ترجمه مقاله طبقه بندی مشتریان در فروشگاه های آنلاین

طبقه بندی مشتریان در فروشگاه های آنلاین بر  اساس فاکتورهای تاثیرگذار بر نیت مشتریان برای خرید

Segmenting customers in online stores based on factors that affect the customer’s intention to purchase

چکیده:

این مطالعه روندی را پیشنهاد می­کند که به فروشگاه­های آنلاین این امکان را می­دهد تا از طریق طبقه­بندی مشتریان خود بر اساس داده­های نمودار روانشناسی، به بازاریابی خاص و سفارشی بپردازند. فروشگاه­های آنلاین با شناسایی ارزش مشتریان بهنگام طبقه بندی آنها به گروه­هایی با نیات مشابه برای خرید، بر فعالیتهای پر منفعت­تر تمرکز می­نماید. بر اساس تحقیقات قبلی که رفتار مشتریان آنلاین را در خصوص خرید کردن تعریف می­کرد و توضیح می­داد، این تحقیق برای طبقه­بندی مشتریان آنلاین از فاکتورهایی استفاده کرد که بر نیت مشتریان برای خرید کردن از وب اثر می­گذارد. ما نتایج خوشه­بندی نقشه خود سازمان یافته (SOM) و الگوریتم k را در یک مدل واحد تلفیق نمودیم. فروشگاه­های آنلاین می­توانند بازاریابی تبلیغاتی را توسعه  داده و برای مشتریان الکترونیکی و آنلاین خود که باارزش­تر و امیدوارکننده­تر هستند، بر اساس قطعات بازارکه توسط روند ما ارائه گردیده است، خدمات شخصی ارائه نمایند.

لغات کلیدی: طبقه­بندی مشتریان، فروشگاه آنلاین، روش و متد نزدیکترین همسایه k، خوشه­بندی

سفارش ترجمه تخصصی مدیریت بازاریابی

سفارش ترجمه تخصصی مدیریت بازاریابی

سفارش ترجمه تخصصی مدیریت بازاریابی

 

 

1. مقدمه

از زمان ترویج فروشگاه­های آنلاین، این فروشگاه­هایک بازار ضروری برای مشتریانی است که قصد دارند آنچه را که می­خواهند، بخرند. در ابتدا اغلب مشتریان در مورد اینکه آیا خرید محصولات از طریق فروشگاه­های آنلاین که سایت amazon.com شروع به فروش آنها کرده است، خوب است یا خیر. با وجود این، همانگونه که استفاده از اینترنت در موراد مختلف بیشتر شایع می­شود، خرید آنلاین امروزه بعنوان بخشی از زندگی ما ریشه می­گیرد. هر روزه تعداد زیادی از فروشگاه­های آنلاین به دلیل موانع ورود در سایبر ظاهر می­شوند که برای مغازه­های هم یک فرصت و هم یک تهدید است. کاهش تدریجی سهم فروشگاه­های آنلاین، آنها را وادار می­سازد تا به دنبال راه­هایی برای نجات و زنده نگه داشتن خود در بازارهای رقابتی آنلاین باشند. فروشگاه­های آنلاین متوجه شدند که باید خدمات و محصولات خاص، شخصی و خصوصی، و متفاوتی را برای مشتریان خود ارائه نمایند تا بتوانند با رقیبان خود در بازار آنلاین رقابت نمایند.

به طور کلی، اغلب مشتریان تصمیم می­گیرند با تکیه بر اطلاعات ارائه شده بر روی صفحه نمایش کامپیوتر در فروشگاه­های آنلاین خرید کنند. رفتارهای خرید مشتریان به شدت تحت تأثیر اطلاعات و خدماتی است که توسط فروشگاه­های آنلاین ارائه می­گردد. این فروشگاه­ها برای برای برقراری و حفظ رابطه با مشتریان باید رفتارهای مشتریان خود را درک کنند. بنابراین، آنها باید ارزش مشتریان را ارزیابی نموده و روشهای طبقه بندی مشتری را برای طراحی و اجرای استراتژی­هایی جهت به حداکثر رساندن ارزش مشتریانشان، انتخاب نمایند. ترجیحات مشتریان متفاوت است، به همین دلیل طبقه بندی مشتریان به فروشگاه­های آنلاین کمک می­کند تا بر اساس ترجیحات مشتریان به آنها خدمات ارائه نمایند.

