بررسي ويژگي هاي رفتاري و كاركردي مشتريان شركت مخابرات با رويكرد مديريت ارتباط با مشتري با استفاده از روش هاي مبتني بر داده كاوي

Behavioral and Performance Analysis of Telecom Company Customers Based on Customer Relationship Management Approach Using Data Mining Techniques

با رقابتي شدن صنعت مخابرات و رشد انتظارات مشتريان همگام با پيشرفت فناوري هاي ارتباطي، الزام تعيين و تبيين استراتژي هاي جديد ارتباط با مشتري در اين صنعت احساس مي شود. از راهكارهاي وصول به اين منظور، دسترسي به اطلاعات جامع از مشتريان براي شناخت مؤثر آنها است تا بتوان خدمات متناسب با ويژگي هاي كاركردي و رفتاري هر دسته را براي بهبود مديريت ارتباط با مشتري ارائه داد. در اين مقاله از اطلاعات پرداخت و بدهكاري مشتركين اداره مخابرات استان گيلان، شهرستان رشت در يك دوره شش ماهه استفاده شده است. اطلاعات مشتريان به صورت خاص خوشه بندي و تحليل RFM شده و پس از شناخت خوشه هاي مختلف مشتريان و ارزيابي خوشه بندي بهينه آنها، با استفاده از ماتريس سودآوري وفاداري، از ميان خوشه بندي هاي صورت گرفته، دسته بندي مشتريان هر خوشه انجام شده است. در اين پژوهش، داده هاي مشتريان بر اساس روش تحليل RFM انتخاب و دسته بندي شده و سپس با استفاده از الگوريتم خوشه بندي KMeans، سه خوشه عمده از مشتريان شناسايي شده اند و بر اساس ويژگي هاي رفتاري و الگوي مصرف هر خوشه، بسته پيشنهادي خدمات به آنها ارائه شده است. اين بسته به منظور بهينه سازي مديريت ارتباط با مشتري و ارائه خدمات بهتر در جهت افزايش ارزش حيات مشتري ارائه شد.

The competitive characteristics of telecom industry and customersamp;rsquo; demands along with advances in telecommunication technologies make the necessity of determining customer relationship management new strategies more evident. One approach to reach this reformation is to analyze large volume of customersamp;rsquo; data warehouses in order to identify different classes of customers and presenting appropriate services according to their transactional and behavioral features, subsequently. In this research, the researchers had employed data mining algorithms, especially clustering one and also RFM analysis on the customers of Guilan province Telecom Bureau, for a six month period of observation of their payment and debt information in order to identify different clusters of customers. After the process of clustering results evaluation, the best clustering method had been chosen and each cluster was allocated to each known group of customers according to the Loyalty matrix. In this research, after selecting appropriate attributes of customeramp;rsquo;s data using RFM analysis method, three specific clusters of customers had been identified using Kmeans clustering algorithm and then according to the behavior features and product consumption patterns of customers, the appropriate services to each cluster is suggested and presented in order to improve the customer relationship management practices and increasing the customer life value.