طبقه بندی مشتریان

مهمترین منابع مالی بیمه کشاورزی، مشتریان آن هستند. به همین دلیل شناسایی این مشتریان بالقوه و پیش بینی سطوح خسارت آنها، از این جهت که عامل سودآوری در بیمه است از اهمیت بالایی برخوردار است. بر همین اساس تحقیق حاضر در پی آن است تا با تفکیک واحدهای زنبورداری (بعنوان بخشی از مشتریان بیمه کشاورزی) از نظر خسارت و تعیین عوامل اثرگذار بر هر بخش با استفاده از الگوی لاجیت ترتیبی، الگویی برای پیش بینی خسارت مشتریان جدید برای بیمه زنبورستان ها ارائه دهد. بر همین اساس اطلاعات مربوط به واحدهای زنبورداری با میانگین تولید کمتر از 13 کیلوگرم که در سال زراعی 90-1389 جمع آوری شده بود، به 3 گروه کم خسارت، خسارت متوسط و پرخسارت تقسیم شدند. نتایج برآورد الگوی لاجیت ترتیبی نشان داد متغیرهای شغل مدیر، تحصیلات بالاتر از دیپلم، تجربه، شرکت در دوره های آموزشی، تعداد کندو با پوشش عایق، تأمین ملکه از مرکز تهیه ملکه، نظافت زنبورستان بعد از زمستان گذرانی و واکنش مناسب زنبوردار در زمان کمبود گرده اثر منفی و معنی دار بر افزایش سطوح خسارت دارند. متغیرهای حمله کنه واروا، بیماری نوزما اثر مثبت و معنی داری بر افزایش سطوح خسارت دارند. همچنین زنبورستان های استان اصفهان در مقایسه با سایر استان ها خسارت کمتری دارند. بنابراین پیشنهاد می شود در طبقه بندی واحدهای زنبورداری عوامل نامبرده شده در نظر گرفته شوند.

با گسترش فناوری و ظهور شرکت های الکترونیکی که انباشت داده های مشتریان در پایگاه داده را به همراه داشته، جذابیت بخش بندی بازار برای پژوهش گران فزونی یافته است. زیرا پایگاه داده مشتری یک داشته ارزشمند شرکت های الکترونیکی است که اگر به خوبی پردازش شود، می تواند شناخت بیشتری از مشتریان ارائه نماید. به همین دلیل روش های متعدد اما غیر منسجمی برای بخش بندی بازار و طبقه بندی مشتریان در علوم مختلف ارائه شده است. این پژوهش، الگوریتم یکپارچه ای برای بخش بندی بازار و طبقه بندی مشتریان ارائه می کند که در آن رویکرد خوشه بندی تجمیعی مبنای مقایسه عملکرد روش های مختلف طبقه بندی، به ویژه برنامه ریزی خطی، قرار می گیرد. این مقایسه نشان می دهد روش برنامه ریزی خطی که کمتر به آن توجه شده است، عملکرد بهتری از نظر درصد بالاتر انتساب مشتریان به خوشه های مشتریان دارد. همچنین برای مواجهه با ناکافی بودن داده های مورد نیاز در پایگاه داده، روش دلفی فازی پیشنهاد شده است.

رفتار مصرف کننده یک جنبه حیاتی از استراتژی بازاریابی است که شامل درک عادات خرید، انگیزه ها و ترجیحات مشتریان است. درک بهتر رفتار مشتری از طریق روش های نوآورانه ذخیره سازی و تجزیه و تحلیل داده ها و اطلاعات مشتریان، تدوین استراتژی های اثربخش تری را موجب می شود. ظهور فناوری های محاسباتی جدید تغییرات عمده ای را در توانایی سازمان ها برای جمع آوری، ذخیره و تجزیه و تحلیل داده های کلان ایجاد کرده است. بسیاری از تحقیقات با استفاده از الگوریتم های یادگیری ماشین بدون نظارت مانند K-Means با استفاده از مدل معروفRFM به طبقه بندی مشتری پرداخته اند اما این مدل ها با نادیده گرفتن سایر پارامترهای مهم با توجه به حوزه کاربرد، ناکافی می باشند. این تحقیق از نظر هدف کاربردی و از نظر گردآوری داده ها توصیفی و از نوع تحقیقات کمی است که با استفاده از 200000 تراکنش مشتریان فروشگاه خرده فروشی آنلاین طی بازه زمانی 2013 تا 2018 انجام شده است. مدل، با افزودن تنوع "D" به عنوان پارامتر چهارم، با اشاره به تنوع محصولات خریداری شده توسط یک مشتری معین، اصلاح شده است. طبقه بندی بر اساس RFM-D در بازار خرده فروشی آنلاین به منظور شناسایی الگوهای رفتاری برای مشتری اعمال می شود. بررسی رفتار مشتریان خوشه ها نشان داد که تنوع محصولات به همراه سایر متغیرهای رفتاری، سودآوری بیشتری نسبت به مدل RFM ارائه کرده است.