2007)، هینینگ ( 2016) و تیان و رن (2017) جابه‌جایی و انتقالات مشتریان بین بخش‌های مختلف و استخراج الگوهای غالب آنها را بررسی و مطالعه کرده‌اند. به این ترتیب تعداد بسیار اندکی مانند ها (2006) هر دو رویکرد را همزمان مدنظر قرار داده، اما بررسی تغییرات مشتریان را فقط به تعداد مشتریانی که در طول زمان در همان بخش باقی ماندند، معطوف کرده است. ازآنجاکه تمرکز این پژوهش بر استخراج الگوهای جابه‌جایی و انتقالات مشتریان بین بخش‌های مختلف در طول زمان است، در ادامه مطالعات انجام‌شده در این زمینه بررسی می‌شود.

مطالعات مدل‌سازی جابه‌جایی مشتری بین بخش‌های مختلف در طول زمان را می‌توان در دو دسته تقسیم‌بندی کرد: بخش اول کشف الگوهای غالب و بخش دوم پیش‌بینی و جابه‌جایی انتقالات مشتری.

دربارة کشف الگوهای غالب، باای و همکاران (2006) با شمارش الگوهای مختلف جابه‌جایی و انتخاب حداکثر فراوانی الگوهای غالب را استخراج کردند. سارکر و همکاران (2016) از طریق محاسبة مقادیر RFM وزنی الگوهای رفتاری مشتریان را در طول زمان محاسبه و با شمارش تعداد فراوانی، الگوهای غالب را شناسایی کردند.

در زمینة پیش‌بینی انتقالات و جابه‌جایی مشتری بین بخش‌های مختلف نیز مطالعاتی انجام شده است که بیشتر آنها از زنجیرة مارکوف برای مدل‌سازی و پیش‌بینی استفاده کرده‌اند. مطالعة همبرگ و تتزک (2009)، یکی از موارد مهم در این زمینه است که در بهینه‌سازی سبد مشتری از زنجیرة مارکوف برای پیش‌بینی بخش‌های مشتریان استفاده کرده‌اند. همچنین در مطالعات لمنس، کروکس و استریمرسچ (2012)، برانگولی و لاگسما، پیترز و ودل (2012) لاتین و سرینواسان (2010) از زنجیرة مارکوف در این زمینه استفاده شده است.

2-2 روش‌ها و متغیرهای پیش‌بینی رفتار و بخش‌بندی مشتریان

ادبیات بخش‌بندی مشتریان، امکان بخش‌بندی توصیفی و پیشگویی (پیش‌بینی رفتار خرید) را فراهم می‌کند. به‌طور کلّی در بخش‌بندی توصیفی متغیرهای زیر به کار می‌روند:

  • متغیرهای آماری: براساس داده‌هایی چون درآمد، سن، وضعیت تاهل، قومییت، مذهب و ... .
  • متغیرهای جغرافیایی: همچون منطقه، جهان یا کشور، اندازه کشور، شرایط آب و هوایی و ... .
  • متغیرهای روان‌نگاری: همچون سبک زندگی و گرایش‌های شخصی.
  • متغیرهای رفتاری: براساس داده‌هایی همچون تناوب خرید، مقدار و نوع محصولات خریداری شده و ... .
  • متغیرهای انگیزشی: مبتنی بر متغیرهایی است که دلایل خرید مشتریان را توصیف می‌کند؛ برای مثال بر اساس متغیر رضایتمندی سه رویکرد برای بخش‌بندی مشتریان وجود دارد. در رویکرد اول با استفاده از بخش‌بندی سنتی مشتریان و متغیرهای کلیدی همچون آماری، جغرافیایی یا روان‌نگاری سازماندهی می‌شود. در رویکرد دوم بخش‌بندی مبتنی بر ارزش طول عمر مشتری است که به نیازهای مشتری علاوه بر هزینه‌های برپایی و حفظ روابط با مشتری توجه می‌کند. رویکرد سوم بخش‌بندی مبتنی بر تأخیر، تکرار و مقدار پول متشکل از یک یا ترکیبی از الگوهای رفتاری خرید یا انگیزشی است (ژیانگ و تژیلین، 2006).

در این پژوهش از متغیر RFM به‌منظور بخش‌بندی مشتریان استفاده شد که یکی از روش‌های معروف و کارا در تحلیل ارزش مشتری است و نقطة قوّت آن در این است که خصوصیات مشتریان را با تعداد معیار کمتر (تنها سه بعد) به کمک روش‌های خوشه‌بندی استخراج می‌کند (چنگ و چن، 2009). این مدل بر اساس سه عامل تازگی (R)، تعداد دفعات (F) و ارزش مالی (M) شکل گرفته است. بر اساس تعریف والت و ونبیک (1995) این سه متغیر عبارت‌اند از:

  • تازگی[4]: فاصلة زمانی از آخرین مراجعه )خرید، تراکنش مالی)
  •  تعداد دفعات[5]: تعداد دفعات مراجعه) خرید، تراکنش مالی (در یک بازة زمانی مشخص
  • ارزش مالی:[6] پول پرداخته‌شده در یک بازة زمانی معیّن

2-3 داده‌کاوی

داده‌کاوی فرایند کشف اطلاعات مفید از منابع دادة حجیم و بزرگ است. روش‌های داده‌کاوی در یک نگاه کلّی به دو دسته توصیفی و پیش‌بینی تقسیم می‌شوند. روش‌های پیش‌بینی‌کنندة ارزش، یک ویژگی خاص بر اساس سایر ویژگی‌ها را بیان می‌کند. ویژگی پیش‌بینی‌شونده، هدف نامیده می‌شود و وابسته به سایر ویژگی‌هاست؛ ویژگی‌هایی که به پیش‌بینی کمک می‌کنند، متغیرهای توضیحی و مستقل هستند؛ اما هدف از به‌کارگیری فنون توصیفی استخراج الگو است؛ به‌شکلی که ارتباط بین لایه‌های زیرین داده‌ها را خلاصه‌سازی کند. روش‌های پیش‌بینی شامل دسته‌بندی، رگرسیون و ... هستند. روش‌های توصیفی شامل خوشه‌بندی، تشخیص ناهنجاری و مواردی از این دست است (ورما و ماهتا، 2008). در این پژوهش از روش‌های خوشه‌بندی و قوانین انجمنی به‌منظور استخراج و تحلیل رفتار مشتریان استفاده شده است.

