منابع و ماخذ پایان نامه ارزش مشتری، بیمارستان، تلفن همراه، آموزش الکترونیک

دانلود پایان نامه ارشد

و متغیرهای F و M بصورت نزولی مرتب میشوند و سپس به هر مشتری یک رتبه تخصیص داده میشود. در این روش ابتدا مشتریان بر اساس تازگی خرید و بصورت صعودی مرتب میشوند و سپس کل مشتریان به 5 دسته یکسان تقسیمبندی میشوند. سپس به هر یک از دستههای ایجاد شده یک شماره از 1 تا 5 اختصاص مییابد(1: مشتریان با کمترین مقدار R 5: مشتریان با بیشترین مقدار R). همین روند برای سایر متغیرها(F و M) نیز انجام میشود. در انتها هر یک از مشتریان دارای یک کد 3 رقمی بوده که ارزش آن‌ها را در مقایسه با سایر مشتریان نشان میدهد. مشکل این روش عدم امکان تولید تعداد مشتریان برابر در هر دسته است که این محدودیت ریشه در وابسته بودن متغیرها به هم دارد[10]. نکته حائز اهمیت در این روش، ترتیب انتخاب متغیرهاست. تقدم هر یک از متغیرهای R، F و M در صنایع مختلف، متفاوت میباشد. یکی از روشهای معتبر در تعیین اولویت متغیرها، استفاده از میزان افت نرخ پاسخدهی مشتریان است. برای تعیین میزان افت نرخ پاسخگویی میتوان پس از تعیین کد مشتریان در هر دسته(اختصاص کد 1 تا 5) درصد مشتریان در هر دسته را تعیین کرده و نمودار آن را ترسیم نمود. سپس با در نظر گرفتن شیب هر یک از نمودارها، متغیرها را بر اساس شیب نمودارهایشان بصورت نزولی مرتب کرده و فرآیند دستهبندی را انجام داد[10]. علت استفاده ازاین‌روش آنست که هر چه شیب نمودار بیشتر باشد، جداسازی مشتریان باکیفیت بالـاتری انجـام مـیشود. بـا توجه به شکل2- 17، تـرتیب دستهبندی مشتریـان بر اساس R و F و M است(R≻F≻M).

Customer Response Rate %
Monetary
Frequency
Recency
شکل2- 17 نحوه تعیین میزان افت نرخ پاسخ دهی(منبع:[10])
راهحل رهایی از مشکل “عدم امکان تولید تعداد مشتریان برابر در هر دسته”، استفاده از روش RFM سلولی است. در این روش که شمای کلی آن در شکل2- 18 نشان داده شده است، پس از مرتبسازی مشتریان بر اساس تازگی خرید، مشتریان به 5 دسته مساوی تقسیم میشوند. در مرحله بعد، مشتریان موجود در هر یک از 5 دسته ایجاد شده در مرحله قبل، بر اساس تعداد خرید(F)هایشان مرتب شده و به 5 دسته تقسیم شده و یک کد دریافت مینمایند. در مرحله بعد هر یک از 25 دسته ایجاد شده در مرحله قبل، بر اساس M بصورت نزولی مرتب شده و با تقسیم شدن به 5 دسته، 125 دسته نهایی را تشکیل میدهند[10].

شکل2- 18 شمای کلی RFM سلولی
در هر دو روش قبل که مورد بررسی قرار گرفت، وزن هر یک از متغیرها یکسان در نظر گرفته شده است. برخلاف نظر هوگز که معتقد بود وزن هر 3 متغیر R و F و M باهم برابر است، نظر دیگری وجود دارد که در آن پیشنهاد شده است تا وزن هر یک از متغیرها متفاوت و بر اساس صنعت مورد مطالعه تعیین شود. بر اساس این نظریه، مدل کلاسیک RFM تغییر کرده و مدل RFM وزندار89 معرفی گردید. در روش WRFM، ارزش هریک از مشتریان بر اساس رابطه 2-4 محاسبه و تعیین میشود.
