بخش‌بندی مشتریان خرده‌فروشی‌های آنلاین براساس ویژگی‌های جمعیتی و تجربۀ‌ مشتری؛ رویکردی مبتنی‌بر نقشه‌های خودسازمان‌ده

نوع مقاله : مقاله پژوهشی

نویسندگان

1 دانشیار گروه مدیریت بازرگانی، دانشکده کسب و کار و اقتصاد، دانشگاه خلیج فارس، بوشهر، ایران

2 کارشناسی ارشد گروه مدیریت بازرگانی، دانشکدۀ ادبیات و علوم انسانی، دانشگاه خلیج‌ فارس، بوشهر، ایران

چکیده

زمینه و هدف: باتوجه‌به ظهور اینترنت به‌عنوان شبکۀ اصلی عرضۀ محصولات و خدمات در سال‌های اخیر، تجربۀ خرید آنلاین مشتریان اهمیت زیادی یافته است و تمایز مشتریان براساس تجربۀ مشتری، می‌تواند راهبردی مؤثر در بخش‌بندی مشتریان تلقی شود. هدف از اجرای این پژوهش بخش‌بندی مشتریان براساس تجربۀ مشتری در خرده‌فروشی‌های آنلاین است.
روش‌شناسی: این پژوهش ازنظر هدفْ کاربردی و ازنظر روش اجرا در دستۀ پژوهش‌های توصیفی‌ـ‌پیمایشی قرار می‌گیرد. جامعۀ آماری پژوهش شامل کلیۀ افرادی است که تجربۀ خرید از خرده‌فروشی‌های آنلاین داشته‌اند. حجم نمونه 384 نفر است که به‌صورت نمونه‌گیری غیراحتمالی دردسترس انتخاب شدند. برای تحلیل داده‌ها و بخش‌بندی مشتریان از رویکرد نقشه‌های خودسازمان‌ده با نرم‌افزار Viscovery SOMine استفاده شده است.
یافته‌ها و نتایج: براساس یافته‌های پژوهش، مشتریان خرده‌فروشی‌های آنلاین در سه بخش زیادخریداران، خریداران فایده‌گرا و خریداران بصری نام‌گذاری شدند. بخش اول (زیادخریداران) بیشترین دفعات خرید آنلاین را در کوتاه‌مدت دارند و امکان ارتباط با فروشنده بیشترین اهمیت را برای این گروه دارد. برای بخش دوم (فایده‌گراها)، مزایای درک‌شده و اعتماد در مقایسه با سایر بخش‌ها اهمیت بیشتری دارد. بخش سوم (ظاهرپسندها) اغلب با فواصل زمانی طولانی خرید آنلاین انجام می‌دهند. این افراد برای ویژگی ارائۀ محصول اهمیت زیادی قائل هستند و همچنین نسبت به دو خوشۀ دیگر، به آشنایی با فروشگاه اهمیت بیشتری می‌دهند.

کلیدواژه‌ها

موضوعات


عنوان مقاله [English]

Customer Segmentation in Online Retails Based on Customer Experience and Demographic Characteristics: A Self-Organizing-Maps (SOM) Approach

نویسندگان [English]

  • Manijeh Bahrainizad 1
  • Marjan Asar 2
  • Majid Esmailpour 1
1 - Associate Professpor, Business Management, Faculty of Business and Economics School, Persian Gulf University, Bushehr, Iran-
2 - MSc. in Business Management, Persian Gulf University, Bushehr, Iran
چکیده [English]

Objective: With the advent of the Internet as the main channel for the supply of products and services in recent years, customers’ experience of online shopping has become vital. The purpose of this research was segmenting customer’s experience of online retail stores.
Methodology:  This study was an applied research in terms of purpose, and a descriptive-survey one in terms of method. The statistical population included all the people, who had an experience of buying from online retailers. The required sample size was calculated by using Cochran's formula for infinite communities. From among them, 384 people were selected through the available non-probability sampling method. The data collection tool was a standard questionnaire, the validity and reliability of which were confirmed by content validity and Cronbach's alpha coefficient, respectively. To analyze the data and segment the customers, the approach of Self-Organizing Maps (SOM) was taken based on Artificial Neural Networks (ANNs) by using ViscoverySOMine software.
Results and Discussion: According to the findings, the customers, who had an experience with online retailers, were divided into 3 segments with different demographic characteristics and components of online experience. The three categories of customers were apathetic, utilitarian, and visual customers. The first segment (apathetic customers) included those who were least affected by the components of the experience. The ability to communicate with the seller was most important to this group. The second group (utilitarian customers) consisted of the young and low-income women, who had the least online shopping in the short time. Benefit and trust were more important to the customers of this group. The young to middle-aged middle-income women constituted the third group (visual customers). These women often had online shopping for a long time. These people attached great importance to the product availability and paid more attention to store familiarity compared to other two clusters.
 

کلیدواژه‌ها [English]

  • segmentation
  • customer ‌‌experience
  • online customer experience
  • online retail store

مقدمه

رشد فناوری اطلاعات و افزایش سریع و روزافزون استفاده از اینترنت موجب ایجاد فرم جدیدی از معاملات خرده‌فروشی، به‌شکل خرده‌فروشی اینترنتی شده و خرید آنلاین را به یک فعالیت روزانه برای افراد در سراسر جهان تبدیل کرده است. (یو، تائو، چن، ژانگ و ایکسو[1]، 2019؛ ژو[2]، 2018). زمانی که استفاده از اینترنت آغاز شد، هیچ‌کس تصور نمی‌کرد که زندگی روزمره و شیوۀ کسب‌و‌کارها، این‌چنین تغییر کند. روز‌به‌روز بر تعداد خرده‌فروشی‌های آنلاین اضافه می شود و حتی برخی معتقدند فروشگاه‌های سنّتی خرده‌فروشی روزی ناپدید خواهند شد (جیمنز و همکاران[3]، 2019). خرید آنلاین به‌دلیل افزایش میزان پذیرش و نفوذ فناوری اینترنت به‌طور مداوم در حال افزایش است (رُز، نیل و مویرا[4]، 2011).

خرده‌فروشی‌های آنلاین در مقایسه با خرده‌فروشی‌های سنّتی، مزایایی برای فروشندگان و خریداران دارند؛ از‌جمله اینکه تأسیس خرده‌فروشی‌های آنلاین نسبتاً آسان است و به هزینۀ کمتری نیاز دارد (یو و همکاران، 2019). مزیت اصلی آن برای خریداران این است که هرجا هستند، بدون نیاز به ترک خانه همۀ ملزومات خود را فقط با تایپ‌کردن چند کلمه، خرید می‌کنند. علاوه‌بر‌این، افراد در سراسر جهان به‌دلیل مشغلۀ زیاد، به‌دنبال سریع‌ترین، ساده‌ترین و ارزان‌ترین روش برای انجام کارها و خرید هستند؛ بنابراین، خرده‌فروشی آنلاین به‌خوبی توانست جایگزین خرده‌فروشی سنّتی شود (جیمنز و همکاران، 2019). براساس مطالعۀ استاتیستیا[5] (2017)، میزان خرید آنلاین در سراسر جهان در سال 2016 به 9.1 تریلیون دلار می‌رسد (وونگ و وی[6] ، 2018). همچنین، آمار‌ها نشان می‌دهد تا سال 2017 در اروپا 324.1 میلیون کاربر اینترنت وجود داشته است و انتظار می‌رود این تعداد در سال 2022 به 383.9 میلیون افزایش یابد (ژو[7]، 2018). براساس گزارشی که ادارۀ پست وزارت کشور چین در سال 2016 و 2017 صادر کرد، فروش آنلاین خرده‌فروشی بیش از 4 تریلیون یوان در سال 2016 و در سه ماه اول 2017 بیش از 1 تریلیون بوده است (لی، وانگ، لین، ژوو و چن[8]، 2019). براساس برآورد کنفرانس تجارت و توسعۀ سازمان ملل (آنکتاد) که با کمک اداره‌های آمار ملی در اقتصادهای بزرگ تخمین زده شده، فروش آنلاین 19درصد از فروش خرده‌فروشی کل جهان در سال 2020 را به خود اختصاص داده است. در سال 2021، بیش از 2.1 میلیارد خریدار اینترنتی در جهان وجود خواهد داشت که از آمار 1.66 میلیارد نفری در سال 2016 بسیار بیشتر است. بروز برخی بحران‌ها، ممکن است تمایل به خرید آنلاین را افزایش دهد. مانند شرایطی که ویروس کرونا از سال 2019 تاکنون ایجاد کرده و باعث شده است افراد بیشتری به‌سمت خرید اینترنتی بروند. محدودیت‌هایی که ویروس کرونا برای افراد سراسر جهان ایجاد کرد، موجب شد حتی کسانی که تا قبل از این خرید اینترنتی نداشته‌اند، نیاز به خرید آنلاین را احساس کنند و برای نخستین بار تجربۀ خرید آنلاین را کسب کنند و ازسوی‌دیگر، کسب‌وکارهایی که تا قبل از این فروش حضوری داشتند، باتوجه‌به تعطیل‌شدن کسب‌وکارهایشان به‌ناچار به اینترنتی‌کردن کسب‌وکار خود و فروش آنلاین رو بیاورند (دانِنبرگ و همکاران[9]، 2020)؛ بنابراین، با این توضیحات اهمیت خرده‌فرشی‌های آنلاین در چشم‌انداز تجارت الکترونیکی جهانی روشن می‌شود. برای ترسیم وضعیت کشور ایران دراین‌زمینه باید گفت تجارت الکترونیک در ایران در ابتدای مسیر خود است و بازار خرده‌فروشی‌های آنلاین، بازار جذابی برای ورود و رقابت است. وجود جمعیت جوان کشور با میزان بالای استفاده از اینترنت (55درصد) و استفاده از تلفن هوشمند (126درصد) انتظار ایجاد فرصت‌های بسیاری برای شرکت‌های آنلاین در ایران را به وجود آورده است. ازسوی‌دیگر، تحریم‌های بین‌المللی، شرکت‌های بین‌المللی تجارت الکترونیک را که شناخته‌شده‌ترین آنها آمازون[10]، والمارت[11]، ای‌بی [12] و... هستند، از ورود به بازار آنلاین ایران منع کرده‌ و این بازار بزرگ را به برخی از شرکت‌های محلی مانند دیجی‌کالا، تخفیفان، شیپور و زرین‌پال واگذار کرده‌ است (جوسه[13]، 2018). ظرفیت این بازار برای شرکت‌های جدید بسیار زیاد است. باتوجه‌به جمعیت جوان ایران که بیش از ۷۰درصد از مردم را تشکیل می‌دهد، واضح است که بازار آنلاین ایران می‌تواند اقیانوسی از فرصت‌های جدید برای شرکت‌های تجارت الکترونیک را فراهم کند (پهلوانیالی و مؤمنی[14]، 2016)؛ اما مردم ایران کمتر تمایل به خرید از خرده‌فروشان اینترنتی دارند؛ ازاین‌رو، شرکت‌ها باید سعی کنند عوامل مؤثر بر تقاضای خرید اینترنتی و افزایش فروش اینترنتی را شناسایی کنند (مالهمیرو همکاران[15]، 2017).

