مطالب مرتبط با کلیدواژه

مدل RFM


۱.

سنجش ارزش دوره زندگی مشتری (CLV) بر اساس مدل RFM(مقاله علمی وزارت علوم)

نویسنده:
منبع: بررسی های حسابداری و حسابرسی ۱۳۸۶ شماره ۴۷

کلیدواژه‌ها: خوشه بندی ارزش دوره زندگی مشتری بازاریابی رابطه مند مدل RFM

حوزه های تخصصی:
تعداد بازدید : ۲۷۸۹
شرکت های امروزی به طور روز افزونی درآمدهای خود را از ایجاد و حفظ روابط بلندمدت با مشتریان کسب می کنند. در چنین محیطی، بازاریابی به بیشینه نمودن ارزش دوره زندگی مشتری و سهم مشتری که جمع ارزش دوره زندگی مشتریان شرکت است، کمک می کند. یکی از مشکلات عدیده شرکت هایی که قصد سنجش سوددهی مشتری را دارند این است که سیستم های حسابداری و گزارش دهی متمایل به سنجش سوددهی محصول هستند تا سوددهی مشتری. اما علی رغم این مشکلات، شرکت ها به دنبال روش هایی هستند تا ارزش دوره زندگی مشتریانشان را محاسبه کنند. در این مقاله، جهت تعیین ارزش دوره زندگی و بخش بندی مشتریان شعبه ای از بانک های خصوصی تازه تأسیس ایران بر اساس معیارهای تأخر، فراوانی و ارزش مالی(RFM) از روش خوشه بندی K میانگین استفاده شده است. تأیید این نتایج با استفاده از روش تحلیل ممیزی صورت گرفته و در نهایت، بر اساس بخش بندی صورت گرفته، استراتژی هایی برای برخورد با هر یک از گروه های مشتری ارائه شده است.
۲.

خوشه بندی مشتریان به منظور تدوین استراتژی تخفیف دهی ، مطالعه موردی شرکت کدبانو(مقاله علمی وزارت علوم)

نویسنده:
منبع: تحقیقات بازاریابی نوین سال سوم پاییز ۱۳۹۲ شماره ۳ (پیاپی ۱۰)

کلیدواژه‌ها: مشتری خوشه بندی داده کاوی مدل RFM مدل LRFM تخفیف دهی

حوزه های تخصصی:
تعداد بازدید : ۲۵۵۸ تعداد دانلود : ۱۴۷۹
در طی سال های گذشته تعامل شرکت ها با مشتریانشان به طور قابل توجهی تغییر کرده است به طوری که تداوم کسب و کار با مشتری تضمین بلند مدت ندارد. به همین دلیل برای موفقیت یک سازمان لازم است سازمان ها نیازهای مشتریان خود را به درستی درک کرده؛ خواسته های آنها را پیش بینی کنند و با مجهز شدن به این دانش، استراتژیها و برنامه های فروش و بازاریابی خود را بهبود بخشند. یکی از راه های شناخت مشتریان، از طریق خوشه بندی آنها و شناخت ویژگی های هر خوشه است. هدف پژوهش حاضر شناخت انواع مشتریان یک شرکت صنایع غذائی (شرکت کدبانو) و خوشه بندی آنها می باشد. با خوشه بندی مشتریان و برچسب گذاری آنها می توان استراتژی های تخفیف دهی متمایزی برای هر خوشه در نظر گرفت. در این پژوهش برای خوشه بندی مشتریان از دو معیار ارزش گذاری LRFM و RFM استفاده شده است و با استفاده از شاخص های ارزیابی دان و SSE به مقایسه خوشه های بدست آمده از هر مدل پرداخته شد. طبق یافته های پژوهش، با توجه به نتایج شاخص های ارزیابی دان و SSE، خوشه بندی حاصل از معیار ارزشیابی RFM مورد تائید قرار گرفت و تعداد خوشه بهینه هشت عدد تعیین شد. خوشه های به دست آمده برچسب گذاری و تجزیه وتحلیل شده و از طریق مصاحبه های انجام شده استراتژی مناسب تخفیف دهی برای هر خوشه استخراج شده است.
۳.

