An Analytical Multiple Criteria Framework for Temporal and Dynamic Business-to-Business Customer Segmentation in Manufacturing
यह शोध पत्र एक गतिशील बहु-मानदंड निर्णय लेने वाले ढांचे का प्रस्ताव और सत्यापन करता है जो पारंपरिक RFM मॉडलिंग को स्थिरता और विकास आयामों के साथ विस्तारित करता है, जिसे अनुकूलन योग्य विश्लेषणात्मक प्रक्रियाओं और ग्राफ-आधारित सर्वसम्मति मॉडलों के साथ एकीकृत किया गया है, ताकि विनिर्माण क्षेत्र में सुदृढ़, समय-संवेदनशील B2B ग्राहक विभाजन को सक्षम बनाया जा सके।
मूल पेपर CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/) के तहत लाइसेंस किया गया है। नीचे दिए गए पेपर की यह व्याख्या AI से तैयार की गई है। इसे लेखकों ने न तो लिखा है, न इसका समर्थन किया है। तकनीकी सटीकता के लिए मूल पेपर देखें। पूरा डिस्क्लेमर पढ़ें
कल्पना कीजिए कि आप एक विशाल गोदाम के प्रबंधक हैं जो हजारों अलग-अलग कारखानों को पुर्जों की आपूर्ति करता है। आपके पास एक विशाल बहीखाता (ledger) है जिसमें इन सभी कारखानों द्वारा दिए गए हर एक ऑर्डर का विवरण दर्ज है।
समस्या: "स्नैपशॉट" की गलती
अधिकांश कंपनियाँ इस बहीखाते को एक फोटोग्राफर की तरह देखती हैं जो केवल एक सिंगल स्नैपशॉट लेता है। वे पूछते हैं: "किसने सबसे ज्यादा खरीदा? हाल ही में किसने सबसे ज्यादा खरीदा? किसने सबसे ज्यादा पैसा खर्च किया?" इसे RFM मॉडल (Recency, Frequency, Monetary) कहा जाता है।
एक साधारण स्टोर में, जो आम लोगों (B2C) को सामान बेचता है, यह ठीक काम करता है। लेकिन बिजनेस की दुनिया (B2B) में, यह एक मैराथन धावक को केवल इस आधार पर आंकने जैसा है कि वह अभी कहाँ खड़ा है। यह पूरी कहानी को छोड़ देता है। एक कारखाना आज थोड़ा बहुत सामान खरीद सकता है, लेकिन उसके पास अगले साल लाखों का सामान खरीदने का अनुबंध (contract) हो सकता है। दूसरा आज बहुत कुछ खरीद सकता है, लेकिन वह दिवालिया होने की कगार पर हो सकता है। "स्नैपशॉट" स्थिरता (stability) और विकास (growth) की क्षमता को नहीं देख पाता।
समाधान: फोटो के बजाय एक "मूवी"
इस शोध पत्र के लेखक ग्राहकों को वर्गीकृत करने का एक नया तरीका प्रस्तावित करते हैं। एक फोटो के बजाय, वे समय के साथ ग्राहक के संबंधों की एक मूवी देखना चाहते हैं।
उन्होंने एक ढांचा (framework) बनाया जो मुख्य रूप से तीन चीजें करता है:
- लेंस का विस्तार (मानदंड):
उन्होंने केवल पैसे और तारीखों को नहीं देखा। उन्होंने दो नए "लेंस" जोड़े:
- विकास (Growth): क्या ग्राहक समय के साथ अधिक उत्पाद खरीद रहा है? क्या वे अपने ऑर्डर की मात्रा बढ़ा रहे हैं?
- स्थिरता (Stability): क्या ग्राहक विश्वसनीय है? क्या वे लगातार खरीदारी करते हैं, या वे महीनों के लिए गायब हो जाते हैं और फिर वापस आते हैं?
