18616

۱۸۶۱۶

بخش بندي و ارزش گذاري مشتريان به وسيله مدل توسعه يافته RFM با در نظر گيري هزينه هاي مشتري

كارشناسي ارشد

نرم افزار

۱۳۹۶/۱۲/۰۸

دكتر عين اله خنجري

كامپيوتر

امروزه افزايش حجم اطلاعات از يك سو و افزايش رقابت بين بنگاه هاي اقتصادي از سوي ديگر باعث شده تا سازمانها بيش از پيش اهميت دادههاي حاصله از مشتري را درك نموده و با ارائه راهكار، سعي در استفاده هرچه بهتر از اين داده ها داشته باشند. درك رفتار مشتري نيازمند بكارگيري متدها و روش هايي است كه بتوان بر مبناي آن رفتار آتي و ويژگيهاي گروه هاي مختلف مشتري را تعيين نمود و بر مبناي آن استراتژيهاي مقتضي را اعمال نمود. يكي از مدلهاي رفتاري مشهور كه در زمينه بخشبندي مشتريان مورد استفاده قرار ميگيرد مدل RFM )تازگي خريد، تعدد خريد، حجم پولي( ميباشد. اين مدل بر سه جنبه رفتاري از مشتري ميپردازد . در اين پژوهش بر آنيم تا با در نظرگيري متغيري تحت عنوان تعداد اسناد اعتباري وصول نشده مشتري را در قالب هزينه تحميل شده از سوي مشتري، اين مدل را توسعه بخشيده و بر مبناي RFMC تحليل رفتار بهتري از مشتريان بدست آوريم زيرا يكي از اهداف بنگاه ها از بخش بندي مشتريان شناسايي گروه هاي مختلف مشتري ميباشد كه از لحاظ سودآوري براي بنگاه داراي اهميت ميباشند. جهت انجام فرآيند خوشهبندي از الگوريتم k-means و جهت ارزيابي خوشه ها از معيار ديويس بولدين بهره جستهايم. تمامي مراحل اين پژوهش بر مبناي متدولوژي CRISP-DM انجام پذيرفته و جهت بررسي ارزش خوشه ها از مدل وزندار RFM بهره جستهايم تا ارزش خوشههاي نهايي را برآورد نماييم. نتايج بيانگر اين امر است كه بر مبناي مدل توسعه يافته معرفي شده در پژوهش جاري، خوشههاي با كيفيت تري توليد شده و بخش بندي مناسبتري صورت پذيرفته است. كلمات كليدي: داده كاوي، مديريت ارتباط با مشتري، خوشه بندي، CRISP_DM ، K-means ، K-medoi

1396/12/23

3/14/2018 12:00:00 AM

Nowaday, the emerging rapid growth of data volume on the one hand, and the increasing competence between the companies on the other hand, motivate the compaies to try to understand the importance of the information which could be resulted from their customers as well as to investigate different mechanisms in order to use such information. Understanding the behaviours of the customers involves the application of the methods and the techniques to be able to recognize and predict the future behavior and the properties of the different groups of the customers, as well as to enforce the companies’ appropriate sterategies base on such behavoiurs. RFM is one of the best-known behavioural models which is extensively used in the customer segmentaion problem. This model inxorporates three (Recency, Frequency, Monetary) aspects of the customers’ behaviours. In this research study, we incorporated a new measuere as uncollected credit documents of the customers which is intended as a cost imposed by the customers. In fact, the so-called RFM is extended in order to give some beter in terms of customer behavior analysis criteria, since the identification of beneficial groups of the customers is a major requirements of the companies. This study incorporates K-means clustering for customer segmentation as well as Davies Bouldin index where the whole process of the segmentation is based on CRISP-DM methodology. The experimental results show that RFMC outperforms the competing models in terms of the quality of the customer’s clusters. Keywords: Datamining ،CRM ،Clustering ،CRISP_DM ،K-means،K-medoid