ورود
مقالات فارسیISIکنفرانسهاژورنالها

بخشبندی مشتریان با استفاده از روشهای دادهکاوی: مقایسهای بین متغیرهای مختلف

محل انتشار: اولین همایش منطقه ای بهینه سازی و روش های محاسبه نرم در مهندسی برق و کامپیوتر
سال انتشار: 1392
نوع سند: مقاله کنفرانسی
زبان: فارسی
مشاهده: 638

فایل این مقاله در 8 صفحه با فرمت PDF قابل دریافت می باشد

استخراج به نرم افزارهای پژوهشی:

لینک ثابت به این مقاله:
https://civilica.com/doc/261584

شناسه ملی سند علمی:

ELECOM01_034

تاریخ نمایه سازی: 9 تیر 1393

چکیده مقاله:

گروهبندی و ارزش گذاری مشتریان بر اساس متغیرهای رفتاری آنها یکی از معروفترین روشهای بخشبندی مشتریان میباشد. مدل معروفی که بدین منظور بسیار در تحقیقات استفاده میشود، مدل رفتاری RAM میباشد. در بسیاری از تحقیقات اشاره شده است که علاوه بر سه متغیر موجود در این مدل متغیرهای دیگری از جمله طول مدت همکاری مشتری L بر روی ارزش هر مشتری تاثیر زیادی دارد. هدف اصلی این تحقیق نیز بررسی دو مدل RAM و LRAM به منظور بخشبندی مشتریان و بررسی تاثیر اضافه شدن متغیر جدید به این مدل میباشد. به این منظور مطالعه موردی در این تحقیق انجام شده است که در آن دو روش خوشهبندی K میانگین و X میانگین بر روی دو مجموعه داده مربوط به مشتریان که شامل متغیرهای RAM و LRAM میباشد، اعمال شده است. سپس توسط شاخصهای دیویس بولدین و نیمرخ، کارایی هریکاز مدلهای خوشهبندی ارزیابی شده است و نتایج با یکدیگر مقایسه شدهاند. در نهایت مشخص شد که اضافه کردن متغیر L یا طول مدت همکاری مشتری تاثیری در بهبود بخشبندی مشتریان ندارد و بهترین روش به منظور خوشهبندی مشتریان نیز روش K میانگین میباشد.

کلیدواژه ها:

نویسندگان

میترا موسی دوآبی

دانشجوی کارشناسی ارشد، دانشگاه آزاد اسلامی واحد تهران شمال

حمیدرضا سعیدنیا

استادیار، دانشگاه آزاد اسلامی واحد تهران شمال

منصور صمدی

دانشیار، دانشگاه آزاد اسلامی واحد تهران شمال

مراجع و منابع این مقاله:

لیست زیر مراجع و منابع استفاده شده در این مقاله 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 مقاله لینک شده اند :
  • Larose, D. T (2005). Discovering knowledge in data: an introduction ...
  • Mitra, S., Pal, S. K., & Mitra, P. (2002). Data ...
  • Ngai, E. W., Xiu, L., & Chau, D. C. (2009). ...
  • gartner group, http ://www. gartner. c O m/t echn ology/it-glos ...
  • data mining forum, http : //www .kdnuggets .com/. ...
  • Ling, R., & Yen, D. C. (2001). Customer relationship management: ...
  • http ://en.wikipedia. O rg/w i ki/c u S t O ...
  • Tiwary, D. K. (2010). Application of data mining in customer ...
  • Rosset, S., Neumann, E., Eick, U., & Vatmik, N. (2003). ...
  • Liang, Y. H. (2010). Integration of data mining technologies to ...
  • Kotler, P., & Keller, K. L. (2003). Marketing Management: international ...
  • Wei, J. T., Lin, S. Y., & Wu, H. H. ...
  • _ _ _ investigation and implications for marketing. The Journal ...
  • Han, _ Kamber, M., & Pei, J. (2006). Data mining: ...
  • Wu, X., Kumar, V., Quinlan, J. R., Ghosh, J., Yang, ...
  • Pelleg, D., & Moore, A. W. (2000, June). X-means: Extending ...
  • _ _ _ _ relationship management. Expert Systems with Applications, ...
  • Huang, S. _ Chang, E. C.. & Wu, H. H. ...
  • Bizhani, M., & Tarokh, M. (2011). Behavioral rules of bank ...
  • Luo, J. Y., Shao, P. J., & Luo, B. (2009, ...
  • Technology and Computer Science, 2009. ITCS 2009 International Conference on ...
  • Hsu, S. C. (2012). The RFM-based Institutional Customers Clustering: Case ...
  • Liu, D. R.. & Shih, Y. Y. (2005). Integrating AHP ...
  • Khajvand, M., & Tarokh, M. J. (2011). Estimating customer futur ...
  • Cheng, C. H., & Chen, Y. S. (2009). Classifying the ...
  • _ _ _ discriminative customer management: A case of textile ...
  • Chiang, W. Y. (2011). To mine association rules of customer ...
  • Alvandi, M., Fazli, S.. & Abdoli, . S. (2012). K-Mean ...
  • Hosseini, S. M. S., Maleki, A.. & Gholamian, M. R. ...
  • Wei, J. T., Lin, S. Y., Weng, C. C.., & ...
  • Khajvand, M., Zolfaghar, _ Ashoori, S.. & Alizadeh, S. (2011). ...
    • نمایش کامل مراجع