شماره ركورد كنفرانس :
4460
عنوان مقاله :
خوشه بندي مشتريان با استفاده از رويكرد داده كاوي Crisp و متدلوژي توسعه يافته LRFM (مورد مطالعه سازمان نيازمندي هاي همشهري)
عنوان به زبان ديگر :
Customer clustering using the Crisp data mining approach and the extended methodology of LRFM
پديدآورندگان :
بيجنوند محمد mb09123118256@gmail.com دانشگاه آزاد اسلامي علوم تحقيقات; , آذر عادل azara@modares.ac.ir دانشگاه آزاد اسلامي علوم تحقيقات; , عبدي فرشيد fa_ie@yahoo.com دانشگاه آزاد اسلامي علوم تحقيقات; , موسوي سيد عبدالله امين Dr.aminmousavi@gmail.com دانشگاه آزاد اسلامي علوم تحقيقات; , عزيزي محبوبه mahboobehazizi@gmail.com دانشگاه آزاد اسلامي علوم تحقيقات;
كليدواژه :
LRFM , خوشه بندي مشتري , تاپسيس , Crisp , سازمان نيازمندي هاي همشهري
عنوان كنفرانس :
پنجمين كنفرانس ملي پژوهش هاي كاربردي در مديريت و حسابداري
چكيده فارسي :
در اين تحقيق، شيوه LRFM براي بخش‌بندي مشتري در نيازمنديهاي همشهري مورد استفاده قرار گرفته است. داده‌هاي مشتريان واكاوي مي‌شوند تا بخش‌بندي مشتري و در نتيجه، تعريف مناسب استراتژيهاي موثر براي برخورداري از ديدگاه بهتر مشتريان شركت و رفتارهاي آنها و نيز افزايش سوددهي اجرا گرددروش LRFM چهار بعد داده معاملاتي مشتري معروف به مدت رابطه، تاخر، فراواني و مالي را در راستاي طبقه‌بندي رفتار مشتري الگوسازي مي‌كند. پس از آن كه داده هاي مربوط به مقادير شاخص هاي ال. آر اف.ام. از پايگاه داده مشتريان استخراج گرديد، مرحله پيش پردازش و آماده سازي داده ها با توجه به كد اختصاص يافته به هر مشتري صورت گرفته است . مقادير ال. آر. اف. ام. نرمال سازي شدند. در ادامه، طبق خروجي نرم افزار SPSS تعداد خوشه بهينه به روش تحليل كلاستر دو مرحله اي، به 5 خوشه تعيين گرديد.بر اساس تعداد خوشه تعيين شده، مشتريان بر اساس شاخص هاي ال. آر .اف. ام. خوشه بندي شدند.همچنين متغيرجديد با نام C كه بر اساس تعداد تغييراتي كه مشتري برروي سفارش خود داده است را نشان ميدهد به داده ها اضافه شد و نتايج نشان داد كه اين متغير نقشي در تغيير تعداد خوشه ها ندارد.
چكيده لاتين :
In this research, the LRFM approach has been used for customer segmentation in Hamshahri-Advertising NewsPaper Based on the number of specified clusters, customers based on LRAFM Clustering. After the data on the values of the L-indexes. RFF The customer database was extracted, the preprocessing and data preparation stage was performed according to the code assigned to each customer. Values of LRFM Normalized. Subsequently, according to SPSS software, the number of optimum clusters by cluster analysis method was determined to 5 clusters. Based on the number of specified clusters, customers based on LRAFM Clustering. Also, the new variable named C, which is based on the number of changes that the customer has given to his order, is added to the data and the results showed that this variable does not have a role in changing the number of clusters
