Model przewidywania lojalności klientów ogólnopolskiej sieci biur podróży 1

dr I. Michalska-Dudek Uniwersytet Ekonomiczny we Wrocławiu, Wydział Ekonomii, Zarządzania i Turystyki, Katedra Marketingu i Zarządzania Gospodarką Turystyczną Model przewidywania lojalności klientów ogólnopolskiej sieci biur podróży 1 Wstęp Lojalność 2 stanowi zagadnienie wyjątkowo popularne zarówno w sferze gospodarczej, jak i naukowej. Z dotychczasowych badań lojalności nabywców wynika, iż pozyskanie lojalnych klientów wiąże się z wieloma korzyściami, ponieważ wydają oni więcej, częściej dokonują zakupu, a koszty działalności marketingowej czy obsługi klienta ulegają obniżeniu, co z kolei prowadzi do wzrostu zysków przedsiębiorstw. Celem niniejszego artykułu jest przedstawienie teoretycznej konstrukcji modelu przewidywania lojalności nabywców usług turystycznych wraz z jego przykładowym zastosowaniem i weryfikacją dla sieci franczyzowej biur podróży prowadzącej sprzedaż usług turystycznych wielu touroperatorów (tzw. multiagent) działającej na polskim rynku. Propozycja modelu przewidywania lojalności klientów biur podróży Sukces rynkowy przedsiębiorstw turystycznych zależy od zasobów wiedzy o klientach, która jest gromadzona i wykorzystywana w celu lepszego poznania i zaspokojenia ich potrzeb. Źródłem wiedzy są dane o klientach, zawieranych przez nich transakcjach i zachowaniach ujawnionych podczas interakcji z przedsiębiorstwem. Dane historyczne o klientach biur podróży Grupa klientów nieperspektywicznych (wysokie ryzyko odejścia klientów i małe szanse dalszych zakupów) Model przewidywania lojalności klientów biur podróży Grupa klientów perspektywicznych (niskie ryzyko odejścia klientów i duże szanse dalszych zakupów) Działania zapobiegające odejściom klientów biur podróży Rys.1. Założenia modelu przewidywania lojalności klientów biur podróży. Działania budujące i/lub wzmacniające lojalność klientów biur podróży Źródło: Opracowanie własne na podstawie: Dudek A., Michalska-Dudek I.: Model przewidywania lojalności klientów biur podróży z wykorzystaniem sieci neuronowej typu MLP, Marketing i Rynek, nr 8/2011, s. 25-28. 1 Artykuł powstał w ramach projektu badawczego nr 2011/03/D/HS4/03420 pt. "Lojalność klientów biur podróży w Polsce - uwarunkowania, modele, wyniki badań" finansowanego przez Narodowe Centrum Nauki. 2 Większość obecnych w literaturze przedmiotu prób definiowania lojalności zazwyczaj opisuje ją w dwóch kategoriach postaw oraz zachowań nabywców. Lojalność pojmowana w kategoriach behawioralnych rozumiana jest jako zachowanie przejawiające się powtarzaniem zakupu określonych dóbr i usług, natomiast lojalność jako postawa oznacza subiektywne odczucia klientów powodujące ich indywidualne przywiązanie do poszczególnych kategorii ofert rynkowych, krystalizujące się poprzez doznania emocjonalne i stan świadomości. Dlatego też lojalność nabywców może mieć wymiar zarówno uczuciowy (afektywny), jak i związany z zachowaniem (tzw. behawioralny). Lojalność rozpatrywana w kontekście zachowań konsumenta przekłada się przede wszystkim na częstotliwości zakupów, wielkości i wartości sprzedaży produktów danego przedsiębiorstwa (marki). Logistyka 1279