2-4 خوشه‌بندی

خوشه‌بندی یک جمعیت نامنظم را به مجموعه‌ای از زیرگروه‌های منظم تقسیم‌بندی می‌کند. در خوشه‌بندی، اشیا براساس اصل بیشترین شباهت بین اعضای هر خوشه و کمترین شباهت بین خوشه‌های مختلف گروه‌بندی می‌شوند؛ به‌طوری که هر خوشه بیشترین شباهت را با یکدیگر و بیشترین تفاوت را با داده‌های سایر خوشه‌ها داشته باشند. معیار شباهت وقتی که همة مشخصه‌ها پیوسته هستند، معمولاً با فاصلة اقلیدسی بیان می‌شود و در غیر این صورت، یک معیار مناسب برای آن در نظر گرفته می‌شود (هن و کمبر، 2006). روش‌های خوشه‌بندی بر دو دستة افرازی و سلسله‌مراتبی هستند که در این پژوهش از روش خوشه‌بندی افرازی استفاده شده است.

خوشه‌بندیافرازی: فرض کنید که پایگاه داده‌ای، شامل n شیء باشد. یک روش افرازبندی، K افراز از این داده‌ها را شکل می‌دهد؛ به‌طوری که هر افراز یک خوشه را نشان می‌دهد و  خواهد بود. به عبارت دیگر، داده‌ها در K گروه خوشه‌بندی می‌شوند؛ به شکلی که هرگروه باید حداقل یک شیء داشته باشد و هر شیء نیز باید تنها به یک گروه تعلق گیرد؛ البته شرط دوم در روش‌های افرازبندی فازی، می‌تواند انعطاف‌پذیر باشد. الگوریتم K-means از روش‌های معمول و کارا در خوشه‌بندی است که K (تعداد خوشه‌ها) را به‌منزلة ورودی می‌گیرد و مجموعة n شیءرا به K خوشه افراز می‌کند. این الگوریتم به شکل زیر عمل می‌کند:

1-به صورت تصادفی، K شیء را به‌منزلة مراکز خوشه‌های ابتدایی انتخاب می‌کند.

2-هر شیئ را باتوجه‌به بیشترین شباهت آن به مراکز خوشه‌ها، به خوشه‌ها تخصیص می‌دهد.

3-     مراکز خوشه‌ها را به روز می‌کند؛ به‌طوری که برای هر خوشه مقدار متوسط اشیای آن خوشه محاسبه می‌شود.

4-تا هنگامی که هیچ تغییری در خوشه‌ها رخ ندهد، به مرحلة دوم رجوع می‌کند (آخوندزاده و البدوی، 2014).

2-5 قوانینانجمنی

قوانین انجمنی یکی از روش‌های توصیفی و غیرنظارتی داده‌کاوی است که به جست‌وجو برای یافتن ارتباط بین ویژگی در مجموعه‌داده‌ها می‌پردازد. درواقع این روش‌ها، ویژگی‌هایی همراه هم را مطالعه می‌کند و به دنبال کمّی‌کردن ارتباط میان این ویژگی‌هاست. قوانین به شکل اگر و آنگاه، به‌همراه معیارهای پشتیبان و اطمینان در چارچوب رابطة 1 بیان می‌شوند:

رابطة 1)         

در این پژوهش از الگوریتم اپریوری استفاده شده است.

3- روش‌شناسی پژوهش

ازآنجاکه این پژوهش به دنبال کشف الگوی رفتاری مشتریان است، این پژوهش از منظر داده توصیفی-اکتشافی و از نوع هدف کاربردی است. چارچوب پیشنهادی برای اجرای پژوهش شامل 5 فاز زیر است:

فاز (1) شناختکسب‌وکاروداده: حوزه‌های مختلف بانکداری شامل بانکداری شرکتی[7]، خرد[8]، تجاری[9]، اختصاصی[10] است که در این میان، حوزة بانکداری خرد با بیشترین مشتری مواجه است و نقش این حوزه در ترکیب منابع و مدیریت شهرت بانک‌ها بسیار پررنگ است. به‌منظور طراحی راهبردی بهینة بازاریابی باید بازار به‌طور مشخص بخش‌بندی و بازارهای هدف انتخاب شود و دربارة جایگاه رقابتی مورد انتظار بانک به‌روشنی و صراحت تصمیم‌گیری شود. براین‌اساس، کیفیت استراتژی بازاریابی نیازمند کیفیت بخش‌بندی بازار است. این پژوهش روی مشتریان بانکداری خرد بانک انصار انجام شده و شامل آن‌دسته از فعالیت‌هایی است که در سطح شعب انجام می‌شود. باتوجه‌به اینکه حجم گسترده‌ای از عملیات بانکی مشتریان را شعب انجام می‌دهد، تحلیل رفتار این دسته از مشتریان می‌تواند در اتخاذ استراتژی‌های مناسب بازاریابی کمک شایانی کند.

فاز (2) جمع‌آوری، آماده‌سازی و پیش‌پردازش داده‌ها: اطلاعات لازم در شش‌مقطع زمانی با فواصل سه‌ماهه جمع‌آوری شده است؛ سپس پیش‌پردازش و آماده‌سازی داده‌ها انجام می‌گیرد و داده‌هایی با مشخصات پرنبودن برخی از مشخصه‌ها، داده‌های غیرطبیعی و تکراری حذف می‌شوند. این گام با هدف بهبود کیفیت داده‌ها انجام می‌شود و از اهمیت زیادی برخوردار است.