2-4
value= w_R*R+w_F*F+w_M*M
در رابطه 2-4، w_R، w_F و w_M اوزان هریک از متغیرهای R و F و M بوده که با استفاده از تکنیکهای رگرسیون تعیین میشوند. با بررسی مطالعات انجام‌شده، میتوان عنوان کرد که، پرکاربردترین روشهای تعیین اوزان متغیرهای RFM عبارتند از: AHP، Topsis و روشهای فازی آن‌ها.
مدل RFM برای دستهبندی و تعیین ارزش مشتریان مورد استفاده قرار میگیرد. درواقع، RFM تنها ارزش مشتریان را محاسبه و تعیین میکند؛ اما توانایی تمیز دادن دستهی باارزش مشتریان را از سایر دستهها ندارد. برای تعیین مشتریان باارزش از مفهوم اندیس سربهسر90(BEI) استفاده میشود. BEI در رابطه 2-5 نشان داده شده است.
(2-5)
BEI= ((Actual Response Rate(R)-BE)/BE)*100
(2-6)
BE= (Unit Cost Price)/(Unit net)
اگر مقدار BEI˃0 باشد، آنگاه دسته موردنظر مناسب است و اگر BEI˂0 باشد دسته مناسبی نیست.
همان‌گونه که پیشتر بیان شد، روش RFM یکی از پرکاربردترین روشها در تعیین ارزش مشتریان است که ارزش مشتری را بر اساس پیشینه فعالیتهای وی تعیین مینماید. علت این محبوبیت و کاربرد گسترده، توانایی مدل در انطباق با شرایط هر صنعت است. علاوه بر اوزان متغیرها که ثابت نبوده و بر اساس نظر مدیران ارشد هر شرکت تعیین میشود؛ متغیرهای این مدل نیز همواره ثابت نبوده و در هر صنعت، بر اساس شرایط خاص آن صنعت، تغییر میکند[88]. در ادامه تعدادی از مطالعات اخیر که از مدل RFM استفاده نمودهاند مورد بررسی قرار گرفته است.
چنگ91 و همکارش [89]، از مدل TFM بجای RFM استفاده کردند و مدلی برای تعیین مشتریان باارزش در صنعت مخابرات ارائه کردند. متغیرهای مدل آن‌ها عبارتند از:
مدت زمان تماس در ماه(T): میانگین مدت زمانی که مشتری از تلفن همراه خود برای تماس در طول ماه استفاده کرده است.
تعداد دفعات تماس در ماه(F): میانگین تعداد دفعاتی که مشتری از تلفن همراه خود برای تماس در طول ماه استفاده کرده است.
هزینه قبض پرداختی در ماه(M): میانگین هزینهای که مشتری هر ماه پرداخته است.
مطالعهی دیگری که از روش RFM برای تعیین مشتریان باارزش استفاده نمود، [90] است. در این مطالعه سعی شده تا با ارائه یک مدل، از بین افراد بیمار که به بیمارستان رجوع می‌کنند، آن دسته از بیمارآن‌که برای بیمارستان، ارزشمندتر هستند شناسایی شده و سپس دپارتمانهای بیمارستان، که با این دسته از بیماران سروکار دارند مشخص گردند؛ تا با تمرکز بر روی آن دپارتمانها سوددهی بیمارستان افزایش یابد. در این مطالعه از دادههایی نظیر: تاریخ پرداخـت، نـوع درمان، نـام دپارتمان، تاریخ تولد فرد، تاریخ درمان و… استفاده شده است. با استفاده از روش RFM، بیماران به 4 دسته تقسیم شدهاند و مشخص گردید که 2% از بیماران 15 برابر بیشتر از دیگر بیماران ارزش ایجاد کردند.
در سال 2012، از مدل RFM در دستهبندی بیماران یک کلینیک دندانپزشکی در تایوان استفاده شد[91]. ازآنجاکه هزینه خدمات ارائه‌شده کلینیک برای تمامی مشتریان یکسان بوده، لذا با داشتن F میتوان M را محاسبه نمود؛ بنابراین متغیر M در این مطالعه حذف گردید. در این مطالعه مدل RFM تغییر کرده و به LRF تبدیل گردید. متغیر L نیز بیان‌کننده مدت زمان ارتباط مشتری از اولین مراجعه تا آخرین مراجعه است. هرچه این مقدار بالاتر باشد، ارزش مشتری بالاتر میرود.