Gdy przedsiębiorstwo turystyczne posiada do dyspozycji bazę danych dotychczasowych klientów, może ją wykorzystać do przeprowadzenia pogłębionej segmentacji nabywców oraz identyfikacji czynników wpływających na wystąpienie zjawiska lojalności nabywców usług turystycznych. Na podstawie danych z przeszłości dotyczących cech, aktywności i historii zakupowej klientów zaproponować można skonstruowanie modelu predykcji lojalności klientów biura podróży (rys. 1). Możliwości poszerzania wiedzy szukać należy w nieparametrycznych metodach analizy danych 3, które mogą być stosowane tak do wydobywania danych, jak również do konstruowania modeli predykcji. Sieci neuronowe i możliwości ich zastosowania w pozyskiwaniu informacji o nabywcach Wzrost zainteresowania sieciami neuronowymi odnotowany w ostatnich latach wynika z faktu, iż należą do metod analizy danych o bardzo dużych możliwościach aplikacyjnych 4 i okazały się narzędziem przydatnym przy rozwiązywaniu wielu problemów badawczych, 5 wszędzie tam, gdzie potrzebne są metody modelowania, zdolne do odwzorowywania złożonych - wielowymiarowych i nieliniowych zależności. Szczególną właściwością sieci neuronowych jest fakt, iż naśladują działanie ludzkiego umysłu poprzez uproszczony matematyczny zapis układu nerwowego. Podstawowym pojęciem związanym z siecią jest sztuczny neuron, nazywany również perceptronem 6 (rys. 2). Każdy sygnał wejściowy przedstawiony jako x i jest przemnażany przez wagę w i połączenia między sygnałem wejściowym a blokiem sumacyjnym. Wszystkie sygnały wejściowe przemnożone przez odpowiadające im wagi są sumowane w bloku sumacyjnym. Następnie sygnał jest przekształcany przez funkcję aktywacji w tak zwanym bloku aktywacji w finalny sygnał wyjściowy. 7 x 1 w 1 BLOK SUMACYJNY BLOK AKTYWACJI x 2 x n w 2 w n Funkcja agregująca s = g (x,w) Funkcja aktywacji (przejścia) y = f (s) y Rys. 2. Schemat sztucznego neuronu. Źródło: Opracowanie własne na podstawie: Lula P., Paliwoda-Pękosz G., Tadeusiewicz R., Metody sztucznej inteligencji i ich zastosowania w ekonomii i zarządzaniu, Wydawnictwo Akademii Ekonomicznej 3 Podstawowa różnica pomiędzy metodami parametrycznymi a nieparametrycznymi polega na roli, jaką odgrywają w nich dane. O ile dla tych pierwszych dane są podstawą weryfikacji przyjętych wcześniej założeń, o tyle w przypadku tych drugich dane są systematycznie przeszukiwane w celu dokonania selekcji właściwych zmiennych oraz znalezienia informacji o postaci modelu. Według E. Gatnara metody nieparametryczne pozwalają przezwyciężyć ograniczenia klasycznych metod statystycznych i zbudować model bez znajomości postaci rozkładów cech oraz związków między nimi. Por. Gatnar E., Nieparametryczna metoda dyskryminacji i regresji, Wydawnictwo Naukowe PWN, Warszawa 2001, s. 17-18. 4 Lula P., Paliwoda-Pękosz G., Tadeusiewicz R., Metody sztucznej inteligencji i ich zastosowania w ekonomii i zarządzaniu, Wydawnictwo Akademii Ekonomicznej w Krakowie, Kraków 2007, s. 78. 5 Wśród aktualnie spotykanych zastosowań sieci neuronowych wskazać można m.in.: badania psychiatryczne, prognozy giełdowe, prognozowanie sprzedaży, prognozy cen, analizę badań medycznych, prognozowanie postępów w nauce, analizę problemów produkcyjnych, optymalizację działalności handlowej, analizę spektralna, dobór pracowników, sterowanie procesów przemysłowych. Szerzej w: Tadeusiewicz R., Sieci neuronowe, Akademicka Oficyna Wydawnicza RM, Warszawa 1993, s. 13-14. 6 Perceptron jest pojęciem szerszym oznaczającym zbiór powiązanych ze sobą neuronów. Szerzej w: Rosenblatt F., The perceptron: A probabilistic model for information storage and organization in the brain, Psychological Review, 65(6), 1958, s. 386-408; Bishop C.M., Neural networks for pattern recognition, Oxford University Press Great Clarendon Street, Oxford 1995 oraz Ripley B.D., Pattern Recognition and Neural Networks, Cambridge University Press, Cambridge 1996. 7 Funkcje aktywacji mogą przybierać postać różnych funkcji matematycznych, od najprostszej funkcji liniowej aż po na przykład sigmoidalną bipolarną. Por. Waszczyszyn Z., Wprowadzenie do sztucznych sieci neuronowych i ich zastosowań w mechanice konstrukcji, (w:) Sztuczne sieci neuronowe, algorytmy genetyczne, zbiory rozmyte, Gajewski R. (red.) Studio BEL s.c., Rzeszów 1999, s. 5-36. 1280 Logistyka

