BRISA LOYALE Müşteri Sadakat Analizi

1. BRISA LOYALEMüşteri Sadakat Analizi Şirket Danışmanları: Timur Akarsu ,Hakan Ay & Neslihan Altıntaş Akademik Danışman: Yrd. Doç. Dr. Çağrı Haksöz, Yönetim Bilimleri Fakültesi Rıza Can Çağlar -Uğur Sağıroğlu Özel Teşekkürler: Mine Ülgüray, Appaz Bavbekov ve Kemal Güler

2. Ajanda

3. Projenin Amacı Projenin Hedefi: • Müşteri memnuniyetinin sadece anketlerle takip edilmesi ve bunun sadakate dönüşüp dönüşmediğinin ölçülememesi nedeni ile alternatif bir model ile müşteri analizi yapılmak istenmesi. • Bayi otomasyon sistemi kullanarak müşterinin geçmiş lastik alım bilgi ve davranışları analiz edilerek müşteri sadakatinin ölçülerek izlenmesi ve buna uygun politikalar geliştirilmesi.

4. Brisa’dan Müşteriye Brisa Bayi Müşteri BOS

5. Akademik Literatür • Sadakat • Müşteri sadakati, sadece çoklu alım yapmaktan ibaret değildir. • Gerçek marka sadakati, markayla iyi ilişkilerin tekrar alıma dönme durumudur. • Sadık Müşterilerin • Daha fazla para verme eğiliminin olması, • Hizmet vermenin daha az masraflı olması, • Yeni müşteri katılımına katkıda bulunması.

6. Akademik Literatür • İlişki Gücünü Ölçen İndikatörler • Davranışsal(Niceliksel) • Kaç senedir müşteri olduğu • Son fatura yakınlığı • Alım sıklığı • Harcadığı para • Devamlılığı • Fikirsel(Niteliksel) • Memnuniyet • Çekicilik • Yeni markaya geçme eğilimi • Güven • Katılım • Uzun dönem beklentileri

7. Akademik Literatür • Müşteri Katkı Modeli (Hung and Kang (2006)) • Hedef: Müşterileri gruplayarak bölmek • Genel dağılıma oranla her grubun kendine özgü bir şekilde anlamlandırılması ve bunu 3 temel kritere bakarak yapmak • (RecencyFrequencyMonetary) ( Yakınlık-Sıklık-Parasal)

8. Akademik Literatür • RFM Modeli • Yakınlık – Günümüze olan yakınlık • Fatura yakınlığı – Ortalama faturalar arası geçen gün • Sıklık– Ne sıklıklar fatura kesildiği • Parasal – Ne kadar harcama yaptığı • Yakınlık • Bugün – Son Fatura Tarihi • Sıklık • Fatura sayısı • Parasal • Toplam harcadığı para

9. Faturasal Yakınlık • Faturasal Yakınlık • Ortalama faturalar arasındaki gün sayısı • Fatura sıklığı en az iki olan müşterilerde izlenir. • Gelme sıklığının ölçülmesine daha fazla anlam katar, gelme sıklığı ve faturasal yakınlık müşteri hareketlerinin anlamlandırılmasında kullanılır.

10. Faturasal Yakınlık • (İlk Fatura Tarihi – Son Fatura Tarihi) / (Fatura sayısı – 1)

11. Çalışmadaki Varsayımlar • Sadece bireysel müşteriler ele alındı. • Bireysel binek araç müşterilerinde sadakatın daha fazla olacağı, • Ticari müşterilerin daha fazla fiyat odaklı davranacağı varsayıldı. • İncelenen ardışık senelerde birden çok alım yapan müşteriler ele alındı. • Sıklık parametresi, 1’den fazla olan müşteriler eklendi. • Çoklu alım yapan müşterilerin sayısı ve dağılımı ile genel sadakatın gözlemlenebileceği öngörüldü. • Bir tekalım yapmış müşteriler yapılan çalışmaya eklenmedi.

12. Çalışmadaki Müşteri Yapısı • Bütün müşteriler bölge ayırt edilmeksizin eklendi. • 2005 ve 2006 yılları müşterileri çıkartıldı. • Verilerin yeterli olmaması sebebiyle 2005 – 2006 yılları analizden çıkartıldı. • Doğru girilmiş faturalardaki müşteriler çalışmada kullanıldı. • Sadece TC kimlik numarası ile alım yapmış müşteriler eklendi, vergi numaraları ile alım yapmış müşteriler çalışmaya alınmadı. • Parasal açıdan faturalar incelendi. • Faturalar, parasal değere göre normalin çok üstünde ve altındakiler elenerek düzenlendi.

13. RFM Modeli • Bu 3 değişkene göre müşteriler gruplandırıldı ve bu gruplar akademik literatürle bağlantılı olarak anlamlandırıldı. • RnFnMn (YnSnPn) • Eğer ortalamanın altındaysa , n=1 • Ortalamanın üstündeyse , n=2 alınarak gruplandırıldı. Parasal Kelebekler Gerçek Dostlar Fazla (1:2) (2:2) Sıklık Az Fazla (1:1) (2:1) Yabancılar Çam sakızı gibi yapışanlar Az

14. FM( Sıklık ve Parasal)’a Göre Dağılım Toplam Müşteri Sayısında Artış 07-08 / 08-09 Not: Sadece toplu alımlar 14

15. Faturasal Yakınlıkla Beraber Gruplama • Faturasal Yakınlık • Ortalama faturalar arasındaki gün sayısı gelme sıklığına daha detaylı bir bakış olanağı sağlar • Gelme sıklığının ölçülmesinde faturalar arası ortalama zaman aralığı müşteri hakkında daha fazla bilgi sahibi olmamızı sağlar

16. RFM Dağılımı 16

17. Sonuçlar • Bu çalışma, toplanmış verilerin daha uzun bir zamana dağılmış olması halinde daha doğru sonuçlar elde edilebilir. Dolayısı ile birkaç yıl sonra elde edilecek sonuçlar ve değişimler daha anlamlı olacaktır. • Eldeki verileri kullanarak, karar vermeye yardımcı olacak niceliksel bir müşteri sınıflandırma sistemi geliştirildi. • Bu raporlama sistemi müşteri gruplarındaki sadakat değerindeki değişime göre gerekli politikalrın oluşturulmasında yardımcı rol oynayabilir.

18. Eklenen Değer Fikirsel Davranışsal BriSA Loyale Projesi

19. Tavsiyeler ve Öğrendiklerimiz • Müşteri ilişkilerinde sadece niteliksel veya sadece niceliksel inceleme yeterli olmayacaktır. • Müşteri, davranışsal ve fikirsel olarak her iki alanda da incelendiği zaman daha fazla tanınabilir. • Bu model, daha fazla fiyata duyarlı müşteri gruplarına da uygulanabilir. • Otobüs / Kamyon, Hafif ticari araç kullanıcıları gibi. • Modelin de yardımıyla müşteri devamlılığı, ihtiyaçlara, düşüncelere ve hareketlere doğru karşılıklar verilerek müşteri ilişkileri geliştirilebilinir.

20. Teşekkürler…Sorular?

21. Sadakat Dağılım Değişimleri 21