20425

۲۰۴۲۵

خوشه بندي مشتريان براساس عوامل ارزش طول عمر مشتري با كاربرد تكنيك داده كاوي (مطالعه موردي: صنعت نرم افزار)

كارشناسي ارشد

مديريت اجرايي - EMBA

1395-1397

۱۳۹۵/۲/۹

دكتر رسول نورالسنا

دكتر روزبه قوسي

مهندسي پيشرفت

چكيده رقابت فزاينده و رشد سريع كسب وكارها، شركت ها را بر آن داشته تا شناخت مشتريان را در راس برنامه هاي بازاريابي خود قرار دهند. جهت تصميم گيري صحيح در اين حوزه، بخش بندي و شناسايي گروه هاي مشتريان بلاخص مشتريان ارزش آفرين، الويت كاري شركت ها شده است. امروزه، ارزش طول عمر مشتري به عنوان الگويي مناسب در حوزه بخش بندي بكار گرفته شده و در كنار آن بهره مندي از تكنيك هاي داده كاوي، شركت ها را در درك و تحليل عميق تر گروه هاي مشتريان ياري نموده است. تحقيق حاضر به خوشه بندي مشتريان براساس عوامل ارزش طول عمر مشتري با كاربرد تكنيك داده كاوي در شركت فعال در حوزه توليد، فروش و ارائه خدمات نرم افزاري پرداخته است. داده هاي تراكنشي 1865 مشتري، براساس مدل ارزش طول عمر مشتري ال.آر.اف.ام با عوامل طول ارتباط مشتري، تازگي خريد، تعداد خريد و حجم پولي از پايگاه داده مشتريان شركت استخراج گرديده و براساس فرآيند استاندارد داده كاوي كريسپ مورد بررسي قرار گرفته اند. 4 عامل ارزش طول عمر مشتري براساس الگوريتم انتخاب عوامل مورد تائيد قرار گرفته و با استفاده از روش مقياس بندي پنجك براي خوشه بندي آماده شدند. جهت تعيين تعداد خوشه بهينه از دو شاخص سيلهوت و مجموع مربعات خطاها استفاده شده و با بهره گيري از الگوريتم كا-مينز، مشتريان در 4 خوشه اصلي به صورت مشتريان وفادار با ارزش بالا، مشتريان از دست رفته نامطمئن، مشتريان جديد نامطمئن و مشتريان با هزينه مصرف بالا جاي گرفتند. در ادامه براساس ميانگين مقادير نرمال شده عوامل در خوشه و اوزان عوامل، ارزش طول عمر مشتريان هر خوشه محاسبه گرديده است. در اين بين مشتريان خوشه اول با بيشترين تعداد و بالاترين ارزش طول عمر مشتري جزو ارزشمندترين گروه مشتريان محسوب گشته و مشتريان خوشه هاي 4، 3 و 2 در جايگاه دوم، سوم و چهارم قرار گرفته اند. در انتها، ويژگي هاي مشتريان در هر خوشه مورد تجزيه و تحليل قرار گرفته و استراتژي هاي بازاريابي براي هر خوشه ارائه شده است. واژگان كليدي: ارزش طول عمر مشتري، مدل ال.آر.اف.ام، داده كاوي، خوشه بندي.

1398/02/15

(Customer Clustering Based on Factors of Customer Life-time Value with Data Mining Technique (Case Study: Software Industry

5/5/2019 12:00:00 AM

Abstract Ever-increasing competition and rapid growth of businesses make organizations put identification of customers on the top of their marketing programs. Furthermore, segmentation and identification of customer groups, especially customers who create value, have been the priority of organizations. Today, organizations have used the customer lifetime value as an appropriate pattern to classify customers. In addition, data mining techniques have enabled organizations to analyze customers more deeply. This research has been carried out in a software company to cluster customers based on factors of customer lifetime value and data mining techniques. Based on customer lifetime value model, LRFM, and its factors including length, recency, frequency and monetary, transactional data of 1865 customers has been gathered and analyzed through CRISP method. Moreover, four factors of customer lifetime value have been emphasized based on feature selection algorithm. They also have been prepared for clustering using quintile method. To determine the optimum number of cluster, silhouette and sum of square error index have been used. Additionally, k-means algorithm has been applied to help us classify the customers into four groups, namely high value loyal customers, uncertain lost customers, uncertain new customers, and high consumption cost customers. In the next step, customer lifetime value has been evaluated according to weights of factors and the average of normalized amounts in each cluster. Accordingly, the first cluster customers with the highest number and the highest customer lifetime value are the most valuable customers and the forth, third, and the second cluster customers are in the second, third, and forth positions respectively. Finally, the attributes of customers in each cluster have been analyzed and the marketing strategies have been proposed for each cluster. Key Words: Customer lifetime value, LRFM model, Data mining, Clustering