w Krakowie, Kraków 2007, s. 79 oraz Waszczyszyn Z., Wprowadzenie do sztucznych sieci neuronowych i ich zastosowań w mechanice konstrukcji, (w:) Gajewski R. (red.) Sztuczne sieci neuronowe, algorytmy genetyczne, zbiory rozmyte, Studio BEL, Rzeszów 1999, s. 5-36. W połączeniu z funkcją agregacji, funkcja aktywacji definiuje funkcjonowanie tzw. neuronu liniowego, pozwalającego na budowę użytecznych liniowych sieci neuronowych, 8 opisując funkcjonowanie pojedynczego elementu przetwarzającego. 9 Ponieważ możliwości pojedynczego neuronu w zakresie przetwarzania informacji są stosunkowo niewielkie, 10 zgodnie z podobieństwem układów nerwowych żywych organizmów, stosowane są połączone ze sobą grupy sztucznych neuronów, czyli tzw. sztuczne sieci neuronowe, pozwalające na przeprowadzanie bardziej złożonych obliczeń. Neurony wchodzące w skład sztucznej sieci neuronowej ułożone są najczęściej w warstwach. Pierwsza warstwa nosi nazwę warstwy wejściowej, ostatnia nazywana jest warstwą wyjściową, natomiast wszystkie warstwy znajdujące się pomiędzy nimi nazywane są warstwami ukrytymi. 11 Na dużą popularność oraz szerokie możliwości implementacji sieci neuronowych w rozwiązywaniu problemów badawczych składają się następujące ich zalety: 12 w przeciwieństwie do tradycyjnych metod nie wymagają dużej liczby początkowych założeń dotyczących modelu, potrafią generować wartości wyjściowe na podstawie zbioru wartości wejściowych bez konieczności specyfikacji relacji zachodzących pomiędzy poszczególnymi zmiennymi, posiadają umiejętność uczenia się na podstawie danych historycznych, są w stanie wychwycić zależności między danymi - nawet w sytuacjach, kiedy trudno jest określić rzeczywiste relacje zachodzące pomiędzy zmiennymi, w wielu sytuacjach są bardziej elastyczne niż tradycyjne metody statystyczne, charakteryzują się uniwersalną możliwością aproksymacji dowolnej ciągłej funkcji do dowolnego wymaganego poziomu dokładności, rozwiązują problemy nieliniowe, co umożliwia odmienne od tradycyjnego podejścia, zakładającego liniowość relacji występujących pomiędzy badanymi zjawiskami. Budując sieć badacz potrzebuje głównie empirycznej wiedzy dotyczącej pewnej liczby przypadków, z których każdy zawiera wartości dostępnych zmiennych wejściowych i wyjściowych. Używane są te zmienne, o których badacz sądzi, że mają wpływ na modelowane zjawisko. Architektura modelu predykcji lojalności klientów ogólnopolskiej sieci agencyjnych biur podróży W kolejnej części rozważań zaproponowana zostanie konstrukcja modelu przewidywania lojalności nabywców dla ogólnopolskiej sieci franczyzowej biur podróży prowadzącej sprzedaż usług turystycznych wielu touroperatorów (tzw. multiagent) działającej na polskim rynku. Na podstawie danych z przeszłości dotyczących aktywności zakupowej dotychczasowych klientów multiagenta turystycznego i ich 3983 rezerwacji, autorka zaproponuje zbudowanie modelu predykcji lojalności klientów. W analizowanym przykładzie nie były znane zależności pozwalające na obliczenie interesujących danych wyjściowych na podstawie znanych, pochodzących z systemu księgowo-rezerwacyjnego sieci biur, danych (dotyczących rezerwacji, imprez turystycznych oraz klientów), dlatego też za celowe uznano wykorzystanie sieci neuronowych i w opracowaniu wykorzystano model neuronowy, odwołując się przy jego budowie wyłącznie do eksplorowanych danych. 8 Lula P., Paliwoda-Pękosz G., Tadeusiewicz R., Metody, op. cit., s. 80. 