فطعه­بندی مشتری یک موضوع تحقیقاتی است که محققان را در زمینه داده کاوی کنجکاو می­کند زیرا داده­های گسترده برای داده کاوی مناسبند و الگوها و قوانین در نتیجه داده کاوی شناسایی می­شوند که نقش حیاتی در داده کاوی دارند. از داده کاوی برای طبقه بندی مشتریان با داده­های دموگرافیک (آمارگیری نفوسی) و تعاملی داده­هایی که فقط از طریق جستجو در پایگاه داده­ها، با توجه به فروش بین فروشگاه­ها و مشتریان، در دسترس است؛ استفاده می­شود. با وجود این، داده­هایی که از پایگاه داده­ها انتخاب می­شوند هر آنچه که مربوط به اعتقادات مشتری باشد را در بر نمی­گیرد، هر چند این اعتقادات ممکن است بر نیت و قصد مشتری برای خرید به شدت اثر بگذارد. به همین دلیل، محققین به فاکتورهایی علاقه­مندند که رفتار مشتریان برای تصمیم گیری برای خرید اثر می­گذارد. اغلب مطالعات مربوط به رفتار مشتری، مدل تحقیقاتی خود را با استفاده از این فاکتورها ارائه نموده و آن را با داده­هایی که از تحقیقات به دست آمده است، بصورت آماری آزمایش کردند. اگرچه مطالعات بسیاری به تشریح و توضیح رفتار مشتری کمک نموده­اند، به دنبال استفاده از نمودار روانشناسی مشتری برای طبقه بندی آنها از طریق داده کاوی نبودند. علت این امر، این است که داده­های نمودار روانشناسی که برای داده کاوی مورد نیاز است در ذهن مشتریان ذخیره و انبار می­شود و در هیچ پایگاه داده­هایی که ساختار درست و مناسب داشته باشد، وجود ندارد.

این مطالعه روندی را پیشنهاد می­کند که فروشگاه­های آنلاین را قادر می­سازد تا مشتریان خود را از طریق تکنیک­های داده کاوی مبتنی بر داده­های نمودار روانشناسی طبقه­بندی و طبقه­بندی نمایند. روند ما برای طبقه بندی مشتریان، سه مرحله (فاز) دارد. فاز اول برای محرز نمودن فاکتورهایی است که بر نیت و قصد مشتریان برای خرید از وب اثر می­گذارد. بنابراین، ما از طریق مطالعات مربوط به موضوعاتی نظیر مدل موفقیت سیستم اطلاعاتی و عوامل تعیین کننده خرید،یک مدل معادلاتی ساختاری (SEM) درست کردیم. فاز دوم برای طبقه­بندی مشتریان آنلاین از طریق تلفیق SOMها و الگوریتم k با توجه به فاکتورهای انتخاب شده در فاز اول است. فاز سوم برای معلوم کردن مشتریان مشابه از این بخشها و قطعات از طریق روش نزدیکترین همسایه k است.

این مقاله بدین شرح سازماندهی شده است. بخش 2 به بررسی نوشتارهای مربوط به طبقه بندی مشتری در فروشگاه­های آنلاین می­پردازد که از روشهای خوشه­­بندی استفاده می­کند. بخش 3 چارچوب تحقیق ما را نشان می­دهد. در بخش 4، مدلی ارائه نمودیم که توضیح می­دهد چرا مشتریان تصمیم می­گیرند از فروشگاه­های آنلاین خرید نمایند. ما مشتریان را با تلفیق الگوریتم k و روندهای SOM طبقه بندی نمودیم. در نهایت، روند ما مشتریان جدید را از متد نزدیکترین همسایه k نشان می­دهد. نتیجه­گیری و پیشنهاداتی برای کارهای آینده در بخش 6 ارائه گردیده است.