تجربۀ آنلاین مشتری عاملی مهم برای موفقیت خرده‌فروشان آنلاین محسوب می‌شود. مصرف‌کنندگان به‌دنبال تجربۀ آنلاینی جذاب، به‌یاد‌ماندنی و تعاملی هستند (مصطفوی و همکاران[16]، 2016). چون تجربۀ مشتری در فضای آنلاین و آفلاین تفاوت زیادی دارد (گیلی و ولفینبارجر[17]، 2015)، ضرورت دارد که تجربۀ آنلاین به‌طور مجزا مطالعه شود. باید یادآور شد که اگر کسب‌وکار‌ها بخواهند مشتریان را هدف قرار دهند، باید به تنوع تجربه‌های آنلاین توجه کنند. یعنی نمی‌شود گفت همۀ مشتریان یک نوع تجربۀ آنلاین دارند (آلسالم[18]، 2016). ازسوی‌دیگر، باتوجه‌به اینکه همۀ افراد تجربۀ آنلاین یکسان ندارند، خرده‌فروشی‌های آنلاین برای اینکه بتوانند مشتریان را براساس تجربه‌های آنلاین آنها هدف قرار دهند، باید مشتریان را به بخش‌هایی مجزا و واضح تقسیم کنند؛ ازاین‌رو، بخش‌بندی کمک می‌کند که تعداد بسیار زیاد مصرف‌کنندۀ آنلاین به بخش‌های کوچک‌تر تقسیم شود. این امر موجب می‌شود خرده‌فروش آنلاین درک و شناخت بیشتری از مشتریان آنلاین و ویژگی‌های آنها داشته باشد (لیو و همکاران[19]، 2019). حال باتوجه‌به تفاوت‌های موجود در تجربۀ مشتریان در خرید آنلاین، آنچه ذهن پژوهشگران مقالۀ حاضر را به خود مشغول کرده است، چگونگی بخش‌بندی مشتریان براساس تجربۀ خرید آنها، به‌منظور درک الگوهای مشترک و تمایزات بین مشتریان است.

اهمیت این پژوهش به‌لحاظ کاربردی در این است که بر‌اساس مرور پیشینۀ پژوهش و به‌طور خاص مطالعات رز[20] و همکاران (۲۰۱۱) تجربۀ مشتری به‌عنوان عامل مهمی در فروشگاه‌های آنلاین مطالعه شده است؛ اما در هیچ‌کدام از این پژوهش‌ها تجربۀ آنلاین مشتریان، با رویکرد بخش‌بندی مطالعه نشده است. چون تفاوت‌های زیادی بین تجربۀ آنلاین و آفلاین مشتری وجود دارد [ازجمله درجۀ تماس شخصی، نحوۀ ارائۀ اطلاعات، دورۀ زمانی برای تعاملات و نوع معرفی برند (هِسو و تِسو[21]، 2001)]، نیاز است تا تجربۀ آنلاین به‌طور جداگانه‌ای بررسی شود. کسب‌وکارها می‌توانند با بینش حاصل از نتیجۀ این مطالعه و ترکیب متغیرهای تجربۀ آنلاین با متغیرهای جمعیتی و یا رفتاری در بخش‌بندی، به درکی از تمایز مشتریان برسند. همچنین، اهمیت نظری این پژوهش در این است که می‌تواند به دانش موجود در بخش‌بندی مشتریان برمبنای ترکیب تجربه‌های آنلاین و متغیرهای جمعیتی و رفتاری کمک کند و بخشی از شکاف موجود دراین‌زمینه را پوشش دهد. باتوجه‌به اهمیت موضوع و شکاف پژوهشی موجود، مسئلۀ این پژوهش، بخش‌بندی مشتریان براساس ترکیب متغیرهای جمعیت‌شناختی، رفتاری و تجربۀ آنلاین مشتری در خرده‌فروشی آنلاین است. پژوهش حاضر در پی غنی‌سازی منابع دراین‌زمینه است. همچنین، موجب شناسایی و تعریف ویژگی‌های بخش‌های مختلف مشتریان براساس تجربۀ آنلاین می‌شود. این بخش‌بندی به صاحبان خرده‌فروشی آنلاین کمک می‌کند تا بتوانند هم‌زمان با بهبود تجربۀ آنلاین مشتری، سود و فروش خود را افزایش دهند؛ ازاین‌رو، این پژوهش به‌دنبال پاسخ‌گویی به سؤالات زیر است:

  1. مشتریان خرده‌فروشی آنلاین براساس تجربۀ آنلاین مشتری شامل چه بخش‌‌هایی هستند؟
  2. هریک از بخش‌های مشتریان در خرده‌فروشی آنلاین چه ویژگی‌های جمعیت‌شناختی‌ای دارند؟
  3. هریک از بخش‌های مشتریان در خرده‌فروشی آنلاین چه تجربه‌ای را ادرک کرده‌اند؟

 

2- مبانی نظری پژوهش: تجربۀ آنلاین مشتری

تجربۀ آنلاین مشتریْ پاسخ ذهنی، درونی و جامعی است که زمانی شکل می‌گیرد که مشتری به‌صورت آنلاین ازطریق شبکه‌های آنلاین مثل وب‌سایت شرکت، بلاگ‌ها و چت‌روم‌ها با یک شرکت مربوط می‌شود (آیزوگو و جایاواردهِنا[22]، 2018). بعضی پژوهشگران تجربۀ آنلاین مشتری را تکرار در خرید آنلاین می‌دانند (چِن و همکاران[23]، 2009) که مجموع همۀ جست‌جوهای مشتری، قبل از خرید، در حین خرید و پس از خرید است و مشتری را به‌نحوی درگیر می‌کند (گیلمور و پین[24]، 2002).

روی، بالاجی، صادق و نگوین[25] (2017) بیان کرده‌اند که تجربۀ مشتری هوشمند جزئی از تجارب خرده‌فروشی است. پژوهشگران پیشین دربارۀ تعدادی از عناصری که منعکس‌کنندۀ جوهرۀ تجربۀ مشتری هستند، بحث کرده‌اند. این عناصر شامل کنترل درک‌شده (ابی‌غانم و ماندر[26]، 2014)، تعامل درک‌شده (اسکاردامالیا و بریتر[27]، 2014)، لذت درک‌شده (گرتزل و همکاران[28]، 2015) و سفارشی‌سازی (نوهوفر و همکاران[29]، 2015؛ پانتانو و تایمرمانس[30]، 2014) است. وان نورت و همکاران[31] (2012) بیان کردند که تجربۀ آنلاین مشتری شامل تعامل مستقیم مشتری با فناوری است که ابعاد عاطفی، شناختی و رفتاری دارد. برای مثال، لذت درک‌شده یکی از جنبه‌های عاطفی تجربۀ مشتری محسوب می‌شود. گفتنی است که لذت درک‌شده به میزان لذتی بستگی دارد که مصرف‌کنندگان هنگام تعامل با سیستم می‌برند. عنصر شخصی‌سازی به خدمات سفارشی و شخصی‌شده برای مشتریان اشاره دارد که به جنبۀ شناختی تجربۀ مشتری می‌پردازد. همچنین، باید اشاره کرد کنترل درک‌شده نیز جنبۀ رفتاری از تجربۀ آنلاین مشتری است (لو و پومساتان[32]، 2015). مایر و چاگر[33] (2007) در توصیف تجربۀ آنلاین، آن را پاسخ درونی و ذهنی افراد به ارتباط مستقیم و غیرمستقیم با یک شرکت می‌دانند. این پاسخ ذهنی ناشی از تعامل مشتری با بخش‌های متفاوت شرکت (محصول، بسته‌بندی، قیمت، تبلیغات، ترفیعات و کارکنان) است.