9 Realizowany w neuronie sposób przetwarzania informacji wejściowych w informację wyjściową uzależniony jest od: wartości wag neuronu, zastosowanego sposobu agregacji danych wejściowych, czyli od przyjętej funkcji agregującej, sposobu generowania wartości wyjściowej, czyli od postaci funkcji aktywacji. Pierwszy z tych elementów jest przedmiotem uczenia się, zaś dwa ostatnie elementy ustalane są jednorazowo w momencie tworzenia sieci i określania jej właściwości. 10 Ibidem, s. 83. 11 Architektura poszczególnych sieci neuronowych może być zróżnicowana, a wpływ na jej ostateczną budowę ma zarówno liczba danych wejściowych, warstw składających się na daną sieć, rodzaj użytej sieci neuronowej oraz sposoby i poziom skomplikowania powiązań pomiędzy poszczególnymi neuronami. 12 Na podstawie: Tadeusiewicz R., Sieci neuronowe, Akademicka Oficyna Wydawnicza RM, Warszawa 1993. Logistyka 1281

Proces przewidywania prawdopodobieństwa lojalności klientów przeprowadzony został przy użyciu wielowarstwowej sieci neuronowej typu MLP 13, która jest rozwinięciem scharakteryzowanej wcześniej klasycznej koncepcji perceptronu i składa się z jednej warstwy wejściowej, jednej warstwy wyjściowej i jednej lub więcej warstw ukrytych. W badaniu wykorzystano schemat uczenia się z nauczycielem, a proces przygotowania sieci do prawidłowego działania zwany uczeniem się, polegał na tym, iż sieć uczyła się prawidłowo działać na podstawie zaprezentowanych jej obserwacji badanych zmiennych. Opierając się na przedstawionych rzeczywistych przypadkach dotyczących dokonanych przez klientów sieci biur podróży rezerwacji imprez turystycznych sieć starała się odkryć i zapamiętać ogólne prawidłowości kierujące przebiegiem zjawiska lojalności behawioralnej nabywców (zmienna warstwy wyjściowej y 1 ). Rozpoznane reguły sztuczna sieć neuronowa przechowywała w postaci zakodowanej w wartościach współczynników wagowych poszczególnych neuronów. 14 Proponowany model będzie stosowany po dokonaniu pierwszego zakupu, a więc w jego budowie ograniczono się do danych dostępnych po realizacji pierwszej rezerwacji imprezy turystycznej. Tak nauczona sieć może posłużyć do obliczenia prawdopodobieństwa powrotu konkretnego klienta, a zaproponowany model będzie przewidywać, którzy z jego dotychczasowych klientów dokonają ponownego zakupu. Zmienne warstwy wejściowej Wagi zmiennych warstwy wejściowej Zmienna warstwy wyjściowej x 1 w 1 x 2 w 2 y i x 14 y i - obserwacje zmiennej wyjściowej behawioralna lojalność nabywców usług turystycznych X i obserwacje poszczególnych zmiennych wejściowych od x 1 do x 14, gdzie: x 1 - wartość zakupu; x 2 sposób zakupu; x 3 forma płatności; x 4 liczba nabytych ofert; x 5 liczba dzieci poniżej 14 roku życia ujętych w rezerwacji; x 6 - czas pomiędzy datą rezerwacji a datą rozpoczęcia imprezy turystycznej; x 7 - organizator imprezy turystycznej; x 8 - miejsce zakupu; x 9 czas trwania imprezy turystycznej; x 10 - cena imprezy turystycznej; x 11 destynacja; x 12 - miejsce zamieszkania, x 13 - wiek klienta; x 14 płeć klienta) w i wagi zmiennych wejściowych, i = 1,..., 14. Rys. 3. Architektura modelu opartego na sieci neuronowej typu MLP. Źródło: Opracowanie własne. w 14 Analizie poddano dane historyczne dotyczące 3983 rezerwacji dokonanych przez nabywców usług turystycznych w 42 biurach agencyjnych w całej Polsce. Dostępne w systemie dane zostały opisane przez 14 zmiennych warstwy wejściowej, natomiast zmienną objaśnianą była lojalność klientów w ujęciu behawioralnym, rozumiana jako powrót nabywcy usług turystycznych i dokonanie kolejnego zakupu w analizowanym przedsiębiorstwie turystycznym. Dla danych archiwalnych zmienna warstwy wyjściowej (behawioralna lojalność nabywców usług turystycznych) będzie przyjmować wartości: 0 - jeśli klient nie dokonał ponownego zakupu, a 1 jeżeli dokonał (rys. 3). Zbiór danych wykorzystany w przeprowadzonym badaniu do uczenia sieci, zwany zbiorem uczącym zawierał dane na temat 2700 rezerwacji. W zbiorze tym odnotowano 680 przypadków powrotu i dokonania przez klientów kolejnej rezerwacji i zakupu imprez turystycznych w analizowanym przedsiębiorstwie turystycznym. 