2. طبقه بندی مشتریان

شرکتها تلاش می­کنند تا با برآورده نمودن نیازهای مشتریان برای مدیریت موفق روابط با مشتری، مشتریانی را جذب و حفظ نمایند. طبقه بندی مشتریان یکی از مؤثرترین روشها برای مدیریت مشتریان مختلف با ترجیحات متفاوت است. طبقه بندی مشتری را بعنوان پروسه­ای برای قراردادن مشتریان مختلف و ناهمگون در گروه­های همگون بر مبنای ویژگی­های مشترک تعریف می­کنند که برای مدیریت کاراتر مشتریان مختلف با سلایق و ترجیحات مختلف  ضروری است. همچنین، مشتریان با ترجیحات مشابه را با هم گروه­بندی می­کند. شرکتها از طریق طبقه بندی مشتریان، برای هر یک از گروه­های طبقه­بندی شده استراتژی­های بازاریابی مختلفی را به کار می­گیرند. طبقه بندی مشتریان نه تنهای رضایت مشتریان را افزایش می­دهد بلکه موجب افزایش مزایای مورد انتظار شرکت نیز خواهد شد. چن و همکاران (2007) متذکر شدند که استراتژی­های مختلف بازاریابی مورد استفاده در طبقه بنید مشتریان، ارزش مشتریان را بیشتر می­کند. با برآورده ساختن نیازهای مشتریان، ارتباطات طولانی مدت کشتریان و شرکت حفظ خواهد شد. بعلاوه شرکتها می­توانند با جلب و حفظ مشتریان با ارزش درآمد خود را افزایش دهند و در محیط رقابتی فوق­العاده، یک موقعیت پیشرو داشته باشند. از طبقه بندی مشتری بعنوان یک میدان مهم تحقیقاتی در زمینه تجارت الکترونیک یاد شده است زیرا در این صورت می­توان بر اساس قطعاتی که مشتریان در آن قرار می­گیرند، به مشتریان در بازارهای آنلاین نسبت به بازارهای آفلاین خدمات بیشتری ارائه نمود.

مطالعات در زمینه طبقه بندی مشتری بر اساس اهداف تحقیقات، عموماً به دو گروه طبقه­بندی می­شوند. اولین گروه به شناسایی متغیرهایی  می­پردازد که بیشترین قدرت را با توجه طبقه بندی مشتریان از میان داده­های رفتاری، نمودار روانشناسی، جغرافیایی و دموگرافیک دارند. کوتلر و آرمسترانگ (1989) متغیرهای مختلفی را برای طبقه بندی بازار پیشنهاد نمودند که رفتاری، نمودار روانشناسی، جغرافیایی و دموگرافیک بودند. بیگس (1998) از ابعاد مختلف داده­ها برای طبقه بندی مشتریان استفاده کردند: اطلاعات آماری و دموگرافیکی (جنسیت، سن، وضعیت تأهل)، اطلاعات اقتصادی (حقوق و درآمد خانواده)، و اطلاعات جغرافیایی (استان، شهر و سطح تمدن). سویین یارد و اسمیث (2003) دیدگاه سبک زندگی فردی که از اینترنت برای خرید استفاده می­کند و فردی که از اینترنت برای خرید استفاده نمی­کند طبقه بندی نمودند. سپس ویژگی­های خریداران و غیر خریداران آنلاین را از طریق تحلیل مقایسه­ای دو گروه ارائه نمودند. چو و کیم (200) از اطلاعات وبلاگ فروشگاه آنلاین برای طبقه بندی استفاده می­کنند زیرا مشتریان می­توانند بدون در نظر گرفتن ثبت نام در فروشگاه آنلاین خرید کنند. چن و همکاران (2007) از طالاعات پایه مشتری و میزان تعاملات مشتریان برای طبقه بندی مشتریان استفاده کردند.

