بخشی از مقاله
چکیده
پیچیدگی فضای کسب و کار امروزه جهان، برکسی پوشیده نیست و رقابت شدیدی که در بین سازمان های ارائه دهنده محصولات و خدمات وجود دارد، انکار ناپذیر است. دامنه این رقابت به تمامی بخش های صنعت و خدمات کشیده شده و همه در تکاپو برای جذب مشتریان جدید و حفظ مشتریان موجود خود هستند. بانک ها و موسسات مالی و اعتباری نیز، از این قاعده مستثنی نیستند. مشتریان، عامل کلیدی و محوری در تقویت و ارتقا سازمان، قلمداد میشوند و جهت گیری کلیه اهداف، استراتژی ها و منابع حول محور جذب و نگهداری مشتری میباشد. حفظ مشتریان برای شرکت هایی که دغدغه حفظ و توسعه جایگاه رقابتی خویش را دربازار دارند، چالشی استراتژیک تلقی میشوند.
استفاده از خوشه بندی، ابزار مفیدی برای تجزیه و تحلیل نیازمندیها و خواسته های مشتریان و برآوردن آنها میباشد. از آنجا که مشتریان هر بخش، نیازها و خواسته های یکسانی دارند، به یک طرح بازاریابی و یک محصول خاص، به شیوه ای مشابه پاسخ میدهند.خوشه بندی کمک میکند با تقسیم یک بازار بزرگ به بخش های کوچکتر، منابع سازمان بطور بهینه، صرف مشتریان اصلی شود.سازمان ها با دسته بندی مشتریان خود، سیاستهای ارائه خدمات ویژه به مشتریان وفادار و یاراهکارهای جلوگیری از رویگردانی مشتریان ناراضی، را تدوین میکند. برای اینکه بتوانیم میزان زمان پاسخ به مشتریان بانکی را تاحد قابل توجهی کاهش دهیم، در این تحقیق از شبکه های عصبی کوهنن استفاده شده است. به عبارت دیگر، در ابتدا شبکه عصبی مورد نظر ما توسط داده های از قبل تهیه شده، آموزش می بیند و سپس می توان از این داده ها برای بدست آوردن سریعتر رفتار مشتریان بانکی استفاده کرد.
-1 مقدمه
در طی چند سال گذشته، روالهای ارتباطی و میزان تعامل موسسات با مشتریانشان بطور قابل توجهی تغییر کرده است. بطوریکه تضمین بلند مدتی برای تداوم کسب و کار با مشتری وجود ندارد. به همین دلیل برای موفقیت یک سازمان، لازم است تا مشتریانش را به درستی درک کرده، نیازها و خواسته های آنها را برآورده وبرای هرکدام از آنها، برنامه ویژه ای را تدوین نمایند و با استفاده از استراتژی های بازاریابی و ارائه خدمات، بقای سازمانی خود را تداوم بخشند.
بخش بندی فرآیندی است که براساس آن مشتریان به زیربخش های متمایز از مشتریانی که نیازها و مشخصاتشان یکسان است، تقسیم بندی می شود. از آنجا که مشتریان هربخش نیازها و خواسته های یکسانی دارند، به یک طرح بازاریابی و یک محصول خاص به شیوه ای مشابه، پاسخ می دهند. بخش بندی کمک می کند با تقسیم یک بازار بزرگ به بخش های کوچکتر، منابع سازمان بطور بهینه صرف مشتریان اصلی شود. سازمانها با دسته بندی مشتریان خود، سیاستهای ارائه خدمات ویژه به مشتریان وفادار و یا راهکارهای جلوگیری از رویگردانی مشتریان ناراضی را تدوین می کند. یکی از راههای شناسایی و بخش بندی مشتریان، ارزیابی ایشان براساس مدلهای تعیین وفاداری مشتری است که براساس پارامترهای مختلف، ارزش هر مشتری را محاسبه می کنند.[1]
یکی از تکنیک هایی که به کمک آن می توانیم، رضایت مشتریان را بسنجیم و نیز کیفیت خدمات و محصولات را بالا ببریم، استفاده از خوشه بندی است. استفاده از خوشه بندی، ابزار مفیدی برای تجزیه و تحلیل نیازمندیها و خواسته های مشتریان و برآوردن آنها میباشد. انسان به طور ذاتی با مشاهده پدیده های طبیعی به دنبال مقایسه و تقسیم بندی آنها، به گروه های مختلف است. در حقیقت، ذهن انسان با مواجه شدن با مسایل پیچیده، شروع به طبقه بندی مشاهدات با استفاده از ویژگی های آنها میکند. هدف از طبقه بندی، استخراج گروه هایی از افراد یا گونه ها است که افراد هریک از لحاظ یک یا چند متغیر، شبیه به هم بوده و افراد بین گروه ها از این نظر، با یکدیگر متفاوت میباشند.