طراحی و پیاده سازی سیستم پایلوت فروش متقاطع با استفاده از رویکرد ارزش مشتری در صنعت بیمه ایران(مقاله علمی وزارت علوم)

نویسنده:
منبع: پژوهشنامه بیمه سال سی ام پاییز ۱۳۹۴ شماره ۳ (پیاپی ۱۱۹)

کلیدواژه‌ها: مدل RFM تحلیل سلسله مراتبی بخش بندی مشتریان ارزش طول عمر مشتری قوانین انجمنی فروش متقاطع

حوزه های تخصصی:
تعداد بازدید : ۷۹۱ تعداد دانلود : ۴۸۰
باتوجه به محیط رقابتی کنونی در صنعت بیمه، شرکت های بیمه لازم است به منظور حداکثر کردن سودآوری مشتری، علاوه بر اکتساب مشتریان جدید، به حفظ مشتریان قدیمی و افزودن ارزش آنها بپردازند. یکی از متداول ترین راه های افزایش ارزش مشتری برای شرکت های بیمه، فروش محصولات بیشتر به مشتریان کنونی و برتر شرکت است که به آن فروش متقاطع گویند. در این تحقیق از مدل RFM به منظور تحلیل ارزش مشتریان یکی از شرکت های بیمه ای بزرگ استفاده شده است. مشتریان این شرکت براساس سه متغیر تازگی، تکرار و ارزش پولی بخش بندی شده اند. پس از محاسبه این متغیرها، بااستفاده از الگوریتم های k-means و fuzzy c-mean مشتریان خوشه بندی شده اند. نتایج این خوشه بندی از نظر کیفیت براساس معیار سیلوئت سنجیده شده است. وزن هریک از این متغیرها در صنایع مختلف می تواند متفاوت باشد، ازاین رو بااستفاده از روش تحلیل سلسله مراتبی، وزن هریک از این متغیرها تعیین شده است. سپس خوشه ها برحسب ارزش رتبه بندی شده اند و سودآورترین مشتریان مشخص شده اند. همچنین در فاز دوم این تحقیق، بااستفاده از تکنیک استخراج قوانین انجمنی، الگوهای مصرف مشتریان در هر خوشه، ترسیم گردیده است.
۴.

بخش بندی مشتریان در صنعت بانکداری با استفاده از مدل توسعه یافته RFMC

نویسنده:
منبع: مدیریت برند سال اول تابستان ۱۳۹۳ شماره ۲

کلیدواژه‌ها: داده کاوی مدل RFM مدیریت ارتباط با مشتری بخش بندی مشتریان الگوریتم خوشه بندی دو مرحله ای

حوزه های تخصصی:
تعداد بازدید : ۲۷۸۰ تعداد دانلود : ۱۴۰۵
پس از ورود جدی بانک های خصوصی و موسسات مالی و اعتباری به عرصه بانکداری، رقابت بین موسسات و بانک ها به منظور شناسایی، جذب و حفظ مشتریان از اهمیت بالایی برخودار شده است. تحلیل رفتار مشتریان در سازمان های فعال در این حوزه که با تعداد کثیری از مشتریان در نقاط پراکنده با ویژگی های متفاوت سر و کار دارند، باعث موفقیت آنها در بازار رقابتی و مدیریت ارتباط موثر با مشتریان می شود. بخش بندی مشتریان، از رویکردهای داده کاوی که منجر به کشف گروه های مشابه از مشتریان می شود، اغلب بر اساس مدل ""تاخر خرید، بسامد خرید، و ارزش مالی آن"" ( RFM ) انجام می گردد. در این مقاله، الگوی جدید بخش بندی مشتریان بر پایه مدل توسعه یافته RFM به وسیله افزودن متغیر توالی روزهای انجام تراکنش (C) ارائه شده است. مشتریان بانک بر اساس مدل RFM و مدل پیشنهادی این پژوهش ( RFMC ) و با استفاده از الگوریتم خوشه بندی دو مرحله ای و بکارگیری گام های متدلوژی GRISP-DM بخش بندی شده اند. این پژوهش نشان می دهد، دقت مدل RFMC نسبت به مدل RFM در بخش بندی مشتریان این صنعت به مقدار 5.5% بیشتر است. پس از انجام فرایند خوشه بندی با استفاده از مدل پیشنهادی، مشتریان یکی از بانک های خصوصی کشور به 5 خوشه تقسیم شده اند. ضمن تحلیل رفتار مشتریان هر خوشه، مدلی مبتنی بر شبکه عصبی پیش خوراند برای پیش بینی شماره خوشه مشتریان بر مبنای ویژگی های رفتاری و جمعیت شناختی آنها توسعه داده شده است.
۵.

