فرزام شیخ باقری - دانشگاه شهید مدنی آذربایجان، تبریز
حسین عباسی مهر - دانشگاه شهید مدنی آذربایجان، تبریز

در کسب وکارهای جدید، مدیران با درک ضرورت به کارگیری مدیریت ارتباط با مشتری، همواره به دنبال راهی برای شناسایی هرچه بهترمشتریان و درک نیازهای آنها هستند. رو شهای مبتنی بر داده کاوی مانند خوشه بندی و پیش بینی، این امکان را برای آنها فراهم کردهو در این راستا اخیرا برای تحلیل رفتار مشتریان از این الگوریتم ها استفاده شده است. در پژوهش حاضر، با ارائه یک روش هوشمند برایبخش بندی سری های زمانی، روشی جدید برای تحلیل رفتار مشتریان ارائه شده است. برای خوشه بندی مشتریان، ابتدا سری زمانی رفتارمشتریان بدست آمده و سپس عملیات پیش پردازش بر روی داده ها انجام می شود، پس از این مرحله، برای هر مشتری ۱۳ ویژگیمنعکس کننده خصوصیات هر سری استخراج شده و این ویژگی ها با استفاده از روش امتیازدهی لاپلاس رتبه بندی شده و ویژگی هایموثر برای فرآیند خوشه بندی انتخاب و خوشه بندی مشتریان بر اساس آنها انجام می شود. در این گام چهار ویژگی واریانس تمام نقاطسری زمانی (Variance)، آنتروپی (Entropy)، تغییر واریانس در باقیمانده (Lumpiness) و مقادیر غیرمنتظره سری (Spikiness)،بالاترین امتیاز را در میان ویژگی ها داشتند. خوشه بندی مشتریان با استفاده از الگوریتم های FCM, K-means, K-medoids, و SOMانجام شده و بهترین مدل خوش هبندی انتخاب می شود. نتایج نشان میدهد که از میان روش های مختلف خوشه بندی، الگوریتم K-medoids عملکرد بهتری نسبت به دیگر الگوریتم ها داشته و مشتریان را به ۴ خوشه با شاخص شیلهوت ۰.۶۳۷۸ افراز کرده است.

مدیریت ارتباط با مشتری (CRM)، رفتار مشتری، سری زمانی، خوشه بندی مبتنی بر ویژگی، بخشبندی مشتریان