نوع دوم مطالعات بر نحوه خوشه بندی قطعات مشتریان توجه دارد. SOM و الگوریتم k دو روش بسیار متداول برای طبقه بندی مشتریان می­باشند. SOM یک روش هوشمند مبتنی بر شبکه­های عصبی است و از داده­های حاصل از یادگیری تحت نظارت می­آموزد. الگوریتم k محبوب ترین و پر طرفدارترین روش آماری از میان روندهای غیر سلسله مراتبی برای خوشه بندی است. چن و همکاران (2007)از SOM برای طبقه بندی مشتریان بازار خرید آنلاین استفاده کردند. جانگ، موریسون و اولیاری (2002) از روش k برای طبقه بندی مشتریان بازار مسافرتی استفاده کردند. شین و سون (2004) از SOM، روش k و روش فازی k برای طبقه بندی مشتریان بازار سهام بر اساس میزان داد و ستدشان استفاده کردند. آنها گزارش دادند روش فازی k از میان سه روش خوشه بندی برای فطعه بندی مشتریان قویتر است. کیانگ، هو و فیشر (2006) از SOM برای گروه بندی مشتریان در بازار ارتباطات دروبرد و مخابره­ای استفاده کردند. کو، آن، وانگ و چانگ (2006) تلفیق SOM و  الگوریتم k را برای طبقه بندی بازار در صنعت حمل و نقل پیشنهاد دادند. از SOM برای تعیین تعداد خوشه­ها و نقطه آغاز الگوریتم k استفاده شد که بعدها برای یافتن راه حل نهایی مورد استفاده قرار گرفت.

3. چارچوب تحقیق

این مطالعه روندی را پیشنهاد می­دهد که به فروشگاه­های آنلاین این امکان را می­دهد تا با طبقه بندی مشتریانشان بر اساس داده­های نمودار روانشناسی، بازاریابی خاصی ارائه نمایند. فروشگاه­های آنلاین می­توانند با شناسایی ارزش مشتریان، به فعالیتهای سودآورتر توجه نمایند در حالی که مشتریان خود را به گروه­های اندک با نیات مشابه برای خرید طبقه و طبقه بندی می­کنند.

شکل 1 روندی از طبقه بندی مشتریان را بر اساس داده­های نمودار روانشناسی نشان می­دهد. روند ما از سه فاز برای مشتریان استفاده کرد. فاز اول، شناسایی فاکتورهایی است که بر قصد مشتری برای خرید در فروشگاه­های آنلاین اثر می­گذارد. ما از یک مدل معادلاتی ساختاری برای مدل پیشنهادی استفاده کردیم که فاکتورهایی را که بر قصد مشتری برای خرید بر اساس تحقیقات قبلی اثر می­گذارند؛ توضیح می­دهد. نتایج مدل معادلاتی ساختاری تأیید می­کرد که مدل پیشنهادی معتبر بوده و از نظر آماری در تحلیلهای تجربی مهم و حائز اهمیت است.

مرحله دوم، طبقه بندی مشتریان آنلاین با تلفیق SOM و الگوریتم k با توجه به فاکتورهای انتخاب شده در فاز اول است. در اینجا، ما خوشه­های به دست آمده از SOM و الگوریتم k را برای بخشها و قطعات دقیق­تر، پچیده­تر و سطح بالاتر تلفیق نمودیم. اگر مشتریان هم از طریق الگوریتم k و هم از طریق  SOM به یک خوشه اختصاص داده شوند، قطع به یقین به همان خوشه تعلق دارند. بعنوان مثال، اگر مشتری 1 هم با SOM و هم با الگوریتم k در بخش A طبقه بندی شود، پس متعلق به این بخش است. اگر خوشه­های مشتریان بین SOM و الگوریتم k باشد، مشتریان مربوطه به یک خوشه جدید بین دو خوشه مربوطه قرار خواهند گرفت. مثلاً اگر مشتری 2 بر اساس SOM و الگوریتم k، به ترتیب در طبقه A و B قرار گیرند؛ مشتری 2 به بخش AB تعلق دارد. یعنی، مشتری 2 ویژگی­های هر دو بخش A و B را  دارد.