فاز (3) خوشه‌بندی مشتریان بر اساس متغیر RFM: مشتریان در هریک از بازه‌های زمانی با استفاده از الگوریتم k-means خوشه‌بندی می‌شوند. به این منظور از مشخصه‌های تازگی، تکرار و ماندة تمامی سپرده‌های مشتریان استفاده می‌شود. کیفیت خوشه‌بندی در هریک از بازه‌های زمانی بر اساس شاخص دان[11]انجام شده و بهترین حالت خوشه‌بندی در هر دوره استخراج می‌شود. بر اساس تعداد بهینة خوشة به‌دست‌آمده، خوشه‌ها برچسب‌گذاری می‌شوند.

فاز(4) استخراج گروه‌های رفتاری مشتریان: پس از برچسب‌گذاری خوشه‌ها، دنباله‌های تک‌تک مشتریان استخراج می‌شود و براین‌اساس دنباله‌ای از عضویت مشتری به بخش‌های مختلف در طول زمان به دست می‌آید. دنباله‌های به‌دست‌آمده با استفاده از روش K-means خوشه‌بندی شده و بهترین خوشه با استفاده از شاخص دان انتخاب می‌شود. به این ترتیب گروه‌های رفتاری مشتریان در مهاجرت به بخش‌های مختلف استخراج می‌شود.

فاز (5) تحلیل قواعد هریک از خوشه‌ها: درنهایت خوشه‌های به‌دست‌آمده تحلیل و تفسیر شده و بر اساس نتایج کسب‌شده، متغیر جدیدی -که نشان‌دهندة گروه‌های مختلف رفتاری است- تعریف می‌شود تا ارتباط آن با مشخصه‌های دموگرافیک به کمک قوانین انجمنی و الگوریتم اپریوری [12]تحلیل شود. قوانین انجمنی از روش‌های کارا در داده‌کاوی است که به کشف ارتباط بین ویژگی‌ها با رویکرد توصیفی می‌پردازد. همچنین الگوریتم اپریوری نسبت به سایر الگوریتم‌های کشف‌کنندة قوانین انجمنی، کاراتر است (تن و همکاران، 2006). به این ترتیب می‌توان قوانینی براساس ویژگی‌های غالب هر بخش تعریف کرد و عمومیت نتایج را با شاخص‌های پشتیبان و اطمینان سنجید.

 

4- یافته‌های پژوهش

در ادامه فرایند پیشنهادی برای استخراج الگوهای رفتاری مشتریان اجرا و نتایج حاصل از آن بیان شده است.

4-1 جمع‌آوری اطلاعات اولیه و پیش‌پردازش داده‌ها

قبل از پیاده‌سازی روش مد نظر، فرایند آماده‌سازی و پیش‌پردازش برای بهبود کیفیت داده‌ها انجام شده است. ازآنجاکه این پژوهش در نظر داشته است الگوی رفتاری مشتریان را در طول زمان استخراج کند، اطلاعات جدول مورد نیاز برای محاسبة متغیر RFM در 6 بازة زمانی سه‌ماهه برای 10000 نفر از مشتریان حقیقی بانک انصار جمع‌آوری شد. این اطلاعات شامل شمارة مشتری، جنسیت، سن، تعداد تراکنش‌های انجام‌شده از درگاه‌های ارائة خدمات (شعب، دستگاه خودپرداز[13]، دستگاه کارتخوان[14])، ماندة موجودی حساب‌های قرض‌الحسنه و سپرده‌گذاری و زمان انجام آخرین تراکنش است. داده‌های ناقص و مفقوده، مقادیر دارای خطا، ناسازگاری، اریبی و ... نیز بررسی شده است و داده‌ها به ساختار مناسب برای پیاده‌سازی تبدیل شد. برای نرمال‌سازی داده‌ها نیز از روشmin-max  استفاده شده است.

معادلة (1):         

4-2 خوشه‌بندی مشتریان بر اساس متغیر RFM

در این بخش، مقادیر RFM مشتریان در هریک از بازه‌های زمانی به‌دست‌آمده و بر آن اساس خوشه‌بندی با استفاده از الگوریتم k-means انجام شده است. ازآنجاکه بانک‌ها صورت‌های مالی خود را هر سه‌ماه یک‌بار انتشار می‌دهند، تعداد خوشه‌های بررسی‌شده به ترتیب 3 ، 6 ،9 و 12 در نظر گرفته شد. بررسی کیفیت خوشه‌بندی در هر بازة زمانی با استفاده از شاخص دان انجام شده که شامل دو معیار حداکثر فاصلة درون‌خوشه‌ای و حداقل فاصلة برون‌خوشه‌ای است. این شاخص به تحلیل‌گر کمک می‌کند خوشه‌هایی متراکم با مرزهای مشخص داشته باشد.

معادلة (2):

 

 

 

 

نتایج حاصل از خوشه‌بندی مشتریان به تفکیک هر یک از بازه‌های زمانی در جدول شمارة 1 آمده است.

 

جدول 1: مقادیر شاخص دان به‌ازای خوشه‌های مختلف هریک از بازه‌های زمانی

بازه‌های زمانی

 

T6

T5

T4

T3

T2

T1

 

0.42

0.47

0.41

0.45

0.46

0.43

K=3

تعداد خوشه‌ها

0.54

0.62

0.55

0.51

0.59

0.38

K=6

0.36

0.34

0.45

0.49

0.41

0.49

K=9

0.42

0.16

0.52

0.48

0.40

0.64

K=12

6

6

6

6

6

12

تعداد خوشه بهینه

 

 

پس از مشخص شدن تعداد خوشه‌های بهینه، از مدل پیشنهادی آخوندزاده و البدوی (2014) برای برچسب‌گذاری خوشه‌ها استفاده شد. شیوة برچسب‌گذاری به این صورت بوده که برای مشخصه‌های R،F،M باتوجه‌به میانگین آنها در بازة زمانی بررسی‌شده دو حالت High و Low در نظر گرفته شده که با نماد L و H نشان داده شده است؛ به عبارتی اگر برای یک خوشة میانگین هریک از این متغیرها از میانگین کل این متغیر در بازة زمانی مربوطه بزرگ‌تر باشد، برچسب H و در غیراین‌صورت برچسب L در نظر گرفته می‌شود. پس از برچسب‌گذاری، 8 الگوی رفتاری برای هریک از خوشه‌ها استخراج شده است.