13 Por. Tadeusiewicz R., Sieci, op. cit., Bishop C.M., Neural networks for pattern recognition, Oxford University Press Great Clarendon Street, Oxford 1995 oraz Ripley B.D., Pattern Recognition and Neural Networks, Cambridge University Press, Cambridge 1996. 14 Por. Lula P., Paliwoda-Pękosz G., Tadeusiewicz R., Metody, op. cit., s. 87-88. 1282 Logistyka

Tab. 1. Rozmiary zbiorów danych System księgowo-rezerwacyjny Kategoria sieci agencyjnych biur podróży Zbiór uczący Zbiór testowy Nielojalni 2838 2020 818 Lojalni 785 680 105 Brak określonej kategorii 300* - - Razem 3923 2700 923 *Ze względu na brak możliwości potwierdzenia wystąpienia analizowanej prawidłowości w zbiorze uczącym oraz testującym celowo pominięte zostały dane dotyczące rezerwacji z 4 ostatnich miesięcy (300 rezerwacji). Źródło: Opracowanie własne. Na podstawie danych zbioru uczącego obliczono statystyczny wskaźnik utraty klientów 15, który wyniósł 74,81% oraz wskaźnik utrzymania klientów (retention rate) 16 utrzymujący się na poziomie 25,19%. Pierwszy wskaźnik informuje, jaki procent klientów analizowanego przedsiębiorstwa turystycznego zrezygnował z jego usług, natomiast drugi wskaźnik określa, jaka część klientów, którzy dokonali zakupu oferty firmy turystycznej w poprzednim okresie, ponowiła swój zakup. Wskaźniki te ukazują procesy utraty i utrzymania klientów w dłuższym okresie, służąc jednocześnie do pomiaru skuteczności działań marketingowych. Wartości obu wskaźników (wysoka wartość wskaźnika utraty i niska wartość wskaźnika utrzymania klientów) jednoznacznie sygnalizują konieczność modyfikacji strategii marketingowej analizowanego przedsiębiorstwa turystycznego. Dotychczasowi nabywcy usług sieci biur podróży 2700 osób 100% Lojalni nabywcy sieci biur podróży 680 osób 25,19% Nielojalni nabywcy sieci biur podróży 2020 osób 74,81% Lojalni wobec 14 podmiotów turystycznych: 581 osób 85,5% w tym: Nowa Itaka Sp. z o.o. (26,5%), Neckermann Polska Biuro Podróży Sp. z o.o. (14,01%), Greccos Holiday Sp. z o.o. (10,19%), Rainbow Tours S.A. (7,64%), Voyager.com Sp. z o.o. (5,73%), Signal Iduna Polska S.A.* (5,10%), TUI Poland Sp. z o.o. (3,18%), Sun & Fun Holidays Sp. z o.o. (2,80%), NET HOLIDAY Sp. z o.o. (2,68%), Alfa Star S.A. (2,17%), Exim S.A. (1,80%), Funclub Sp. z o.o. (1,53%), Ecco Holiday Sp. z o.o. (1,15%), Sunshine Holiday S.A. (1,02%). Lojalni wobec reszty podmiotów turystycznych 99 osób 14,5% *Signal Iduna Polska S.A to towarzystwo ubezpieczeniowe oferujące pakiety ubezpieczeń turystycznych zarówno organizatorom turystyki, jak i klientom indywidualnym odbywającym prywatne podróże. Rys. 4. Struktura lojalnych nabywców badanej sieci biur podróży Źródło: Opracowanie własne na podstawie przeprowadzonych badań. 15 Por. Wskaźniki marketingowe, red. R. Kozielski, 2004, Oficyna Ekonomiczna, Kraków, s. 75 i dalsze. 16 Por. Wskaźniki op. cit., s. 60 i dalsze. Logistyka 1283

