طراحی مدل تجزیه و تحلیل رفتار مشتریان مبتنی بر کلان داده با استفاده از روش فرا ترکیب و دلفی

نوع مقاله : برگرفته از پایان نامه و رساله

نویسندگان

1 دانشجوی دکتری مدیریت بازرگانی ، واحد عجب شیر، دانشگاه آزاد اسلامی، عجب شیر، ایران

2 استادیار مدیریت،واحد عجب شیر،دانشگاه ازاد اسلامی ،عجب شیر،ایران

3 استادیار گروه مدیریت،واحد تبریز، دانشگاه آزاد اسلامی ،تبریز، ایران،

4 استادیار گروه مدیریت، واحد تبریز، دانشگاه آزاد اسلامی، تبریز، ایران

چکیده

صنعت مالی همیشه یک صنعت داده محور بوده است. پیشرفتهای تکنولوژیکی اخیر همراه با چندین عامل دیگر مانند تغییر اولویت های مشتری و تغییر نیازهای کسب وکار منجر به تولید و مصرف مقادیر زیادی داده شده است. تجزیه وتحلیل رفتار مشتریان با کلان داده طی بیست سال گذشته بسیار مورد توجه بازاریابان بانکی قرار گرفته است. بانک ها برای بهره برداری بهینه از فرصت ها، منابع و جلوگیری از ریسک ها در شرایط پرمتلاطم بازار به‌عنوان جایگزینی قدرتمند از تجزیه و تحلیل رفتار مشتریان استفاده کرده اند. این مفهوم بسیار پویا بوده و علیرغم پژوهش های گسترده، هنوز به اندازه کافی مورد بررسی قرار نگرفته است. هدف این پژوهش، تدوین مدل جامع تجزیه و تحلیل مشتریان مبتنی بر کلان داده از طریق بررسی یک‌صد و پنجاه و شش اثر موجود در نه پایگاه علمی معتبر و نظرات خبرگان است. این پژوهش کوشیده با ترکیبی از پژوهش ها به بسط مبانی نظری تجزیه و تحلیل رفتار مشتریان کمک نماید. برای تحلیل ادبیات پژوهش از روش فراترکیب استفاده شد. سپس با استفاده از روش دلفی دو مرحله ای، نظرات خبرگان بانک های غرب کشور (کردستان، کرمانشاه، آذربایجان غربی، همدان) گرفته شد و هفده مقوله در قالب چهل و نه مفهوم طبقه بندی شدند. نتایج نشان می دهد مدل تجزیه و تحلیل رفتار مشتریان از پنج مقوله عوامل شکل دهنده رفتار، کلان داده، راهبردها، چالش ها و پیامدها تشکیل شده است.

کلیدواژه‌ها


عنوان مقاله [English]

Designing a Model for Analyzing Customer Behavior on Big Data Using Meta-Synthesis Method and Delphi Method

نویسندگان [English]

  • foad kouhzadi 1
  • hossin ghareh biglo 2
  • hossein budaghi khaje nobar 3
  • yaghob alavi matin 4
1 PhD Student in Business Management, Ajab Shir Branch, Islamic Azad University, Ajab Shir
2 Assistant Professor of Management, Ajab Shir Branch, Islamic Azad University, Ajab Shir, Iran
3 Assistant Professor of Management, Tabriz Branch, Islamic Azad University, Tabriz, Iran,
4 Assistant Professor of Management, Tabriz Branch, Islamic Azad University, Tabriz, Iran0914311
چکیده [English]

The financial industry has always been a data-driven industry. Recent technological advances along with several other factors such as changing customer priorities and changing business needs have resulted in large quantities of production and consumption. Analysis of customers' behavior with Big data over the past 20 years has attracted the attention of banking marketers. Banks have used customer behavior analysis to optimally exploit opportunities, resources and avoid risks in turbulent market conditions as a powerful alternative. This concept is very dynamic and despite extensive research, it has not yet been adequately explored. The aim of this study was to develop a comprehensive model of customer analysis based on Big data by examining 156 works in nine reliable scientific databases and experts' opinions. This research has tried to develop theoretical foundations of customer behavior analysis by combining researches. To analyze the research literature, the method of transcending was used. Then, using two-stage Delphi method, the opinions of experts of the western banks of the country (Kurdistan, Kermanshah, West Azarbaijan, Hamedan) were taken and seventeen categories were classified into forty-nine concepts. The results show that customer behavior analysis model consists of five categories: factors shaping behavior, macro data, strategies, challenges and consequences.

