Regulation and Prediction of Customers’ Behaviors Based on Rough Set Theory and Selectability/Rejectability Measures (Case Study: Sony Ericsson Mobile Phones)

Document Type : Research Paper

Authors

1 M.A., MBA. University of Shahrood, Shahrood, Iran

2 Assistant Professor (PhD), Department of Industrial Engineering and Management, University of Shahrood, Shahrood, Iran

Abstract

Regarding the highly intensive competition in the market, nowadays using customer-oriented strategies is necessary for customers’ retention and attraction. Nevertheless using these kinds of strategies depends on understanding customers’ behavior patterns and classification of customers based on these patterns. The goal of the current study is to determine the strategies to deal with new customers according to the existing customers’ behavior. In order to achieve this goal, first the behavior patterns of existing customers were identified using NPS questionnaires and RST method, and then their behaviors were predicted using Selectability/ Rejectability Measures and assigning them to pre-defined classifications. This study is practical regarding the purpose and is a survey in terms of methodology, and is conducted on 250 samples of Sony Ericsson mobile phone users. The results show that reliability dimension plays an important role in influencing customers’ behavior and appropriate strategies toward new customers can be taken using current customers’ behaviors.

Keywords

Main Subjects


الوداری، ح. ( 1389 ). بازاریابی و مدیریت بازار.چاپ هشتم. تهران: انتشارات دانشگاه پیام نور.
امیرشاهی، م.ا. و عباسیان، ف. ( 1386 ). بررسی تأثیر برداشت های مصرف کنندگان از نام تجاری بر
واکنش آن ها (مورد پژوهشی: مصرف کنندگان تلفن همراه در شهر تهران . پژوهشنامه علوم
.29-52 :(25) انسانی و اجتماعی، 7
امیری، ب.؛ شکوری، ح.؛ موسی خانی، م. و شاوردی، م. ( 1390 ). پیش بینی الگوهای رفتاری مشتریان
:(4) بانک جهت شناسایی روش مناسب برای ارائه سرویس های پیشنهادی. دانش و فناور ی، 1
.173-155
تقوی فرد، م.ت.؛ نعمت، م. و صنیعی فرد، م.ع. ( 1390 ). مدل پی شبینی رفتار خرید مجدد مشتریان (مورد
:(10) مطالعه: شرکت خدمات دهندة اینترنت). فصل نامة علم ی پژوهش ی مدیری ت بازرگان ی، 3
.55-74
حسینی، س.ی. و ضیایی بیده، ع.ر. ( 1391 ). استفاده از یک رویکرد ترکیبی بر پایة شبک ه های عصبی
مصنوعی و نظریة مجموعة ناهموار برای مدل سازی وفاداری مشتریان به شناسه در صنعت
.43-64 :(3) خدمات تلفن همراه. فصلنامة علمی پژوهشی مدیریت بازرگانی، 4
حمیدی زاده، م.ر. و غمخواری، س.م. ( 1388 ). شناسایی عوامل مؤثر بر وفاداری مشتریان براساس
.187-210 : مدل سازی سازم ان های پاسخ گوی سریع. پژوهشنامة بازرگانی، 2
خاکی، غ.ر. ( 1378 ). روش تحقیق با رویکردی به پایا ننامه نویسی. چاپ اول، انتشارات مرکز تحقیقات
علمی کشور با همکاری کانون فرهنگی انتشاراتی درایت.
صنایعی، ع.، و شافعی، ر. ( 1391 ). ارائة مدلی برای تحلیل و پیش بینی رفتار خرید مشتر ی ها براساس
: تئوری کارکردی نگرش (مطالعة موردی صنعت خودرو ایران ). پژوهشنام ة بازرگان ی. 62
.192-153
محمدی، ا. ( 1382 ). مشتر یمداری تکریم ارباب رجوع (چاپ اول). تهران: مؤسسه خدمات فرهنگی رسا.
محمدی، ع. و شیخ، ر. ( 1391 ). سنجش درج ة وفادار ی مشتریا ن براسا س شاخ ص خالص مروجی ن
(مطالعة موردی: تلفن همراه نوکیا و سون یاریکسون). کنگرة موبایل ایران. تهران: مرکز مطالعات
تکنولوژی دانشگاه صنعتی شریف.
محمدی، ع. و شیخ، ر. ( 1392 ). تحلیل خطای هال های رفتار مشتریان با استفاده از شاخص مروجین
فصلنامة علمی پژوهشی مدیریت بازرگان ی، 5 .(RST) و تئوری مجموعة راف (NPS) خالص
.143-119 :(1)
ی، دورة 6، شمارة 1، بهار 1393 􀨩 بازرگا 􀢌􀦶􀭌د􀥠 164
مؤتمنی، ع. ر، جعفری، ا و مجرد، ف. ( 1389 ). مدیریت ارتباط با مشتری. چاپ دوم. تهران: شرکت چاپ
و نشر بازرگانی.
نیکوکار، غ.؛ دیوانداری، ع.؛ ابراهیمی، ع.ا. و اسفیدانی، م. ر. ( 1388 ). الگوی رفتار مصرف کننده و
استراتژی های بازاریابی اینترنتی: لوازم خانگی ایران. فصلنامه علمی پژوهشی مدیریت بازرگان ی،
.150-135 :(2) 1
هاشمی، ا. ( 1387 ). مدلسازی انتخاب گوشی همراه توسط مشتری نهایی با استفاده از شبک ههای عصب ی.
پایان نامة کارشناسی ارشد دانشکدة مدیریت، پردیس قم، دانشگاه تهران.
Bae, J. K. & Kim, J. (2010). Integration of heterogeneous models to predict
