خلاصة:
باتوجهبه افزایش رقابت بین بانکها برای جذب مشتریان جدید، شناخت و پیشبینی رفتاری مشتریان از اهمیت بسیاری برخوردار است. بهمنظور تحلیل رفتار مشتریان باید به شناسایی، ایجاد تمایز و تشخیص باارزشترین آنها اقدام کرد. برای ایجاد تمایز بین مشتریان از مفاهیم بخشبندی استفاده میشود. یکی از مسائلی که بهتازگی در بخشبندی مشتریان مطرح شده، در نظر گرفتن رفتار پویای مشتریان است. باتوجهبه رشد فناوری اطلاعات، ارائة خدمات جدید بانکداری و رقابت بانکها در افزایش سهم بازار و همچنین عوامل روانشناختی و محیطی، باید پویایی رفتار آنها را در طول زمان بررسی کرد؛ ازاینرو انتقال مشتریان به بخشهای مختلف در طول زمان و کشف الگوهای غالب در جابهجایی بین بخشها از موضوعات مهم این حوزه است. این پژوهش سعی دارد با تمرکز بر پویایی رفتار مشتریان بانک انصار، گروههای رفتاری، الگوهای غالب جابهجایی، ویژگیها و الگوهای حاکم بر جابهجایی مشتریان را شناسایی کند. به این منظور با استفاده از متغیر RFM مشتریان در هر یک از بازههای زمانی خوشهبندی و برچسب گذاری شدهاند. از به هم چسباندن برچسبها در هر بازة زمانی، الگوهای انتقال رفتار مشتریان به دست آمده است؛ سپس با کمک روش ترکیبی مبتنی بر خوشهبندی و قوانین انجمنی الگوهای رفتاری تحلیل شده است. بر اساس نتایج بهدستآمده چهار گروه رفتاری «مشتریان کمارزش با الگوی پایدا»، «مشتریان کمارزش با الگوی سودآوری ناپایدار»، «مشتریان رویگردانشده با سودآوری متوسط» و«مشتریان وفادار با سودآوری کم» شناسایی و ارتباط بین آنها تحلیل شده است. نتابج بهدستآمده به مدیران ارشد در اتخاذ راهبردهای بازاریابی کمک بسیاری میکند.
ملخص الجهاز:
باتوجهبه رشد فناوری اطلاعات، ارائة خدمات جدید بانکداری و رقابت بانکها در افزایش سهم بازار و همچنین عوامل روانشناختی و محیطی، باید پویایی رفتار آنها را در طول زمان بررسی کرد؛ ازاینرو انتقال مشتریان به بخشهای مختلف در طول زمان و کشف الگوهای غالب در جابهجایی بین بخشها از موضوعات مهم این حوزه است.
این پژوهش با استفاده از روشهای دادهکاوی 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؟ الگوهاي غالب و حاكم بر عضويت مشتريان به بخشهاي مختلف در طول زمان كدامند؟ 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.
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.
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.