W analizowanych przypadku odnotowano 680 przejawów lojalności behawioralnej wyrażonej powtórnym zakupem ofert sieci biur podróży, z czego 85,5% stanowiły zachowania lojalnościowe wobec 14 najważniejszych przedsiębiorstw turystycznych, zaś inne łącznie to 14,5% przypadków (rys. 4). Weryfikacja modelu i identyfikacja czynników determinujących wystąpienie lojalności behawioralnej klientów sieci biur podróży Sieć neuronowa uczona w trybie z nauczycielem, służąca do modelowania nieznanej zależności pomiędzy zbiorem danych wejściowych (od x 1 do x 14 ) a zbiorem danych zmiennych wyjściowych (y 1 lojalność behawioralna nabywców usług turystycznych), pozwoliła na wydobycie wiedzy zawartej implicite w eksplorowanych danych, stanowiąc skuteczne narzędzie tak diagnostyczne, jak i prognostyczne. Do przeprowadzenia obliczeń w badaniu wykorzystano pakiet nnet środowiska R, wykorzystujący funkcję aktywacji softmax 17 oraz algorytm uczenia wstecznej propagacji błędów (back propagation). Po 200 prezentacjach zbioru uczącego test wykazał, że sieć nauczyła się rozpoznawania zbioru uczącego (100%), natomiast zbiór testowy rozpoznawała w 92,2% przypadków (rys. 5), który to wynik uznano za zadowalający (błąd 18 8,88%). Z takim poziomem błędu proponowana sieć będzie prognozować przyszłe zachowania nabywcze klientów analizowanego przedsiębiorstwa. Oznaczenia według modelu (wartość teoretyczna) Klasyfikacja pozytywna Lojalny Klasyfikacja negatywna Nielojalny Rzeczywiste obserwacje według zbioru testowego (wartość rzeczywista) Faktyczny stan jest pozytywny Lojalny Faktyczny stan jest negatywny Nielojalny 74 31 (false negativie) Błąd II-go rodzaju 51 (false positive) Błąd I-go rodzaju 767 Rys. 5. Weryfikacja modelu walidacja krzyżowa, błędy pierwszego i drugiego rodzaju. Źródło: Opracowanie własne na podstawie obliczeń z wykorzystaniem pakietu nnet środowiska R Dla nowych klientów zmienna warstwy wyjściowej (rozumiana jako prawdopodobieństwo wystąpienia lojalności behawioralnej, a więc powrotu klienta po pierwszym zakupie) będzie zawierała się w przedziale <0,1> 19. 17 Funkcja Softmax to funkcja wykładnicza, której wartość zostaje dodatkowo znormalizowana w taki sposób, aby suma aktywacji dla całej warstwy była równa 1. Funkcja ta jest najczęściej używana w warstwie wyjściowej w perceptronie wielowarstwowym dostosowanym do rozwiązywania problemów klasyfikacyjnych. Dzięki zastosowanej normalizacji wartości wyjściowe mogą być interpretowane jako oszacowania prawdopodobieństw przynależności danego sygnału wejściowego do poszczególnych klas. Na podstawie: Electronic Statistics Textbook, StatSoft, Inc., Tulsa, Oklahoma 2013, opublikowano: http://www.statsoft.com/textbook/ [dostęp: 11.11.2014]. 18 W charakterze miary błędu przyjęto kwadrat różnicy pomiędzy wartością teoretyczną i rzeczywistą (tzw. błąd SE), a dla całego zbioru uczącego złożonego z wielu przykładowych obserwacji danych wejściowych oraz dopasowanych do nich wzorcowych wartości d i właściwą miara błędu będzie suma kwadratów różnic pomiędzy wartościami obliczanymi. Wyznaczanie wag odpowiadających punktowi optymalnemu zapewniło najlepsze możliwe do osiągnięcia działanie sieci. Por. Lula P., Paliwoda-Pękosz G., Tadeusiewicz R., Metody, op. cit., s. 93-94. 19 W zależności od przyjętego poziomu ryzyka zarządzający przedsiębiorstwem turystycznym mogą przyjąć konkretną wartość graniczną, która pozwoli podzielić klientów na dwie grupy perspektywiczną i nieperspektywiczną. Przykładowo, można przyjąć, że wartość 0,7 dzieli klientów na dwie klasy i jeśli prognoza dla zmiennej lojalność według modelu przyjmie wartości z 1284 Logistyka

