بخش بندی و پیش بینی رفتار مشتریان براساس مدل RFM بهبودیافته (LRFMSP)

در سال های اخیر، با توسعه یادگیری ماشین و فناوری کلان داده، داده های کاربر به عنصر مهمی در فرآیند تولید شرکت ها تبدیل شده اند. با به کارگیری رویکردهای داده کاوی در داده های مشتریان، سازمان ها، الگوهای رفتاری مشتریان، نیازهای آن ها و ارتباط های پنهان داده ها را درک می کنند و براساس این الگوها بهتر می توانند در راستای برآورده ساختن نیاز مشتریان، منابع خود را به کار گیرند. خوشه بندی یکی از تکنیک های داده کاوی است که برای گروه بندی مشتریان متناسب با ویژگی های مختلف آن ها استفاده می شود. هدف اصلی این پژوهش خوشه بندی مشتریان بر اساس شاخص های LRFMSP و در نهایت طبقه بندی و پیش بینی رفتار خرید آن ها با استفاده از تکنیک های طبقه بندی درخت تصمیم (DTC)، پرسپترون چندلایه (MLP) و ماشین بردار پشتیبان (SVM) است. مطالعه ی صورت گرفته بر روی ۳۸۷۴۹۶ تراکنش مشتریان یک فروشگاه خرده فروشی در غرب اروپا طی بازه زمانی فوریه ۲۰۱۸ تا فوریه ۲۰۱۹ می باشد. هر تراکنش منتسب به مشتری بخشی از رفتار یک فرد است که بر روی مجموعه ای از معاملات مدل سازی می شود 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 ۶ نورون در این لایه بیشترین دقت و طبقه بندی کننده DTC بیشترین سرعت را در بین طبقه بندی کننده های بررسی شده خواهد داشت. بررسی رفتار مشتریان خوشه ها نشان داد که مشتریان را می توان در سه دسته وفادار، بالقوه و از دست رفته تقسیم بندی نمود.

کلیدواژه ها:

رفتار خرید مشتری ، LRFMSP ، پرسپترون چند لایه ، ماشین بردار پشتیبان ، درخت تصمیم گیری