روش های طبقه بندی، نوعی از تحلیل داده به حساب میآیند که مناطق مختلف، گونه های گیاهی و حیوانی مختلف، ویژگی های مربوط به آنها و یا متغیرهای محیطی را طبقه بندی میکند. خوشه بندی بطور کلی به فرآیندی گفته میشود که داده های بدون برچسب موجود در یک بانک اطلاعاتی را گرفته و آنها را در دسته هایی قرار میدهد که داده های موجود در یک دسته، به لحاظ کمی یا کیفی، بیشترین مشابهت را نسبت به هم داشته باشند و کمترین مشابهت را نسبت به سایر دسته ها داشته باشند. خوشه بندی در زمینه های مختلفی چون خرید و فروش، زیست شناسی، کتابخانه، ادارات بیمه و .... کاربرد چشم گیری دارد. خوشه بندی میتواند به عنوان یکی از مهمترین مسایل Unsupervised Learning مطرح شود. هر مسئله دیگری که از این سنخ که بایافتن یک ساختار برای مجموعه ای از داده های بدون برچسب سروکار دارد، جز مسایل خوشه بندی به حساب میآیند.[2]
خوشه بندی در فرآیندهای بانکی، فرآیندی است که براساس آن مشتریان به زیربخش های متمایز از که نیازها و مشخصانشان یکسان است، تقسیم بندی میشود. از آنجا که مشتریان هر بخش، نیازها و خواسته های یکسانی دارند، به یک طرح بازاریابی و یک محصول خاص، به شیوه ای مشابه پاسخ میدهند. خوشه بندی کمک میکند با تقسیم یک بازار بزرگ به بخش های کوچکتر، منابع سازمان بطور بهینه، صرف مشتریان اصلی شود. سازمان ها با دسته بندی مشتریان خود، سیاستهای ارائه خدمات ویژه به مشتریان وفادار و یاراهکارهای جلوگیری از رویگردانی مشتریان ناراضی، را تدوین میکند.
برای اینکه بتوانیم میزان زمان پاسخ به مشتریان بانکی را تاحد قابل توجهی کاهش دهیم، در این تحقیق از شبکه های عصبی کوهنن استفاده شده است. به عبارت دیگر، در ابتدا شبکه عصبی مورد نظر ما توسط داده های از قبل تهیه شده، آموزش می بیند و سپس می توان از این داده ها برای بدست آوردن سریعتر رفتار مشتریان بانکی استفاده کرد. بخش دوم مقاله به کارهایی می پردازد که تاکنون در زمینه ارزیابی رفتارهای مشتریان بانکی صورت گرفته است. در بخش سوم مقاله به توضیح الگوریتم پیشنهادی و چگونگی آموزش شبکه عصبی متد ارائه شده توسط داده های از قبل وارد شده، خواهیم پرداخت. در بخش چهارم مقاله، متد پیشنهادی با استفاده از زبان برنامه نویسی متلب پیاده سازی شده و نتایج بدست آمده را مورد بررسی و تجزیه و تحلیل قرار می دهیم. و در نهایت، بخش آخر ، نتیجه گیری درباره این مقاله را ارائه می نماید.