محرک‌های تجربۀ آنلاین، هم به ارزش‌های لذت‌جویانه و سودمندی ادراک‌شده برمی‌گردد و هم به ویژگی‌های خرده‌فروشی آنلاین، ازجمله رنگ، میزان بازدید، چیدمان و ارزش خرید (آیزوگو و جایاواردهِنا، 2018). تجربۀ آنلاین در خریدکردن تحت‌تأثیر اهداف خرید مشتریان قرار می‌گیرد. درواقع، تجربۀ مشتریان درگیرشدن چندگانه است. وب‌سایت به‌منظور ایجاد تعامل با مشتریان باید پاسخ‌گوی نیاز مشتریان در محیط آنلاین باشد (ریاز و رامن[34]، 2015). مطابق با پژوهش جنتایل و همکاران [35] (۲۰۰۷)، خریداران آنلاین با داده‌های حسی واردشده از طیفی از محرک‌ها در وب‌سایت خرده‌فروشی، مانند اطلاعات متنی، تصویر بصری، ویدئو و پخش صوتی مواجه می‌شوند. فرض می‌شود مشتری این اطلاعات را از بُعد شناختی و عاطفی تفسیر می‌کند که موجب به‌وجودآمدن یک برداشت از وب‌سایت خرده‌فروشی الکترونیک می‌شود.

مطالعات نوواک و همکاران[36] (2000) با استفاده از دیدگاه شناختی[37] تجربۀ آنلاین مشتری را «حالت شناختی تجربه‌شده در طی مسیر» تعریف می‌کنند. جنتایل و همکاران (2007) و مایر و چاگر (2007) در مطالعۀ خود بیان می‌کنند که مشتری اطلاعات دریافتی از وب‌سایت شرکت را پردازش شناختی و عاطفی می‌کند که نتیجۀ آن شکل‌گیری یک تصور از شرکت در حافظه است و قرارگرفتن در معرض وب‌سایت در چندین مرتبه، باعث می‌شود فرایند شکل‌گیری تصورات در طول زمان تجمع یابد.

پژوهش‌های تجربۀ آنلاین مشتری بر مؤلفه‌های کنترل‌پذیر اثرگذار بر تجربه تمرکز دارند که شامل جست‌وجو، مرور یافته‌ها، یافتن، انتخاب، مقایسه و ارزیابی اطلاعات و همچنین تعامل با ارائه‌دهندۀ خدمات آنلاین می‌شود (لی و سئومی[38]، 20009). کنستانتینید[39] (2004) ابعاد تجربۀ آنلاین را در سه چیز تعریف می‌کند: عوامل کارکردی، روان‌شناختی و محتوایی. کلاس[40] (2013) در پژوهش خود تجربۀ آنلاین مشتریان را درقالب دو بُعد معرفی کرد. بُعد کارکردی تجربۀ آنلاین، درقالب قابل‌استفاده‌بودن، ارتباطات، حضور محصول، تعامل بین وب‌سایت‌ها و کاربران و حضور اجتماعی و بُعد روان‌شناختی درقالب اعتماد، ارزش پول (درک سطوح قیمت) و آشنابودن (توانایی وب‌سایت‌ها برای ایجاد حس اعتماد) سنجیده شده است. ویژگی‌های کارکردی تجربۀ آنلاین با عملکرد فنی یک وب‌سایت مرتبط است و شامل قسمت‌های ضروری خدمات است که کاربران را قادر می‌سازد تا نیازهایشان را برطرف کنند.

براساس نظر ورهوف و همکاران[41] (2009) تجربۀ مشتری شامل پاسخ‌های شناختی، احساسی، هیجانی و اجتماعی و فیزیکی فروشنده است. کلاس و ماکلان[42] (2013) ابعاد شکل‌دهندۀ تجربۀ مشتری را تجربۀ محصول، لحظه‌های بروز مشکل و توصیه‌ها می‌دانند.

گارگ و همکاران[43] (2014) در پژوهش خود ابعاد تجربۀ مشتریان را شامل راحتی، کارکنان، عناصر وظیفه‌ای آنلاین، حضور سایر مشتریان، زیبایی آنلاین، شخصی‌سازی، افزایش ارزش، سرعت، خدمات، آمیزۀ بازاریابی، عناصر لذت‌بخش آنلاین و تعاملات مشتریان معرفی کردند. در مطالعه‌ای دیگر تریودی و همکاران[44] (2018) تجربۀ آنلاین مشتریان را براساس چهار بُعد سنجیدند. این چهار بُعد عبارت‌اند از تجربۀ لذت‌جویانه و پرتحرک، تجربۀ استفاده و اجتماعی، تجربۀ مربوط به خوشی و تجربۀ جامعه‌پذیری. به‌اعتقاد جایسوال و سینق[45] (2020) ارزش اقتصادی، شخصی‌سازی، تجربیات پس از خرید و خدمات مشتریان مهم‌ترین عوامل شکل‌دهندۀ تجربیات مشتریان آنلاین هستند. در مطالعه‌ای دیگر باهاتاچاریا وسریواستانا[46] (2020) چهارچوبی برای تجربیات آنلاین مشتریان ارائه دادند. در این مدل، تجربیات به دو دستۀ شناختی (حضور از راه دور و چالش) و احساسی (نفوذ بین‌شخصی و تبلیغات دهان‌به‌دهان الکترونیکی) تقسیم شده است. بکر و جاکولا[47] (2020) پژوهش‌های حوزۀ تجربۀ آنلاین مشتریان را به‌صورت مرور نظام‌مند بررسی کرده‌اند.

 

2-1- پیشینۀ تجربی پژوهش

ونگ و وی (2018) پژوهشی با عنوان تحلیل داده‌های تجربۀ آنلاین مشتری انجام دادند. این پژوهش با بخش‌بندی یکپارچۀ مشتریان و مدل پیش‌بینی خدمات شخصی‌سازی‌شده انجام شده است. برای این منظور، فرایند خرید آنلاین یک نمایندگی سفرهای آنلاین تجزیه‌وتحلیل شده است و براساس آن، مقاصد سفر بعدی مشتریانی که در دستۀ افراد با ارزش بالا قرار گرفته‌اند، باتوجه‌به الگوی خریدشان پیش‌بینی شده است.

 گریوا و همکاران[48] (2018) در پژوهش خود به تحلیل کسب‌وکار خرده‌فروشی‌ها پرداختند. در این پژوهش، به بخش‌بندی مشتریان با استفاده از داده‌های سبد بازار پرداخته شد. به‌کمک نتایج به‌دست‌آمده از بخش‌بندی مشتریان در این پژوهش می‌توان پویش‌های بازاریابی برای هر بخش از مشتریان راه‌اندازی کرد و یا چیدمان فروشگاه را طراحی دوباره کرد.

بلیر و همکاران[49] (2018) پژوهشی با عنوان ایجاد تجربۀ اثربخش در مشتریان آنلاین انجام دادند. نتایج پژوهش نشان داد زمانی که مشتریان به محصولی اعتماد می‌کنند، به‌میزان بیشتری درگیر کسب اطلاعات دربارۀ آن بر روی وب‌سایت می‌شوند و بنابراین، اطلاعات مرتبط‌تری را پیدا می‌کنند.

بالستار و همکاران[50] (2017) در پژوهش خود به بخش‌بندی مشتریان در حوزۀ تجارت الکترونیک پرداختند. آنها برای این منظور، از مدل کسب‌وکار بازپرداخت پول استفاده کردند. یافته‌های این پژوهش با نشان‌دادن رفتار مشتریان در تجارت الکترونیک نشان داد به‌کارگیری راهبردهای شخصی‌سازی برای مشتریان بهتر از استفاده از راهبرد‌های کلی است.

دشوال (2016)در مطالعۀ خود به این موضوع پرداخت که آیا بخش‌ها براساس متغیرهای جمعیت‌شناختی (سن، جنس، تحصیلات و درآمد) ازنظر بُعد‌‌های کیفیت تجربۀ مشتری درزمینۀ فروشگاه‌های خرده‌فروشی هند تفاوت دارند یا خیر. نتایج نشان داد بعضی از بخش‌های متغیرهای جمعیتی باتوجه‌به بُعد‌های کیفیت تجربۀ مشتری درزمینۀ فروشگاه خرده‌فروشی هند متفاوت‌اند.

وو و چو[51] (2011) در پژوهش خود به بخش‌بندی‌ مشتریان آنلاین تجارت الکترونیک پرداختند. پایگاه دادۀ خرید آنلاین شامل انواع داده‌ها دربارۀ فعالیت‌های خرید مشتریان و ویژگی‌های جمعیت‌شناختی آنها و ویژگی‌های مصرف آنها مثل استفاده از اینترنت و رضایت از خدمات می‌شود. آنها در این پژوهش برای بخش‌بندی مشتریان از رویکرد خوشه‌بندی نرم استفاده کردند. این رویکرد برگرفته از مدل تخصیص دیریچلت[52] برای ایجاد بخش‌های مشتریان است.