الگوهای رفتاری هریک از بخش‌ها در جدول شمارة 2 مشاهده می‌شود. همان‌طور که مشخص است، الگوی رفتاری HLL و LLL در تمامی بازه‌های زمانی وجود دارد و الگوی رفتار HLH تنها در بازة زمانی 6 هست. در ادامه با استفاده از نظرات خبرگان هریک از گروهای رفتاری برچسب‌گذاری شد.

LLL: شامل آن‌دسته از مشتریانی است که به‌تازگی از خدمات بانک استفاده کرده‌اند،‌ اما ماندة موجودی و تعداد دفعات تراکنش‌های آنها از میانگین کل در بازة زمانی مربوطه کمتر است و آنها را «مشتریان معمولی با سودآوری کم» می‌نامند.

HLL: رفتارِ مشتریانی را تشریح می‌کند که ماندة موجودی و تعداد دفعات تراکنش‌های آنها کمتر از میانگین بوده است و مدت‌زمانی طولانی از آخرین تراکنش آنها می‌گذرد. این دسته با نامِ «مشتریان رویگردان‌شده» شناخته می‌شوند.

LLH: این الگو نشان‌دهندة رفتار مشتریانی است که به‌تازگی از خدمات بانک استفاده کرده‌اند؛ اما تعداد دفعات استفاده از خدمات کمتر از میانگین و ماندة موجودی آنها بیش از میانگین این متغیر در طول زمان بررسی‌شده است. این گروه، «مشتریان معمولی با سودآوری زیاد» نامگذاری می‌شود.

LHH: الگوی رفتاری مشتریانی را شامل می‌شود که به‌تازگی از خدمات بانک استفاده کرده‌اند و میانگین موجودی و تعداد دفعات تراکنش آنها بیشتر از میانگین است. این گروه «مشتریان طلایی سودآور» شناخته می‌شوند.

HLH: شامل آن‌دسته از مشتریانی است که تعداد دفعات تراکنش آنها نسبت به میانگبن کمتر و ماندة موجودی فراوانی دارند؛ اما مدت‌زمانی طولانی از آخرین تراکنش آنها می‌گذرد. ازاین‌رو می‌توان آنها را «مشتری رویگردان‌شده با سودآوری زیاد» نامید.

HHL: شامل آن‌دسته از مشتریانی است که تعداد دفعات تراکنش آنها بیشتر از میانگین و ماندة موجودی کمتر از میانگین دارند. این گروه مدت‌زمانی طولانی از آخرین تراکنش آنها می‌گذرد؛ بنابراین اینان «مشتری رویگردان‌شده با سودآوری کم» هستند.

HHH: رفتار آن‌دسته از مشتریانی را تشریح می‌کند که مدت‌زمانی طولانی از آخرین تراکنش آنها گذشته و میانگین موجودی و تعداد دفعات تراکنش آنها بیشتر از میانگین در طول هر یک از بازه‌های زمانی است. به این گروه، «مشتریان رویگردان‌شده با سودآوری زیاد» می‌گویند.

LHL: دربرگیرندة مشتریانی است که به‌تازگی از خدمات بانک استفاده کرده‌اند و به طور متناوب بیش از میانگین از خدمات بانک استفاده می‌کنند؛ اما ماندة موجودی کمتری نسبت به میانگین کل دارند و آنها را با برچسپ «مشتریان وفادار با سودآوری کم» می‌شناسند.

در جدول شمارة 2، مقدار عددی 1 نشان‌دهندة وجود گروه رفتاری و مقدار عددی 0 نشان‌دهندة نبودِ آن در هریک از بازه‌های زمانی است.

 

جدول شمارة 2: بخش‌های مختلف مشتریان در بازه‌های زمانی

بخشهای مشتریان

                    بازه‌های زمانی

LLL

LLH

LHL

LHH

HHH

HHL

HLH

HLL

1

1

1

1

0

0

1

0

1

2

1

1

1

0

1

1

0

1

3

1

0

0

1

1

0

0

1

4

1

0

0

1

1

0

0

1

5

1

0

0

1

1

0

0

1

6

1

1

1

1

0

0

0

1

 

 

4-3 استخراج گروه‌های رفتاری مشتریان

برای استخراج گروه‌های رفتاری، ابتدا در هریک از 6 بازة زمانی الگوهای رفتاری بر اساس روش پیشنهادی مرحلة قبل برای هریک از مشتریان به‌دست می‌آید. با به‌هم‌چسباندن این الگوها برای هر مشتری، الگوی دنباله‌ای آن به دست می‌آید که نشان‌دهندة عضویت مشتریان به بخش‌های مختلف در طول زمان است. در جدول شمارة 3 برخی از دنباله‌های به‌دست‌آمده نشان داده شده است؛ برای مثال دنبالة عضویت ردیف 3 نشان‌دهندة مشتری است که در بازة اول و دوم الگوی رفتاری مشتری رویگردان‌شده (HLL) را داشته است، اما در بازة زمانی سوم و چهارم باتوجه‌به سیاست‌ها و استراژی‌های بازاریابی بانک، تعاملات و حجم سپرده‌های خود را افزایش داده و الگوی رفتاری آن به سمت «مشتری طلایی سودآور(LHH)» تغیر پیدا کرده و در نهایت در بازة زمانی آخر باتوجه‌به کاهش حجم پول و سپرده‌های خود به «مشتری وفادار با سودآوری کم (LHL)» تبدیل شده است.