-2 کارهای وابسته
هدف از ارائه مقاله طبقه بندی نیازهای مشتریان و تجزیه و تحلیل رفتار آنها با استفاده از الگوی تلفیقی کانو و قوانین انجمنی، ارائه الگوی تلفیقی از مدل کانو و قوانین انجمنی به منظور طبقه بندی نیازهای مشتریان و تجزیه و تحلیل رفتار آنها است. جامعه آماری این تحقیق شامل مشتریان بانک سامان قم بوده، پس از نمونه گیری تصادفی ساده، تعداد 144 پرسشنامه برای تجزیه و تحلیل داده ها استفاده شده است.
در این تحقیق، بعد از جمع آوری داده ها، نیازهای مشتریان به وسیله مدل کانو طبقه بندی و در ادامه به وسیله قوانین انجمنی، ارتباط میان ویژگیهای جمعیت شناختی مشتریان و نتایج حاصل شده از مدل کانو، مشخص شده است. یافته های تحقیق نشان می دهد که ویژگیهای جمعیت شناختی مشتریان به طور آشکاری بر نوع نیازهای آنها تاثیر گذاشته است. نتایج حاصل از این تحقیق می تواند به شکل مؤثری در تدوین استراتژی های بازاریابی به منظور جلب رضایت مشتریان و همچنین در بخش بندی بازار استفاده شود.[3]
توسعه شگفت انگیز فن آوری اطلاعات و ارتباطات، جهان و به تبع آن دنیای بانکداری را به سرعت دگرگون ساخته است. براین اساس در مقاله نقش نوین خدمات بانکی در جذب مشتری و بهبود کارایی سیستم بانکی با تاکید برهزینه و وقت کارکنان، نقش خدمات نوین بانکی در جذب مشتری و بهبود کارایی بانک ها با تأکید بر هزینه و وقت کارکنان در شعب بانک سپه شهرستان مشهد مورد بررسی قرار گرفته است.
در این مطالعه با درنظر گرفتن دو جامعه مشتریان و مدیران و با استفاده از روش نمونه گیری طبقه بندی مضاعف بر حسب مناطق، نمونه های آماری به ترتیب به حجم416 و 39 انتخاب و از پرسشنامه برای جمع آوری نظرات نمونه آماری در تحقیق استفاده گردید. روایی پرسشنامه ها به طریق محتوایی حاصل گردید و پایایی آن ها نیز با محاسبه ضریب آلفای کرونباخ که بترتیب ./84 و ./92 بدست آمد، تایید گردید. برای تحلیل داده های پرسشنامه و آزمون فرضیه های تحقیق از آزمون نسبت و جداول توافقی و نیز آزمون کی دو، و برای بررسی ارتباط بین مشخصات عمومی پاسخگویان - متغیر های تعدیل کننده - با تعداد انواع خدمات نوین بانکی مورد استفاده، از آنالیز واریانس یکطرفه و آزمون دانکن کمک گرفته شده است.
نتایج نشان داد که خدمات نوین بانکی باعث افزایش رضایت مشتریان بانکهای سپه شهرستان مشهد شده است ولی این خدمات به افزایش کارایی - کاهش هزینه و وقت کارکنان - در شعب بانک منجر نشده است.[4] رستگار و همکارانش، به بیان مدل توسعه یافته ای از RFM پرداخته اند که با استفاده از آن میتوان اطلاعات بسیاری از مجموعه مشتریان بدست آورد.وی در تحقیق خود، ابتدا مطالبی در خصوص مدیریت ارتباط با مشتری و دسته بندی انواع مشتری، ارائه میکند.
سپس مشکلات و معایب مدل فعلی RFM و راهکار رفع آنها ارائه و یک مدل جدید RFM BETA برای تعیین وفاداری مشتریان، پیشنهاد داده است.وی در تحقیق خود، برای ارزیابی مدل ارائه شده وفاداری خود، وفاداری مشتریان براساس داده های جمع آوری شده 9 ماه 200 مشتری بانک ها، در مدل جدید و قدیم محاسبه و بخش بندی را براساس مقادیر بدست آمده، انجام داده است. نتایج حاکی از برتر بودن روش پیشنهادی وی، در مقایسه با سایر روش های قبلی میباشد.[1]
