استفاده از رویکرد داده‌کاوی جهت توسعه استراتژی‌های بازاریابی و نگهداشت مشتری و بخش‌بندی آن‌ها با ارزیابی عملکرد

نویسندگان

  • محسن ایمنی * .گروه حسابداری، موسسه آموزش عالی آیندگان، تنکابن، ایران. https://orcid.org/0000-0003-1863-4995
  • پیام اشراقی گروه مدیریت، موسسه آموزش عالی آیندگان، تنکابن، ایران.

https://doi.org/10.22105/msda.v3i2.61

چکیده

هدف: در فضای رقابتی امروز سازمان‌ها برای حفظ مشتری‌ها و افزایش سودآوری، نیازمند شناسایی و درک عمیق‌تر نیازهای آن‌ها هستند. هدف این پژوهش، توسعه استراتژی‌های بازاریابی و نگهداشت مشتری از طریق بهره‌گیری از رویکرد داده‌کاوی و تحلیل عملکرد مشتری‌ها است.

روش‌شناسی پژوهش: در این راستا با استفاده از خوشه‌بندی و ماتریس اهمیت-عملکرد، مشتری‌ها یکی از اپراتورهای بزرگ تلفن همراه (ایرانسل) به سه خوشه تقسیم شده و برای هر خوشه استراتژی‌های بهینه جهت نگهداشت مشتری‌ها تدوین گردید.

یافته‌ها: نتیجه پژوهش نشان داد که عوامل اثرگذار در رضایت و ماندگاری  مشتری‌ها، در هر خوشه متفاوت است؛ به‌طوری‌که در یک گروه کیفیت خدمات، در گروه دیگر تعرفه‌ها و در سومین گروه کانال‌های ارتباطی با شرکت از اهمیت بالاتری برخوردار بودند.

اصالت/ارزش افزوده علمی: نوآوری این پژوهش در تلفیق روش‌های داده‌محور و تحلیل‌های عملکردی برای طراحی استراتژی‌های مشتری‌محور و قابل‌اجرا در فضای واقعی کسب‌وکار است.

کلمات کلیدی:

ارزیابی عملکرد زنجیره‌تامین، شاخص‌های عملکرد، تحلیل عاملی، تحلیل‌پوششی‌داده‌های شبکه‌ای، بازده به مقیاس متغیر

