مدل LRFM

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.

پایگاه اطلاعاتی گنج پژوهشگاه علوم و فناوری اطلاعات با برخورداری از نزدیک به یک میلیون رکورد علمی، امکان جستجو در پایان نامه ها، نشریات علمی داخلی، مقالات، همایش ها، طرح های پژوهشی وگزارش های دولتی را فراهم می کند. روزانه تعداد زیادی از پژوهشگران نیازهای منابع علمی و پژوهشی خود را از پایگاه گنج تامین می کنند. نیازها و رفتارهای کاربران مختلف این پایگاه متنوع بوده و شناخت دقیق تر آن موجب خواهد شد تا مدیران این پایگاه بتوانند استراتژی های متناسب با هر یک از گروه های کاربران را به منظور مدیریت بهتر پایگاه و ارائه خدمات کاراتر اتخاذ نمایند. یکی از راه های شناخت کاربران، خوشه بندی آن ها و شناخت ویژگی های هر خوشه است. هدف این پژوهش، خوشه بندی کاربران براساس تحلیل رفتار جستجوی آن ها با استفاده از مدل LRFM است. در این پژوهش، داده های لاگ جستجوی کاربران پایگاه گنج به مدت سه ماه جمع آوری و مورد استفاده قرار گرفت. با استفاده از داده های لاگ رفتار جستجوی کاربران، شاخص های مدل LRFM ، محاسبه شد و سپس الگوریتم K-means بر روی آن ها اعمال شد. تعداد خوشه بهینه بر اساس معیارهای مختلف محاسبه شد. نتایج بدست آمده از خوشه بندی براساس ماتریس ارزش مشتری، کاربران را در چهار گروه بهره مند، مشکوک، نامطمئن و متناوب قرار می دهد و بر اساس ماتریس وفاداری، کاربران در چهار گروه وفادار، بالقوه، نامطمئن و تازه وارده ارزیابی می شوند.

خوشه بندی روشی رایج برای تجزیه و تحلیل داده های مختلف در بسیاری از زمینه ها است، از جمله میتوان به شناسایی آماری، بانکداری،داده کاوی، تجزیه و تحلیل تصویر و …اشاره نمود. خوشه بندی فرآیند گروه-بندی اشیای مشابه به گروه های مختلف یا به بیان دقیق تر، تقسیم مجموعه ای از داده ها به زیر مجموعه های مجزا است. نکته ی اصلی، مشخص نبودن تعداد گروه ها در خوشه بندی است، بگونه ای که در خوشه بندی متخصصین، سلیقه ای عمل می نمایند. این رساله به دنبال ارایه ی راه کاری برای خوشه بندی پویای مشتریان بانک، بر مبنای الگوریتم ژنتیک با لحاظ نمودن روش LRFM می باشد. به عبارت دقیق تر، الگوریتم ژنتیک سعی خواهد کرد از بین فیلدهای اطلاعاتی مختلفی که در مورد مشتریان بانک در پایگاه داده وجود دارد؛ فیلدهای مناسبی را در کنار ویژگی-های به کار رفته در روش LRFM قرار دهد تا نتایج مناسب تری را در خوشه بندی مشتریان بانک به دست آورد، تصمیم گیری در مورد تعداد گروه های موجود نیز بر عهده ی الگوریتم ژنتیک خواهد بود. پیاده سازی-های مختلف الگوریتم ژنتیک با استفاده از تابع های مختلف جهش و پیوند انجام پذیرفته تا دستیابی به بهترین حالت پیاده سازی گردد. شایان ذکر است تمامی روش های پیوند و جهش (به دلیل تعدد زیاد) قابل آزمون نیستند. لیکن، روند به گونه ای طراحی شده تا در پیاده سازی، بهبود نسبت به روش پایه LRFM و برخی روش های رقیب حاصل گردد.

تلاش این مقاله در جهت حل یکی از مشکلات اصلی حوزه ی بانکداری می باشد که ارتباط تنگاتنگی با حوزه ی فناوری اطلاعات دارد. ترکیب بحث مدیریتی این موضوع با حیطه ی فناوری اطلاعات یکی از مباحث مهم حوزه ی مدیریت فناوری اطلاعات را رقم خواهد زد.هدف اساسی این مقاله، خوشه بندی مشتریان بانک است.در ابتدا، تمامی ویژگی های مشتریان از پایگاه داده ی بانک استخراج گردیده که استخراج برای 900 هزار مشتری و به طور تصادفی انجام گرفته است که به عنوان ورودی در اختیار روش پیشنهادی این مقاله قرار خواهد گرفت. تمامی ویژگی-های این مشتریان استخراج شد و با استفاده از نظرات کارشناسان 10 ویژگی (به جز چهار ویژگی روش LRFM) لیست گردید. روش پیشنهادی باید از بین این 10 ویژگی بتواند ویژگی هایی را برای خوشه بندی مشتریان انتخاب کند که تفکیک پذیری بیش تری را در خوشه بندی نتیجه دهد. با توجه به تعداد بالای حالات این مساله، امکان انجام دستی آن وجود ندارد و روش پیشنهادی سعی می کند با بررسی حالات مختلف، برای مشتریان هر بانک الگوی مجزایی را برای خوشه بندی ارایه دهد. همچنین، مشکل انتخاب مقدار مناسب برای تعداد خوشه ها در روش K-میانگین به وسیله ی روش پیشنهادی این مقاله برطرف می گردد. نتایج حاصل، نشان از بهبود آن نسبت به روشRFM و LRFM پایه دارد.کلمات کلیدی:مدیریت ارتباط با مشتریان بانک،خوشه بندی، مدل RFM،مدل LRFM، الگوریتم ازدحام ذرات، روش K-میانگین.