ایزدی و همکاران (1398) در مطالعه‌ای به بخش‌بندی کاربران در شبکه‌های اجتماعی براساس انگیزه‌های اجتماعی مشارکت در تبلیغات دهان‌به‌دهان الکترونیکی پرداختند. نتایج این مطالعه به شناسایی سه بخش با ویژگی‌های مختلف جمعیت‌شناختی، رفتاری و انگیزه‌های اجتماعی منجر شد.

جندقی و همکاران (1399) براساس نقشۀ سفر مشتری، به مطالعۀ تجربۀ مشتریان پرداختند. نتایج تحلیل درقالب نقشۀ سفر برنامه‌ریزی‌شده همراه‌بانک و همراه‌پلاس ملت، درقالب سه نوع تجربۀ کلی شامل تجربۀ خدمات (تجربۀ تراکنشی‌ـ‌مالی، تعاملی‌ـ‌غیرمالی، کیف پول و سپان)، تجربۀ فنی و تجربۀ بصریْ دسته‌بندی و ترسیم شد.

مطالعۀ حمیدی‌زاده و همکاران (1398) مصرف‌کنندگان را به‌لحاظ تجربه‌‌های مصرف به چهار گروه (نوجویان رابطه‌گرا، جست‌وجوکنندگان تجربه‌های بهتر، واکسینه‌شده‌ها و دل‌بستگان) دسته‎‌بندی کردند و مشخص شد هریک از انواع تجربه‎های مصرف‎ شناسایی‎‌شده، تأثیرات منحصربه‎‌فردی بر ادراکات از قیمت افراد بر جای می‎گذارد. تمایز مطالعۀ کنونی با سایر پژوهش‌های مشابه در این است که ابعاد تجربۀ آنلاین در این مطالعه از جامعیت بیشتری نسبت به مطالعات پیشین برخوردار است و با رویکرد شبکه‌های عصبی مصنوعی، مشتریان براساس تجربۀ آنلاین خوشه‌بندی شده‌اند که این رویکرد در مطالعات پیشین دیده نمی‌شود.

 

3- روش‌شناسی پژوهش

این پژوهش ازنظر هدفْ کاربردی است و در دستۀ پژوهش‌های کمّی قرار دارد. شیوۀ گردآوری داده‌ها، توصیفی‌ـ‌پیمایشی است که با رویکرد خوشه‌بندی داده‌ها انجام شده است. خوشه‌بندی داده‌ها با رویکرد شبکه‌های عصبی مصنوعی و با روش نقشه‌های خودسازمان‌ده[53] استفاده شده است. در این مطالعه با بازبینی پیشینۀ پژوهش ابتدا ابعاد تجربۀ آنلاین مشتریان شناسایی شد و سپس به‌صورت سؤالات در مقیاس پنج‌گزینه‌ای لیکرت از بسیار زیاد تا بسیار کم صورت‌بندی شد. پس از انجام پیمایش، داده‌ها خوشه‌بندی و ویژگی‌های مربوط به هریک از خوشه‌ها استخراج و تحلیل شد. جامعۀ آماری این پژوهش را افرادی تشکیل داده‌اند که حداقل یک بار تجربۀ خرید آنلاین داشته‌اند. باتوجه‌به حجم جامعۀ نامحدود و خطای نمونه‌گیری 5درصد، براساس فرمول کوکران حداقل حجم نمونه در این شرایط 384 نفر است. روش نمونه‌گیری به‌صورت غیرتصادفی و دردَسترس است. داده‌ها به دو صورت آنلاین ازطریق ارسال پیوند پرسشنامۀ آنلاین در شبکه‌های مجازی و حضوری در بین پاسخ‌دهندگان جمع‌آوری شد.

ابزارهای گردآوری داده‌ها پرسشنامه است که با تأیید روایی محتوایی توسط استادان بازاریابی، شامل دو بخش ویژگی‌های جمعیت‌شناختی (جنسیت، سن، تحصیلات، درآمد ماهیانه، دفعات خرید آنلاین) و سؤالات مرتبط با متغیرهای تدوین شده است (جدول 1). در این پژوهش برای تعیین پایایی پرسشنامه از روش آلفای کرونباخ استفاده شده است.

متغیرهای پرسشنامه که در جدول 1 نمایش داده شده‌اند، ابعاد تجربۀ آنلاین مشتری هستند که از پیشینۀ پژوهش استخراج شده‌اند. منطق استفاده از این مؤلفه‌ها در سنجش تجربۀ آنلاین مشتریْ پرتکراربودن این ابعاد در مطالعات پیشین است. این ابعاد شامل کاربردی‌بودن وب‌سایت فروشگاه آنلاین، درک مشتری از ویژگی‌های ارائۀ محصول، احساس حضور اجتماعی در فروشگاه آنلاین، ارتباطات فروشگاه آنلاین با مشتری، زمینۀ آشنایی مشتری با ویژگی‌های فروشگاه آنلاین، اعتماد مشتری به فروشگاه آنلاین، سفارشی‌سازی خدمات فروشگاه آنلاین برای مشتری، تجربۀ لذت درک‌شدۀ مشتری از خرید آنلاین، تجربۀ کنترل درک‌شدۀ مشتری از خدمات فروشگاه آنلاین، تجربۀ مزایای درک‌شدۀ مشتری از خرید آنلاین و ارزش پولی به‌دست‌آمدۀ مشتری از تجربۀ خرید آنلاین است. همان‌طور که در جدول 1 مشاهده می‌شود، مقدار آلفای کرونباخ محاسبه‌شده برای متغیرهای پژوهش بالای 7/0 است؛ ازاین‌رو، پرسشنامۀ پژوهش از پایایی قابل‌قبولی برخوردار است.

 

جدول 1: مشخصات پرسشنامۀ پژوهش

متغیر

سؤالات

منبع

آلفای کرونباخ

کاربردی‌بودن

1-8

کلاس ( 2013)، روچی و دیگران[54] (2014)

817/0

ارائۀ محصول

9-13

کلاس ( 2013)، بلیر و همکاران (2018)

866/0

حضور اجتماعی

14-18

کلاس( 2013)، بلیر و همکاران (2018)

846/0

ارتباطات آنلاین

19-22

کلاس( 2013)، رز و همکاران[55] (2012)

936/0

تعامل آنلاین

23-28

کلاس (2013)، روچی و دیگران (2014)، رز و همکاران (2012)

774/0

آشنایی مشتری

29-31

کلاس (2013)

783/0

اعتماد مشتری

32-38

لی هائو و همکاران[56] (2015)، بلیر و همکاران (2018)

898/0

سفارشی‌سازی

39-44

روی و دیگران (2017)، رز و همکاران (2012)

870/0

لذت درک‌شده

42-48

روی و دیگران (2017)، بلیر و همکاران (2018)

90/0

کنترل درک‌شده

49-53

روی و دیگران(2017)، رز و همکاران (2012)

839/0

مزایای درک‌شده

54-58

روی و دیگران (2017)، رز و همکاران (2012)

884/0

ارزش پولی

59-61

کلاس (2013)، روچی و دیگران (2014)

74/0

 

4- یافته‌های پژوهش

در این پژوهش برای بخش‌بندی مشتریان خرده‌فروشی‌های آنلاین برمبنای تجربۀ آنلاین، از روش نقشه‌های خودسازمان‌ده و نرم‌افزار viscovery SOMine نسخۀ 7.2 استفاده شده است. ساختار نقشۀ خودسازمان‌ده که در این مرحله برای بخش‌بندی داده‌ها به کار گرفته شده است 2000 نرون در لایۀ ورودی دارد. علاوه‌براین، میزان سریع‌بودن آموزش به‌گونه‌ای تنظیم شده است که نرم‌افزار به‌طور خودکار بیشترین دقت را برای آموزش شبکه داشته باشد و مقدار کشش برای آموزش شبکه مقدار 5/0 انتخاب شده است. در این مطالعه، نرم‌افزار پس از آزمون بُعد‌های متفاوت در طول زمان آموزش شبکه، در آخر بعد از 44 تکرار ابعاد 47×43 را برای لایۀ خروجی شبکه برگزیده است. برای سنجش دقت و درستی نقشه‌های خودسازمان‌ده معیاری با عنوان خطای تدریج استفاده می‌شود. خطای تدریج که مقداری میان 0 و 1 است، بیانگر آن است که نقشه‌های خروجی تا چه اندازه توانسته‌اند داده‌های ورودی را در یک فضای دوبُعدی نشان دهند. به‌میزانی که خطای تدریج به 0 نزدیک‌تر شود، بیانگر دقت بالاتر شبکه است (وندل و باتنفیلد[57]، 2010). در این پژوهش مقدار خطای تدریج نهایی پس از آموزش شبکه عدد 02/0 مشخص شده است که میزان مناسبی را نشان می‌دهد. حال براساس خروجی‌های حاصل از خوشه‌بندی و نقشه‌های ایجاد شده به سؤالات پژوهش پاسخ داده می‌شود:

سؤال 1- مشتریان براساس تجربۀ آنلاین مشتری در خرده‌فروشی آنلاین، شامل چه بخش‌هایی هستند؟

برای پاسخ به این سؤال خروجی کلی خوشه‌بندی در شکل 1 ملاحظه می‌شود.

