9196

خوشه‌بندي مشتريان در صنعت كالاهاي تند مصرف با استفاده از روشهاي تازگي، فراواني و ارزش مالي و الگوريتم خوشه‌بندي كي-ميانگين و تكنيك‌هاي آمادهسازي دادهها به كمك ابزار پايتون

كارشناسي

مهندسي صنايع

1403

دكتر ابراهيم تيموري

دكتر ابراهيم تيموري

1403/07/01

مهندسي صنايع

Customer Segmentation in the Fast-Moving Consumer Goods (FMCG) Industry Using Recency, Frequency, and Monetary (RFM) Methods, K-Means Clustering Algorithm, and Data Preparation Techniques with Python Tools

اين پژوهش به تحليل رفتار مشتريان در صنعت كالاهاي تند مصرف با استفاده از سه روش آماده‌سازي داده‌ها، شامل تبديل لگاريتمي، پاكسازي با الگوريتم دي‌بي‌اِس‌كَن و پاكسازي با الگوريتم جنگل جداسازي پرداخته است. هدف از اين تحقيق، ارزيابي كارايي هر يك از اين روش‌ها در بهبود دقت مدل‌هاي خوشه‌بندي و شناسايي الگوهاي رفتاري مشتريان بوده است. در اين مطالعه، داده‌هاي مشتريان جمع‌آوري شده و به‌طور جداگانه با هر يك از اين روش‌ها پردازش شدند تا نقاط قوت و ضعف آن‌ها شناسايي شود. تمامي مراحل اين پروژه بر اساس چرخه كريسپ-دي‌اِم و تحليل‌ها و پردازش‌ها تنها با استفاده از زبان برنامه‌نويسي پايتون انجام گرفته است كه به دليل قدرت و كارايي بالاي آن در تحليل داده‌ها انتخاب شده است. يافته‌ها نشان داد كه روش تبديل لگاريتمي به‌طور موثري براي تعديل مقادير شديد و كاهش اثر نقاط پرت مناسب است و باعث بهبود دقت مدل‌هاي تحليل مي‌شود. پاكسازي با دي‌بي‌اِس‌كَن در شناسايي نقاط پرت و خوشه‌بندي داده‌هاي غيرخطي عملكرد بهتري دارد، در حالي كه پاكسازي با جنگل جداسازي نقاط غيرعادي را با دقت بيشتري در داده‌هاي بزرگ و پيچيده تشخيص مي‌دهد. علاوه بر اين، مقياس‌بندي داده‌ها به عنوان يك مرحله حياتي در فرآيند آماده‌سازي داده‌ها مورد تأكيد قرار گرفت، زيرا اين مقياس‌بندي به بهبود دقت و كارايي مدل‌ها كمك مي‌كند. اين مطالعه نشان مي‌دهد كه انتخاب روش مناسب آماده‌سازي داده‌ها، همراه با مقياس‌بندي مؤثر، مي‌تواند به بهبود تحليل‌ها و توسعه استراتژي‌هاي بازاريابي كمك كرده و تصميم‌گيري‌هاي مؤثرتري را در سازمان‌ها ممكن سازد. نتايج حاصل از اين تحقيق تأييد مي‌كند كه استفاده از روش‌هاي متنوع و مناسب آماده‌سازي داده‌ها مي‌تواند به‌طور قابل‌توجهي دقت و كارايي تحليل‌ها را افزايش داده و به تصميم‌گيري‌هاي مؤثرتري در سازمان‌ها منجر شود.

خوشه‌بندي مشتريان , چرخه كريسپ دي‌اِم , منحني آرنج , تبديل لگاريتمي , الگوريتم دي‌بي‌اِس‌كَن , جنگل جداسازي , مديريت داده هاي پرت , مقياس‌بندي استاندارد , مقياس‌بندي كمترين-بيشترين , پايتون