- उपमा (Analogy): इसे डेटिंग की तरह समझें। आप केवल यह नहीं देखते कि किसी ने कल रात के खाने पर कितना खर्च किया (पैसा)। आप यह भी देखते हैं कि वे कितनी बार कॉल करते हैं (आवृत्ति/Frequency), आप कितने समय से साथ हैं (हालिया/Recency), और क्या वे समय के साथ अधिक प्रतिबद्ध (committed) हो रहे हैं (विकास/स्थिरता)।
"विशेषज्ञ पैनल" (भार/Weights):
सभी कारखाने एक जैसे नहीं होते। एक कंपनी के लिए, "विकास" सबसे महत्वपूर्ण हो सकता है। दूसरी कंपनी के लिए, "स्थिरता" मुख्य बात हो सकती है।
लेखकों ने AHP (Analytic Hierarchy Process) नामक एक विधि का उपयोग किया। कल्पना कीजिए कि विशेषज्ञ सेल्स मैनेजरों का एक पैनल एक मेज के चारों ओर बैठा है। वे बहस करते हैं और वोट देते हैं। "ठीक है, इस रणनीति के लिए, हम विकास को 40% महत्व देते हैं और स्थिरता को केवल 20%।" सिस्टम फिर उनके विशिष्ट लक्ष्यों से मेल खाने के लिए गणित को समायोजित करता है।"दोहरा सत्यापन" (आम सहमति/Consensus):
सिस्टम दो अलग-अलग प्रकार के विश्लेषण चलाता है:
- टाइम-सीरीज क्लस्टरिंग (Time-Series Clustering): यह डेटा की मूवी को देखता है कि ग्राहक समय के साथ कैसे बदलते हैं।
- स्थिरता मॉडलिंग (Stability Modeling): यह जांचता है कि एक ग्राहक कितना "डगमगाता" (wobbly) है। क्या वे समूहों के बीच कूदते रहते हैं, या वे एक ही जगह टिके रहते हैं?
फिर, वे एक ग्राफ-आधारित आम सहमति मॉडल (Graph-Based Consensus Model) का उपयोग करते हैं। कल्पना कीजिए कि दो अलग-अलग जासूस एक ही मामले की जांच कर रहे हैं। एक कहता है, "यह व्यक्ति समूह A में है।" दूसरा कहता है, "नहीं, वह समूह B में है।" सिस्टम उनके नोट्स को देखता है, उनकी राय को तौलता है, और एक ऐसा "सत्य" खोजता है जो दोनों को संतुष्ट करता है। यह सुनिश्चित करता है कि अंतिम समूह ठोस हैं और केवल किसी एक विशिष्ट गणितीय सूत्र का परिणाम नहीं हैं।
परिणाम: गोदाम का वर्गीकरण
उन्होंने इसका परीक्षण एक वास्तविक विनिर्माण कंपनी पर किया जिसके 3,458 ग्राहक थे।
- पुराना तरीका (मानक RFM): ग्राहकों को सरल गणित के आधार पर समूहों में बांटा गया।
- नया तरीका (उनका ढांचा): ग्राहकों को उनके व्यवहार की "मूवी" और विशेषज्ञ पैनल की प्राथमिकताओं के आधार पर वर्गीकृत किया गया।
नए तरीके ने दिखाया कि पुराना तरीका बारीकियों को समझने में विफल रहा। इसने सफलतापूर्वक ग्राहकों को चार अलग-अलग "पर्सोना" (पहचानों) में विभाजित किया:
- उच्च-आवृत्ति रणनीतिकार (High-Frequency Strategists): वे अक्सर खरीदारी करते हैं लेकिन कम मात्रा में। वे सक्रिय हैं लेकिन बहुत वफादार नहीं हैं।
- उच्च-व्यय दिग्गज (High-Spend Giants): वे कम बार खरीदारी करते हैं, लेकिन जब वे करते हैं, तो यह बहुत बड़ी होती है। वे बहुत वफादार और लाभदायक हैं।
- डबलर्स (Dabblers): वे थोड़ा-बहुत सब कुछ खरीदते हैं लेकिन शायद ही कभी। उन्हें पकड़ पाना कठिन है।
- वॉल्यूम वर्कर्स (Volume Workers): वे भारी मात्रा में खरीदारी करते हैं लेकिन कंपनी को बहुत अधिक लाभ नहीं पहुँचाते। वे विश्वसनीय हैं लेकिन कम मार्जिन वाले हैं।
यह क्यों मायने रखता है
शोध पत्र का दावा है कि यह विधि व्यावसायिक नेताओं को एक "सुपरपावर" देती है। यह अनुमान लगाने के बजाय कि किन ग्राहकों को VIP की तरह व्यवहार करना चाहिए, वे इस गतिशील, समय-आधारित मानचित्र का उपयोग यह देखने के लिए कर सकते हैं कि वास्तव में कौन बढ़ रहा है और कौन स्थिर है। यह उन्हें यह तय करने में मदद करता है कि किसे समर्पित अकाउंट मैनेजर मिलना चाहिए, किसे छूट मिलनी चाहिए, और किसे अधिक खरीदने के लिए प्रेरित करने की आवश्यकता है।
संक्षेप में, वे ग्राहक के संबंध की एक स्थिर फोटो लेने के बजाय, एक पूर्ण मूवी देख रहे हैं, जिससे व्यवसाय अधिक स्मार्ट, अधिक स्थिर निर्णय ले पाने में सक्षम होता है।
अपने क्षेत्र के पेपरों की भीड़ में उलझे हुए हैं?
आपके रिसर्च कीवर्ड से मेल खाने वाले सबसे नए और अलग सोच वाले पेपरों का रोज़ाना Digest पाएँ—तकनीकी सारांश के साथ, आपकी भाषा में।