 

شکل 1: نقشۀ خوشه‌های شناسایی‌شده

نتایج بخش‌بندی نشان می‌دهد مشتریان خرده‌فروشی آنلاین براساس تجربۀ آنلاین در سه خوشه قرار می‌گیرند. خوشۀ اول و دوم ازنظر بزرگی تقریباً یکسان هستند (34درصد) و خوشۀ سوم کمترین بخش مشتریان (25درصد) را در خود جای می‌دهد. دربارۀ ویژگی‌های خوشه‌ها در قسمت‌های بعدی صحبت خواهد شد.

سؤال 2: هریک از بخش‌های مشتریان در خرده‌فروشی آنلاین چه ویژگی‌های جمعیت‌شناختی‌ای دارند؟

 برای پاسخ‌گویی به این سؤال، ویژگی‌های هر خوشه با استفاده از نقشه‌های خودسازمان‌ده بررسی می‌شود. شکل 2 نیم‌رخ جمعیت‌شناختی سه خوشه و شکل 3 دفعات خرید آنلاین را ازطریق نمودار مقایسۀ فراوانی نسبی متغیرهای جمعیت‌شناختی نشان می‌دهد.

 

 

شکل 2: وضعیت نسبی متغیرهای جمعیت‌شناختی در هر خوشه

 

شکل 3: وضعیت نسبی دفعات خرید آنلاین در هر خوشه

 

 

این نمودارها نشان‌دهندۀ نکات زیر است:

خوشۀ اول: خوشۀ اول شامل آقایان است. اغلب دارای گروه سنی 18 تا 30 هستند (68درصد) و تنها خوشه‌ای است که بیشترین افراد میانسال را نیز دربر دارد (30درصد). بیشترین فراوانی مشاهده‌شده ازلحاظ تحصیلات مربوط به تحصیلات لیسانس (۵/۴۳درصد)، فوق‌لیسانس (21درصد) و دکتری (13درصد) است. کمترین فراوانی درآمد زیر یک میلیون در این خوشه مشاهده می‌شود (5/14درصد) و بیشترین فراوانی درآمد بالای 4 میلیون در این خوشه قرار دارد (۴/۱۹درصد). به نظر می‌رسد این خوشه آقایان دارای تحصیلات عالیه (۵/۷۷درصد) و با درآمد رو به بالا هستند و ۵/۸۵درصد بالای یک میلیون درآمد دارند. در بین خوشه‌ها این خوشه بیشترین درصد را در خرید آنلاین زیر یک ماه دارند (46درصد).

خوشۀ دوم: خوشۀ دوم شامل زنان (۷/۸۸درصد) و تعداد کمی مردان (۳/۱۱) است. بیشترین فراوانی 18 تا 30 سال در این خوشه قرار دارد. درواقع، جوان‌ترین خوشه است (92درصد). بیشترین گروه تحصیلی فوق‌لیسانس در این خوشه قرار دارند (55درصد) و بیشترین فراوانی درآمد زیر یک میلیون در این خوشه قرار دارد (۶۷درصد). به نظر می‌رسد این خوشه شامل زنان جوان تحصیل‌کردۀ کم‌درآمد است. اغلب خریدهای آنلاین این خوشه نیز بیشتر از سه ماه یک بار اتفاق می‌افتد.

خوشۀ سوم: خوشۀ سوم نیز شامل زنان است (98درصد). اغلب 18 تا 30 سال (81درصد) و تعدادی 31 تا 40 هستند (۴/۱۸درصد). تقریباً همۀ افراد دارای تحصیلات لیسانس هستند (۳/۹۵درصد) و ازلحاظ درآمد بیشتر دارای درآمد یک تا دو میلیون (۵/۴۲درصد) و دو تا سه میلیون (25درصد) هستند؛ بنابراین، می‌توان گفت درآمد این خوشه متوسط است. به نظر می‌رسد این خوشه زنان جوان تا میانسال دارای تحصیلات لیسانس، با درآمد متوسط هستند. خریدهای آنلاین این خوشه نیز با فواصل دو یا سه ماه یک بار (12%) و بیش از سه ماه یکبار (55%) صورت می‌گیرد.

سؤال سوم: هریک از بخش‌های مشتریان در خرده‌فروشی آنلاین چه نوع تجربه‌ای را ادراک کرده‌اند؟

برای پاسخ به این سؤال، وضعیت متغیرهای تجربۀ مشتری براساس نقشه‌های خودسازمان‌ده و مقایسۀ فراوانی نسبی، در هریک از خوشه‌ها بررسی می‌شود. در این بخش، متغیرها طیف لیکرت 5تایی دارد که با یک نقشه با طیف 1 تا 5 نشان داده می‌شود. نقاط آبی نشان‌دهندۀ مقدار پایین و نقاط قرمز نشان‌دهندۀ مقدار بالای هر متغیر است. نقاط سبز نیز مقادیر متوسط را نشان می‌دهد. ویژگی‌های هر خوشه از متغیرهای پژوهش با استفاده از نقشه‌های خودسازمان‌ده در شکل ۴ ارائه شده است. براساس نقشه‌ها به نظر می‌رسد متغیر اعتماد، مزایای درک‌شده، ارتباطات و ارزش پولی بیشترین نمرات را دارد. نقاط آبی (سطوح پایین) در متغیرهای حضور اجتماعی و لذت درک‌شده نسبتاً بیشتر است. برای توضیح روشن‌تر، میانگین متغیرهای مربوط به تجربۀ مشتری در جدول 2 ارائه می‌شود.

 

جدول 2: میانگین متغیرهای مربوط به تجربۀ مشتری در هریک از خوشه‌ها

ارتباطات

اعتماد

مزایای درک‌شده

کنترل درک‌شده

ارائۀ محصول

کاربرد

ابعاد تجربه

   خوشه

167/4

112/4

155/4

697/3

094/4

962/3

خوشۀ اول

411/4

586/4

564/4

813/3

371/4

274/4

خوشۀ دوم

174/4

395/4

297/4

765/3

823/4

117/4

خوشۀ سوم

آشنایی

لذت درک‌شده

ارزش پولی

سفارشی‌سازی

حضور اجتماعی

تعامل

           ابعاد تجربه

  خوشه

763/3

513/3

070/4

649/3

628/3

813/3

خوشۀ اول

769/3

667/3

339/4

947/3

894/3

012/4

خوشۀ دوم

868/3

630/3

112/4

698/3

763/3

911/3

خوشۀ سوم

 

شکل 4: نقشه‌های مربوط به ویژگی مربوط به متغیرهای پژوهش

 

 

براساس شکل 4 و جدول 2، در خوشۀ اول بیشترین نمرات مربوط به ارتباطات (167/4)، مزایای درک‌شده (155/4)، اعتماد (112/4) و ارائۀ محصول (094/4) است و کمترین نمرات مربوط به لذت درک‌شده (513/3)، حضور اجتماعی (628/3) و سفارشی‌سازی (649/3) است.

در خوشۀ دوم، بیشترین نمرات مربوط به اعتماد (586/4)، مزایای درک‌شده (564/4)، ارتباطات (411/4) و ارزش پولی (339/4) است و کمترین نمرات مربوط به لذت درک‌شده (667/3)، آشنایی (769/3) و کنترل درک‌شده (813/3) است.

در خوشۀ سوم، بیشترین نمرات مروبط به ارائۀ محصول (823/4)، اعتماد (395/4)، مزایای درک‌شده (297/4) و ارتباطات (174/4) است و کمترین نمرات مربوط به لذت درک‌شده (360/3)، حضور اجتماعی (763/3) و سفارشی‌سازی(698/3) است. برای مقایسۀ بیشتر متغیرها در هریک از خوشه‌ها، نمودار فراوانی نسبی متغیرها در هریک از خوشه‌ها در شکل 5 ارائه می‌شود.

 

 

شکل 5: وضعیت نسبی متغیرهای پژوهش

 

 

 

در نمودار بالا مشاهده می‌شود که به‌طورکلی در خوشۀ اول کلیۀ عوامل تجربۀ خرید دارای مقادیر کمتری نسبت به دو خوشۀ دیگر است و به‌ترتیب در ابعاد ارائۀ محصول، اعتماد، مزایای درک‌شده و کاربردی‌بودن بیشترین تفاوت را با دو خوشه دیگر دارند.

اعتماد و مزایای درک‌شده در خوشۀ دوم نسبت به خوشۀ اول و سوم بیشتر است و این به‌این‌معنی است که اعتماد و مزایای درک‌شده عامل مهمی برای خوشۀ دوم است. عامل دیگری که در خوشۀ دوم به‌نسبت خوشه‌های دیگر بیشتر است، ارزش پولی و سفارشی‌سازی است که نشان می‌دهد اینها عواملی مهم در این خوشه نسبت به دو خوشۀ دیگر است. حضور اجتماعی نیز در این خوشه مقادیر قوی‌تری دارد؛ بنابراین، این گروه در تجربۀ آنلاین سختگیرترند و به‌ترتیب برای مؤلفه‌های مزایای درک‌شده، اعتماد، سفارشی‌سازی و ارزش پولی اهمیت بیشتری قائل هستند. در خوشۀ سوم، عامل ارائۀ محصول و آشنایی با فروشگاه بالاتر از دو خوشۀ دیگر است.

