ارايه الگوي دسته بندي مشتريان با رويكرد داده كاوي تركيبي( مورد مطالعه صنعت محصولات بهداشتي و آرايشي)

Presenting a customer classification Pattern with a combined data mining approach (case study :Hygienic and Cosmetic products Industry )

با توجه به حجم انباشته شده اطلاعات خريد مشتريان و پيچيدگي رقابت در عصر حاضر اهميت ايجاد بستري براي تحليل داده‌هاي به روز ودقيق مشتريان، باهدف ايجاد ارتباط‌هاي مؤثر با مشتريان فعلي و وفادار، بيش از پيش براي سازمان‌ها به عنوان يك مزيت رقابتي جلوه‌گر شده است. هدف اين پژوهش بررسي الگوهاي رفتاري خريد مشتريان محصول‌هاي بهداشتي به منظور دسته‌بندي آنها براساس مدل WRFMبا استفاده از روش‌هاي تركيبي داده‌كاوي است. از ميان مشتريان استان تهران كه در بازه سالهاي 1396- 1397 از شركت خريد داشته اند از پايگاه داده هاي مشتريان 65534 نمونه، با روش نمونه گيري هدفمند در دسترس جمع آوري شده و به كمك SPSS مقدار RFM موزون با توجه به نظر خبرگان صنعت مشخص و سپس اين فيلد به ديگر داده هاي پژوهش اضافه شده و توسط نرم افزار داده‌كاوي كلمنتاين بر اساس70 درصد داده ها، خوشه بندي مشتريان صورت گرفته است؛ همچنين به منظور بررسي كيفيت خوشه‌بندي از معيارهاي امتيازجيني، درصد خطا، اطلاعات متقابل نرمال‌شده (NMI) استفاده شده است. نتايج پژوهش حكايت ازكارايي بالاي روش خوشه‌بندي Kميانگين با تعداد چهارخوشه با درصد خلوص (0/761)، براي بخش بندي مشتريان داشته است.

Due to the accumulated volume of customer purchasing information and the complexity of competition in the present era, the importance of creating a platform for analyzing up-to-date and accurate customer data, with the aim of creating effective relationships with current and loyal customers, more than ever for organizations as It has become a competitive advantage. The purpose of this study was to investigate the behavioral patterns of customers buying Hygienic Products in order to classify them based on the WRFM using data mining methods. 65534 samples were collected from the company databases in the period of 1396-1397 among the customers of Tehran province by the available purposeful sampling method, also with the help of SPSS, the amount of WRFM determined according to the opinion of industry experts and then this field had been to other fields in the research and using Clementine software, customers clustering has been done according to 70% of the data; also, in order to evaluate the quality of clustering, the criteria of Gini Score, error percentage, and normalized mutual information were used. The results indicate the high efficiency of the K-Means clustering method with the number of four clusters with purity percentage (0.761) for customer segmentation.