خلاصة:
با توجه به حجم انباشته شده اطلاعات خرید مشتریان و پیچیدگی رقابت در عصر حاضر اهمیت ایجاد بستری برای تحلیل دادههای به روز ودقیق مشتریان، باهدف ایجاد ارتباطهای مؤثر با مشتریان فعلی و وفادار، بیش از پیش برای سازمانها به عنوان یک مزیت رقابتی جلوهگر شده است. هدف این پژوهش بررسی الگوهای رفتاری خرید مشتریان محصولهای بهداشتی به منظور دستهبندی آنها براساس مدل WRFMبا استفاده از روشهای ترکیبی دادهکاوی است. از میان مشتریان استان تهران که در بازه سالهای 1396- 1397 از شرکت خرید داشته اند از پایگاه داده های مشتریان 65534 نمونه، با روش نمونه گیری هدفمند در دسترس جمع آوری شده و به کمک SPSS مقدار RFM موزون با توجه به نظر خبرگان صنعت مشخص و سپس این فیلد به دیگر داده های پژوهش اضافه شده و توسط نرم افزار دادهکاوی کلمنتاین بر اساس70 درصد داده ها، خوشه بندی مشتریان صورت گرفته است؛ همچنین به منظور بررسی کیفیت خوشهبندی از معیارهای امتیازجینی، درصد خطا، اطلاعات متقابل نرمالشده (NMI) استفاده شده است. نتایج پژوهش حکایت ازکارایی بالای روش خوشهبندی Kمیانگین با تعداد چهارخوشه با درصد خلوص (0/761)، برای بخش بندی مشتریان داشته است
Due to the accumulated volume of customer purchasing information and the complexity of competition in the present era, the importance of creating a platform for analyzing up-to-date and accurate customer data, with the aim of creating effective relationships with current and loyal customers, more than ever for organizations as It has become a competitive advantage. The purpose of this study was to investigate the behavioral patterns of customers buying Hygienic Products in order to classify them based on the WRFM using data mining methods. 65534 samples were collected from the company databases in the period of 1396-1397 among the customers of Tehran province by the available purposeful sampling method, also with the help of SPSS, the amount of WRFM determined according to the opinion of industry experts and then this field had been to other fields in the research and using Clementine software, customers clustering has been done according to 70% of the data; also, in order to evaluate the quality of clustering, the criteria of Gini Score, error percentage, and normalized mutual information were used. The results indicate the high efficiency of the K-Means clustering method with the number of four clusters with purity percentage (0.761) for customer segmentation.
ملخص الجهاز:
از ميان مشتريان استان تهران که دربازه سال هاي١٣٩٦-١٣٩٧ازشرکت خريد داشته اند ازپايگاه داده هاي مشتريان ٦٥٥٣٤ نمونه ، باروش نمونه گيري هدفمند در دسترس جمع آوري شده و به کمک SPSS مقدارWRFM با توجه به نظرخبرگان صنعت مشخص و سپس اين فيلد به ديگر داده هاي پژوهش اضافه شده و توسط نرم افزار داده کاوي کلمنتاين بر اساس ٧٠ درصد داده ها، خوشه بندي مشتريان صورت گرفته است ؛ همچنين به منظور بررسي کيفيت خوشه بندي از معيارهاي امتيازجيني، درصدخطا، اطلاعات متقابل نرمال شده (NMI)استفاده شده است .
در اين پژوهش با استفاده از فرمول ٥ و بر اساس ضرايبي که از نظر مشورتي خبرگان صنعت براي تازگي، تکرار و ارزش پولي خريد مشتري با روش مقايسه هاي زوجي تعيين شده ، در نهايت مقدار WRFM بدست آمده است تا خوشه بندي مشتريان بر اين اساس صورت بگيرد.
اين پژوهشگران براي تحليل داده ها از نرم افزار کلمنتاين ٣٧استفاده کرده اند؛ در پژوهش مذکور ابتدا از خوشه بندي دومرحله اي و سپس الگوريتم هاي (C٥٠)،C&RT( )٣٨، (CHAID)٣٩ و(QUEST)٤٠ استفاده شده که نتايج مقدار صحت بدست آمده از اجراي الگوريتم هاي (C٥٠) درخت (C&RT)،CHAID( ) وQUEST به ترتيب (٠/٩٩٨)، (٠/٩٩٦)، (٠/٩٩٣)، (٠/٨٩١) بوده است .
جدول ٥- خوشه بندي کوهنن و مقدار تازگي- تکرار- ارزش پولي هر خوشه (رجوع شود به تصویر صفحه) در اينجا تنها به اطلاعات جمعيت شناختي و خريد موجود در ٥ سلول ماتريس کوهنن ايجاد شده با بالاترين فراواني اشاره ميشود: ١) در سلول (Y٠,X٠) مشتريان با احتمال ١٠٠درصد از منطقه ٨ تهران بوده و در وضعيت فعال قرار داشته اند؛ همچنين اين مشتريان بيشتر در آذرماه با فراواني ١٢/٧٢درصد خريد کرده اند.