در نهایت، مرحله سوم، برای نشان دادن مشتریان مشابه از بخش­های روش نزدیکترین همسایه k است. با استفاده از این روش، برای شناسایی بخش مشتریان، می­توانیم بخش­هایی را برای مشتریان جدیدی که در روند خوشه بندی لحاظ نشده بودند؛ اختصاص دهیم. به عبارت دیگر، روش ما مدیران مسئول بازاریابی در فروشگاه­های آنلاین را قادر می­سازد که از استراتژی­های متفاوت بازاریابی برای هر گروه طبقه بندی شده بدون روند دیگری از خوشه بندی و مشتریان طبقه بندی شده استفاده کنند.

4. طبقه بندی مشتریان با استفاده از روند پیشنهادی

4.1. شناسایی فاکتورها برای طبقه بندی مشتری

بسیاری از مدیران بازاریابی که مسئول فروش محصولات در شرکت خود هستند، همیشه مشتاقند بدانند کدام یک از مشتریان قصد خرید یا نیت خرید از فروشگاه آنها را دارند. در مطالعات بسیاری تلاش شد تا فاکتورهایی که بر قصد خرید مشتریان اثر دارد؛ شناسایی و توضیح داده شوند. این مطالعات بر رفتار مشتریان فروشگاه­های آنلاین طی دهه اخیر و از زمانی که تجارت الکترونیک در زندگی ما ریشه کرده است، توجه دارد. هنگامی که فروشگاه­های آنلاین با مشتریان خود تعامل تجاری برقرار می­کنند، اعتماد مشتری مهمترین فاکتور می­شود زیرا تعامل بین تأمین کننده و مشتری در وب سایتهای مجازی رخ می­دهد. مشتریان تا زمانی که به اندازه کافی برای تعاملات تجاری اعتماد پیدا نکنند، تمایل چندانی برای پرداخت مبلغ خرید به فروشگاه آنلاین را ندارند. گفن و همکاران (2003)، مشاهده نمودند که اعتماد مشتری به مشتریان کمک می­کند تا تصمیم بگیرند که آیا از طریق فروشگاه­های آنلاین خرید کنند یا خیر.

اورارد و گالتا (2006)، و مک نایت، چادهری و کاکمار (2002) متذکر شدند که کیفیت درک شده از فروشگاه­های آنلاین بر اعتماد مشتریان به فروشگاه­های آنلاین اثر مثبت دارد. آنها توضیح دادند که مشتریان زمانی به فروشگاه آنلاین اعتماد می­کنند که کیفیت بالای فروشگاه آنلاین را درک کنند. کیفیت درک شده از فروشگاه­های اینترنتی را می­توان همان کیفیت وب سایت در نظر گرفت زیرا یک فروشگاه آنلاین یک فروشگاه مجازی است که از فناوری اطلاعات استفاده می­کند و ویژگی­ها و مشخصه­های سیستمهای اطلاعاتی را داراست. وب سایتها را می­توان به عنوان سیستمهای اطلاعاتی برای انجام تجارت الکترونیک در نظر گرفت. و سیستم­های اطلاعاتی به سه گروه طبقه­بندی می­شوند: کیفیت اطلاعات، کیفیت سیستم، و کیفیت خدمات. بنابراین، ما کیفیت فروشگاه­های آنلاین را به کیفیت اطلاعاتی، کیفیت سیستمی، و کیفیت خدمات تقسیم بندی می­نماییم. کیفیت اطلاعات مستلزم دقت، اعتبار و تکمیل بودن محتوی در وب سایت است. کیفیت سیستم، ویژگی­­های سیستم تجارت الکترونیک نظیر کاربرد، در دسترس بودن، اعتبار، قابلیت سازگاری، زمان پاسخگویی، و غیره را داراست. کیفیت خدمات، حمایت همه جانبه و کلی فروشگاه آنلاین از مشتریان را نشان می­دهد. وب سایتها به مشتریان خدماتی نظیر لغو، تغییر یا پس دادن ارائه می­دهد. اهمیت کیفیت خدمات در فروشگاه­های آنلاین بیشتر از آنچه که قبلاً تصور می­شد، است زیرا فروشگاه­های آنلاین نه تنها نقش تأمین کننده اطلاعات را دارند بلکه تأمین کننده خدمات نیز هستند. شکل 2 ارتباط بین فاکتورهایی که بر نیت و قصد مشتری برای خرید از فروشگاه­های اینترنتی بصورت مستقیم و غیر مستقیم اثر می­گذارند را نشان می­دهد.