مطالعه مقایسه ای الگوریتم های خوشه بندی در راستای سنجش ارزش مشتری در سیستم مدیریت ارتباط با مشتری در صنعت بیمه(مقاله علمی وزارت علوم)

نویسنده:
منبع: تحقیقات بازاریابی نوین سال ششم بهار ۱۳۹۵ شماره ۱ (پیاپی ۲۰)

کلیدواژه‌ها: خوشه بندی بیمه داده کاوی مدل RFM مدیریت ارتباط با مشتری ارزش طول عمر مشتری

حوزه های تخصصی:
تعداد بازدید : ۱۵۲۱ تعداد دانلود : ۱۰۴۹
دنیای رقابتی امروز، تعامل شرکت ها و سازمان ها را با مشتریان خود به طور قابل توجهی تغییر و بهبود داده است. از این رو، یکی از چالش های اساسی سازمان ها، شناسایی مشتریان فعلی خود، تخصیص بهینه منابع به آنها و ایجاد تمایز بین گروه های مختلف مشتری و در نهایت سنجش و رتبه بندی هر گروه بر مبنای ارزش آن گروه است. هدف اصلی این پژوهش، مطالعه مقایسه ای بین الگوریتم های خوشه بندی به عنوان یکی از مهمترین تکنیک های داده کاوی و به کارگیری آنها در راستای سنجش ارزش مشتریان(ارزش طول عمر مشتری) است. صنعت مورد مطالعه در این پژوهش، صنعت بیمه و به صورت جزئی تر، حوزه بیمه بدنه اتومبیل است. روش پیشنهادی این پژوهش، برگرفته از روش CRISP-DM است و نیز در راستای بخش بندی و سنجش ارزش طول عمر مشتریان، از یکی از مدل های توسعه یافته RFM استفاده شده است. در این پژوهش اطلاعات نزدیک به 812 مشتری از شرکت منتخب در حوزه بیمه(بیمه بدنه خودرو) استخراج شده است و سپس با استفاده از نرم افزارهای توانمند در حوزه داده کاوی و محاسبات آماری به نام های RapidMiner وSPSS و Matlab و با به کارگیری الگوریتم های مختلف، مشتریان خوشه بندی شده اند. پس از تحلیل نتایج هر خوشه و تعیین بهترین روش خوشه بندی بر مبنای شاخص های Silhouette و SSE، به تحلیل و مقایسه ارزش مشتریان در خوشه های به دست آمده از بهترین شیوه خوشه بندی می پردازیم. در نهایت با استفاده از فرایند پیشنهادی این پژوهش می توان ارزش هر گروه از مشتریان را در صنعت بیمه به دست آورد و استراتژی های بازاریابی متناسب با هر گروه از مشتریان را ارائه نمود.
۶.

حکمرانی خوب و ارتقای سلامت نظام اداری؛ تبیین نقش دولت الکترونیک(مقاله علمی وزارت علوم)

نویسنده:
منبع: پژوهش های مدیریت عمومی سال دهم پاییز ۱۳۹۶ شماره ۳۷

کلیدواژه‌ها: خوشه بندی فازی تحلیل سلسله مراتبی فازی مدل RFM ارزش دوره ی عمر مشتری

حوزه های تخصصی:
تعداد بازدید : ۱۳۳۷ تعداد دانلود : ۶۷۷
هدف از تحقیق حاضر، بررسی نقش ایجاد و استقرار دولت الکترونیک در ارتقای شاخص های حکمرانی خوب در ایران است. جامعه آماری تحقیق متشکل از خبرگان موضوعات دولت الکترونیک و حکمرانی خوب می باشد. باتوجه به نرمال بودن توزیع متغیرها، براساس آزمون پارامتریک تی-استیودنت انجام شده، یافته های تحقیق بدین قرار است: ایجاد و استقرار دولت الکترونیک در کشور از پنج بعد؛ شفافیت، پاسخگویی، مشارکت، اعتماد و نظارت پذیری، کارآمدی دولت و دسترسی به خدمات دولتی باعث ارتقاء شاخص های حکمرانی خوب در کشور خواهدشد. همچنین نتایج آزمون فرضیه های فرعی تحقیق نشان می دهد که؛ ایجاد و استقرار دولت الکترونیک در ایران از بعد تسهیل و کمک به اجرای بهتر قوانین و مقررات، از بعد شفاف سازی از طریق مراحل انجام کار، افزایش اطلاع رسانی، جریان آزاد اطلاعات و نظارت پذیری، از بعد شفاف سازی معاملات، از بعد شفاف سازی در امور اداری و استخدامی، از بعد شفاف سازی از طریق اتوماسیون اداری و سیستم مکانیزه اطلاعات منجر به ارتقاء شاخص های حکمرانی خوب می شوند. یافته ها همچنین حکایت از این دارند که؛ ایجاد و استقرار دولت الکترونیک در ایران از بعد پاسخگوبودن به مراجعه کنندگان و رعایت حقوق ارباب رجوع، از بعد بهبود و تسریع در پاسخگویی به رسانه ها و افکار عمومی، ازبعد پاسخگویی به دستگاه ها و واحدهای نظارتی موجبات ارتقاء حکمرانی خوب در کشور را فراهم می آورند.
۷.

