دوره 3، شماره 1 - ( 11-1399 )                   جلد 3 شماره 1 صفحات 8-1 | برگشت به فهرست نسخه ها

‎ 10.47176/sjamao.3.1.1

XML English Abstract Print

Download citation:
BibTeX | RIS | EndNote | Medlars | ProCite | Reference Manager | RefWorks
Send citation to:
Taghi Livari R, Zarrin Ghalam N. Customers Grouping Using Data Mining Techniques in the Food Distribution Industry (A Case Study). sjamao 2021; 3 (1) :1-8
URL: http://sjamao.srpub.org/article-7-89-fa.html
تقی لیوری رامین، زرین قلم نوید. گروه بندی مشتریان با استفاده از تکنیک های داده کاوی در صنعت توزیع غذا (مطالعه موردی). نشریه مدیریت کاربردی و چابک سازی سازمانی. 1399; 3 (1) :1-8

URL: http://sjamao.srpub.org/article-7-89-fa.html

گروه بندی مشتریان با استفاده از تکنیک های داده کاوی در صنعت توزیع غذا (مطالعه موردی)
رامین تقی لیوری* ، نوید زرین قلم
کارشناس ارشد مهندسی صنایع ، دانشگاه آزاد اسلامی ، واحد تهران جنوب ، تران ، ایران.
چکیده:   (2809 مشاهده)
توسعه قابل توجه داده ها سازمان ها را ملزم کرده است تا از ابزاری برای درک روابط بین داده ها و تصمیم گیری های متنوع متناسب با اطلاعات به دست آمده استفاده کنند. تقسیم بندی مشتری و تجزیه و تحلیل رفتار او در صنایع تولیدی و توزیعی با توجه به هدفمند بودن فعالیت های بازاریابی و ارتباط موثر و با مشتریان از اهمیت ویژه ای برخوردار است. تقسیم بندی مشتری با استفاده از تکنیک های داده کاوی عمدتا بر اساس متغیرهای خرید اخیر (R) ، فرکانس خرید (F) و ارزش پولی خرید (M) در مدل RFM است. در این مقاله ، با استفاده از متغیرهای ذکر شده ، دوازده گروه مشتری مرتبط با BTB (تجارت به تجارت) یک شرکت تولید مواد غذایی ، گروه بندی شده اند. گروه بندی در این مطالعه براساس الگوریتم K-means و شاخص Davies-Bouldin ارزیابی می شود. در نتیجه ، گروه بندی مشتری به سه گروه تقسیم می شود و در نهایت CLV (مقدار طول عمر مشتری) هر خوشه محاسبه می شود و استراتژی های بازاریابی مناسبی برای هر خوشه ارائه شده است.
واژه‌های کلیدی: مدیریت ارتباط با مشتری، داده کاوی، تقسیم بندی مشتری، تجزیه و تحلیل RFM، ارزش طول عمر مشتری
متن کامل [PDF 379 kb]   (956 دریافت)    
نوع مطالعه: پژوهشي | موضوع مقاله: بازار یابی
دریافت: 1399/9/25 | ویرایش نهایی: 1399/10/15 | پذیرش: 1399/10/26 | انتشار: 1399/11/11
فهرست منابع
1. Chang EC, Huang MSC, Wu HH. Using k-means method and spectral clustering technique In an outfitters value analysis quality and quantity. 2010; 44(4): 807-815. [DOI:10.1007/s11135-009-9240-0]
2. Khalili-Damghani K, Abdi F, Abolmakarem S. Hybrid soft computing approach based on clustering, rule mining, and decision tree analysis for customer segmentation problem: real case of customer-centric industries. Appl Soft Comput. 2018; 73: 816-828. [DOI:10.1016/j.asoc.2018.09.001]
3. Han J, Pei J, Kamer M. Data mining: concepts and techniques. Elsevier. 2011.
4. Wang YX, Loa Y, Wang Y. A fuzzy-based customer clustering approach with hierarchical structure for logistics network optimization.expert systems with application. 2014; 41(2): 521-534. [DOI:10.1016/j.eswa.2013.07.078]
5. Wei J, Lin S, Weng C. A case study of applying lrfm model in market segmentation of children dental clinic. Expert Syst App. 2012; 39: 5529-5533. [DOI:10.1016/j.eswa.2011.11.066]
6. Jayasree, Saha, Jayanta, Mukherjee. CNAK: Clustering number assisted K-means. 2021; 110: 107625. [DOI:10.1016/j.patcog.2020.107625]
7. Anitha P, Malini, Patil M. RFM model for customer purchase behavior using K-means algorithm. Production and hosting by Elsevier B.V on behalf of king Saudi university. Comput Inform. 2019. [DOI:10.1016/j.jksuci.2019.12.011]
8. Wu H-H, En-Chi, Lo C-F. Applying rfm model and k-means method in customer value analysis of an outfitter. International Conference on Concurrent Enginnering, Newyork. 2009. [DOI:10.1007/978-1-84882-762-2_63]
9. Monalisa S, Nadaya P, Novita R. Analysis for customer life time value categorization with RFM Model. Proc Comput Sci. 2019; 834-840. [DOI:10.1016/j.procs.2019.11.190]
10. Vlmiguies AS, Camanho, Joafalcaocunha. Customer data mining for lifestyle segmentation. Expert Syst App. 2012; 39: 9359-9366. [DOI:10.1016/j.eswa.2012.02.133]
11. Rabiei A, Hamidrastegari. Integration RFM and classification for response modeing based on customer lifetime value. 2015; 36: 1300-1949.
12. Mohammadi, Bijanbidabad, Nourasteh T, Sherafati M. Credit of bank customers (An integrated model of RFM, FAHP and k-means). 2014; 3: 564-571.
13. Christy A, Joy A, Umamakeswari L, Priyatharsini, Neyaa A. RFMr ranking an effective approach to costumer segmentation. J King Saudi University Comput Inf Sci. 2018. [DOI:10.1016/j.jksuci.2018.09.004]
14. Qadadeh W, Abdolah S. Customers segmentation in the insurance company (TIC) dataset.procedia comput. Sci. 2018; 144: 227-290. [DOI:10.1016/j.procs.2018.10.529]
15. Nguyen, Dung H, Deleeuw, Sander, Dullaert, Wout EH. Consumer behavior and order fulfillment in online retailing: A systematic review. Int J Manag Rev. 2018; 20(2): 255-276. [DOI:10.1111/ijmr.12129]
16. Arunachalam D, Kumar N. 2018. Benefit-based consumer segmentation and performance evaluation of clustering approaches: an evidence of data driven decision-making. Expert Syst Appl. 2018; 111: 11-34. [DOI:10.1016/j.eswa.2018.03.007]
17. Shokouhyar S, Shokouhyar S, Safari S. J Retailing Consum Serv. 2020; 56: 102139. [DOI:10.1016/j.jretconser.2020.102139]
18. Butel F, Turnbull J. Customer relationship management book. Siteh Publishing, 2nd Edition.
ارسال نظر درباره این مقاله : نام کاربری یا پست الکترونیک شما:
CAPTCHA
بازنشر اطلاعات
Creative Commons License این مقاله تحت شرایط Creative Commons Attribution-NonCommercial 4.0 International License قابل بازنشر است.