کلیدواژه‌ها [English]

  • Analyzing Customer Behavior
  • Big Data
  • Banks in The West of Iran
  • Meta-Synthesis method
  • Delphi Method
منابع
کردی‌اردستانی، فاطمه و مبرهن، رخساره (1396). بررسی عوامل مؤثر بر پذیرش تجزیه‌وتحلیل کلان‌داده در صنعت بانکداری. هفتمین همایش ملی بانکداری الکترونیک و نظام‌های پرداخت، تهران.
محمودزاده، ابراهیم؛ صحرایی، مهدی و قوچانی‌خراسانی، محمدمهدی (1396). تدوین استراتژی کلان‌داده در تحلیل شبکه‌های اجتماعی برای پیش‌بینی بحران. مدیریت بحران، 6(1)، 77-91.
هلیلی، خداداد؛ مظلوم، جلیل و هادیان، بهرنگ (1394). بررسی کاربردهای نظامی فناوری کلان‌داده و نقش آن در مدیریت صحنه نبرد. علوم و فنون نظامی، 11(33)، 47-62.
Refrences
Alharthi, A., Krotov, V., & Bowman, M. (2017). Addressing barriers to big data. Business Horizons60(3), 285-292.‏
Amado, A., Cortez, P., Rita, P., & Moro, S. (2018). Research trends on Big Data in Marketing: A text mining and topic modeling based literature analysis. European Research on Management and Business Economics24(1), 1-7.‏
Anderson, T., & Lee, Y.  (2020). Addressing barriers to big data, 60(3), 285-292.
Arora, S., Singha, K., & Sahney, S. (2017). Understanding consumer’s showrooming behaviour: Extending the theory of planned behaviour. Asia Pacific Journal of Marketing and Logistics.‏, 29(2), 409-431.‏
Bendle, N. T., & Wang, X. S. (2016). Uncovering the message from the mess of big data. Business Horizons59(1), 115-124.‏
Bradlow, E. T., Gangwar, M., Kopalle, P., & Voleti, S. (2017). The role of big data and predictive analytics in retailing. Journal of Retailing93(1), 79-95.‏
Cluley, R., & Brown, S. D. (2015). The dividualised consumer: Sketching the new mask of the consumer. Journal of Marketing Management31(1-2), 107-122.‏
Erevelles, S., Fukawa, N., & Swayne, L. (2016). Big Data consumer analytics and the transformation of marketing. Journal of business research69(2), 897-904.‏
Fan, W., & Bifet, A. (2013). Mining big data: current status, and forecast to the future. ACM SIGKDD explorations newsletter14(2), 1-5.‏
Globalmna (2015), “2015RetailIndustryReport”.
Gupta, M., & George, J. F. (2016). Toward the development of a big data analytics capability. Information & Management53(8), 1049-1064.‏
Halili, Kh., Mazloom, J., Hadyan, B. (2016), investigating the military applications of macro data technology and its role in battlefield management. Quarterly Journal of Military Science and Technology, 11 (33), 6-13. (in Persian)
Hofacker, C. F., Malthouse, E. C., & Sultan, F. (2016). Big data and consumer behavior: Imminent opportunities. Journal of consumer marketing, 33(2), 89–97.
Janssen, M., van der Voort, H., & Wahyudi, A. (2017). Factors influencing big data decision-making quality. Journal of business research70, 338-345.‏
Jin, X., Wah, B. W., Cheng, X., & Wang, Y. (2015). Significance and challenges of big data research. Big data research2(2), 59-64.‏
Kaisler, S., Armour, F., Espinosa, J. A., & Money, W. (2013, January). Big data: Issues and challenges moving forward. In 2013 46th Hawaii international conference on system sciences (pp. 995-1004). IEEE.‏
Kilcourse, B., & Rosenblum, P. (2014). Retail analytics moves to the frontline. Retrieved on April20, 2018.‏
Kopalle, P. K., Kannan, P. K., Boldt, L. B., & Arora, N. (2012). The impact of household level heterogeneity in reference price effects on optimal retailer pricing policies. Journal of Retailing88(1), 102-114.‏