5- بحث و نتیجه‌گیری: نام‌گذاری و توصیف هر بخش و پیشنهادهای کاربردی متناسب با هر بخش

بخش اول (زیادخریداران): این بخش شامل مردان جوان تا میانسال دارای تحصیلات لیسانس به بالاست که بیشترین درآمد را به خود اختصاص داده‌اند و بیشترین تعداد دفعات خرید آنلاین را دارند. این بخش به‌دلیل بیشترین دفعات خرید می‌تواند به‌عنوان بخش بالقوه مورد توجه بازاریابان قرار گیرد. دلیل نام‌گذاری این خوشه این است که به‌طورکلی امتیاز مؤلفه‌های تجربۀ خرید آنلاین در این خوشه نسبت به خوشه‌های دیگر پایین‌تر است و ازسوی‌دیگر، اعضای این خوشه تعداد دفعات خرید بیشتری نسبت به دو خوشۀ دیگر داشته‌اند. این به‌آن‌معنا نیست که این بخش تحت‌تأثیر مؤلفه‌های تجربۀ آنلاین نیست؛ بلکه کاربران این بخش طیف نسبتاً گسترده‌ای از مؤلفه‌های تجربۀ آنلاین را به‌طور یکنواخت ادراک کرده‌اند. بیشترین نمرات مربوط به ارتباطات، مزایای درک‌شده، اعتماد و ارائۀ محصول است و کمترین نمرات مربوط به لذت درک‌شده، حضور اجتماعی و سفارشی‌سازی است. مهم‌ترین ویژگی برای این خوشه ایجاد ارتباط آفلاین با فروشنده، پاسخ‌گویی سریع و پیگیری خرید است. به نظر می‌رسد این خوشه شامل افرادی است که خریدهای روزمره را به‌صورت آنلاین انجام می‌دهند و آنچه برای ایشان اهمیت دارد، امکان ارتباطات با فروشنده و پیگیری فرایند خرید است؛ بنابراین، باتوجه‌به اینکه آیزوگو و جایاوارهنا (2018) و رز و همکاران (2012) ارتباطات را پیشران تجربۀ آنلاین مشتری می‌دانند و همچنین، براساس مبانی نظری مبنی‌بر اینکه درک مشتریان از ارتباطات، ریسک‌های مرتبط به تجارت الکترونیک را کاهش می‌دهد، پیشنهاد می‌شود وسیله و روش تماس مشتری یا دسترسی به پشتیبانی سایت تا جای ممکن ساده باشد و راه‌های مختلفی برای دست‌یابی مشتری ازجمله تلفن، ایمیل و فرم آنلاین در وب‌سایت فروشگاه موجود باشد. همچنین، امکان ارسال و دریافت پیام‌های پیگیری خرید برای این گروه مشتریان فراهم باشد. پیشنهاد می‌شود ارتباط و مشاوره قبل از خرید و همچنین ارتباطات بعد از فروش نیز حفظ شود، به سؤالات مشتریان پاسخ داده شود و آموزش و راهنمایی در استفاده از محصول، بعد از فروش نیز ادامه یابد.

بخش دوم (کم‌خریداران فایده‌گرا): این خوشه به‌این‌دلیل کم‌خریداران فایده‌گرا نام‌گذاری شده است که شامل افراد تحصیل‌‌کرده و کم‌در‌آمد است که کمترین خرید آنلاین را دارند و در تجربۀ آنلاین نسبت به سایر خوشه‌ها سخت‌گیرتر هستند و به مواردی که در ایجاد تجربۀ آنلاین آنها نقش دارد، رتبۀ بالاتری نسبت به دو خوشۀ دیگر داده‌اند. این خوشه شامل زنان جوانی است که تحصیلات تکمیلی دارند، ولی کم‌درآمد هستند. در این خوشه اعتماد و مزایای درک‌شده بیشترین اهمیت را دارد. اطمینان و باور به صداقت فروشنده و عمل به تعهدات برای مشتریان در این خوشه بسیار مهم است. همچنین، این خوشه شامل مشتریانی است که بر عوامل سودمندی خرید آنلاین تمرکز بیشتری دارند.

افراد در این خوشه به‌دلیل راحتی در خرید و امکان مقایسۀ محصولات و قیمت‌ها، خرید آنلاین انجام می‌دهند و خرید آنلاین را به‌دلیل مزایایی که نسبت به خرید آفلاین برای ایشان فراهم می‌کند، انتخاب می‌کنند. به نظر می‌رسد این گروه تنها زمانی ترغیب به خرید آنلاین می‌شود که امکان مقایسۀ محصولات و یافتن قیمت مناسب برایش فراهم باشد. تفاوت‌هایی که در سطح انتظارات در میان خوشۀ دوم با خوشۀ اول مشاهده می‌شود، تقریباً چشمگیر است و تقریباً می‌توان گفت ویژگی‌های این دو خوشه در تقابل با یکدیگر است. یکی از مهم‌ترین تفاوت‌ها دراین‌زمینه شدت تأثیر مزایای درک‌شده و اعتماد، بر مشتریان این بخش است. به‌بیانی‌دیگر، برای مشتریان این بخش مزایای درک‌شده و اعتماد در مقایسه با سایر بخش‌ها از اهمیت زیادی برخوردار است؛ بنابراین، به بازاریابان توصیه می‌شود این بخش را به‌عنوان بخشی فایده‌گرا در نظر بگیرند. این بخش از مشتریان مایل به دریافت مزیت از خرید آنلاین هستند و برای فعال‌کردن این انگیزه در مشتریان این بخش، باید اطلاعات محصول را به‌طور کامل و جامع به آنها ارائه کنند تا بتوانند ازطریق مقایسۀ محصولات بررسی‌های بیشتری داشته باشند و بهترین قیمت را پیدا کنند.

 باتوجه‌به اهمیت مؤلفۀ اعتماد برای این خوشه و براساس یافته‌های آیزوگو و جایاوارهنا (2018)، بلیر و همکاران (2018) و کاواف و تگ (2017) که اعتماد را برای ایجاد تجربۀ اثربخش در مشتریان آنلاین معرفی کردند، پیشنهاد می‌شود فروشندگان با به‌کارگیری ارتباطات آفلاین و پاسخ‌گویی به مشتریان، ارسال به‌موقع و حفظ امنیت در مبادلات، اعتماد ایشان را جلب کنند. همچنین، پیشنهاد می‌شود فروشگاه‌ها از دیدگاه‌ها و نظرات مشتریان به‌عنوان محتوای تولیدشده توسط کاربر استفاده کنند و بخش اطلاعات اضافی به فروشگاه افزوده شود. سیاست بازگشت کالا باید کاملاً مشهود و کاملاً نوشته‌شده یا مصور باشد؛ این به خریداران اطمینان می‌دهد که اگر ناراضی باشند، امکان بازگشت کالا برای آنها وجود دارد. گفتنی است اگر تأکید خرده‌فروش بر این عامل به‌نحو احسن عملی شود، خواهد توانست در جذب خوشه‌های اول و دوم نیز موفق باشد؛ چراکه عامل اعتماد در دو خوشۀ دیگر نیز جزء عوامل مهم و اثرگذار است.

برای این خوشه اهمیت مزایای درک‌شده مهم است؛ براین‌اساس، لازم است فرایند خریدْ ساده و یادگیری آن آسان باشد و امکان دست‌یابی به اطلاعات کامل محصول قبل از خرید و امکان مقایسۀ محصولات فراهم باشد. همچنین، نتایج این خوشه، نشان‌دهندۀ اهمیت کاربرد است. کاربرد، به ویژگی‌هایی اشاره دارد که باعث می‌شود مشتریان در استفاده از وب‌سایت احساس راحتی کنند. برای مثال، درک سرعت سایت، سهولت استفاده و طراحی پیوند. یافته‌های پژوهش کلاوس و همکاران (2013) هم نشان می‌دهد هرچه درک قابل‌استفاده‌بودن وب‌سایت بیشتر شود، احتمال تبادلات الکترونیک بیشتر خواهد شد؛ بنابراین، پیشنهاد می‌شود فرایند جست‌وجو در وب‌سایت تا حد امکان آسان و کار با آن ساده باشد. وجود یک باکس جست‌وجوی قدرتمند یکی از ضروریات وب‌سایت فروشگاهی است.

بخش سوم (خریداران ظاهرپسند): خوشۀ سوم، زنان اغلب جوان تا میانسال است که تحصیلات لیسانس و درآمد متوسط دارند. دلیل نام‌گذاری این خوشه این است که در این بخش به ویژگی‌ها و ظاهر محصول رتبۀ بیشتری داده‌اند و ویژگی‌ها و ظاهر محصول در ایجاد تجربۀ آنلاین آنها نقش زیادی دارد و همچنین، نسبت به دو خوشۀ دیگر به آشنایی با فروشگاه اهمیت بیشتری می‌دهند. می‌توان افراد این خوشه را بصری دانست. به نظر می‌رسد این گروه در زمان مواجهه با محصول، به خرید آنلاین ترغیب می‌شوند. مشاهدۀ محصول یا برند در صفحات اجتماعی، می‌تواند در خرید محصولات آنها کمک‌کننده باشد. اعضای این بخش در فرایند تصمیم‌گیری خرید خود محصولاتی را می‌خرند که ویژگی‌های ظاهری مناسبی دارد؛ ازاین‌رو، می‌توان با استفاده از تأییدکنندگان مشهور، مخاطب را دربرابر محصول قرار داد. به نظر می‌رسد خریدهای این خوشه براساس جلب‌توجه مشتری به یک محصول صورت می‌پذیرد؛ بنابراین، ارائۀ اطلاعات دقیق دربارۀ محصول در این خوشه اهمیت بسیار دارد.