Tab. 2. Końcowe wagi zmiennych wejściowych przypisane przez sieć neuronową typu MLP Zmienne warstwy wejściowej Wagi zmiennych wejściowych x 1 wartość zakupu 2.316577568 x 2 sposób zakupu 3.465278827 x 3 forma płatności 4.626714618 x 4 liczba nabytych ofert 18.098943912 x 5 liczba dzieci poniżej 14 roku życia ujętych w rezerwacji 12.742587615 x 6 - czas pomiędzy datą rezerwacji a datą rozpoczęcia imprezy turystycznej 17.317741047 x 7 - organizator imprezy turystycznej 8.402013066 x 8 - miejsce zakupu 11.865620687 x 9 czas trwania imprezy turystycznej 42.244491802 x 10 - cena imprezy turystycznej 1.461038905 x 11 destynacja 3.505902933 x 12 miejsce zamieszkania 3.324636674 x 13 - wiek klienta 7.973979600 x 14 płeć klienta 5.878321208 Źródło: Opracowanie własne na podstawie obliczeń z wykorzystaniem pakietu nnet środowiska R. Analiza ostatecznych wag przypisanych przez sieć neuronową zmiennym warstwy wejściowej pozwala na sformułowanie wniosków dotyczących kluczowych czynników determinujących wystąpienie lojalności nabywców usług turystycznych w analizowanym przedsiębiorstwie turystycznym. Najważniejszymi determinantami lojalności okazały się być zmienne: x 9 czas trwania imprezy turystycznej (w 9 =42,24), x 4 liczba nabytych ofert (w 4 =18,1) oraz x 6 - czas pomiędzy datą rezerwacji a datą rozpoczęcia imprezy turystycznej (w 6 =17,32). Za istotne uwarunkowania wystąpienia lojalności behawioralnej uznać należy również zmienne: x 8 miejsce zakupu oraz x 5 - liczba dzieci poniżej 14-go roku życia ujętych w rezerwacji. Lojalni klienci analizowanej sieci biur podróży kupują więcej (dokonując rezerwacji dotyczących kilku osób), wyjeżdżają na dłużej (ich wyjazdy to najczęściej imprezy 10-, 14-dniowe bądź dłuższe), planują swoje wakacje z dużym wyprzedzeniem czasowym co potwierdza tezę F.F. Reichheld a i W.E. Sasser a. 20, iż lojalność klientów wpływa na wyniki finansowe przedsiębiorstw, przyczyniając się do wzrostu obrotów (przychodów) pochodzących z dokonywanych przez lojalnych nabywców zakupów. Podsumowanie Zaproponowany model przewidywania lojalności klientów może zostać wykorzystany do przeprowadzenia pogłębionej segmentacji nabywców sieci biur podróży oraz identyfikacji czynników wpływających na wystąpienie zjawiska lojalności nabywców usług turystycznych. Walory użytkowe modelu podkreśla fakt, iż został on skonstruowany na podstawie rzeczywistych danych i zachowań nabywców usług turystycznych na rynku, nie zaś badań marketingowych dotyczących deklaracji konsumentów. Dlatego może on stanowić użyteczne narzędzie dla wielu przedsiębiorstw turystycznych, których menedżerowie wykorzystując informacje z modelu mogą podzielić klientów na grupy o różnym poziomie zagrożenia odejściem z jednej strony i różnymi szansami na dalsze zakupy z drugiej strony (grupa perspektywiczna klienci lojalni i grupa nieperspektywiczna - nielojalni). W stosunku do obu grup klientów wydzielonych przez model zarządzający siecią biur podróży podejmować powinni odmienne działania: projektować i kierować odpowiednie działania marketingowe do tych klientów, którzy najprawdopodobniej powrócą (adresując do nich promocyjne oferty) oraz minimalizować straty związane z kierowaniem takich ofert do nierentownych i nieperspektywicznych klientów. Streszczenie przedziału <0; 0,7) należy się spodziewać, iż dany nabywca nie dokona kolejnego zakupu, gdy natomiast znajdzie się w przedziale <0,7; 1> wówczas można prognozować jego powrót i kolejne rezerwacje imprez turystycznych. 20 Zdaniem F.F.Reichheld a i W.E.Sasser a lojalni nabywcy kupują więcej i częściej, wydając więcej na oferty danej firmy. Dzieje się tak między innymi dlatego, że są mniej wrażliwi na fluktuacje cenowe, częściej korzystają tak z ofert danego przedsiębiorstwa, jak również z szerszego asortymentu, co znacznie zwiększa ich wartość w długim okresie czasu. Por. Reichheld F.F., Sasser Jr. W.E., Zero Defections. Quality Comes to Service, Harvard Business Review, vol. 9-10/1990, s. 106. Logistyka 1285