در سال 2013، از توسعه مدل RFM برای تعیین نیازهای اساسی شهروندان استفاده گردید[92]. در این مقاله، با بررسی شکایات شهروندان و بکارگیری مدل FTiS، مشکلات موجود در خدمات ارائه‌شده توسط شهرداری و نیازهای اساسی شهروندان شناسایی گردید. متغیرهای مدل FTiS عبارتند از:
F: فرکانس (تعداد تماسها برای هر موضوع)
Ti: فاصله زمانی (تعداد روز فاصله بین اولین و آخرین شکایت/درخواست)
S: رضایـت(با تـوجه بـه اهمیـت رضـایت شهروندان و فقدان مشوقهای بازار، معیار “رضایت” بجای “پول” استفاده شده است).
هرچه میزان F و Ti بزرگ‌تر باشد، یعنی موضوع از اهمیت بالاتری برخوردار است. هرچه میزان رضایت شهروندان کمتر باشد، اولویت موضوع بالاتر است. هرچه Ti و F بزرگ‌تر شود، S کاهش مییابد.
در سال 2012 در [6]، میگوئز92 و همکاران با استفاده از مدل RFM، اقدام به پیشبینی مشتریان رویگردان کردند. آن‌ها با استفاده از تحلیل دنباله93 خریدهای مشتریان، احتمال رویگردانی مشتریان و زمان شروع این رویگردانی را مشخص نمودند. میگوئز و همکاران برای تحلیل دنباله خریدهای مشتریان، تراکنشهای آن‌ها را در دورههای 3 ماه تقسیمبندی کرده و سپس آن‌ها را تحلیل کردند. تحلیل دنباله خریدهای مشتریان میتواند روند بلوغ اعتماد مشتری نسبت به شرکت را نشان دهد. آن‌ها برای تعیین مشتریان رویگردان، مقدار ثابت 40% را به‌عنوان مقدار آستانه94 تعیین کردند؛ بدین معنی که اگر میزان تراکنش مشتری در یک دوره 3 ماه نسبت به دوره قبل 40% کاهش داشته باشد، آنگاه احتمالاً مشتری رویگردان خواهد شد. به‌عنوان‌مثال در شکل2- 19 مشتری اول رویگردان نیست ولی مشتری دوما احتمالاً از آغاز دوره چهارم رویگردان شده است، چراکه میزان پول مصرفی وی(m) کمتر از 36(90*40%) است.

شکل2- 19 تعیین مشتری رویگردان با استفاده از Monetary(منبع:[6])
میگوئز و همکاران معتقد بودند که برای تعیین مشتریان رویگردان بایستی دنباله خریدهای آن‌ها را برای هر یک از متغیرهای R، F و M تحلیل کرد تا بتوان احتمال رویگردانی آن‌ها را مشخص کرد. آن‌ها مدل خود را در یک خردهفروشی مواد غذایی امتحان کردند و توانستند مشتریان رویگردان را مشخص کنند.
در جدول2- 8 تعدادی از مطالعات اخیر و مدلهای توسعه‌یافته RFM مورد بررسی قرار گرفته است.
جدول2- 8 معرفی مدل های RFM توسعه‌یافته در سالیان اخیر
مدل RFM
شرح مدل
منبع
LRFM
در این مقاله از روش LRFM برای دستهبنـدی مشتریـان استفـاده شده اسـت. ازآنجایی‌که این مطالعه در رابطه با یک صنعت نساجی شکل گرفته و همچنین به خاطر اینکه تقاضا در هر فصل متفاوت است، بنابراین در اینجا طول ارتباط را سالیانه و تازگی خرید را به صورت واحد زمانی در نظرگرفته تا تأثیری در آنالیز نداشته باشد. در این مقاله از روش خوشهبندی دومرحله‌ای و شاخص وارد(Ward’s Index) استفاده شده است.
