ارزيابي وفاداري مشتري با استفاده از تئوري مجموعه راف و طراحي مبتني بر بديهيات

مشتريان به عنوان يك منبع مهم ايجاد ارزش افزوده در سازمان مي باشند و حفظ و نگهداري آنها در بازار رقابتي امري حياتي است .جلب رضايت مشتريان به عنوان اصلي ترين اهداف شركتهاي پيشگام و موفق مي باشد. اين شركتها با شناسايي عوامل موثر بر رضايت مشتريان از كالا يا خدمت شركت ميتوانند وفاداري را ايجاد كنند. در اين تحقيق ابتدا عوامل ادراكي موثر بر وفاداري مشتري در ساختار نظامند با تكنيك طراحي مبتني بر بديهيات شناسايي و طراحي شده است. سپس با استفاده از مجموعه تئوري راف درصدد كشف الگوهاي ثابتي ميباشد كه بتواند به عنوان يك قاعده رفتار مشتريان را پيش بيني نمايد. لازم بذكر است سنجش درجه وفاداري مشتريان به هريك از عوامل ادراكي در اين تحقيق با ابزار جديد شاخص مروجين خالص NPS))بر روي 250 مشتري لپ تاپ صورت گرفته است . كه بر مبناي نتايج تحقيق حاصل از نرم افزار ROSETTA ,3 قاعده مستخرج با ضريب قطعيت بالاتر نشان ميدهند ,سن و درآمد از عوامل فردي و كيفيت كالا و خدمت از عوامل ادراكي پيش از بقيه بر ايجاد حس وفادراي در مشتري موثر است .نمايندگيهاي فروش مي توانند اين قواعد را براي پيش بيني رفتار مشتريان بكار گيرند.

Customers are an important source of value creation in each organization and keeping them in the competitive market is vital. Customers satisfaction is the most important purpose of successful companies. These companies can create loyalty by recognizing the factors affecting customers satisfaction by the products or services of the company. In this research, firstly, the perceptual factors affecting customer loyalty in a systematic design are designed with an axiom design technique. Then, using the Rough theory set, we will recognize steady patterns that can predict as a rule of customer behavior. It should be noted that in this research we measure customer loyalty with each perceptual factors by using new instrument of the net promoter score (NPS) On 250 customers of laptops. And the results are extracted by ROSETTA software shows higher accuracy, age and earning from personal factors and perceived quality from perceptual factors are important for making loyalty in customers so agents can use it to predict customers loyalty.