consumer behavior. Expert Systems with Applications, 37 (3): 1821-1826.
Błaszczyński, J., Greco, S. & Słowiński, R. (2007). Multi-criteria classification
– A new scheme for application of dominance-based decision rules.
European Journal of Operational Research, 181 (3): 1030-1044.
Chen, W.-S. (2009). Analysis of a customer satisfaction survey using Rough
Sets theory: A manufacturing case in Taiwan. Asia Pacific Journal of
Marketing and Logistics, 21 (1): 93-105.
Cohen, M.-D. (2004). Exploiting response models—optimizing cross-sell and
up-sell opportunities in banking. Information Systems, 29 (4): 327-341.
Danso, S. O. (2006). An Exploration of Classification. Prediction Techniques in
Data Mining: The insurance domain. Masters Degree in Advanced
Software Engineering: Bournemouth University.
Galvao Jr, A. F. (2009). Unit root quantile autoregression testing using
covariates. Journal of Econometrics, 152 (2): 165-178.
Greco, S., Matarazzo, B. & Slowinski, R. (2007). Customer Satisfaction
Analysis based on Rough Set Approach. Journal of Marketing, 77 (3):
325-329.
Hoogendorp, O. (2010). Factors which influence Net Promoter Score in a
Multichannel Service Context. Master of Science In Innovation
Management: Eindhoven University of Technology.
Keiningham, T. L., Cooil, B., Andreassen, T. W. & Aksoy, L. (2007). A
longitudinal examination of net promoter and firm revenue growth.
Journal of Marketing, 71 (3): 39-51.
قاعده مندسازی و پیش بینی رفتار مشتریان براساس نظریة مجموعة ... 165
Kiang, M. Y. (2003). A comparative assessment of classification methods.
Decision Support Systems, 35 (4): 441-454.
Kim, Y. & Street, W. N. (2004). An intelligent system for customer targeting: a
data mining approach. Decision Support Systems, 37 (2): 215-228.
Lahiri, R. (2006). Comparison of Data Mining and Statistical Techniques for
Classification Model. Master of Science (M.S.), Louisiana State
University: Louisiana State University.
Levin, N., Zahavi, J. & Olitsky, M. (1995). AMOS — A probability-driven,
customer-oriented decision support system for target marketing of solo
mailings. European Journal of Operational Research, 87 (3): 708-721.
Lin, M.-H., Huang, S.-Y. & Chang, Y.-c. (2004). Kernel-Based Discriminant
Techniques for Educational Placement. Journal of Educational and
Behavioral Statistics, 29 (2): 219-240.
Liou, J. J. (2009). A novel decision rules approach for customer relationship
management of the airline market. Expert Systems with Applications, 36
(3): 4374-4381.
Liou, J. J. & Tzeng, G.-H. (2010). A Dominance-based Rough Set Approach to
customer behavior in the airline market. Information Sciences, 180 (11):
2230-2238.
McGlaughlin, F. & Powell, J. (2012). What Your Customers Want: How to
predict customer behavior for maximum ROI. www.Marketing
Experiments.com.
Michalski, R. S. (1983). A theory and methodology of inductive learning.
Artificial Intelligence, 20 (2): 111-161.
Tchangani, A. P. (2006). Multiple Objectives and Multiple Actors
Load/Resource Dispatching or Priority Setting: Satisficing Game
Approach. AMO – Advanced Modeling and Optimization: An Electronic
International Journal, 8 (2): 111-134.
Tchangani, A. P., Bouzarour, Y. & Pérès, F. (2011). Bipolar Evaluation Model
in Decision Analysis. In: Proceedings of the 12th Annual Congress of the
French Society of operational research and decision support, ROADEF
2011.
ی، دورة 6، شمارة 1، بهار 1393 􀨩 بازرگا 􀢌􀦶􀭌د􀥠 166
Wilson, R. L. & Sharda, R. (1994). Bankruptcy prediction using neural
networks. Decision Support Systems, 11 (5): 545-557.
Wong, D.R. & Sohal, S.D. (2003). New empirical perspectives on brand loyalty:
implications for satisfaction strategy and equity canfield. School of
Management Working Paper Series, S.W, 27-95.
Ziarko, W. (1991). The Discovery, Analysis, and Representation of Data
Dependencies in Databases. In Knowledge Discovery in Databases (pp.
195-212). MIT Press Cambridge, MA, USA.