برای پایگاه داده­ها، ما داده­ها را از میان 196 مشتری در کره جمع­آوری نمودیم که در زمینه خرید از فروشگاه­های آنلاین تجربه داشتند. شرکت تحلیلگر استراتژیک (Strategic Analytics) یک شرکت معروف در زمینه تحقیق در خصوص بازار، گزارش داد که 95% از خانوارهای کره­ای از طریق پهنای باند در سال 2008 به اینترنت دسترسی داشتند. کره از میان 58 کشور مقام نخست را در زمینه پهنای باند ارائه شده برای خانوارها دارد. به همین دلیل، اکثر افراد از طریق پهنای باند به اینترنت دسترسی دارند و خرید آنلاین یک روش معمول برای خرید کالا در کره است. آنها گفتند که از مقیاس 5 امتیازی لایکرت برای اندازه گیری باورهای درک شده مشتریان در ارتباط با اعتماد و کیفیت فروشگاه­های آنلاین استفاده شد. در این مقیاس، امتیازات از امتیاز 5 برای گزینه کاملاً موافق تا امتیاز 1 برای کاملاً موافق استفاده می­شود.از یک پرسشنامه برای پرسیدن سؤالاتی در خصوص استفاده مشتری از اینترنت، اعتماد، کیفیت اطلاعات، کیفیت سیستم، و خدمات استفاده شد. استفاده اینترنت در میان کاربران در جدول 1 آمده است. نهایتاً، ما مدل را با استفاده از مدل معادله ساختاری با AMOS 7.0 مورد تجزیه و تحلیل قرار دادیم.  

شکل 1: روند طبقه بندی مشتریان با داده­های نمودار روانشناسی، F: فاکتورهای اثرگذار بر نیت خرید مشتریان آنلاین؛ CBS:  مشتریان پایگاه داده­ها برای طبقه بندی؛ CAS: حضور مشتریان در پایگاه داده­ها برای استفاده از قطعات

 

 

 

4.2. خوشه بندی جهت طبقه بندی و طبقه بندی مشتریان

 ما دو نوع روش خوشه­بندی را با هم تلفیق نمودیم: SOM و الگوریتم K. همانگونه که در مرحله 2 چارچوب تحقیقمان بدان اشاره شد، این کا برای طبقه بندی بهتر مشتریان در فروشگاه­های آنلاین صورت گرفت. در حالی که از روش خوشه بندی تلفیقی ما استفاده می­شد، از متغیرهایی در خصوص اعتماد مشتری، کیفیت سیستم، و کیفیت خدمات استفاده شد که از نظر آماری در مدل معادله ساختاری برای متغیرهای دروندادی برای هریک از روشهای خوشه بندی، MOS، و الگوریتم  k  بسیار مهم است. کیفیت سیستم با 4 متغیر و کیفیت خدمات و اعتماد نیز با 4 متغیر در طول مطالعه اندازه­گیری و معیار سنجی شدند. تحلیلهای خوشه بندی با استفاده از الگوریت k و SOM انجام شد در حالیکه ارزشهای متغیرها برای هر فاکتور در متغیرهای درونداد تحلیلهای خوشه­ای متوسط در نظر گرفته می­شد. هم در SOM و هم در الگوریتم k، مشتریان به سه خوشه طبقه­بندی شدند. ما دو نتیجه خوشه بندی را از طریق روش پیشنهادی در فاز 2 با هم تلفیق نمودیم. در آخر، مشتریان به 5 خوشه تقسیم شدند (ر.ک جدول3). از تست ANOVA برای تأیید همخوانی و سازگاری افراد در گروه­ها استفاده شد. در نتیجه این تست، گروه­های طبقه بندی شده تا حد چشمگیری با هم تفاوت داشتند (ر.ک جدول4).