باتوجه‌به اینکه این خوشه شامل زنان است و اعضای آن بر ویژگی‌های ارائۀ محصول و آشنایی با فروشگاه تأکید دارند و به‌استناد اهمیت مؤلفۀ ارائۀ محصول برای این خوشه و براساس یافته‌های کلاوس و همکاران (2013) و نظری و دهدشتی (1397) که ارائۀ محصول را ویژگی مؤثر تجربۀ آنلاین مشتری می‌دانند، نیاز به ارائۀ محصول در محیط مجازی وجود دارد. برای اینکه مشتریان حضور محصول را درک کنند، وب‌سایت نیازمند آن است که برای کاربران گزینه‌هایی ارائه کند که با محصول تعامل داشته باشند؛ براین‌اساس، پیشنهاد می‌شود امکان ارائۀ چندین زاویۀ مختلف از محصول وجود داشته باشد. همچنین، بزرگ‌نمایی محصول امکان‌پذیر باشد تا مشتریان احساسی به محصول به دست آورند. پیشنهاد می‌شود امکان ایجاد فهرست محصولات محبوب وجود داشته باشد. دیدن عبارت «موارد مرتبط» یا «ممکن است این را نیز دوست داشته باشید» و «افرادی که این کالا را خریده‌اند، این موارد را نیز جست‌وجو کرده‌اند» و... باعث کنجکاوی و هیجان سیگنالینگ می‌شود.

همچنین، آشنایی با فروشگاه برای این خوشه از اهمیت زیادی برخوردار است. باتوجه‌به یافته‌های کلاوس و همکاران (2013) که آشنایی با فروشگاه را از عوامل تعیین‌کنندۀ تجربۀ آنلاین می‌دانند و براساس مبانی نظری، مبنی‌بر اینکه آشنایی به نمایش بصری فروشگاه آنلاین و ثبات در سبک در سراسر بخش‌ها و صفحات وب‌سایت اشاره دارد که خودش را در جمله‌هایی مثل «همه‌جای وب‌سایت باید منسجم باشد» نشان می‌دهد، پیشنهاد می‌شود در طراحی وب‌سایت، سبک فروشگاه رعایت شود. یعنی از رنگ‌های مناسب و هماهنگ با هم استفاده شود. زمانی‌ که یک رنگ مشخص برای فروشگاه انتخاب شود، مشتری با دیدن آن رنگ فروشگاه را می‌شناسد.

 

6- محدودیت‌ها، پژوهش‌های آینده و نوآوری

نتایج این مطالعه باید با محدودیت‌هایی در نظر گرفته شود. این پژوهش مشتریان را بدون درنظرگرفتن نوع محصولات بخش‌بندی کرده است؛ بنابراین، توصیه می‌شود پژوهش‌های آینده نوع محصول را در نظر بگیرند و بررسی کنند با درنظرگرفتن نوع محصول، بخش‌های مبتنی‌بر تجربیات چگونه خواهد بود. همچنین، این پژوهش به خرده‌فروشی‌های مبتنی‌بر وب‌سایت محدود بوده و سایر پلتفرم‌های خرید آنلاین بررسی نشده است. توصیه می‌شود پژوهش‌های آینده این موضوع را با درنظرگرفتن سایر پلتفرم‌های خرید آنلاین انجام دهند. انجام مقایسه دراین‌زمینه هم می‌تواند ارزشمند باشد. جامعۀ آماری این پژوهش محدود به مشتریان ایرانی بوده است. ممکن است نتایج این مطالعه قابلیت تعمیم به کاربران سایر کشورها و فرهنگ‌های متفاوت را نداشته باشد. پیشنهاد می‌شود مشابه این پژوهش با درنظرگرفتن ملیت‌ها و فرهنگ‌های متفاوت انجام شود. محدودیت دیگر این است که پژوهش حاضر به‌صورت مقطعی صورت گرفته است که ممکن است نتیجه‌گیری دربارۀ علّیت را کاهش دهد. این پژوهش از یک روش خوشه‌بندی (شبکۀ عصبی) بهره برده و سایر روش‌های خوشه‌بندی استفاده نشده است. پیشنهاد می‌شود مطالعات آینده خوشه‌بندی را با روش‌ها و الگوریتم‌های دیگری انجام دهند و نتایج را مقایسه کنند.

 پژوهش حاضر ازاین‌نظر که تجربۀ آنلاین مشتریان را همراه با متغیرهای جمعیتی و رفتاری مبنای تقسیم‌بندی بازار قرار داده است، نوآوری دارد. همچنین، در پژوهش حاضر از 12 مؤلفۀ تجربۀ آنلاین مشتریان برای بخش‌بندی مشتریان استفاده شده است که این 12 مؤلفه پیش‌تر در پژوهشی به‌صورت هم‌زمان استفاده نشده بودند. پژوهش حاضر از روش نقشه‌های خودسازمان‌ده مبتنی‌بر شبکه‌های مصنوعی استفاده کرده است که ازاین‌جنبه هم نوآوری دارد.

 

[1]. Yu, Tao, Chen, Zhang & Xu        

[2]. Zhu

[3]. Jimenez, Valdes & Salinas

[4]. Rose, Neil  & Moira

[5]. Statistia     

[6]. Wong & Wei

[7]. Zhu

[8]. Li, Wang, Lin , Zhou  & Chen, 2019)

