مدل خوشه بندی و پیش بینی ارزش طول عمر مشتری (مورد مطالعه: مشتریان مرکز شماره گذاری کالا و خدمات ایران)

Publish Year: 1399
نوع سند: مقاله ژورنالی
زبان: Persian
View: 357

This Paper With 24 Page And PDF Format Ready To Download

  • Certificate
  • من نویسنده این مقاله هستم

این Paper در بخشهای موضوعی زیر دسته بندی شده است:

استخراج به نرم افزارهای پژوهشی:

لینک ثابت به این Paper:

شناسه ملی سند علمی:

JR_INDU-10-4_002

تاریخ نمایه سازی: 28 شهریور 1400

Abstract:

یکی از مباحث مهم در زمینه حفظ مشتریان و چگونگی رفتار با آنها، ارزش طول عمر مشتری (CLV) است . هدف از این پژوهش، طراحی مدلی برای خوشه بندی و پیش بینی طول عمر مشتریان و همچنین ارزیابی مشتریان در مرکز شماره گذاری کالا و خدمات ایران است. در این پژوهش اطلاعات ۷۴۳۸۵ عضو این سازمان در بازه زمانی ۱۳۹۰ - ۱۳۹۶ دریافت شد. مشتریان توسط تکنیک داده کاوی CRISP طبقه بندی شده و درنهایت مدلی برای پیش بینی آن ها طراحی شد. ابتدا اعضا توسط مدل RFM و الگوریتم K-Means به ۷ طبقه دسته بندی شده و سپس هر طبقه توسط روش محاسبه ارزش طول عمر مشتریان رتبه بندی شد. در ادامه توسط الگوریتم های رگرسیون لجستیک، درخت تصمیم و شبکه های عصبی، الگوهای پنهان بین داده ها و بخش های مختلف مشتریان کشف شدند. نتایج این پژوهش، رفتار مشتریان هر یک از خوشه ها را در خدمات مرکز و همچنین مدل رفتار مشتریان آتی را نشان داده است. این پژوهش با تحلیل خوشه ها به مدیران در ارائه راهبردهای بازاریابی، حفظ اعضای وفادار و جذب یا حذف اعضای غیرفعال، یاری می رساند. در پژوهش حاضر تعداد خوشه مناسب برای مشتریان ۷ عدد است؛ همچنین در پیش بینی کلاس مشتریان عملکرد شبکه های عصبی با دقت ۵۶ / ۹۹ درصد نسبت دیگر الگوریتم ها بهتر بوده است.

Keywords:

ارزش طول عمر مشتری , داده کاوی , RFM , خوشه بندی , پیش بینی

Authors

فاطمه نبی زاده

کارشناسی ارشد، دانشگاه مهرالبرز.

سعید روحانی

دانشیار، دانشگاه تهران.

مراجع و منابع این Paper:

لیست زیر مراجع و منابع استفاده شده در این Paper را نمایش می دهد. این مراجع به صورت کاملا ماشینی و بر اساس هوش مصنوعی استخراج شده اند و لذا ممکن است دارای اشکالاتی باشند که به مرور زمان دقت استخراج این محتوا افزایش می یابد. مراجعی که مقالات مربوط به آنها در سیویلیکا نمایه شده و پیدا شده اند، به خود Paper لینک شده اند :
  • Anitha, P., & Patil, M. M. (۲۰۱۹). RFM model for ...
  • Carolyn, F. C., & Karen, N. K. (۲۰۰۲). From prisoners ...
  • Çavdar, A. B., & Ferhatosmanoğlu, N. (۲۰۱۸). Airline customer lifetime ...
  • Cheng, C.-H., & Chen, Y.-S. (۲۰۰۹). Classifying the segmentation of ...
  • Cheng, C.-J., Chiu, S., Cheng, C.-B., & Wu, J.-Y. (۲۰۱۲). ...
  • Christy, A. J., Umamakeswari, A., Priyatharsini, L., & Neyaa, A. ...
  • Daneshvar, A., Homayounfar, M., FarahmandNezhad, A. (۲۰۲۰), Development of an ...
  • Dursun, A., & Caber, M. (۲۰۱۶). Using data mining techniques ...
  • Farokhi, z. (۲۰۱۳). Segmentation of bankcard holders based on LRFM ...
  • Heldt, R., Silveira, C. S., & Luce, F. B. (۲۰۱۹). ...
  • Hiziroglu, A., & Sengul, S. (۲۰۱۲). Investigating two customer lifetime ...
  • Iranshahi, M. (۲۰۱۵), Investigating the Necessity and effect of CLV ...
  • Khajvand, M., Zolfaghar, K., Ashoori, S., & Alizadeh, S. (۲۰۱۱). ...
  • Khatami FiroozAbadi, M., TaghaviFard, M., Sadjadi, Kh., Bamdad Soufi, J. ...
  • Larose, D. T. (۲۰۰۶). Data mining methods & models. John ...
  • Li, D. C., Dai, W. L., & Tseng, W. T. ...
  • Monalisa, S., Nadya, P., & Novita, R. (۲۰۱۹). Analysis for ...
  • Moslehi, N., Kafashpour, A., & Naji Azimi, Z. (۲۰۱۴). Customer ...
  • Romano Jr, N. C., & Fjermestad, J. (۲۰۰۱). Electronic commerce ...
  • Tabeli, H., & PourJafari, M. (۲۰۱۱). Role of information technology ...
  • Tarokh, M. J., & EsmaeiliGookeh, M. (۲۰۱۹). Modeling patient's value ...
  • Taslimi, H., Aghazadeh Hashem, M., Esfidani, M., & Karami, M. ...
  • نمایش کامل مراجع