25593

ارائه مدل بهينه جهت خوشه بندي و تعيين ارزش طول عمر مشتريان در خرده فروشي هاي برخط

كارشناسي ارشد

مهندسي فناوري اطلاعات - تچارت الكترونيك

1396-1400

27/06/1400

دكتر عليرضا علي احمدي جشفقاني

دكتر بابك اميري

مهندسي صنايع

يكي از مباحث مهم در حوزه مديريت ارتباط با مشتري و شناسايي مشتريان وفادار، ارزش طول عمر مشتري (CLV) است؛ به اين معنا كه يك مشتري در طول عمر خود، چه ميزان سود براي يك كسب‌وكار ايجاد مي‌‌كند. روش‌هاي متعددي براي محاسبه ارزش طول عمر مشتري وجود دارد. يكي از اين رويكردها مدل RFM مي باشد. در اين پايان‌نامه يك رويكرد جديد براي محاسبه ارزش طول عمر و خوشه بندي مشتريان با با عنوان RFMTV پيشنهاد شد. در روش پيشنهادي پس از تهيه مجموعه داده تحقيق، عمليات پيش پردازشي روي آن صورت گرفته و در ادامه محاسبات مربوط به شاخص هاي تازگي خريد(R)، تعداد دفعات خريد(F) و ارزش مالي خريد(M) محاسبه گرديد. اما در كنار شاخص هاي ذكر شده، شاخصي نيز توسط نگارندگان پايان‌نامه براي بهبود فرآيند محاسباتي ارزش زماني مشتري معرفي شد. اين ويژگي ارزش زماني مشتري (TV) نام دارد. پس از آنكه مجموعه داده پژوهش آماده سازي گرديد. با بهره‌گيري از الگوريتم خوشه بندي FCM فرآيند خوشه بندي مشتريان با استفاده از ويژگي‌هاي مندرج در مجموعه داده انجام گرفت. اما از آنجا كه كيفيت خوشه‌بندي در خوشه‌بند فازي به مراكز اوليه خوشه‌ها وابسته است، لذا لازم است اين مراكز اوليه به صورت بهينه تعيين گردند. از اين رو تعيين مراكز خوشه بندي به عنوان يك مساله بهينه سازي در نظر گرفته شده و براي حل آن از الگوريتم بهينه سازي ژنتيك چند هدفه بهبود يافته با الگوريتم تفاضل تكاملي استفاده شد. در خاتمه نيز پس از خوشه بندي مشتريان، كيفيت خوشه ها مورد سنجش قرار و ارزيابي گرفته (بر حسب معيارهاي ارزيابي) و كاربران موجود در هر خوشه رتبه بندي شدند. بررسي يافته ها نشان مي دهد كه استفاده از مدلسازي اعداد صحيح براي ويژگي هاي R، F، M و TV نتايج خوشه بندي را خراب‌تر مي‌كند. لذا استفاده از مدل اعداد گويا براي هر كدام از ويژگي‌ها پيشنهاد مي‌گردد. ديگر يافته‌ها نيز حكايت از آن دارد كه در معيار ارزيابي مينكوفسكي، روش پيشنهادي پايان‌نامه كه رويكرد مبتني بر خوشه‌بند فازي بهبوديافته با NSGA-DE مي باشد؛ به ميزان 14/0 توانسته است خوشه‌هاي باكيفيت‌تري نسبت به خوشه‌بند فازي مبتني بر NSGA ايجاد كند. همچنين در معيار ارزيابي فشردگي درون خوشه‌اي، روش پيشنهادي پايان‌نامه به ميزان 16 درصد عملكرد بهتري نسبت به روش پايه دارد. نهايتا اينكه كمترين امتياز RFMTV براي يك مشتري در اين پايان‌نامه مقدار 2 و بالاترين امتياز 93/46 مي باشد. بر اساس رتبه بندي به دست آمده و مدل RFMTV مشتري اي كه بالاترين امتيارا داشته باشد؛ وفادارترين مشتري خواهد بود. به همين ترتيب هرچه امتياز RFMTV براي يك مشتري كمتر شود؛ از ميزان وفاداري وي كاسته مي‌شود.

1400/09/01

an enhanced model for customer clustering and determining customer lifetime value in online retailers

9/18/2022 12:00:00 AM

One of the crucial subjects in CRM and customer loyalty is customer lifetime value. CLV means the achieved profit is made by a company from a specific customer. There are several methods to determine CLV; one of them is RFM model. In this thesis, I proposed a new method named RFMTV. At first, in this method, data preprocessing and extracting Recency, Frequency, and Monetary indicator must be done. I proposed a new indicator named Time-Value of the customer. In the next step, I tried clustering customers with the Fuzzy C-means method, while its dependence on initial cluster centroids is the main drawback in this method. So, identifying cluster initial centroids become an optimization problem. I applied the multi-objective genetic algorithm combined with a differential evolution algorithm to solve the optimization problem. Experimental findings show that using integer modeling for R, F, M, TV would worsen clustering results. Therefore, using the decimal calculation is an optimal method for each of the futures. Other findings indicate that the suggested clustering method based on NSGA-DE is doing 0.14 points better in the Minkowski evaluation criterion. Also, in the intra-cluster compaction evaluation criterion, the proposed method has 16% better performance than the NSGA II. Finally, the lowest RFMTV score for a customer in this thesis is two, and the highest score is 46.93. Based on the RFMTV model's ranking applied on the Digikala customer dataset, the customer would be the most loyal customer with the highest score. Similarly, the lower the RFMTV score is for each customer with less loyalty.

وفاداري مشتري , بهينه سازي , خوشه بندي فازي , ارزش طول عمر مشتريان

customer loyalty , optimization , fuzzy clustering , customer lifetime value