خوشه بندی مشتریان بر مبنای مدل RFM با استفاده از الگوریتم C-means فازی (مورد مطالعه: فروشگاه زنجیره ای رفاه شهر زاهدان)(مقاله علمی وزارت علوم)

نویسنده:
منبع: پژوهش های مدیریت عمومی سال دهم پاییز ۱۳۹۶ شماره ۳۷

کلیدواژه‌ها: خوشه بندی فازی تحلیل سلسله مراتبی فازی مدل RFM ارزش دوره ی عمر مشتری

حوزه های تخصصی:
تعداد بازدید : ۱۳۳۲ تعداد دانلود : ۵۵۶
امروزه یکی از چالش های بزرگ سازمان های مشتری محور، شناخت مشتریان، ایجاد تمایز بین گروه های مختلف مشتریان و رتبه بندی آن هاست. 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 تحقیق، خوشه بندی فازی مشتریان بر اساس شاخص های تازگی (Recency)، تکرار (Frequency) و ارزش پولی (Monetary) است. مطالعه ی صورت گرفته بر روی 76379 تراکنش ثبت شده از مشتریان فروشگاه رفاه شهر زاهدان می باشد. به همین منظور پس از تعیین مقادیر RFM، تعداد بهینه خوشه ها با استفاده از شاخص ژی و بنی محاسبه گردید. در مرحله بعد مشتریان با الگوریتم فازی C-means به هفت خوشه تقسیم شدند. سپس وزن هر یک از شاخص های مدل RFM با فرایند تحلیل سلسله مراتبی فازی مشخص شد. در نهایت با محاسبه و رتبه بندی ارزش دوره عمر هر خوشه، مشتریان کلیدی و با ارزش فروشگاه شناسایی شدند. نتایج به دست آمده از این پژوهش می تواند برای تدوین برنامه های مدیریت ارتباط با مشتری برای هر یک از گروه های مشتریان به کار رود.
۸.

طبقه بندی مشتریان بر اساس عوامل مؤثر بر تمایل به خرید آن ها(مقاله علمی وزارت علوم)

نویسنده:
منبع: مطالعات مدیریت فناوری اطلاعات سال پنجم تابستان ۱۳۹۶ شماره ۲۰ 157 - 182

کلیدواژه‌ها: خوشه بندی مدل RFM رویگردانی مشتریان شاخص های روان نگاری

حوزه های تخصصی:
تعداد بازدید : ۵۵۱ تعداد دانلود : ۴۳۳
 در این پژوهش سعی شده است میان دو دسته داده های جمعیت شناختی  و داده های حاصل از تراکنش مشتریان در مدل RFM پیشنهادی ارتباط برقرار شود که شاخص رویگردانی نیز در آن لحاظ شده است. بدین منظور، در ابتدا داده های تراکنش در بازه چهارساله مشتریان یک شرکت خدمات اینترنتی فراهم شده و سپس با استفاده از روش k-means به خوشه بندی آن ها پرداخته شده است. نتایج تحقیق بیانگر این است که سه فاکتور کیفیت خدمت، تصدیق انتظارات و رضایت پس از خرید به عنوان فاکتورهای معنادار در رفتار خرید مشتریان محسوب می گردند. در ادامه جهت کاوش ارتباط میان فاکتورهای ذهنی مشتریان و طبقه بندی آن ها با استفاده از قواعد انجمنی مبتنی بر الگوریتم GRI به ارائه راهبرد و برنامه عملیاتی برای هر طبقه از مشتریان پرداخته شده است. سپس با استفاده از تحلیل واریانس یک طرفه وجود تفاوت میان طبقه های مختلف مشتریان بررسی شده است. نتایج حاصله بیانگر آن می باشند که فاکتور تصدیق انتظارات و رضایت پس از خرید در ایجاد وفاداری مشتریان نقش عامل بهداشتی و فاکتور کیفیت خدمت در ایجاد وفاداری مشتریان نقش عامل انگیزشی را ایفا می نماید.
۹.

