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 387496 تراکنش مشتریان یک فروشگاه خرده فروشی 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 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 6 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.