مراجع

  1. [1] Funatsu, K. (2011). Knowledge-oriented applications in data mining. BoD-books on demand. https://B2n.ir/ew8204
  2. [2] Smith, W. R. (1956). Product differentiation and market segmentation as alternative marketing strategies. Journal of marketing, 21(1), 3–8. https://doi.org/10.1177/002224295602100102
  3. [3] Malthouse, E., & Mulhem, F. (2014). Understanding and using customer loyalty and customer value. In Profit maximization through customer relationship marketing (pp. 59–86). Routledge. http://dx.doi.org/10.1300/J366v06n03_04
  4. [4] Filippidou, D., Keane, J. A., Svinterikou, S., & Murray, J. (1998). Data mining for business improvement: Applying the hyperbank approach, padd’98-2nd int. Conference on the practical application of knowledge discovery and data mining, practical application company (pp. 1–10). PADD98.
  5. [5] Hatamlou, A. (2013). Black hole: A new heuristic optimization approach for data clustering. Information sciences, 222, 175–184. https://doi.org/10.1016/j.ins.2012.08.023
  6. [6] Fayyad, U., Piatetsky-Shapiro, G., & Smyth, P. (1996). From data mining to knowledge discovery in databases. AI magazine, 17(3), 37. https://doi.org/10.1609/aimag.v17i3.1230
  7. [7] Sepehri, M. M., Norozi, A., Teymorpour, B., & Choubdar, S. (2011). Discovering the reasons for customer churn from banking services using a combination of data mining and survey research. Management research in Iran-humanities lecturer, 15(4), 98-126 (In Persian.). https://ensani.ir/file/download/article/20121210084817-9566-5.pdf
  8. [8] Tavakoli, A., Mortazavi, S., Kahani, M., & Hosseini, Z. (2011). Applying data mining to predict customer churn patterns in insurance. Journal of business management perspective, 9(4), 41–55. https://elmnet.ir/doc/1289693-1822
  9. [9] Seyedhosseini, S. M., Gholamian, M. R., & Maleki, A. (2011). A methodology based on rfm using data mining approach to assess the customer loyalty. International journal of industrial engineering and production management (IJIE), 22(2), 172–179. (In Persian.). https://sid.ir/paper/65968/en
  10. [10] Tarokh, M. J., & Sharifiyan, K. (2007). Usage of data mining in improvement CRM. Industrial management studies, 6(17), 153–181. (In Persian.). https://dor.isc.ac/dor/20.1001.1.22518029.1386.6.17.7.1
  11. [11] Miguéis, V. L., Camanho, A. S., & E Cunha, J. F. (2012). Customer data mining for lifestyle segmentation. Expert systems with applications, 39(10), 9359–9366. https://doi.org/10.1016/j.eswa.2012.02.133
  12. [12] Piskóti, I., & Nagy, S. (2009). A new customer satisfaction management model (Methodology and practice). Economics and management, (14), 483–490. https://www.ecoman.ktu.lt/index.php/Ekv/article/view/9410
  13. [13] Han, J., Kamber, M., & Pei, J. (2011). Data mining concepts and techniques. Elsevier. https://homes.di.unimi.it/ceselli/IM/2012-13/slides/02-KnowYourData.pdf
  14. [14] Chen, H., Chiang, R. H. L., & Storey, V. C. (2012). Business intelligence and analytics: From big data to big impact. MIS quarterly, 36(4), 1165–1188. https://B2n.ir/qp5096
  15. [15] Pyle, D. (2003). Business modeling and data mining. Elsevier. https://B2n.ir/kd2489
  16. [16] Samizadeh, R., & Jahanian, S. (1387). Investigating the impact of business process modeling using object-oriented methodology on knowledge creation in the organization. The 5th international conference on information and communication technology management. Tehran, Iran. Civilica. (In Persian). https://civilica.com/doc/86422
  17. [17] Hameed, M., & Naumann, F. (2020). Data preparation: A survey of commercial tools. ACM sigmod record, 49(3), 18–29. https://doi.org/10.1145/3444831.3444835
  18. [18] Mikut, R., & Reischl, M. (2011). Data mining tools. Wiley interdisciplinary reviews: Data mining and knowledge discovery, 1(5), 431–443. https://doi.org/10.1002/widm.24
  19. [19] Khaki, G. (2000). Research methodology in management. In Research method with a thesis writing approach (pp. 213-236 (In Persian). Management review. https://B2n.ir/zw7781
  20. [20] Danaeifard, H., & Emami, S. M. (2007). Research strategies: Qualitative reflections on grounded theorizing. Strategic management thought, 1(2), 69-97. (In Persian). https://doi.org/10.30497/smt.2007.104

دانلود

چاپ شده

2025-05-14

شماره

دوره 3 شماره 2 (1404): علوم مدیریت و تحلیل تصمیم

نوع مقاله

مقالات شماره جاری

ارجاع به مقاله

ایمنی . م., & اشراقی پ. (2025). استفاده از رویکرد داده‌کاوی جهت توسعه استراتژی‌های بازاریابی و نگهداشت مشتری و بخش‌بندی آن‌ها با ارزیابی عملکرد. علوم مدیریت و تحلیل تصمیم , 3(2), 124-137. https://doi.org/10.22105/msda.v3i2.61
Crossref
Scopus
Google Scholar
Europe PMC

مقالات مشابه

همچنین برای این مقاله می‌توانید شروع جستجوی پیشرفته مقالات مشابه.