مدل سازی ترکیبی Pareto/NBD و RFM موزون فازی به منظور بخش بندی مشتریان در روابط غیرقراردادی(مقاله علمی وزارت علوم)

نویسنده:
منبع: مدیریت بازرگانی دوره ۶ پاییز ۱۳۹۳ شماره ۳ 417 - 440

کلیدواژه‌ها: روابط غیرقراردادی فرایند تحلیل سلسله مراتبی فازی مدل RFM مدل سازی Pareto/NBD

حوزه های تخصصی:
تعداد بازدید : ۳۰۰ تعداد دانلود : ۱۳۹
درآمدسازی در شرکت ها از طریق ایجاد رابطه با مشتریان و حفظ این روابط در درازمدت صورت می پذیرد. از این رو توانایی پیش بینی مناسب روابط با مشتریان نکته ای اساسی در مدیریت رابطه با مشتریان است. بخش بندی روشی است که طی آن با تفکیک مشتریان به بخش های متجانس با رفتار خرید مشابه، تلاش می شود تا ارزش آتی رابطه با مشتریان پیش بینی شود. روش RFM یکی ازمتداول ترین روش های بخش بندی است که از تحلیل پایگاه داده تراکنشی برای رده بندی ارزش مشتریان استفاده می کند. پژوهش حاضر تلاش دارد تا از ترکیب مدل سازی Pareto/NBD که به مدلی قدرتمند در پیش بینی رفتار مشتریان مشهور است با روش معمول RFM، کیفیت بخش بندی مشتریان را ارتقا بخشد. در این پژوهش از روش Pareto/NBD برای تخمین سه مؤلفه مقدار انتظار احتمال فعالیت آتی، تعداد تراکنش های آتی و متوسط ارزش پولی استفاده شده است. سپس نتایج بخش بندی مشتریان با استفاده از این مؤلفه ها با کاربرد روش مرسوم RFM مقایسه شده است. نتایج حاصل بیانگر بهبود کیفیت بخش بندی در رده بندی ارزش آتی مشتریان، به ویژه در رده های ارزشمند مشتری با کمک رویکرد پیشنهادی است.
۱۰.

بخش بندی مشتریان صنایع تولید و پخش کالاهای پرگردش بر اساس مدل بهبود یافته RFM (مطالعه موردی: شرکت گلستان)(مقاله علمی وزارت علوم)

نویسنده:
منبع: مدیریت بازرگانی دوره ۷ بهار ۱۳۹۴ شماره ۱ 23 - 42

کلیدواژه‌ها: بخش بندی مشتریان داده کاوی صنایع تولید و توزیع کالاهای پرگردش مدل RFM

حوزه های تخصصی:
تعداد بازدید : ۲۴۰ تعداد دانلود : ۱۱۹
بخش بندی مشتریان و تحلیل رفتار آنها در صنایع تولید و پخش کالاهای پرگردش، با تعداد کثیری از مشتریان متفاوت در نقاط پراکنده، سبب هدفمندشدن فعالیت های بازاریابی و ارتباط مؤثر آنها با مشتریان می شود. بخش بندی مشتریان از رویکردهای داده کاوی که به کشف گروه های مشابه از مشتریان منجر می شود، عمدتاً براساس متغیرهای تازگی، تکرار و حجم خرید در مدل RFM انجام می شود. کیفیت بخش بندی، به انتخاب مناسب متغیرهای عملکردی مشتریان بستگی دارد. ارزیابی کیفیت بخش بندی مشتریان بزرگ ترین شرکت تولید و پخش کالاهای پرگردش، مؤید فرضیه تأثیرگذاری اندک متغیر تازگی خرید بر بخش بندی مشتریان این صنایع است. در این مقاله، متغیر توالی خرید (C) به عنوان متغیر عملکردی مشتریان در این صنایع معرفی شده و با جایگزینی آن با متغیر تازگی خرید در مدل RFM، کیفیت بخش بندی مشتریان در این صنایع بهبود داده شده است. کاهش 11 درصدی شاخص دیویس- بولدین در خوشه بندی مشتریان شرکت گلستان و افزایش 1 درصدی دقت پیش بینی خوشه مشتریان در مدل شبکه های عصبی براساس مدل پیشنهادی این تحقیق (CFM) در مقایسه با مدل RFM، بیانگر دقت بالاتر مدل CFM است.
۱۱.