[9]. Dannenberg, Fuchs, Riedler & Wiedemann

[10]. amazon

[11]. walmart

[12]. ebay

[13]. Jose

[14]. Pahlavanyali & Momeni

[15]. Malehmir, Maeen & Jahangir

[16]. Mostafavi, Alhosseini Hamedani & Slambolchi

[17]. Gilly & Wolfinbarger

[18]. Alsalem

[19]. Liu, Liao, Huang & Liao

[20]. roz

[21]. Hsu & Tsou

[22]. Izogo & Jayawardhena

[23].  Chen, Shang & Kao

[24]. Gilmore & Pine

[25]. Roy, Balaji, Sadeque, Nguyen,

[26]. Abi Ghanem & Mander

[27]. Scardamalia and Bereiter

[28]. Gretzel, Sigala, Xiang & Koo

[29]. Neuhofer, Buhalis & Ladkin

[30]. Pantano and Timmermans,

[31]. Van Noort, Voorveld & Van Reijmersdal

[32]. Lu, Phumsathan,

[33]. Meyer and Schwager

[34]. Riaz & Raman

[35]. Gentile, Spiller & Noci

[36]. Novak

[37]. cognitive view

[38]. Li & suomi

[39]. constantinides

[40]. Klaus

[41]. Verhoef, Lemon, Parasuraman, Roggeveen, Tsiros & Verhoef

[42]. Maklan

[43]. Garg, Rahman & Qureshi

[44]. Trivedi, Deshwal, Soni & Mani,

[45].  Jaiswal and Singh

[46]. Bhattacharya & Srivastava

[47]. Becker & Jaakkola

[48]. Griva, Bardaki, Pramatari & Papakyriakopoulos

[49]. Bleier, Harmeling & Palmatier

[50]. Ballestar, Grau-Carles & Sainz

[51]. Wu & Chou

[52]. Dirichlet

[53]. Self Organising Maps

[54]. Ruchi, Zillur & Qureshi

[55]. Rose, Clark, Samouel & Hair

[56]. Lee Hao, Balaji & Wei

[57] . Wendel & Buttenfield

  1. ایزدی، مجید؛ بحرینی‌زاده منیژه و اسماعیل‌پور، مجید (1398). بخش‌بندی مصرف‌کنندگان در شبکه‌های اجتماعی براساس انگیزه‌های اجتماعی مشارکت در تبلیغات دهان‌به‌دهان الکترونیک. مدیریت بازرگانی، 11(1)، ۲۱۸-۲۰۱.
  2. حمیدی‌زاده، محمدرضا؛ اخوان، مریم و کاظمی، احمد (1398). شناسایی انواع تجربه‌های مصرف و بررسی تأثیر آنها بر ادراک از قیمت. مدیریت بازرگانی، 9(2)، ۶۰۸-۵۸۵.
  3. جندقی، غلامرضا؛ اسفیدانی، محمدرحیم؛ محسنین، شهریار؛ یزدانی، حمیدرضا و کیماسی، مسعود (1399). طراحی نقشۀ سفر برنامه‌ریزی‌شدۀ مشتریان خدمات مبتنی‌بر موبایل (نمونه‌پژوهی: بانک ملت). مدیریت بازرگانی، 22(1)، ۱۴۲-۱۱۶.
  4. Alsalem, D. R. (2016). The impact of generation Y's customer experience on banking sector (Doctoral dissertation). University of Lisbon.
  5. Ballestar, M., Grau-Carles, P. & Sainz, J. (2017). Customer segmentation in e-commerce: Applications to the cashback business model. Journal of Business Research, 88, 1-8.
  6. Becker, L., Jaakkola, E. (2020). Customer experience: fundamental premises and implications for research. Journal of the Academy of Marketing Science, 48, 630-
  7. Bleier, A., Harmeling, C. & Palmatier, R. (2018). Creating Effective Online Customer Experiences. Journal of Marketing, 83(2), 1-23.
  8. Chen, Y., Shang, R. & Kao, C. (2009), The effects of information overload on consumers’ subjective state towards buying decision in the internet shopping environment. Electronic Commerce Research and Applications, 8(1), 48-58.
  9. Constantinides, E. (2004). Influencing the online customer’s behaviour: the Web experience. Journal of Internet Research, 14(2), 111-126.
  10. Dannenberg, P., Fuchs, M., Riedler, T. & Wiedemann, C. (2020), Digital transition by COVID‐19 pandemic? The German food online retail. Tijdschrift voor Economische en Sociale Geografie, 11(3), 543-560.
  11. Deshwal, Pankaj. (2016). Customer experience quality and demographic variables (age, gender, education level, and family income) in retail stores. International Journal of Retail & Distribution Management, 44(9), 1-17.
  12. Ghanem, D. & Mander, S. (2014). Designing consumer engagement with the smart grids of the future: bringing active demand technology to everyday life. Technology Analysis & Strategic Management, 26(10), 1163-1175
  13. Garg, R., Rahman, Z. & Qureshi, M. N. (2014). Measuring customer experience in banks: scale development and validation. Journal of Modelling in Management, 9(1), 87-117.
  14. Gentile, C., Spiller, N. & Noci, G. (2007). How to sustain the customer experience: An overview of experience components that co-create value with the customer. European Management Journal, 25(5), 395-410.
  15. Gilly, M. C. & Wolfinbarger, M. (2000). A comparison of consumer experiences with online and offline shopping. Consumption, Markets and Culture, 4(2), 187-205.
  16. Gilmore, J. & Pine, B. (2002). Differentiating hospitality operations via experiences: why selling services is not enough. The Cornell Hotel and Restaurant Administration Quarterly, 43(3), 87-96.
  17. Gretzel, U., Sigala, M., Xiang, Z. & Koo, C. (2015). Smart tourism: Foundations and developments. Electronic Markets, 25(3), 179-188.
  18. Griva, A., Bardaki, C., Pramatari, K. & Papakyriakopoulos, D. (2018), Retail Business Analytics: Customer Visit Segmentation Using Market Basket Data. Expert Systems with Applications, 1-27.
  19. Hsu, H. & Tsou, H. (2011). Understanding customer experiences in online blog environment. International Journal of Information Management, 31(6), 510-523.
  20. Ernest Emeka & Jayawardhena. Chanaka. (2018), Online shopping experience in an emerging e-retailing marke. Journal of Research in Interactive Marketing, 1-23.
  21. Jimenez, D., Valdes, S. & Salinas, M. (2019), “Popularity comparison between e-commerce and traditional retail business. International Journal of Technology for Business, 1(1), 10-16.
  22. Jaiswal, S. and Singh, A. (2020). Influence of the determinants of online customer experience on online customer satisfaction. Paradigm, 24(1) 41-55, 2020.
  23. Jose, G. (2018). Online shopping among youngsters in Palakkad district research. journal of social sciences, 9(10).
  24. Klaus, P. (2013). The case of Amazon. com: Towards a conceptual framework of online customer service experience (OCSE) using the emerging consensus technique (ECT). Journal of Services Marketing, 27(6), 443-457.
  25. Klaus, P. & Malan, S. (2011). Bridging the gap for destination extreme sports: A model of sports tourism customer experience. Journal of Marketing Management, 27(13/14), 1341-1365.
  26. Klaus, P. P. & Maklan, S. (2013). Towards a better measure of customer experience. International Journal of Market Research, 55(2), 227-246.
  27. Lee Hao, S., Balaji, M. S. & Wei, K. K. (2015). An Investigation ofOnline Shopping Experience on Trust and Behavioral Intentions. Journal of Internet Commerce, 14(2), 233-254,
  28. Li, L., Wang, X., Lin, Y., Zhou , F. & Chen, Sh, (2019). Cooperative game-based profit allocation for joint distribution alliance under online shopping environment: A case in Southwest Chin, Asia Pacific Journal of Marketing and Logistics, 31(2), 302-326.
  29. Li, H. and Suomi, R. (2009). Measurement of e-service quality: An empirical study in online travel service, Information Systems in a Globalizing World: Challenges, Ethics and Practices. Proceedings of the 17th European Conference on Information Systems, Verona, Italy, 1127-1139.
  30. Liu, J., Liao, X., Huang, W. & Liao, X. (2019). Market segmentation: A multiple criteria approach combining preference analysis and segmentation decision. Omega, 83, 1-13.
  31. Lu, J. & Phumsathan, (2015). Exploring influential determinants of travel app adoption. In The 5th Advances in Hospitality & Tourism Marketing and Management (AHTMM) Conference, Beppu, Japan, Washington State University, 399-410.
  32. Malehmir, F., Maeen, M. & Jahangir, M. R. (2017). A study on the Interaction of motivations and online shopping experience in e-commerce success in Digikala company. International Journal of Scientific Study, 5(5), 2323-6379.
  33. Meyer, C. & Schwager, A. (2007). Understanding customer experience, Harvard Business Review, 85(2), 117- 126.
  34. Mostafavi, S. , Alhosseini Hamedani, E. & Slambolchi, A. (2016). Apparel online retailing: orientation, experience, risks. International Journal of Research in Engineering, 6(8), 10-19.
  35. Neuhofer, B., Buhalis, D. & Ladkin, A. (2015). Smart technologies for personalized experiences: A case study in the hospitality domain. Electronic Markets, 25(3), 243-254.
  36. Novak, T. P., Hoffman, D. L. & Yung, Y. F. (2000). Measuring the customer experience in online environments: A structural modeling approach. Marketing science, 19(1), 22-42.
  37. Pahlavanyali, N. & Momeni, S. M. H. (2016). An empirical study on predicting user acceptance of online apparel shopping in Iran. International Journal of Online Marketing (IJOM), 6(1), 34-53.
  38. Pantano, E. & Timmermans, H. (2014). What is smart for retailing? Procedia Environ. Sci, 22, 101-107.
  39. Riaz, A. & Raman, S. (2015). The emerging trend of online shopping: A Literature review. International Journal of Accounting, Business and Management, 1(1), 1-8.
  40. Rose, S., Clark, M., Samouel, P. & Hair, N. (2012). Online customer experience in e-retailing: An empirical model of antecedents and outcomes. Journal of Retailing, 88(2), 308-322.
  41. Rose, S., Hair, N. & Clark, M. (2011). Online customer experience: A review of the business to consumer online purchase context. International Journal of Management Reviews, 13(1), 24-39.
  42. Roy, S. K., Balaji, M. S., Sadeque, S., Nguyen, B. & Melewar, T. C. (2017). Constituents and consequences of smart customer experience in retailing. Technological Forecasting and Social Change, 124, 257-270.
  43. Ruchi, G., Zillur, R. & Qureshi, M. (2014). Measuring customer experience in banks: Scale development and validation. Journal of Modelling in Management, 9(1), 87-117
  44. Scardamalia, M. & Bereiter, C. (2014). Smart technology for self-organizing processes. Smart Learning Environments, 1(1), 1-10.
  45. (2017). E-commerce worldwide – Statistics & facts. available at: www.statista.com/topics/871/online-shopping.
  46. Trivedi, A., Deshwal, P., Soni, U. & Mani, (2018). Demographic variables and Online Customer Experience of Educational Websites users. Procedia Computer Science, 132, 965-970.
  47. Van Noort, G., Voorveld, H. A. & Van Reijmersdal, E. A. (2012). Interactivity in brand web sites: cognitive, affective, and behavioral responses explained by consumers' online flow experience. Journal of Interactive Marketing, 26(4), 223-234.
  48. Verhoef, P., Lemon, K., Parasuraman, A., Roggeveen, A., Tsiros, M. & Schlesinger, L. (2009). Customer experience creation: determinants, dynamics and management strategies. Journal of Retailing, 85(1), 31-41.
  49. Wendel, J. & Buttenfield, B. (2010). Formalizing guidelines for building meaningful selforganizing maps. in Sixth International Conference on Geographic Information Science,
  50. Wong, E. & Wei, Y. (2018). Customer online shopping experience data analytics: Integrated customer segmentation and customised services prediction model. International Journal of Retail & Distribution Management, 46(4), 406-420.
  51. Wu, R.-S. & Chou, P. (2011). Customer segmentation of multiple category data in e-commerce using a soft-clustering approach. Electronic Commerce Research and Applications, 10, 331-341.
  52. Yu, X., Tao, Y., Chen, Y., Zhang, W. & Xu, P. (2019). Social networks and online store performance in emerging economies: The mediating effect of legitimacy. Electronic Markets, 29(4), 1-18.
  53. Zhu, G. (2018). How emotional user interface design can increase online shop sales (Master's thesis) University of Tampere, Faculty of Communication Sciences, Finland.