An Analytical Multiple Criteria Framework for Temporal and Dynamic Business-to-Business Customer Segmentation in Manufacturing
Dit artikel stelt een dynamisch meercriteria-besluitvormingskader voor en valideert dit, dat traditionele RFM-modellering uitbreidt met stabiliteits- en groeidimensies, geïntegreerd met adaptieve analytische processen en op grafieken gebaseerde consensusmodellen, om robuuste, tijdgevoelige B2B-klantensegmentatie in de maakindustrie mogelijk te maken.
Oorspronkelijk artikel gelicentieerd onder CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). Dit is een AI-gegenereerde uitleg van het onderstaande artikel. Het is niet geschreven of goedgekeurd door de auteurs. Raadpleeg het oorspronkelijke artikel voor technische nauwkeurigheid. Lees de volledige disclaimer
Stel je voor dat je de manager bent van een enorm magazijn dat onderdelen levert aan duizenden verschillende fabrieken. Je hebt een gigantisch grootboek waarin elke enkele bestelling staat die deze fabrieken ooit hebben geplaatst.
Het probleem: De "momentopname"-fout
De meeste bedrijven bekijken dit grootboek als een fotograaf die één momentopname maakt. Ze vragen: "Wie koopt het meest? Wie koopt het meest recent? Wie heeft het meeste geld uitgegeven?" Dit wordt het RFM-model genoemd (Recency, Frequency, Monetary).
In een eenvoudige winkel die aan particulieren verkoopt (B2C), werkt dit prima. Maar in de zakelijke wereld (B2B) is het alsof je een marathonloper beoordeelt door alleen te kijken waar hij op dit moment staat. Het mist het hele verhaal. Een fabriek kan vandaag een beetje kopen, maar heeft een contract om volgend jaar miljoenen te kopen. Een andere kan vandaag veel kopen, maar staat op het punt om failliet te gaan. De "momentopname" mist de stabiliteit en het groeipotentieel.
De oplossing: Een "film" in plaats van een foto
De auteurs van dit artikel stellen een nieuwe manier voor om deze klanten te sorteren. In plaats van een foto, willen ze een film bekijken van de relatie met de klant in de loop van de tijd.
Ze hebben een raamwerk ontwikkeld dat drie hoofddingen doet:
Het vergroten van de lens (De criteria):
Ze keken niet alleen naar geld en data. Ze voegden twee nieuwe "lenzen" toe:- Groei: Koopt de klant meer producten naarmate de tijd vordert? Breiden ze hun ordervolume uit?
- Stabiliteit: Is de klant betrouwbaar? Kopen ze consequent, of verdwijnen ze maandenlang om dan terug te keren?
- Vergelijking: Denk aan het daten. Je kijkt niet alleen naar hoeveel iemand gisteravond aan het diner heeft uitgegeven (Geld). Je kijkt hoe vaak ze bellen (Frequentie), hoe lang je al samen bent (Recency), en of ze naarmate de tijd vordert meer toewijding tonen (Groe/Stabiliteit).
Het "panel van experts" (De gewichten):
Niet alle fabrieken zijn hetzelfde. Voor het ene bedrijf is "Groei" misschien het belangrijkste. Voor een ander is "Stabiliteit" cruciaal.
De auteurs gebruikten een methode genaamd AHP (Analytic Hierarchy Process). Stel je een panel van expertverkoopmanagers voor die rond een tafel zitten. Ze discussiëren en stemmen over wat het belangrijkst is. "Oké, voor deze strategie geven we 40% gewicht aan groei en slechts 20% aan stabiliteit." Het systeem past de wiskunde vervolgens aan om te voldoen aan hun specifieke doelen.De "dubbele-check" (Het consensusmodel):
Het systeem voert twee verschillende soorten analyses uit:- Time-series clustering: Het bekijkt de film van de data om te zien hoe klanten in de loop van de tijd bewegen.
- Stabiliteitsmodellering: Het controleert hoe "wankel" een klant is. Springen ze tussen groepen, of blijven ze op hun plaats?
Vervolgens gebruikt het een Graph-Based Consensus Model. Stel je twee verschillende detectives voor die hetzelfde geval onderzoeken. De ene zegt: "Deze man zit in Groep A." De andere zegt: "Nee, hij zit in Groep B." Het systeem bekijkt hun notities, weegt hun meningen en vindt de "waarheid" die beiden tevreden stelt. Dit zorgt ervoor dat de uiteindelijke groepen stevig zijn en niet slechts een toevalstreffer van één specifieke wiskundige formule.
De resultaten: Het magazijn sorteren
Ze hebben dit getest bij een echte productiebedrijf met 3.458 klanten.
- De oude manier (Standaard RFM): Groepeerde klanten op basis van eenvoudige wiskunde.
- De nieuwe manier (Hun raamwerk): Groepeerde klanten op basis van de "film" van hun gedrag en de prioriteiten van het panel van experts.
De nieuwe methode toonde aan dat de oude manier de nuance miste. Het slaagde erin de klanten in vier distincte "personas" te sorteren:
- De hoogfrequente strategen: Ze kopen vaak, maar in kleine hoeveelheden. Ze zijn actief, maar niet super loyaal.
- De hoogbestedende giganten: Ze kopen minder vaak, maar als ze dat doen, is het enorm. Ze zijn zeer loyaal en winstgevend.
- De dabbelaars: Ze kopen een beetje van alles, maar zelden. Ze zijn moeilijk te vatten.
- De volumewerkers: Ze kopen enorme hoeveelheden, maar leveren het bedrijf niet veel winst op. Ze zijn betrouwbaar, maar met een lage marge.
Waarom dit belangrijk is
Het artikel beweert dat deze methode bedrijfsleiders een "superkracht" geeft. In plaats van te raden welke klanten ze als VIP's moeten behandelen, kunnen ze deze dynamische, tijd-gebaseerde kaart gebruiken om te zien wie er daadwerkelijk groeit en wie stabiel is. Het helpt hen te beslissen wie een toegewezen accountmanager krijgt, wie een korting krijgt en wie een duwtje in de rug nodig heeft om meer te kopen.
Kortom, ze zijn overgestapt van het maken van een stilstaande foto van een klant naar het bekijken van een volledige film van hun relatie, waardoor het bedrijf slimmere, stabielere beslissingen kan nemen.
Verdrinkt u in papers in uw vakgebied?
Ontvang dagelijkse digests van de nieuwste papers die bij uw onderzoekswoorden passen — met technische samenvattingen, in uw taal.