مطالب مرتبط با کلیدواژه

بخش بندی پویای مشتری


۱.

کاوش پویایی مشتری در طراحی بخش بندی با استفاده از روش های داده کاوی(مقاله علمی وزارت علوم)

کلیدواژه‌ها: بخش بندی پویای مشتری خوشه بندی داده کاوی صنعت مخابرات

حوزه های تخصصی:
تعداد بازدید : ۲۲۴ تعداد دانلود : ۱۰۳
یکی از موضوعات مهم در مسئله بخش بندی پویای مشتریان، انتقال مشتریان به بخش های مختلف در طول زمان و کشف الگوهای حاکم بر این جابه جایی ها است. بر این اساس، این مقاله بر پویایی مشتری تمرکز کرده و تلاش می کند، گروه های رفتاری مشتریان و ویژگی های غالب این گروه ها و الگوهای کلی حاکم بر جابه جایی و مهاجرت مشتریان به بخش های مختلف را در طول زمان استخراج کند. برای این کار، روش ترکیبی جدیدی مبتنی بر الگوریتم K-means، روش های خوشه بندی سلسله مراتبی و قوانین انجمنی ارائه شده و در داده های واقعی یک شرکت مخابراتی به کار گرفته شده است. بر اساس نتایج به دست آمده، هفت گروه رفتاری متفاوت در انتقال مشتریان به بخش های مختلف وجود دارد. همچنین در رویکردی نوین، تلاش شده است تا تأثیر رفتار پویای مشتری در تغییرات بخش ها در طول زمان تبیین شود. در این راستا با ارائه رویکرد و مفاهیم جدیدی در خصوص پویایی رفتار مشتری و تأثیر آن در تغییرات ساختاری و محتوایی بخش ها، گروه بندی جدیدی از مشتریان در قالب مشتریان سازنده و تثبیت کننده ساختار، مشتریان پویای ساختار سازگار و مشتریان پویای ساختارشکن ارائه می شود.
۲.

رویکرد بخش بندی و رتبه بندی پویای مشتریان و شناسایی تحرک رفتاری آنان با بهره گیری از تکنیک های داده کاوی در بانک رفاه کارگران(مقاله علمی وزارت علوم)

کلیدواژه‌ها: بخش بندی پویای مشتری ارزش طول عمرمشتری داده کاوی K - means som بانک

حوزه های تخصصی:
تعداد بازدید : ۱۶ تعداد دانلود : ۱۱
امروزه شناسایی، تعیین ارزش وبخش بندی مشتریان برای بانک ها یک امر حیاتی است اما روش های ایستای بخش بندی مشتریان که برمبنای ثبات مشتریان درهریک از بخش های تعیین شده می باشد از کارایی لازم برخوردار نبوده و شناخت الگوهای جابجایی وپویایی مشتریان در این بخش ها ازاهمیت ویژه ای برخوردارمی باشد. این پژوهش اقدام به بخش بندی ورتبه بندی پویای مشتریان بانک رفاه کارگران و شناسایی تحرک رفتاری آنان بین بخش های مختلف دربازه زمانی مشخص با بهره گیری از تکنیک های داده کاوه نموده است. از آنجا که داده کاوی درصدد توصیف حجم انبوه داده ها برای کشف الگوها و قواعد معنادار است لذا در این تحقیق از روش های معمول نمونه گیری جهت تعیین حجم نمونه استفاده نشده و تعداد 1123735مشتری حقیقی ارزشمند بانک که دارای حساب قرض الحسنه بودند عینا بعنوان جامعه آماری و تمامی تراکنش های مالی ایشان در بازه زمانی 6ماهه از اول مهر 1398 تا 29اسفند 1398 بعنوان نمونه انتخاب گردید سپس عملیات پیش پردازش و مدلسازی داده ها در شش بازه زمانی و به صورت ماهانه باهدف بخش بندی ورتبه بندی پویای مشتریان به وسیله الگوریتم های کای میانگین K MEAN و شبکه های عصبی خودسازمانده SOM انجام گردید. براساس نتایج حاصل از این پژوهش مشتریان به سه بخش اصلی تقسیم وپویایی ایشان مورد بررسی قرارگرفته و راهکارهایی جهت بهبود و اثربخشی بیشتر فعالیت های بازاریابی ارایه شده است.