مدل وفادار‌سازي مشتريان در سازمان‌هاي نوظهور مبتني‌بر شبكه‌هاي عصبي مصنوعي؛ مطالعة موردي: بانك‌هاي خصوصي نوظهور

Customer Loyalty Model in Emerging Organizations Based on Artificial Neural Networks (Case Study: Emerging Private Banks)

اين مقاله با توجه به اهميت ويژه مشتريان در سازمان‌هاي نوظهور، به ارائه مدل وفادارسازي مشتريان بر اساس 8 فاكتور مؤثر در وفادارسازي مشتريان شامل: اعتماد، كيفيت سرويس، هزينه جابجايي، شهرت، تعهد، ارزش ادراكي و رضايتمندي، در 8 بانك خصوصي نوظهور شهر تهران پرداخته است. ابزار جمع‌آوري اطلاعات اين پژوهش كه رويكردي كمي دارد و راهبردي پيمايشي، پرسشنامه بوده كه بين 340 نفر از اعضاي جامعه آماري كه با روش نمونه‌گيري تصادفي انتخاب شدند، توزيع گرديد. تحليل آماري به روش رگرسيون و سپس مدل شبكه عصبي مصنوعي(ANN) صورت پذيرفت. نتايج حاصل از مدل رگرسيون حاكي از بيشترين ميزان اثرگذاري: وفاداري، اعتماد،كيفيت سرويس و روح همدلي بر ارزش ادراكي مشتريان وبيشترين ميزان تأثير: اعتماد،كيفيت سرويس، روح همدلي و تعهد، بر رضايتمندي مشتري بوده و ارزش ادراكي و رضايتمندي مشتري، رابطه مستقيمي با وفاداري مشتريان دارند. نتايج مستخرج از مدل شبكه عصبي مصنوعي گوياي خطاي كمتر آن نسبت به مدل رگرسيوني است.

Given the special importance of customers in emerging organizations, this paper presents a customer loyalty model based on 8 factors influencing: customer loyalty including: trust, quality of service, transfer cost, reputation, commitment, perceived value, and satisfaction in 8 emerging private banks in Tehran. The data collection tool of this quantitative and survey strategy study was a questionnaire distributed among the statistical population of 340 members who were selected by random sampling. Statistical analysis was performed by the regression method and then the ANN model. The results of the regression model showed that the highest influence was for loyalty, trust, quality of service, and empathy on customer perceived value factors. an‎d the most effect on customer satisfaction was for trust, quality of service, empathy, and commitment modes. Customer perceived value and satisfaction were directly related to customer loyalty. The results obtained from the artificial neural network model indicate that it has fewer errors than the regression model.