 

جدول 3: نمونه‌ای از دنبالةعضویت مشتریان

ردیف

دنباله عضویت

1

HLL LLL LLL LLL  LLL LLL

2

LHL HLL LLL LLL  LLL LLL

3

HLL HLL LHH LHH LLL LHL

4

HLL LLL LLL HLL HLL LHH

 

 

به‌منظور شناسایی الگوهای رفتاری غالب مشتریان، دنبالة عضویت‌های به‌دست‌آمده با استفاده از الگوریتم k-means خوشه‌بندی می‌شوند. بر اساس نظرات خبرگان خوشه‌های مد نظر عبارت‌اند از 3 ، 6، 9 و 12. کیفیت خوشه‌بندی نیز با استفاده از شاخص دان انجام شده که نتایج آن در جدول شمارة 4 آمده است:

 

جدول شمارة 4:مقایسة الگوهای رفتاری مختلف با استفاده از شاخص دان

مقدار شاخص دان

تعداد خوشه

0.73

k=3

0.74

K=6

0.72

K=9

0.72

K=12

 

 

براساس نتایج به‌دست‌آمده، تعداد خوشة بهینه برابر با 6 است. نمونه‌هایی از دنباله‌های مربوط به ه یک از این خوشه‌ها در جدول 5 نشان داده شده است. شاخص دان بر اساس دومعیار حداقل فاصلة بین خوشه‌ای و حداکثر فاصلة درون‌خوشه ای به‌منظور داشتن خوشه‌های متراکم با مرزهای مشخص به دست می‌آید.

 

همان‌طور که مشاهده می‌شود بر اساس جدول شمارة 4 تعداد خوشة بهینه 6 است. ازاین‌رو در هریک از 6 خوشه، بیشترین میزان شباهت الگوهای دنباله‌ای به یکدیگر در هریک از خوشه‌ها وجود دارد؛ از طرفی بیشترین میزان بی‌شباهتی بین هریک از خوشه‌ها نیز بر اساس تعداد، 6 خوشه است. به عبارت دیگر در تعداد خوشة بهینة 6، کمترین فاصلة درون‌خوشه‌ای (فاصلة اقلیدسی هریک از داده‌ها از مراکز خوشه) و بیشترین میزان شباهت نسبت به بیشترین فاصلة بین‌خوشه‌ای (فاصلة اقلیدسی هر یک از مراکز خوشه نسبت به یکدیگر) و کمترین میزان شباهت داده‌ها وجود دارد.

جدول شمارة 5، نمونه‌ای از الگوهای دنباله‌ای هریک از خوشه‌ها به همراه متغیرهای دموگرافیک است؛ برای مثال ردیف 1، مشتری‌ای را نشان می‌دهد که دارای جنسیت خانم و سن 27 سال بوده است و در طول زمان غالباً در حالت‌های رفتار مشتری رویگردان‌شده (HLL) و مشتری معمولی با سود آوری کم (LLL) قرار دارد.

 

جدول 5: نمونه‌ای از الگوهای دنباله‌ای

جنسیت

سن

 

الگوی دنباله‌ای

خوشه

ردیف

Women

27

 

HLL HLL LLL LHH LLL LLL

cluster-1

1

Men

28

 

in-active LLL LHH LLL LLL LLL

cluster-2

2

Men

35

 

HLL in-active in-active HLL LLL LLL

cluster-2

3

Women

55

 

HLL LLL LHH LHH LHH LLH

cluster-3

4

Men

41

 

HLL LLL LHH LHH HLL LLL

cluster-3

5

Men

29

 

LHL LLL LLL LHH LLL LHL

cluster-3

6

Women

39

 

HLL HLL in-active in-active in-active in-active

cluster-4

7

Men

50

 

LLL LLL HLL HLL LLL LLL

cluster-4

8

Men

33

 

LHL LLL LLL in-active in-active in-active

cluster-4

9

Men

35

 

LHL in-active LLL LLL HLL in-active

cluster-5

10

Women

54

 

HLL LLL LLL LLL HLL HLL

cluster-6

11

Men

42

 

LHL LLL LLL LHH HLL LLH

cluster-6

12

 

 

در ادامه به‌منظور تفسیر خوشه‌های به‌دست‌آمده، متغیر جدیدی با عنوان خوشه[15] تعریف شده است و ارتباط بین متغیرهای جنسیت، سن و همچنین برترین قواعد هرخوشه تفسیر و تحلیل می‌شود. هریک از خوشه‌های به‌دست‌آمده بر اساس تغییرات مشخصه‌های تازگی، تکرار و میانگین حجم پولی و تغییرات آن در بازه‌های زمانی متوالی، الگوهای رفتاری غالب مشتریان را نشان می‌دهد؛ به‌طوری که دنبالة عضویت‌های استخراج‌شدة هریک از خوشه‌ها باتوجه‌به الگوی رفتاری آنها در بازة زمانی آخر( بازة زمانی 6) تحلیل می‌شوند. به این منظور از الگوریتم اپریوری[16] با حداقل شرط اطمینان[17] 75 درصد و پشتیبانی[18]    3 درصد استفاده شده است.

 

 