W artykule przedstawiona została propozycja modelu - opartego na sztucznych sieciach neuronowych - przewidującego lojalność nabywców usług turystycznych wraz z jego przykładowym zastosowaniem i weryfikacją dla ogólnopolskiej sieci franczyzowej agencyjnych biur podróży. Na podstawie danych z przeszłości dotyczących cech, aktywności i historii zakupowej dotychczasowych klientów multiagenta turystycznego, autorka zaproponowała zbudowanie modelu predykcji behawioralnej lojalności klientów, który pozwolił podzielić klientów na grupy o różnym poziomie zagrożenia odejściem i szansami na dalsze zakupy, a następnie zaprojektować odpowiednie dla wydzielonych grup klientów działania marketingowe. Ponadto model umożliwił identyfikację kluczowych czynników wpływających na wystąpienie zjawiska lojalności nabywców usług turystycznych, którymi są: czas trwania imprezy turystycznej, liczba nabytych ofert oraz czas pomiędzy datą rezerwacji a datą rozpoczęcia imprezy turystycznej. The model for predicting customer loyalty in the nationwide network of travel agencies in Poland Abstract The article presents the proposal of a model based on artificial neural networks predicting loyalty of tourist services customers along with the example of its application and verification for the nationwide franchise network of travel agencies in Poland. Based on the historical data referring to the purchase characteristics, activities and history of the existing clients of a tourist multi-agent, the author suggested the construction of a prediction model for behavioural loyalty of clients, which will allow for dividing customers into groups featuring different levels of risks related to losing a client and chances for making further purchases, to be followed by developing adequate marketing activities for the particular groups of clients. Moreover, the model will facilitate the identification of key factors influencing the occurrence of customer loyalty in terms of tourist services, such as: tourist event duration, number of purchased offers and time between the booking date and the date of a tourist event commencement. Literatura: [1]. Bishop C. M., Neural networks for pattern recognition, Oxford University Press Great Clarendon Street, Oxford 1995. [2]. Dudek A., Michalska-Dudek I.: Model przewidywania lojalności klientów biur podróży z wykorzystaniem sieci neuronowej typu MLP, Marketing i Rynek, nr 8/2011, s 21-29. [3]. Electronic Statistics Textbook, StatSoft, Inc., Tulsa, Oklahoma 2013, opublikowano: http://www.statsoft.com/textbook/ [dostęp: 11.11.2014]. [4]. Gatnar E., Nieparametryczna metoda dyskryminacji i regresji, Wydawnictwo Naukowe PWN, Warszawa 2001. [5]. Lula P., Paliwoda-Pękosz G., Tadeusiewicz R., Metody sztucznej inteligencji i ich zastosowania w ekonomii i zarządzaniu, Wydawnictwo Akademii Ekonomicznej w Krakowie, Kraków 2007. [6]. Reichheld F.F., Sasser Jr. W.E., Zero Defections. Quality Comes to Service, Harvard Business Review, vol. 9-10/1999, s. 105-111. [7]. Ripley B.D., Pattern Recognition and Neural Networks, Cambridge University Press, Cambridge 1996. [8]. Rosenblatt F., The perceptron: A probabilistic model for information storage and organization in the brain, Psychological Review, vol. 65(6)/1958, s. 386-408. [9]. Tadeusiewicz R., Sieci neuronowe, Akademicka Oficyna Wydawnicza RM, Warszawa 1993. [10]. Waszczyszyn Z., Wprowadzenie do sztucznych sieci neuronowych i ich zastosowań w mechanice konstrukcji, (w:) Sztuczne sieci neuronowe, algorytmy genetyczne, zbiory rozmyte, Gajewski R. (red.), Studio BEL, Rzeszów 1999, s. 5-36. 1286 Logistyka