[93]
RFMCi
این مقاله به دستهبندی مشتریان یک شرکت آرایشی و بهداشتی پرداخته و مدل RFMCi را معرفی نموده است. متغیرCount Item (Ci) نشان‌دهنده تنوع محصولاتی است که مشتري خریده نموده است.
در این مقاله از روش WRFM استفاده شده است و برای محاسبه وزن معیارها از روش AHP استفـاده شده است. دادههاي انتخابی شامل آخـرین تاریخ خرید، تعداد خرید که نشان‌دهنده فرکـانس خرید مشتریـان است، مجمـوع هزینههایی که مشتري در طول یک سال پرداخت کرده است و شمارش تعداد آیتمها که اشاره به تنوع محصولاتی دارد که مشتري خریداري کرده است، میباشد.
[94]
EL-RFM
(eLearning RFM)
در این مقاله با استفاده از مدل RFM، دانشآموزان باانگیزه در فراگیری دروس شناسایی شدهاند. متغیرهای مورد استفاده در این مقاله عبارتند از:
EL-R= average of interval of time
EL-F= number of login
EL-M= amount of time spends
این مطالعه در مرکز آموزش الکترونیکی تایوان پیادهسازی گردیده است.
[95]
GRFM
در این مقاله مدل جدید GRFM ارائه‌شده است. متغیر Group(G) برای حل مشکل مدل RFM ارائه‌شده است. در روشهای ساده RFM به خصوصیات آیتمهای خریداری شده(مثل قیمت، دوره عمر و…) توجه نمیشود. متغیر G بیان میکند که ابتدا باید خصوصیات آیتمهای خریداری شده توسط مشتری، در نظر گرفته شود و سپس مدل RFM پیادهسازی شود.
[96]
RFMTC
در این مقاله مدل RFMTC برای دستهبندی مشتریان ارائه‌شده است. Churn probability(C) و Time since first purchase(T) متغیرهای جدیدی هستند که در این مقاله از آن‌ها استفاده شده است. هدف این مقاله که در یک مرکز ارائهدهنده خدمات انتقال خون پیادهسازی شده، اینست که در محاسبه ارزش مشتری، احتمال رویگردانی وی نیز درر نظر گرفته شود.
[97]
RFMP
در این مقاله، الگوی RFM صریحا تعریف شده و یک ساختار درختی تحت عنوان RFM-Patern-tree برای فشردهسازی و ذخیره تمامی تراکنشهای مشتریان، پیشنهاد شده و یک الگوریتم الگوی مبتنی بر رشد برای کشف تمامی الگوهای RFM در ساختار درختی پیشنهادی توسعه داده شده است.
[98]
RFM
در این مقاله از معیارهایی نظیر تعداد مشتریان، میانگین تعداد تراکنشها برای هر مشتری و میانگین تعداد موارد در هر تراکنش برای کشف الگوی خرید مشتریان با استفاده از RFM استفاده شده است. در این مقاله از SPM نیز استفاده شده است.
[99]
RFM
در این مقاله با استفاده از مدل RFM دانشجویان نیازمند برای دریافت وام دانشجویی در چین مشخص گردیده‏اند. داده‏های مورد نیاز برای تعیین ارزش دانشجویان، از سوابق تراکنش‏های آن‌ها در سیستم تغذیه دانشگاه گرفته شده است(دانشجویان برای خرید غذا و مواد خوراکی در درون دانشگاه از کارت دانشجویی خود استفاده می‏کنند). ازآنجایی‌که تمامی دانشجویان روزانه از غذای دانشگاه استفاده میکنند بنابراین R معنی ندارد. بجای R(Recency) از R(Ratio)

پایان نامه
Previous Entries منابع و ماخذ پایان نامه ارزش مشتری، سودآوری، وفاداری مشتری، چرخه عمر Next Entries منابع و ماخذ پایان نامه سودآوری، ارزش مشتری، ارزش مسافران، حفظ مشتری