در قسمت A، فصد برای خرید بالاست و استفاده ازذ فروشگاه­های آنلاین زیاد. برای حفظ مشتریانی که به بخشA تعلق دارند، فروشگاه آنلاین برای حفظ مشتری اقدام به برنامه­های تبلیغاتی می­کند، برنامه­هایی نظیر خدمات تحویل رایگان، خدمات تعویض رایگان، کوپن پس­انداز و غیره. قسمت AB مشخصه­هایی بین مشخصه­های A  و B دارد. متریان در قسمت AB نشان می­دهند که باور آنها برای کیفیت خدمات و اعتماد در مقایسه با مشتریان قسمت A نسبتاً کاهش یافته است. فروشگاه­های آنلاین برای از بین بردن و رفع کاهش باور مشتریان قسمت AB باید یک برنامه بازاریابی ارائه نمایند. مشتریان قسمت B ـ به دلیل فقدان کیفیت خدمات و اعتماد ـ تمایل و قصدی برای خرید از فروشگاه­های آنلاین ندارند. برای تغییر رفتار خرید مشتری و افزایش اعتماد وی، فروشگاه­های آنلاین باید محصولات خود را به موقع تحویل مشتری دهند. در صورتی که مشتری سؤالی پرسید یا درخواستی داشت، فروشگاه باید سریعاً پاسخ دهد. قسمت BC مشخصات و ویژگی­هایی بین بخش B و C دارد. مشتریان این قسمت از کیفیت خدمات فروشگاه­های آنلاین راضی نیستند. برای جلب رضایت مشتریان، فروشگاه اینترنتی و آنلاین باید نهایت تلاش خود را برای ارتقاء کیفیت خدمات در زمینه لغو، استرداد پول، پس گرفتن جنس و غیره مبذول نماید. به عنوان مثال، مشتریان باید از کلیه خدمات فروشگاه آنلاین راضی باشند حتی اگر در واست پس دادن جنی و پس گرفتن پول خود را داشته باشد. مشتریان قسمت C به صورت مرتب از فروشگاه آنلاین خرید نمی­کنند. باید آنها را وادار کرد تا بیشتر به فروشگاه آنلاین سر بزنند. مثلاً، فروشگاه اینترنتی باید از طریق کوپنهای تخفیف یا توصیه محصولاتی بر اساس ترجیحات مشتری، آنها را تشویق و تحریک نماید تا از سایت بازدید نمایند.

ما این مشتریانی که پاسخ و واکنش قوی و بسیار قوی برای قصد خرید دارند را به دو گروه مشتریان خرید کننده و مشتریان غیر خرید کننده تقسیم بندی نمودیم (ر.ک جدول 5). بخش­ A نشان می­دهد که احتمال خرید بیش از 55% است. برعکس، در بخش C احتمال خرید تا زیر 10% کاهش می­یابد. در بخش A بازاریابی متمرکز بیشتر از بازاریابی کلی و عمومی تأثیر دارد زیرا نرخ خرید برای بازاریابی تبلیغاتی در کل حدود 10% است. بنابراین، شناسایی مشتریان بر اساس بخش و گروه­شان فروشگاه­های آنلاین را قادر می­سازد تا منابع خود را بر روی مشتریان الکترونیکی با ارزشتر و امیدوارکننده­تر متمرکز نمایند.