ارائه رویکرد جدیدی برای بخش بندی مشتریان بر اساس تغییر رفتار خرید آنها در طول زمان در حوزه کسب وکار الکترونیک(مقاله علمی وزارت علوم)

نویسنده:
منبع: مدیریت فناوری اطلاعات دوره ۹ تابستان ۱۳۹۶ شماره ۲ 277 - 300

کلیدواژه‌ها: بخش بندی مشتریان تغییر رفتار خرید داده کاوی مدل RFM

حوزه های تخصصی:
تعداد بازدید : ۱۳۶ تعداد دانلود : ۱۰۰
روش های معمول بخش بندی صرفاً باتکیه بر سه مؤلفه تأخر (R)، تعداد (F) و ارزش پولی (M) طراحی شده اند و تغییرات رفتاری مشتریان را در طول زمان در نظر نمی گیرند. بر این اساس برای دستیابی به بخش بندی مطلوب، هدف پژوهش حاضر به کارگیری مجموعه ای از محاسبات آماری از قبیل شیب خط و مشتق نسبت به زمان و روش های داده کاوی مانند K-means و نقشه های خودسازمانده (SOM) برای تعریف متغیرهایی جدید به منظور بررسی روند تغییرات رفتار خرید مشتریان است. نتایج پژوهش نشان می دهد در نظرگرفتن شیب خط تغییرات رفتار مشتریان (R، F و M) و ارزش بیشتر برای رفتارهای اخیر نسبت به رفتارهای گذشته در بخش بندی مشتریان، موجب افزایش دقت پیش بینی رفتار آتی و همگن تر شدن مشتریان هر بخش شده است. بر اساس روش پیشنهادی، مشتریان به چهار بخش بهترین، خرج کننده، تکرارکننده و از دست رفته دسته بندی شدند که به منظور شناخت بهتر و دقیق تر مشتریان بر اساس نحوه تغییر رفتار آنها، هر بخش نیز به دو زیربخش صعودی و نزولی طبقه بندی شد. درنهایت ضمن تشریح ویژگی هریک از بخش ها و زیربخش ها، راهبردهای مناسبی برای مدیریت مشتریان آنها ارائه شده است.
۱۲.

ارائه رویکردی مبتنی بر سابقه خرید مشتریان و توصیه ی محصول به مشتری: مورد مطالعه مشتریان دیجی کالا(مقاله علمی وزارت علوم)

نویسنده:
منبع: چشم انداز مدیریت صنعتی سال ۱۳ تابستان ۱۴۰۲ شماره ۵۰ 99 - 118

کلیدواژه‌ها: مدل RFM الگوریتم خوشه بندیK-means تقسیم بندی مشتریان شرکت اینترنتی دیجی کالا سیستم توصیه گر

حوزه های تخصصی:
تعداد بازدید : ۱۳۷ تعداد دانلود : ۱۰۹
امروزه که رقابت بین شرکت های بازاریابی و خرده فروشی ها در بهترین حالت خود قرار دارد، شرکت ها سعی می کنند با توجه به رویکرد تقسیم بندی مشتریان و توصیه محصولات مناسب برای آن ها، برتری خود را از دست ندهند. خرید آنلاین در بازار مجازی به سرعت در حال افزایش است و معمولاً مشتریان بر اساس نیازها و تمایلات خود تصمیم به خرید می گیرند. فروشندگان نقش مهمی در تأثیرگذاری بر مشتریان دارند به همین دلیل سیستم توصیه محصول بسیار حیاتی است. سیستم توصیه محصول، کاربردهای متنوعی دارد و به منظور ترغیب مشتریان به خرید محصولات دیگر نیز مورد استفاده قرار می گیرد. در این پژوهش، یک روش برای توصیه محصول به مشتریان ارائه شده است که با استفاده از الگوریتم خوشه بندی K-mean و مدل RFM به تقسیم بندی مشتریان و سپس توصیه محصول به آن ها می پردازد. برای اثبات عملکرد سیستم پیشنهادی، آزمایش هایی با استفاده از داده های جمع آوری شده از شرکت «دیجی کالا» صورت گرفت. نتایج پژوهش نشان داد که خوشه بندی بر اساس ویژگی های R،  Fو M برای خوشه ی شماره صفر نتایج بهتری دارد. به همین دلیل، برای ترغیب مشتریان وفادار به خرید کالاهای با قیمت بالاتر، می توان از قیمتی که به خوشه شماره صفر (مشتریان وفادار) پیشنهاد می شود، بهره برد و تخفیف های ویژه ای برای این مشتریان در نظر گرفت.