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 می شود؛ متغیرهای این مدل نیز همواره ثابت نبوده و در هر صنعت، بر اساس شرایط خاص آن صنعت، تغییر می کند[۸۸]. در ادامه تعدادی از مطالعات اخیر که از مدل RFM استفاده نموده اند مورد بررسی قرار گرفته است.
چنگ[۹۱] و همکارش [۸۹]، از مدل TFM بجای RFM استفاده کردند و مدلی برای تعیین مشتریان باارزش در صنعت مخابرات ارائه کردند. متغیرهای مدل آنها عبارتند از:
(( اینجا فقط تکه ای از متن درج شده است. برای خرید متن کامل فایل پایان نامه با فرمت ورد می توانید به سایت feko.ir مراجعه نمایید و کلمه کلیدی مورد نظرتان را جستجو نمایید. ))
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.
مطالعه دیگری که از روش RFM برای تعیین مشتریان باارزش استفاده نمود، [۹۰] 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 بهره گرفتن از روش RFM، بیماران به ۴ دسته تقسیم شده اند و مشخص گردید که ۲% از بیماران ۱۵ برابر بیشتر از دیگر بیماران ارزش ایجاد کردند.
در سال ۲۰۱۲، از مدل RFM در دستهبندی بیماران یک کلینیک دندانپزشکی در تایوان استفاده شد[۹۱]. 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 ۲۰۱۳، از توسعه مدل RFM برای تعیین نیازهای اساسی شهروندان استفاده گردید[۹۲]. 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 ۲۰۱۲ در [۶]، میگوئز[۹۲] و همکاران با بهره گرفتن از مدل RFM، اقدام به پیش بینی مشتریان رویگردان کردند. آنها با بهره گرفتن از تحلیل دنباله[۹۳] 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 دوره های ۳ ماه تقسیم بندی کرده و سپس آنها را تحلیل کردند. تحلیل دنباله خریدهای مشتریان می تواند روند بلوغ اعتماد مشتری نسبت به شرکت را نشان دهد. آنها برای تعیین مشتریان رویگردان، مقدار ثابت ۴۰% را بهعنوان مقدار آستانه[۹۴] تعیین کردند؛ بدین معنی که اگر میزان تراکنش مشتری در یک دوره ۳ ماه نسبت به دوره قبل ۴۰% کاهش داشته باشد، آنگاه احتمالاً مشتری رویگردان خواهد شد. بهعنوانمثال در شکل۲- ۱۹ مشتری اول رویگردان نیست ولی مشتری دوما احتمالاً از آغاز دوره چهارم رویگردان شده است، چراکه میزان پول مصرفی وی(m) کمتر از ۳۶(۹۰*۴۰%) است.
شکل۲- ۱۹ تعیین مشتری رویگردان با بهره گرفتن از Monetary(منبع:[۶])
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 جدول۲- ۸ تعدادی از مطالعات اخیر و مدلهای توسعهیافته RFM مورد بررسی قرار گرفته است.
جدول۲- ۸ 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.
[۹۳]
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 مشتری خریده نموده است.
در این مقاله از روش WRFM استفاده شده است و برای محاسبه وزن معیارها از روش AHP استفـاده شده است. داده های انتخابی شامل آخـرین تاریخ خرید، تعداد خرید که نشاندهنده فرکـانس خرید مشتریـان است، مجمـوع هزینههایی که مشتری در طول یک سال پرداخت کرده است و شمارش تعداد آیتمها که اشاره به تنوع محصولاتی دارد که مشتری خریداری کرده است، میباشد.
[۹۴]
EL-RFM
(eLearning RFM)
در این مقاله با بهره گرفتن از مدل RFM، دانش آموزان باانگیزه در فراگیری دروس شناسایی شده اند. 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.
[۹۵]
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 نمی شود. متغیر G بیان می کند که ابتدا باید خصوصیات آیتمهای خریداری شده توسط مشتری، در نظر گرفته شود و سپس مدل RFM پیادهسازی شود.
[جمعه 1401-04-17] [ 10:25:00 ب.ظ ]
|