 

 

ما از روش نزدیکترین همسایه k برای شناسایی بخش­های مشتریان استفاده کردیم زیرا نمی­توان همه مشتریان را از قبل در روش خوشه بندی، طبقه بندی نمود. SOM و الگوریتم  k ، به دلیل پیچیدگی مکانی سایز سری داده­ها، برای سری­های بزرگ داده­ها مناسب نیستند. حتی اگر بتوان سری بزرگ داده­ها را خوشه بندی کرد، پایگاه داده­های مشتری در فروشگاه­های آنلاین همیشه پویاست حتی برای نیم ثانیه زیرا پایگاه داده­ها باید اطلاعات به روز شده­ای از مشتریان را با افزودن مشتریان جدید که به تازگی فرم ثبت نام ورود به فروشگاه آنلاین را تکمیل کرده­اند؛ داشته باشد. روش نزدیکترین همسایه k به فروشگاه­ها این امکان را می­دهد تا از طریق یافتن نزدیکترین همسایه، از خوشه بندی بی­پایان اجتناب نمایند. این روش با محاسبه دو به دو فاصله بین مشتریان طبقه بندی شده و مشتریان جدید، نزدیکترین بخش را برای مشتری جدید پیدا می­کند. بعلاوه، مشتریان مشتاق نیستند که فقط با هدف خرید از فروشگاه­های آنلاین دیدن نمایند. اما در مورد پاسخ دادن به سؤالاتی که مربوط به سه فاکتور هست، مقاومت نشان نمی­دهند و این زمانی است که فکر کنند سؤالات مربوط به اقدامات مالی نیست. به همین دلیل، سعی کردیم مشتری پیدا کنیم که احتمال خرید از طریق روند ما برایش بیشتر باشد بدون نیاز به اینکه از وی بپرسیم آیا مایل به خرید است یا خیر.

روند نزدیکترین همسایه k از 39 مورد آزمایشی بر اساس 157 مورد ارجاعی برای طبقه­بندی بخش مشتری استفاده نمود. ما در یافتیم که عملکرد نزدیکترین همسایه k با 1 = k بیشتر است اما تجربه خود را با 10 تا 1 = k شبیه سازی نمودیم. دقت این روند با 1 = k، 74/89% است. این بدین معناست که می­توانیم طبقه و بخش مربوط به گروه را با 10% خطا بدون نیاز به داشتن اطلاعاتی در مورد هدف و نیت مشتری برای خرید، شناسایی نماییم.

5. نتیجه­گیری

این مطالعه روندی را پیشنهاد نمود که فروشگاه­های آنلاین را قادر می­سازد تا با طبقه بندی مشتریان خود بر اساس داده­ها نمودار روانشناسی ، بازاریابی خاص ارائه نمایند. ما یک مدل تحقیقاتی ارائه نمودیم که نیت مشتری برای خرید در فروشگاه آنلاین را توضیح داده و با مدل معادله ساختاری این مدل را از نظر آماری امتحان نمود. ما متوجه شدیم که سه فاکتور از نظر آماری مهمند: کیفیت سیستم، کیفیت خدمات و اعتماد مشتری.

بر اساس مدل تحقیقاتی، با تلفیق الگوریتم k و SOM برای طبقه­بندی بهتر مشتریان، اقدام به خوشه بندی کردیم. از طریق طبقه­بندی مشتریان به 5 خوشه دست یافتیم و برای هر قسمت، نیت مشتری برای خرید را مورد بررسی قرار دادیم. روند ما در ارائه و تأمین یک استراتژی بازاریابی خصوصی برای مشتریان قدیمی و جدید، مفید خواهد بود. در نهایت، ما از روش نزدکترین همسایه k برای طبقه بندی مشتریانی که در پایگاه داده­ها برای خوشه بندی حضور ندارند، استفاده کردیم. روند ما به مدیران بازاریابی کمک می­کند تا مشتریان خود را که تقریباً ناشناس هستند، از قبل بشناسند و برنامه­های بازاریابی مختلفی را ارائه نمایند. دقت قابل پیش بینی نزدیکترین همسایه­ برای k برای استفاده از این روند در بازاریابی تبلیغاتی کافی بود. در مطالعات بعدی، امیدواریم که سایر تکنیک­های اصلی و مهم داده کاوی نظیر شبکه­های عصبی، ماشین­های حمایتی، و شجره تصمیم از نتایج ما با پایگاه داده­های بیشتر حامیت نماید.