Kurdi ardestani, F., & Mobarhan, R. (2018). Investigating the Factors Affecting the Acceptance of Metadata Analysis in the Banking Industry, 7th National Conference on Electronic Banking and Payment Systems, Tehran. (in Persian)
Lee, I. (2017). Big data: Dimensions, evolution, impacts, and challenges. Business horizons60(3), 293-303.‏
Lee, J., Lapira, E., Bagheri, B., & Kao, H. A. (2013). Recent advances and trends in predictive manufacturing systems in big data environment. Manufacturing letters1(1), 38-41.‏
Lin, C. (2016). Exploring big data capability: drivers and impact on supply chain performance (Doctoral dissertation, University of Toledo).‏
Mahmoudzade Khorasani, E., Sahraee, M., & Ghuchani, M. M. (2018). Developing a Metadata Strategy in Social Network Analysis for Crisis Prediction, Quarterly Journal of Crisis Management, 6 (11), 77-91. (in Persian)
Manyika, J., Chui, M., Brown, B., Bughin, J., Dobbs, R., Roxburgh, C., & Hung Byers, A. (2011). Big data: The next frontier for innovation, competition, and productivity. McKinsey Global Institute.‏
Manyika, J., Chui, M., Brown, B., Bughin, J., Dobbs, R., Roxburgh, C., & Hung Byers, A. (2011). Big data: The next frontier for innovation, competition, and productivity. McKinsey Global Institute.‏
Matti, M., & Kvernvik, T. (2012). Applying big-data technologies to network architecture. Ericsson Review284, 23-3181.‏
Mayer-Schönberger, V., & Cukier, K. (2013). Big data: A revolution that will transform how we live, work, and think. Houghton Mifflin Harcourt.‏
McAfee, A., Brynjolfsson, E., Davenport, T. H., Patil, D. J., & Barton, D. (2012). Big data: the management revolution. Harvard business review90(10), 60-68.‏
Mohamed, S., Ismail, O., & Hogan, O. (2012). Data equity: Unlocking the value of big data. London, UK: Centre for Economics and Business Research.‏
Motamarri, S., Akter, S., & Yanamandram, V. (2017). Does big data analytics influence frontline employees in services marketing?. Business Process Management Journal.‏
Partners, N. (2012). Big data executive survey: creating a big data environment to accelerate business value. NewVantage Partners.‏
Petković M. (2016). The Big Data Value Strategic Research and Innovation Agenda, Journal of Computer Information Systems, 50(3), 23–32.
Saini, M., & Shlonsky, A. (2008). Developing a protocol for systematic synthesis within C2 reviews: Expanding the evidence for decisions in education, social welfare and criminal justice. In The Eighth Annual International Campbell Collaboration Colloquium, Vancouver, British Columbia, Canada, May (pp. 12-14).‏
Sandelowski, M., Barroso, J., & Voils, C. I. (2007). Using qualitative metasummary to synthesize qualitative and quantitative descriptive findings. Research in nursing & health30(1), 99-111.‏
Shamim, S., Zeng, J., Shariq, S. M., & Khan, Z. (2019). Role of big data management in enhancing big data decision-making capability and quality among Chinese firms: A dynamic capabilities view. Information & Management56(6), 103135.‏
Shibata, T., & Kurachi, Y. (2015). Big data analysis solutions for driving innovation in on-site decision making. Fujitsu Scientific and Technical Journal51(2), 33-41.‏
Strong, C. (2015). Humanizing big data: Marketing at the meeting of data, social science and consumer insight. Kogan Page Publishers.‏
Wilder, K. M., Collier, J. E., & Barnes, D. C. (2014). Tailoring to customers’ needs: Understanding how to promote an adaptive service experience with frontline employees. Journal of Service Research17(4), 446-459.‏