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

نوع مقاله : مقاله پژوهشی

نویسندگان

1 دانشیار، گروه مدیریت، دانشکده علوم اجتماعی و اقتصادی، دانشگاه الزهرا، تهران، ایران

2 دانشجوی دکتری مدیریت بازاریابی، دانشکده علوم اجتماعی و اقتصادی،دانشگاه الزهرا، تهران، ایران

چکیده

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.

کلیدواژه‌ها

عنوان مقاله [English]

Segmentation and prediction of customer behavior based on the improved RFM model (LRFMSP)

نویسندگان [English]

  • ameneh khadivar 1
  • Soheila Mehmannavazan 2
1 Associate Professor, Department of Management, Faculty of Social Sciences and Economics, Alzahra University, Tehran, Iran
2 PhD student of marketing management, Faculty of Social Sciences and Economics, Alzahra university ,Tehran, Iran
چکیده [English]

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.

کلیدواژه‌ها [English]

  • Customer purchase behavior
  • LRFMSP
  • MLP
  • SVM
  • DTC

مراجع

[1] Wu, J., Shi, L., Yang, L., Li, Y., Tsai, S. B., & Zhang, Y. (2021). User value identification based on improved RFM model and k-means++ algorithm for complex data analysis. Wireless Communications and Mobile Computing, 2021, 1-8, https://doi.org/10.1155/2021/9982484.
[2] Chashmi, A. J., Rahmati, V., Rezasoroush, B., Alamoti, M. M., Askari, M., & Khalili, F. H. (2021). Predicting customer turnover using recursive neural networks. Wireless Communications and Mobile Computing, 2021, 1-11, https://doi.org/10.1155/2021/6623052.
[3] Baradaran, V., & Biglari, M. (2015). Customer segmentation in Fast Moving Consumer Goods (FMCG) Industries by using developed RFM model. Journal of Business Management, 7(1), 23-42, https://doi.org/10.22059/jibm.2015.51674, [in Persian].
[4] Bashardoust, O., Asgharizadeh, E., & Afshar Kazemi, M. A. (2022). Customers Clustring Analysis Based on WRFM Model Using Non-Supervisory Data Mining Approach (Case study of hygienic and cosmetic products). Modern Research in Decision Making, 7(1), 198-223, https://dorl.net/dor/20.1001.1.24766291.1401.7.1.7.2, [in Persian].
[5] Wei, J. T., Lin, S. Y., Yang, Y. Z., & Wu, H. H. (2019). The application of data mining and RFM model in market segmentation of a veterinary hospital. Journal of Statistics and Management Systems, 22(6), 1049-1065, https://doi.org/10.1080/09720510.2019.1565445.
[6] Guney, S., Peker, S., & Turhan, C. (2020). A combined approach for customer profiling in video on demand services using clustering and association rule mining. Ieee Access, 8, 84326-84335, https://doi.org/10.1109/ACCESS.2020.2992064.
[7] Minaei, B., afsar, A., houshdar mahjoub, R. (2021). Customer credit clustering for Present appropriate facilities. Management Research in Iran, 17(4), 1-24, https://dorl.net/dor/20.1001.1.2322200.1392.17.4.1.1, [in Persian].
[8] Chao, S. H., Chen, M. K., & Wu, H. H. (2021). An LRFM model to analyze outpatient loyalty from a medical center in taiwan. SAGE Open, 11(3), 21582440211031899, https://doi.org/10.1177/21582440211031899.
[9] Peker, S., Kocyigit, A., & Eren, P. E. (2017). LRFMP model for customer segmentation in the grocery retail industry: a case study. Marketing Intelligence & Planning, 35(4), 544-559, https://doi.org/10.1108/mip-11-2016-0210.
[10] Kit, T. C., Firdaus, N., & Azmi, M. (2021). Customer profiling for Malaysia online retail industry using K-Means clustering and RM model. International Journal of Advanced Computer Science and Applications, 12(1), 106-113, https://doi.org/10.14569/ijacsa.2021.0120114.
[11] Heldt, R., Silveira, C. S., & Luce, F. B. (2021). Predicting customer value per product: From RFM to RFM/P. Journal of Business Research, 127, 444-453, https://doi.org/10.1016/j.jbusres.2019.05.001.
[12] Jahanyan, S., Mahmoudsalehi, M., & Hosseini, M. (2018). Applying Time-Driven Activity-Based Costing (TDABC) for customer Profitability ranking. Modern Research in Decision Making, 3(1), 85-111, [in Persian].
[13] Azar, A., Khodadad Hosseini, S., Safari Kahreh, M. (2021). Customer Lifetime Value (CLV) Analysis for Customer Segmentation and Profitability Management: A Case Study of an Iranian Bank. Management Research in Iran, 18(4), 87-110, https://dorl.net/dor/20.1001.1.2322200.1393.18.4.5.2, [in Persian].
 [14] Birant, D. (2011). Data mining using RFM analysis. In Knowledge-oriented applications in data mining. IntechOpen, https://doi.org/10.5772/13683.
[15] Djurisic, V., Kascelan, L., Rogic, S., & Melovic, B. (2020). Bank CRM optimization using predictive classification based on the support vector machine method. Applied Artificial Intelligence, 34(12), 941-955, https://doi.org/10.1080/08839514.2020.1790248.
[16] Rahim, M. A., Mushafiq, M., Khan, S., & Arain, Z. A. (2021). RFM-based repurchase behavior for customer classification and segmentation. Journal of Retailing and Consumer Services, 61, 102566, https://doi.org/10.1016/j.jretconser.2021.102566.
[17] Huang, H. H. (2021). Using RFM model to construct customer value by making segment in different service industries:. Journal of Pervasive Technology, 1(1), 5-5.
[18] Guan, J., Tang, C., & Ou, J. (2020). The portrait depiction of the market members based on data mining. International Journal of Pattern Recognition and Artificial Intelligence, 34(07), 2059024, https://doi.org/10.1142/S0218001420590247.
[19] Bagheri mazraeh, N., Daneshvar, A., & madanchi zaj, M. (2022). Development a new ensemble learning approach for stock portfolio selection using multiclass SVM and genetic algorithm. Financial Engineering and Portfolio Management, 13(50), 282-305, [in Persian].
[20] Khorram Kashkooli, M., Dehghani, M. (2017). Fault Detection, Identification and Isolation of South Pars Gas Turbine Using a Combined Method Based on the Data Mining Techniques, k-means, PCA and SVM. TABRIZ JOURNAL OF ELECTRICAL ENGINEERING, 47(2), 501-515, [in Persian].
[21] Guoxiu, Liang, (2005). A Comparative Study of Three Decision, Tree Algorithms: ID3, Fuzzy ID3 and Probabilistic Fuzzy ID3. Bachelor Thesis, Informatics & Economics Erasmus University, Rotterdam, the Netherlands, PP. 5-7.
[22] Salehi, M., & Farrokhi Pileroud, L. (2018). Profit management prediction using neural network and decision tree. Financial Accounting and Auditing Research, 10(37), 1-24, https://dorl.net/dor/20.1001.1.23830379.1397.10.37.1.1, [in Persian].
پژوهش های نوین در تصمیم گیری
دوره 8، شماره 2
تیر 1402
صفحه 123-148

فایل ها

هم رسانی

ارجاع به این مقاله

آمار