این سایت در حال حاضر پشتیبانی نمی شود و امکان دارد داده های نشریات بروز نباشند
پژوهش های نوین در تصمیم گیری، جلد ۸، شماره ۲، صفحات ۱۲۳-۱۴۸
عنوان فارسی بخش بندی و پیش‌بینی رفتار مشتریان براساس مدل RFM بهبودیافته (LRFMSP)
چکیده فارسی مقاله در سال‌های اخیر، با توسعه یادگیری ماشین و فناوری کلان داده، داده‌های کاربر به عنصر مهمی در فرآیند تولید شرکت‌ها تبدیل شده‌اند. با به کارگیری رویکردهای داده‌‌کاوی در داده‌های مشتریان، سازمان‌ها، الگوهای رفتاری مشتریان، نیازهای آن‌ها و ارتباط‌های پنهان داده‌ها را درک می‌کنند و براساس این الگوها بهتر می‌توانند در راستای برآورده ساختن نیاز مشتریان، منابع خود را به کار گیرند. خوشه‌‌بندی یکی از تکنیک‌های داده‌‌کاوی است که برای گروه‌‌بندی مشتریان متناسب با ویژگی‌های مختلف آن‌ها استفاده می‌شود. هدف اصلی این پژوهش خوشه‌ بندی مشتریان بر اساس شاخص‌های LRFMSP و در نهایت طبقه ‌بندی و پیش‌بینی رفتار خرید آن‌ها با استفاده از تکنیک‌های طبقه‌ بندی درخت تصمیم (DTC)، پرسپترون چندلایه (MLP) و ماشین بردار پشتیبان (SVM) است. مطالعه‌ی صورت گرفته بر روی 387496 تراکنش مشتریان یک فروشگاه خرده‌فروشی در غرب اروپا طی بازه زمانی فوریه 2018 تا فوریه 2019 می ‌باشد. هر تراکنش منتسب به مشتری بخشی از رفتار یک فرد است که بر روی مجموعه‌ای از معاملات مدل‌سازی می‌شود تا رفتار خرید مشتری را شکل دهد. انجام خوشه‌ بندی ++K-means و تعیین K بهینه منتهی به مشخص شدن سه خوشه برای مشتریان گردید. همچنین آزمایش و بررسی طبقه‌ بندی‌ کننده‌ ها نشان داد که طبقه‌ بندی‌ کننده MLP با یک لایه پنهان و 6 نورون در این لایه بیشترین دقت و طبقه‌بندی‌کننده DTC بیشترین سرعت را در بین طبقه‌‌‌بندی‌‌‌کننده‌‌های بررسی شده خواهد داشت. بررسی رفتار مشتریان خوشه‌‌ها نشان داد که مشتریان را می‌‌توان در سه دسته وفادار، بالقوه و از دست رفته تقسیم‌‌بندی نمود.
کلیدواژه‌های فارسی مقاله رفتار خرید مشتری، LRFMSP، پرسپترون چند لایه، ماشین بردار پشتیبان، درخت تصمیم ‌گیری،
عنوان انگلیسی Segmentation and prediction of customer behavior based on the improved RFM model (LRFMSP)
چکیده انگلیسی مقاله In recent years, with the development of machine learning and big data technology, user data has become an important element in the production processes of companies. By applying data mining approaches to customer data, organizations understand customers' behavioral patterns, their needs, and the hidden relationships in the data, and based on these patterns, they can better use their resources to meet customer needs. Clustering is one of the data mining techniques used to group customers according to their different characteristics. The main goal of this research is to cluster customers based on LRFMSP indicators and finally classify them and predict their buying behavior using decision tree (DTC), multilayer perceptron (MLP) and support vector machine (SVM) classification techniques. The study was conducted on 387,496 transactions from customers of a retail store in Western Europe between February 2018 and February 2019. Each transaction attributed to a customer is part of an individual's behavior that is modeled on a set of transactions to shape the customer's purchasing behavior. Performing K-means++ clustering and determining the optimal K led to identifying three clusters for customers. Also, testing and checking the classifiers showed that the MLP classifier with one hidden layer and six neurons in this layer would be the most accurate and the DTC classifier is the fastest among the classifiers reviewed. Examining the behavior of cluster customers showed that customers can be divided into three categories: loyal, potential, and lost.
کلیدواژه‌های انگلیسی مقاله رفتار خرید مشتری, LRFMSP, پرسپترون چند لایه, ماشین بردار پشتیبان, درخت تصمیم ‏گیری
نویسندگان مقاله آمنه خدیور |
دانشیار، گروه مدیریت، دانشکده علوم اجتماعی و اقتصادی، دانشگاه الزهرا، تهران، ایران

سهیلا مهمان نوازان |
دانشجوی دکتری مدیریت بازاریابی، دانشکده علوم اجتماعی و اقتصادی،دانشگاه الزهرا، تهران، ایران

نشانی اینترنتی https://journal.saim.ir/article_708769_1d026d4d494cb1951a5079da94b595a2.pdf
فایل مقاله فایلی برای مقاله ذخیره نشده است
کد مقاله (doi)
زبان مقاله منتشر شده fa
موضوعات مقاله منتشر شده
نوع مقاله منتشر شده
برگشت به: صفحه اول پایگاه   |   نسخه مرتبط   |   نشریه مرتبط   |   فهرست نشریات