جدول 6 :  قواعد  هریک از خوشه‌ها

ردیف

مقدم

تالی

شمارة خوشه

پشتیبان%

اطمینان%

1

HLL LLL LLL LLL  LLL LLL

LLL

1

8.6

100

2

LHL LLL LLL LLL  LLL LLL

LLL

1

7.1

95

3

HLL HLL LLL LLL  LLL LLL

LLL

1

6.3

95

4

in-active LLL LLL LLL  LLL LLL

LLL

1

5.0

100

5

HLL in-active LLL LLL  LLL LLL

LLL

1

4.8

88

6

HLL LLL LLL HLL  LLL LLL

LLL

1

3.1

91

7

in-active in-active LLL LLL LLL LLL

LLL

2

11.1

100

8

in-active in-active in-active LLL LLL LLL

LLL

2

10.8

100

9

in-active HLL LLL LLL LLL LLL

LLL

2

5.8

93

10

in-active in-active LLL LLL LLL HLL

HLL

2

3.5

100

11

in-active in-active LLL LLL HLL LLL

LLL

2

3.4

100

12

in-active in-active in-active HLL LLL LLL

LLL

2

3.2

100

13

HLL LLL LHH LHH LLL LLL

LLL

3

7.3

100

14

in-active HLL LHH LHH LLL LLL

LLL

3

6.5

100

15

in-active LLL LHH LHH LHH LHL

LHL

3

4.1

100

16

HLL LLL in-active in-active in-active in-active

in-active

4

9.8

100

17

LHL LLL in-active in-active in-active in-active

in-active

4

8.2

100

18

HLL HLL in-active in-active in-active in-active

in-active

4

6

100

19

in-active in-active LLL HLL HLL HLL

HLL

5

8.5

100

20

in-active in-active LLL HLL in-active in-active

in-active

5

5.9

100

21

in-active in-active in-active HLL HLL HLL

HLL

5

4.3

100

22

in-active in-active LLL LLL in-active in-active

in-active

5

4.3

100

23

in-active in-active LLL HLL HLL LLL

LLL

5

3.3

100

24

in-active in-active in-active LLL HLL in-active

in-active

5

3.3

100

25

HLL LLL LLL HLL HLL HLL

HLL

6

5.4

100

26

HLL LLL LLL LLL HLL HLL

HLL

6

4.2

100

27

LHL LLL LLL HLL HLL HLL

HLL

6

3.8

100

28

HLL HLL LLL HLL HLL HLL

HLL

6

3.8

100

29

in-active LLL LLL HLL HLL HLL

HLL

6

3.1

100

30

HLL LLL in-active HLL HLL HLL

HLL

6

3.1

100

 

 

  • خوشة اول: نتایج به‌دست‌آمده از خوشة اول نشان می‌دهد مشتریان این خوشه به‌طور ثابت و پایدار در حالت رفتاری مشتری معمولی با سودآوری کم (LLL) قرار دارند و تالیِ همگی الگوهای رفتاری آنها LLL است. در این خوشه، مشتریان در بازة زمانی اول غالباً در حالت‌های رفتاری (HLL) قرار دارند؛ اما با گذشت زمان تا حدودی مقدار مشخصة تازگی آنها از متغیرRFM  بهبود پیدا کرده و فاصلة زمانی تراکنش‌های آنان کوتاه‌تر از میانگین شده است و به سمت رفتار مشتریان معمولی با سودآوری کمتر (LLL) در حال تغییر است. تعداد مشتریان این خوشه 422 نفر است و این خوشه را مشتریان کم‌ارزش با الگوی پایدار نامگذاری می‌کنند.
  • خوشة دوم: نتایج به‌دست‌آمده حاصل از این خوشه نشان می‌دهد 602 نفر مشتری این خوشه در بازه‌های زمانی ابتدایی (اول تا سوم) هیچ‌گونه تعاملی با بانک نداشته و در حالت غیرفعال (in-active) قرار دارند؛ اما پس از بازة زمانی سوم، دو رویکرد در تغییر رفتار آنها رخ داده است؛ گروهی از آنها پس از غیرفعال بودن در بازه‌های زمانی ابتدایی به مشتری معمولی با سودآوری کم (LLL) تبدیل شده و در بازة زمانی آخر نیز در همین حالت رفتاری باقی مانده‌اند، اما گروه دیگر پس از تصمیم به تعامل با بانک، تعداد تراکنش (F) و ماندة موجودی (M) پایین‌تر از حد میانگین با فاصله‌های زمانی زیاد بین هر تراکنش (R) را داشته‌اند و در حالت (HLL) قرار دارند و پس از گذشت زمان به حالت رفتاری LLL تغییر می‌کنند. به عبارت دیگر، مشتریانی که در ابتدا غیرفعال بوده‌اند، پس از تصمیم به تعامل با بانک، نهایتاً در حالت مشتریان سودآور قرار نمی‌گیرند و در حالت رفتاری LLL تعامل خود را شروع می‌کنند و در همان حالت نیز باقی خواهند ماند. باتوجه‌به رفتار مشتریان خوشة دوم، این خوشه را نیز مشتریان کم‌ارزش با الگوی پایدار نامگذاری می‌کنند.
  • خوشة سوم: نتایج به‌دست‌آمده از خوشة سوم نشان می‌دهد:
  • ردیف13 و 14جدول 6، الگوی غالب رفتاری مشتریانی را نشان می‌دهد که در طول زمان در بخش‌های رفتاری برای چند بازه به‌طور متوسط و پایدار خواهند ماند. به عبارت دیگر در برخی از بازه‌ها مشتری طلایی (LHH) و در برخی از بازه‌های دیگر در حالت رفتاری مشتری معمولی با سودآوری کم (LLL) قرار دارند. این الگو نشان می‌دهد چنانچه مشتری‌ای که در دستة سودآوری کم برای بانک قرار دارد، الگوی تعامل خود با بانک را بهبود دهد، شاید به مشتری طلایی و سودآور (LHH) تبدیل شود؛ اما با گذشت زمان و مقایسة کیفیت خدمات با بانک، دوباره دامنة فعالیت‌های خود را کاهش می‌دهد و به الگوی رفتاری مشتری معمولی با سودآوری کم (LLL) تغییر وضعیت خواهد داد.
  • ردیف 15 جدول 6، الگوی رفتاری گروهی از مشتریان را نشان می‌دهد که شبیه الگوی رفتاری ردیف 13 و 14 هستند؛ با این تفاوت که در هنگام تغییر از حالت رفتاری LHH، به مشتری LLL تبدیل نمی‌شوند، بلکه تنها میزان سپرده و ماندة پولی (M) را کاهش می‌دهند و به مشتری وفادار با سودآوری کم تبدیل خواهند شد. این خوشه شامل 973 مشتری است. این خوشه را مشتریان کم‌ارزش با الگوی سودآوری ناپایدار می‌نامند.
  • خوشة چهارم: این خوشه شامل 1213 مشتری است که الگوی غالب رفتاری آنها غیرفعال بودن (in-active)، مشتری رویگردان‌شده (HLL) و مشتری معمولی با سودآوری کم (LLL) است؛ به‌طوری که اگر مشتریان در یکی از حالت‌های رفتاری زیر قرار داشته باشند و پس از گذشت زمان تعامل خود را با بانک قطع کنند، در بازة زمانی پایانی نیز به صورت غیرفعال باقی خواهند ماند.
  • خوشة پنجم: این خوشه شامل 168 مشتری است که همگی در دورة زمانی اول غیرفعال بوده‌اند؛ اما با گذشت زمان به وضعیت رویگردان‌شده یا مشتری با سودآوری کم تغییر حالت داده‌اند و در نهایت در همان وضعیت باقی می‌مانند. رفتار این دسته را می‌توان با عنوان الگوی کم‌ارزش و پایدار نامید.
  • Ø        خوشة ششم: مشتریان این خوشه غالباً در بازه‌های LLL و HLL حضور داشته‌اند؛ به‌طوری که بیشتر آنها در دورة زمانی آخر در بخشHLL  قرار دارند و بنابراین می‌توان آنها را مشتریان رویگردان‌شده نامید. مهم‌ترین قواعد حاصل از تحلیل الگوریتم اپریوری این خوشه به شرح زیر است:

