ارائه الگو تحلیل‌های پیشرفته آینده‌نگر براساس ارتباط میان سیاست‌های فروش با خوشه‌بندی مشتریان و سبد محصولی آنها در صنعت فروش و پخش

نوع مقاله : پژوهشی اصیل

نویسندگان
بابک سهرابی 1
ایمان ریسی وانانی 2
یاسمن حاجی قربانی 3
1 استاد، گروه مدیریت فناوری اطلاعات، دانشکده مدیریت، دانشگاه تهران، ایران.
2 دانشیار، گروه مدیریت صنعتی، دانشکده مدیریت و حسابداری، دانشگاه علامه طباطبائی، تهران، ایران.
3 دانشجوی کارشناسی ارشد، گروه مدیریت فناوری اطلاعات، دانشکده مدیریت دانشگاه تهران، ایران.
چکیده
راهکار‌های آینده‌نگر در سیاست‌گذاری‌های فروش یکی از مؤلفه‌های مهم و ضروری در برنامه‌ریزی‌های کوتاه‌مدت و میان‌مدت در هر کسب‌وکاری است. تدوین درست و دقیق سیاست‌های فروش می‌تواند در مدیریت جریان‌های نقدی و تخصیص منابع نقش مؤثری داشته باشد. امر مزبور حکایت از این دارد که باتوجه‌به اینکه در دنیای رقابتی امروز (که رضایت خاطر مشتریان و افزایش سهم بازار مهم تلقی می‌شود) براورد مسئله دررابطه با رفتار خرید مشتریان موضوع اصلی هر سازمانی است که با استفاده از ارائه راهکار در جهت تحلیل‌های پیشرفته آینده‌نگر در حوزه سیاست‌گذاری می‌توان این مسائل را بهبود بخشید. هدف این پژوهش ارائه الگوی برای خوشه‌بندی مشتریان و استخراج سبد محصولی هر خوشه است که با استفاده از این اطلاعات سیاست‌های فروش و پخش متناسب هر خوشه استخراج‌شده که درنهایت نتایج به‌دست‌آمده به‌وسیله خبرگان صنعت پخش تأیید شده است. صرفنظر از مشتریان فعلی با ورود مشتریان جدید، با بهره‌گیری از الگوریتم دسته‌بندی خوشه‌ها، سیاست مناسب این دسته از مشتریان نیز پیش‌بینی می‌شود که قابل ارائه برای تقویت و وفاداری آنها خواهد بود.

کلیدواژه‌ها
سیاست‌گذاری فروش
خوشه‌بندی
سبد محصولی
صنعت پخش
داده‌کاوی

موضوعات

عنوان مقاله English

A Predictive Analytics Approach to Sales Policies Correlations with Customer Clusters and Product Portfolios in the Sales and Distribution Industry

نویسندگان English

babak sohrabi 1
Iman Raeesi Vanani 2
Yasaman Hajighorbani 3
1 aFull professor, IT Management, Faculty of Management, University of Tehran, Tehran, Iran.
2 Associate Professor, Information Technology Management, Faculty of Management and Accounting, Allameh Tabataba’i University, Tehran, Iran.
3 Graduated Student, Information Technology Management, Faculty of Management, University of Tehran, Tehran, Iran.
چکیده English

Prospective sales policies are one of the essential components of short- and medium-term planning in any business. The correct and accurate formulation of sales policies can play an effective role in managing cash flows and allocating resources. In general, the above statement indicates the fact that in today's competitive world, customer satisfaction and increased market share is vital, estimating the issues about customer buying behavior and decision making is the main theme of any organization that this can be improved by using advanced prospective analysis in the field of sales policy. The purpose of this study is to provide a model for customer clustering, extract the product portfolio of each cluster and allocate the appropriate sales policies for them. Finally, the results were confirmed by experts. Apart from current customers and with the entrance of new customers, using clustering algorithms, the appropriate policies for different categories of these customers are provided to improve their loyalties.

کلیدواژه‌ها English

Sales policy Making
Clustering
Product portfolio
Distribution Industry
Predictive Analytics
1[ مشهدی حاجی علّی ف. ، رفیعی م.، علّیمیری م. ، «الگوی تصمیم گیری شرکتهای کوچک و متوسط دانش بنیان در شرایط پیچیده و عدم قطعیت عمیق»، مدیریت نوآوری جلد ،2شماره2 ،1392، صص. 121
]2[خدیور آمنه, حامدی پروشات. ارائه الگو ترکیبی داده کاوی با استفاده از قواعد انجمنی و خوشه بندی برای تعیین استراتژی تخفیف دهی، مطالعه موردی شرکت پگاه،1395، صص5-10.‎
]3[مهدی حسینی سرخوش پیمان اخوان حسین دهقانی پوده "افزایش موفقیت توسعه محصول جدید مبتنی بر رویکرد نوآوری باز" ، نشریه علمی - پژوهشی سال دوم شماره ۲،تابستـان ۱۳۹۲ مدیریت نوآوری صص 350-300.
[4]Teresa M. McCarthy Byrne, Motivating the industrial sales force in the sales forecasting process:Harvard Business School, 2011
]5[خواجوی, شکراله, ابراهیمی. مدل‌سازی متغیرهای اثرگذار برکشف تقلب در صورت‌های مالی با استفاده از تکنیک‌های داده‌کاوی. فصلنامه حسابداری مالی, 9(33),2017 , صص 23-50.‎
[6]Chiang, W. Y. Applying data mining for online CRM marketing strategy. British Food Journal.2018
[7]Abazi-Caushi, B., Ismaili, F., Caushi, A., Zenuni, X., & Raufi, Institutional Effectiveness Prediction Using Data Mining Techniques. 2018.
[8]Alcalá, R., Gacto, M. J., & Alcalá‐Fdez, J. Evolutionary data mining and applications: A revision on the most cited papers from the last 10 years. Wiley Interdisciplinary Reviews: Data Mining and Knowledge Discovery, 2017,8(2), e1239.
]9[قاضی زاده, بیگی نیا, عباسپور, مهرنوش, عنبری, بررسی تاثیر بازاریابی رابطه مند بر وفاداری مشتریان با استفاده از مدل توسعه یافته بازاریابی رابطه مند (ERM)(مورد مطالعه: شرکت بیمه ملت). راهبردهای بازرگانی, 9(47), 2011, 407-422.‎
]10[احمدی دهرشید, کیوان, عبداله زاده مقدم, & سهراب.. مدل ریاضی یکپارچه برای بهینه‌سازی سیستم تولید-توزیع زنجیره تأمین کالاهای فاسدشدنی با انبارهای میانی. مدیریت تولید و عملیات 37-53, 2019‎
[11]Tan, Y., Li, X., & Chen, Z. Application of mining association rules in web information retrieval system. Computer engineering, 2006 , 57-61.
[12]Linoff, G. S., & Berry, M. J. Data mining techniques: for marketing, sales, and customer relationship management. John Wiley & Sons,2011.
[13]Adamson, B., Dixon, M., & Toman, N.. The End of Solution Sales. Harvard Business Review, 2012, 310.
[14]Shaniqua, U., & Qaiser, H.. A comparative study of data mining process models (KDD, CRISP-DM and SEMMA). International Journal of Innovation and Scientific Research, 12(1), 2014,217-222.
[15]Reischl, R. M. “Data Mining Tools. Data Mining and Knowledge Discovery”, 2011, 431-443.
پژوهش های مدیریت منابع سازمانی
دوره 10، شماره 3
دی 1399
صفحه 107-123