پيش‌بيني رفتار مشتري در صنعت خرده‌فروشي كالاهاي تند مصرف (مورد مطالعه: شركت گلپخش اول)

Customer Behaviour Forecasting in FMCG Retail Industry; Golpakhsh Avval Co. Case Study

هدف: طي دو دهه اخير، داده‌ كاوي به يكي از روش‌ هاي اصلي بهبود اثر بخشي و كارايي صنعت خرده‌ فروشي تبديل شده و صنعت خرده‌ فروشي نيز به دليل ماهيت داده‌ هاي آن، از زمين‌ هاي بازي مورد علاقه علم داده‌ كاوي بوده است. در اين مطالعه به پيش‌ بيني رفتار مشتري در صنعت خرده‌ فروشي كالا هاي تند مصرف (FMCG) با هدف افزايش كمّي و كيفي فروش در مورد مطالعه شركت گلپخش اول پرداخته شده است. روش: تحقيق حاضر از لحاظ هدف در دسته پژوهش هاي كاربردي قرار مي گيرد و از نظر نحوه گرد آوري داده ها، پيمايش داده اي طرح ريزي شده است. مراحل اجراي تحقيق مبتني بر فرايند CRISP-DM است كه از مدل خوشه بندي RFMCL و تكنيك هاي دسته بندي و پيش بيني رگرسيوني استفاده كرده و در نهايت براي پيشنهاد از روش پيشنهاد دهي مشاركتي بهره برده است. يافته ها: حاصل مطالعه يك مدل پيش بيني است كه به بهترين مشتريان، كالا هايي را كه تا به حال خريد نكرده‌اند، در تاريخ خاص و به مقدار خاص پيشنهاد داده و بدين ترتيب روش فروش سفارشي را به فروش آني تغيير مي‌دهد. سيستم نهايي از سه زير مدل خوشه‌ بندي مشتريان، پيش‌ بيني فروش و زيرسيستم پيشنهاد گر تشكيل شده است. در زيرمدل خوشه‌ بندي، مدل جديد RFMCL متناسب با مورد مطالعه توسعه يافته است. در زيرمدل پيش‌بيني فروش، مدل پنج متغيره اي با استفاده از رگرسيون با دقت 2.24MSE/Range درصد ايجاد شده است. نتيجه گيري: با پياده‌ سازي اين مدل در شركت، برنامه‌ ريزي توليد پيش‌ فعالانه شده و فرايند فروش از ويزيتوري به «فروش آني» تغيير مييابد كه اين تغيير، صرفه‌ جويي شايان توجهي در حمل ‌و نقل و هزينه‌ هاي پرسنلي فروش به ارمغان خواهد آورد.

Objective: Providing that data mining has been an effective solution of improving the efficiency and the effectiveness of the retail industry, this industry has been the subject of data mining science due to the nature of its data. In this study, the prediction of customer behavior in the retail industry of Fast Moving Consumer Goods is aimed at increasing the quantity and quality of sales in the study of Golpakhsh Avval Co. Methods: The present study is applied in terms of purpose, using data survey to collect data. The research is based on the CRISP-DM process, which uses the RFMCL clustering model, regression classification and regression techniques as well. Eventually, a collaborative recommendation method has been applied for recommendation. Results: The result is a forecasting model recommended to the best customers goods that they have not bought on a particular date and to a certain amount, so that, the order-based sale is changed to hot sale method. The final solution involves three sub models of customer clustering, sale forecasting and a recommendation system. The five variables model –with MSE/Range accuracy of 2.24% – is solved for recommendation of sales amount. Conclusion: By implementing the developed recommender system in Golpakhsh Avval Co., the proactive production master plan would be possible to execute. In addition, the marketing approach could be transformed from visiting sales to hot sales in the future which provides considerable savings in shipping and personnel costs.