1-     مشتریانی که در دورة زمانی اول در وضعیت HLL، دورة زمانی دوم LLL و پس از آن به‌طور پایدار در یک یا دو بازة زمانی بعدی در همان وضعیت باقی مانده‌اند و سپس به حالت رفتاری HLL تغییر وضعیت بدهند، به احتمال 100 درصد در بازة زمانی ششم، مشتری رویگردان ( HLL) باقی خواهد ماند.

2-     مشتریانی که در دورة زمانی اول در وضعیت LHL (مشتری وفادار با سودآوری کم) قرار دارند، دوره‌های بعدی تا اندازه‌ای رویگردان می‌شوند و به وضعیت LLL تغییر خواهند یافت و در دورة زمانی آخر در وضعیت HLL قرار خواهند گرفت. این خوشه شامل 901 مشتری است که آن را مشتری رویگردان‌شده با سودآوری متوسط نامگذاری می‌کنند.

 

 

5- نتیجه‌گیری

در این پژوهش، یک روش ترکیبی جدید مبتنی بر K-Means و قوانین انجمنی برای شناسایی گروه‌های رفتاری مشتریان در عضویت به بخش‌های مختلف درطول زمان و همچنین تحلیل ویژگی‌های غالب این گروه‌ها ارائه شده است. مطالعات پیشین، بیشتر از زنجیرة مارکوف برای مدل‌سازی جابه‌جایی مشتری بین بخش‌های مختلف استفاده کرده‌اند و مطالعات بسیار اندکی در زمینة کشف الگوهای غالبِ جابه‌جایی انجام شده است. در پژوهش‌های قبلی برای استخراج الگوهای غالب، از روش‌های نظام‌مند و کمّی استفاده نشده است، بلکه با شمارش دنباله‌های موجود و انتخاب حداکثر فراوانی آنها، این الگوها استخراج شده است. در این پژوهش رویکردی جدیدی در قالب استخراج و خوشه‌بندی دنباله‌ها ارائه شد که می‌توان آن را یک روش کلّی و عمومی شمرد و برای کشف الگوهای حاکم و شناسایی گروه‌های رفتاری مختلف مشتریان در جابه‌جایی بین بخش‌ها آن را به‌کار گرفت. شناسایی گروه‌های رفتاری و تحلیل آنها، در ارائة استراتژی‌های بازاریابی مؤثر واقع می‌شود. علاوه بر مواردی که گفته شد، ویژگی‌های گروه‌های رفتاری مختلف مشتریان نیز در این پژوهش بررسی شد تا به این پاسخ دست یافت که آیا الگوی غالبی در زمینة ویژگی‌های دموگرافیک گروه‌های مختلف مشتریان وجود دارد. بر اساس روش پیشنهادی، 4 گروه رفتاری (مشتریان کم‌ارزش با الگوی پایدار)، (مشتریان کم‌ارزش با الگوی سودآوری ناپایدار)، (مشتریان رویگردان‌شده با ارزش متوسط) و ( مشتریان وفادار با سودآوری کم) شناسایی شد.

با استفاده از این نتایج، می‌توان دیدگاه مناسبی نسبت به الگوهای رفتاری مشتریان، در زیمنة عضویت و انتقال به بخش‌های مختلف در طول زمان کسب کرد و از آنها برای ارائه و بهبود راهبردهای بازاریابی استفاده کرد. به این منظور برای هرکدام از بخش‌های تعریف‌شده می‌توان راهبردها و اقدامات زیر را پیشنهاد داد:

1-     مشتریان کم‌ارزش با الگوی پایدار: همان‌طور که نتایج نشان داد غالباً الگوی رفتاری این مشتریان در حالت‌های رفتاری LLL و HLL قرار دارد. ازآنجاکه رفتار آنها در طول زمان پایدار بوده است، می‌توان با استفاده از طرح‌های تشویقی و ارائة خدمات جانبی (ازقبیل ارائه خدمات مشاورة مالی، سرمایه‌گذاری، خدمات لیزینگ و ایجاد طرح‌های سپرده‌گذاری با شرایط خاص و ...) زمینه‌های تبادلات این گروه را فزایش داد و رسوب منابع ارزان‌قیمت آنها در بانک را ایجاد کرد تا از این طریق به گروه مشتریان سودآور تبدیل شوند.

2-     مشتریان کم‌ارزش با الگوی سودآوری ناپایدار: همان‌طور که از نتایج مشخص است، مشتریان این الگوی رفتاری در برخی از بازه‌های زمانی در حالت رفتاری LHH نیز قرار می‌گیرند و ظرفیت تبدیل‌شدن به مشتری سودآور را دارند. بنابراین باید دلایل مهاجرت آنها به بخش‌های مختلف و دلایل ناپایداری در بازه‌های زمانی مذکور را شناسایی کرد تا بتوان زمینه‌های جذب این گروه از مشتریان را افزایش داد. بررسی دوره‌هایی که این گروه رشد ارزشی داشتند، نشان می‌دهد در آن زمان بانک، طرح‌های سپرده‌گذاری با شرایط خاص در اختیار مشتریان قرار داده و برای این گروه از مشتریان که به نرخ سود سپرده حساس هستند، تأثیر مثبتی در تعاملات با بانک داشته است.

