31889

ارائه استراتژي‌هاي بازاريابي بر اساس خوشه‌بندي مشتريان با استفاده از داده‌هاي بارنامه‌هاي ريلي

كارشناسي ارشد

مهندسي صنايع- مهندسي حمل و نقل ريلي

1403

1403/06/25

مسعود يقيني

استاد مشاور نداشتم

راه‌آهن

در دنياي رقابتي امروز، شناسايي دقيق نيازها و ترجيحات مشتريان كليد موفقيت كسب‌وكارها است. خوشه‌بندي مشتريان يكي از روش‌هاي مؤثر براي دسته‌بندي مشتريان بر اساس ويژگي‌هاي مشترك آن‌ها است. اين پژوهش با هدف ارائه استراتژي‌هاي بازاريابي هدفمند، به بررسي خوشه‌بندي مشتريان شركت‌هاي حمل‌ونقل ريلي با استفاده از داده‌هاي مربوط به بارنامه‌هاي صادر شده در سال 1401 مي‌پردازد. داده‌هاي اوليه شامل 1،025،660 تراكنش ثبت شده از 176 مشتري است. هر رديف در اين داده نشان دهنده اطلاعات يك بارنامه است. در اين پژوهش، ابتدا به شناخت سازمان پرداختيم و بعد از آن پيش‌پردازش و آماده‌سازي داده‌ها را انجام داديم. از الگوريتم كا-ميانگين به عنوان يكي از پركاربردترين الگوريتم‌هاي خوشه‌بندي، استفاده گرديده است. براساس معيار سيلاوت تعداد مناسب خوشه‌ها بدست آمده است. همچنين، از مدل RFM براي تعيين ويژگي‌هاي هر مشتري شامل تازگي خريد (Recency)، تعداد دفعات خريد (Frequency) و ارزش خريد (Monetary) استفاده شده است. با تركيب الگوريتم كا-ميانگين و شاخص‌هاي RFM ، مشتريان به 4 خوشه مجزا تقسيم‌بندي شده‌اند. خوشه مشتريان بزرگ داراي 58 مشتري، خوشه مشتريان ارزشمند شامل 30 مشتري، خوشه مشتريان كم ارزش داراي 30 مشتري و خوشه مشتريان فرسوده شامل 57 مشتري مي‌باشد. پس از خوشه‌بندي، ويژگي‌هاي هر خوشه به دقت تحليل شده و بر اساس نتايج حاصل، استراتژي‌هاي بازاريابي متناسب با هر خوشه پيشنهاد شده است. براي استخراج اين استراتژي‌ها علاوه بر بررسي مطالعات گذشته از نظرات كارشناسان شركت‌هاي حمل‌ونقل باري ريلي استفاده گرديده است. بدين منظور پرسشنامه‌اي طراحي و در اختيار خبرگان اين حوزه قرار گرفت. استراتژي‌هاي استخراج شده از اين پرسشنامه به‌ طور خلاصه شامل پيشنهادات ويژه، تخفيفات، برنامه‌هاي وفاداري و كانال‌هاي ارتباطي مناسب براي هر گروه از مشتريان است كه در انتها نتايج پرسشنامه طراحي شده را با خوشه‌بندي مطابقت داديم. نتايج بدست‌آمده نشان مي‌دهد كه خوشه‌بندي مشتريان بر اساس داده‌هاي بارنامه‌هاي ريلي و استفاده از مدلRFM و الگوريتم كا-ميانگين، مي‌تواند به شركت‌هاي حمل‌ونقل ريلي كمك كند تا درك عميق‌تري از مشتريان خود پيدا كرده و استراتژي‌هاي بازاريابي مؤثري را اجرا كنند. با بهره‌گيري از اين اطلاعات، مي‌توان مشتريان كليدي را حفظ و مشتريان جديد داراي ارزش افزوده بالا را جذب كرد. با تمركز بر مشتريان با ارزش افزوده بالا و ارائه خدمات سفارشي‌سازي شده، مي‌توان وفاداري مشتريان را افزايش داده و سهم بازار را گسترش داد.

1403/10/17

Providing marketing strategies based on customer clustering using rail waybill data

9/15/2025 12:00:00 AM

In today's competitive world, accurate identification of customer needs and preferences is the key to business success. Customer clustering is one of the effective ways to group customers based on their common characteristics. With the aim of providing targeted marketing strategies, this research examines the clustering of customers of rail transport companies using data related to bills of lading issued in 1401. Primary data includes 1,025,660 registered transactions from 176 customers. Each row in this data represents the information of a bill of lading. At first, we got to know the organization and then pre-processed and prepared the data. In this research, the K-Mean algorithm is used as one of the most widely used clustering algorithms. Based on the silhouette criterion, the appropriate number of clusters has been obtained. Also, the RFM (Recency, Frequency, Monetary) model has been used to determine the characteristics of each customer, including purchase recency, purchase frequency, and purchase value. By combining these two methods, customers are divided into 4 distinct clusters. The cluster of big customers has 58 customers, the cluster of valuable customers includes 30 customers, the cluster of low-value customers has 30 customers, and the cluster of exhausted customers includes 57 customers. After clustering, the characteristics of each cluster are carefully analyzed and based on the results, marketing strategies suitable for each cluster are proposed. In order to derive these strategies, in addition to examining past studies, experts from rail freight companies have been used. For this purpose, a questionnaire was designed and provided to experts in this field. The strategies extracted from this questionnaire briefly include special offers, discounts, loyalty programs and appropriate communication channels for each group of customers, and finally we matched the results of the designed questionnaire with clustering. The results of this research show that customer clustering based on the data of railway waybills and using the RFM model and the K-Mean algorithm can help rail transport companies to gain a deeper understanding of their customers and implement effective marketing strategies. Using this information, you can retain key customers and attract new customers with high added value. By focusing on high-value-added customers and providing customized services, you can increase customer loyalty and expand market share.

حمل‌ونقل باري ريلي , داده‌كاوي , خوشه‌بندي مشتريان , الگوريتم كا-ميانگين , مدل RFM , استراتژي‌هاي بازاريابي

Rail freight transportation , data mining , customer clustering , K-means algorithm , RFM model , marketing strategies

ghazal ghorbani

Masoud Yaghini