3-     مشتریان رویگردان‌شده با سودآوری متوسط: همان‌طور که از نتایج مشخص است، قسمت تالی تمامی این گروه، مشتریان رویگردان‌شده (HLL) است. مشتریان این بخش در طول زمان به سایر حالت‌های رفتاری تغییر وضعیت داده‌اند؛ اما در بازة آخر مشتری رویگردان خواهند شد. این موضوع نشان می‌دهد که ظرفیت جذب مشتری در بانک وجود داشته است، اما زیرساخت و امکانات لازم برای نگهداشت آنها فراهم نیست. ازاین‌رو با شناسایی دلایل رویگردانی مشتریان، می‌توان برنامه‌های عملیاتی برای بازگشت آنها تدوین و اجرا کرد. جلسه‌های هم‌اندیشی، نظرسنجی از مشتریان رویگردان و ارائة طرح‌های حمایتی، ابزار مناسبی برای ایجاد رابطة مجدد بین بانک و مشتری و شناسایی دلایل رویگردانی آنها خواهد بود. برای مثال باتوجه‌به حجم ماندة پولی و تراکنش‌های آنها، می‌توان با ارائة خدمات متمایز بانکداری الکترونیک برای بهبود و برگشت این دسته از مشتریان کوشید.

4-     مشتریان وفادار با سودآوری کم: باتوجه‌به الگوی رفتاری به‌دست‌آمدة این گروه از مشتریان در بازه‌های ابتدایی تعامل با بانک، حجم ماندة پولی زیادی داشته‌اند، ولی با گذشت زمان با کاهش ماندة پولی، همچنان به ارتباط با بانک ادامه داده و مشتری وفادار بانک هستند. ازاین‌رو باید اولویت تخصیص منابع و برنامه‌های وفاداری مشتری و توسعة مشتری مدنظر قرار بگیرد. برای این مشتریان باید طرح‌هایی مانند امتیازدهی به مشتریان و افزایش امتیاز در نظر گرفته شود تا میزان اتصال و جذب این گروه به بانک افزایش یابد.



[1] Dynamic Customer Segmentation

[2] Dominant Pattern

[3] Data Mining

[4] Recency

[5] Frequency

[6] Monetory

[7] Corporate banking

[8] Retail banking

[9] Commercial banking

[10] Business banking

[11] Dunn index

[12] Apriori

[13] ATM

[14] Pos

[15] Cluster

[16] Appriori

[17] Confidence

[18] Support

منابع
1. Akhondzadeh, E.; Albadvi, A. (2014). Mining the dominant patterns of customer shifts between segments by using top-k and distinguishing sequential rules, Management Decision, 53 (9), 1976-2003.
2. Akhondzadeh, E.; Albadvi, A. and Homayondfar, B. (2016). How Can We Explore Patterns of Customer Segments' Structural Changes? A Sequential Rule Mining Approach, Paper presented at IEEE International Conference on Information Reuse and Integration.
3. Bottcher, M., Spott, M., Nauck, D. and Kruse, R. (2009). Mining changing customer segments in dynamic markets, Expert Systems with Applications, 36(1), 155-164
4. 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.
5. Cheng, Ch. H.; Chen, Y.Sh. (2009). Classifying the segmentation of customer value via RFM model and RS theory, Expert systems with applications, 36(3), 4176-4184.
6. Ha, S.H.; Bae, S. M. and Park, S.C. (2002). Customer's time-variant purchase behavior and corresponding marketing strategies: an online retailer's case. Computers & Industrial Engineering, 43(4), 801-820.
7. Ha, S. H.; Bae, S.M. (2006). Keeping Track of Customer Life Cycle to Build Customer Relationship, Paper presented at Computer Science, Advanced Data Mining and Applications.
8. Ha, S.H. (2007). Applying knowledge engineering techniques to customer analysis in the service industry, Advanced Engineering Informatics, 21(3), 293-301.
9. Haining, T., Juanjuan, Xu. and Bian, Zh. (2009). Research onIndex System of Dynamic Customer Segmentation, International Conference on Information Management and Engineering, pp. 441- 445.
10. Homburg, Ch., Steiner, V.V. and Totzek, D.(2009). Mining Dynamics in a Customer Portfolio, Journal of Marketing, 73(5), 70-89
11. Hassani, M.; Sergio, S.; and Florian, R. (2015). Efficient Process Discovery From Event Streams Using Sequential Pattern Mining, Journal of Machine Learning Research, 107(12), 1652-1665.
12. Khajvand, M.; Tarokh, M. J. (2011). Analyzing Customer Segmentation Based on Customer Value Components (Case Study: A Private Bank), Journal of Industrial Engineering, University of Tehran, Special Issue, 79-93.
13. Lemmens, A.; Croux, C. h.; and Stremersch, S. (2012). Dynamics in the international market segmentation of new product growth. International Journal of Research in Marketing, 29(1), 81-92.
14. Ngai, E.W.T.; Xiu, L. and Chau, D. C. K. (2009). Application of data mining techniques in customer relationship management: A literature review and classification, Expert Systems with Applications, 36(2), 2592-2602.
15. Netzer, O.; Lattin, J. M. and Srinivasan, V. (2008). A hidden Markov model of customer relationship dynamics. Marketing Science, 27(2), 185-204.
16. Sarker, I.; colman, A.; Kabir, M. and Han, J. (2016). Behavior-Oriented Time Segmentation for Mining Individualized Rules of Mobile Phone Users, Paper presented at IEEE Transactions on Services Computing .
17. Tsai, C. Shieh, y. (2009). A change detection method for sequential patterns, Decision Support Systems, 46(2), 501–511.
18. Tang, k.; Xie. L. (2013). Lifetime Value Management of Network Game Customers, Journal of Innovation Management and Industrial Engineering, 6(4), 82-99.
19. Zheng, L. (2015). Visualization        
      method for customer targeting user       
       customer map, Industrial Marketing                                 
       Management, 36(6), 810–822