ارائه روشی برای بخش‌بندي مشتريان با استفاده از مدل RFM در شرایط عدم قطعیت
الموضوعات :محمدرضا غلامیان 1 , عظیمه مظفری 2
1 - هیات علمی
2 - -
الکلمات المفتاحية: مدل RFM, عدم قطعیت, بخش‌بندی, عدد خاکستری, داده‌کاوی,
ملخص المقالة :
هدف از انجام اين پژوهش ارائه روشی برای بخش‌بندی مشتریان یکی از بانک‌های خصوصی شهر شیراز بر مبنای مدل RFM در شرایط عدم قطعیت داده‌های مربوط به مشتریان است. در چارچوب پيشنهادي اين پژوهش ابتدا مقادير شاخص‌هاي مدل RFM شامل تازگي مبادله (R)، تعداد دفعات مبادله (F) و ارزش پولي مبادله (M) از پایگاه داده مشتریان استخراج و پیش‌پردازش شدند. با توجه به گستردگی دامنه داده‌های مذکور، برای تعیین وضعیت خوب یا بد بودن مشتری نمی‌توان عدد دقیقی تعیین نمود؛ لذا برای از بین بردن این عدم قطعیت، از تئوری اعداد خاکستری استفاده شد که وضعیت مشتری را به صورت یک بازه در نظر می‌گیرد. به این ترتیب با استفاده از یک روش متفاوت به بخش‌بندی مشتريان بانک پرداخته شد که طبق نتایج، مشتریان به سه بخش یا خوشه اصلی تحت عنوان مشتریان خوب، معمولی و بد تفکیک شدند. پس از اعتبارسنجی خوشه‌ها با استفاده از شاخص‌های دان و دیویس بولدین، ویژگی‌های مشتریان در هر یک از بخش‌ها شناسایی شد و در پایان نيز پيشنهادهايي جهت بهبود سيستم مديريت ارتباط با مشتري ارائه گردید.
1. Plakoyiannaki, E. (2005). How do organisational members perceive CRM? Evidence from a UK service firm. Journal of Marketing Management, 21(3-4), 363-392.
2. Ngai, E. W., Xiu, L., & Chau, D. C. (2009). Application of data mining techniques in customer relationship management: A literature review and classification. Expert systems with applications, 36(2), 2592-2602.
3. Liu, B. (2009). Some research problems in uncertainty theory. Journal of Uncertain Systems, 3(1), 3-10.
4. Liu, B. (2010). Uncertainty Theory: A Branch of Mathematics for Modeling Human Uncertainty, Springer-Verlag, Berlin.
5. Liu, B. (2007). Uncertainty theory (pp. 205-234). Springer Berlin Heidelberg.
6. Kiang, M. Y., Hu, M. Y., & Fisher, D. M. (2006). An extended self-organizing map network for market segmentation—a telecommunication example.Decision Support Systems, 42(1), 36-47.
7. Hsieh, N. C. (2004). An integrated data mining and behavioral scoring model for analyzing bank customers. Expert systems with applications, 27(4), 623-633.
8. Liu, D. R., & Shih, Y. Y. (2005). Integrating AHP and data mining for product recommendation based on customer lifetime value. Information & Management,42(3), 387-400.
9. Sohrabi, B., & Khanlari, A. (2007). Customer lifetime value (CLV) measurement based on RFM model. Iranian Accounting & Auditing Review, 14(47), 7-20.
10. Hu, W., & Jing, Z. (2008). Study of segmentation for auto services companies based on RFM model, [online],
11.Wu, H. H., Chang, E. C., & Lo, C. F. (2009). Applying RFM model and K-means method in customer value analysis of an outfitter. In Global Perspective for Competitive Enterprise, Economy and Ecology (pp. 665-672). Springer London.
12. Cheng, C. H., & Chen, Y. S. (2009). Classifying the segmentation of customer value via RFM model and RS theory. Expert systems with applications, 36(3), 4176-4184.
13. Namvar, M., Gholamian, M. R., & KhakAbi, S. (2010, January). A two phase clustering method for intelligent customer segmentation. In Intelligent Systems, Modelling and Simulation (ISMS), 2010 International Conference on (pp. 215-219). IEEE.
14. Hosseini, S. M. S., Maleki, A., & Gholamian, M. R. (2010). Cluster analysis using data mining approach to develop CRM methodology to assess the customer loyalty. Expert Systems with Applications, 37(7), 5259-5264.
15. Khajvand, M., & Tarokh, M. J. (2011). Estimating customer future value of different customer segments based on adapted RFM model in retail banking context. Procedia Computer Science, 3, 1327-1332.
16. Li, D. C., Dai, W. L., & Tseng, W. T. (2011). A two-stage clustering method to analyze customer characteristics to build discriminative customer management: A case of textile manufacturing business. Expert Systems with Applications, 38(6), 7186-7191.
17. Seyedhosseini, S. M., Gholamian, M. R., & Maleki, A. (2011). A Methodology Based on RFM Using Data Mining Approach to Assess the Customer Loyalty. International Journal of Industrial Engineering, 22(2), 171-179.
18.کفاش‌پور، آ.؛ توکلی، ا.، و علیزاده زوارم، ع. (1391). بخش‌بندی مشتریان بر اساس ارزش دوره عمر آن‌ها با استفاده از داده‌کاوی بر مبنای مدل آر. اف. ام. (RFM). پژوهش‌های مدیریت عمومی، 5 (15)، 63-84.
19. زین‌العابدینی، س. ف.؛ مهدوی، م.، و خان‌بابایی، م. (1391). بخش‌بندي و شناسايي مشتريان خدمات بانكداري الكترونيكي بر مبناي تكنيك‌هاي داده‌كاوي و مدل تحليل RFM. مطالعه موردي: موسسه اعتباري توسعه. دومين كنفرانس ملي مهندسي نرم افزار.
20. Alvandi, M., Fazli, S., & Abdoli, F. S. (2012). K-Mean clustering method for analysis customer lifetime value with LRFM relationship model in banking services. International Research Journal of Applied and Basic Sciences, 3(11), 2294-2302.
21. Rezaeinia, S. M., Keramati, A., & Albadvi, A. (2012). An integrated AHP–RFM method to banking customer segmentation. International Journal of Electronic Customer Relationship Management, 6(2), 153-168.
22. Wei, J. T., Lee, M. C., Chen, H. K., & Wu, H. H. (2013). Customer relationship management in the hairdressing industry: An application of data mining techniques. Expert Systems with Applications, 40(18), 7513-7518.
23. Wen, K. L., & Huang, Y. F. (2004). The development of grey statistic toolbox and its application in the clustering of student’s test score. Journal of Quantitative Management, 1(2), 219-238.
24. Lee, K. L., Lin, S. C., & Hsiao, S. H. (2007). Analyzing the performance indices of information service type of supply chain model. Soochow Journal of Economics and Business, 58(1), 61.
25. Wen, K. L. (2008). A Matlab toolbox for grey clustering and fuzzy comprehensive evaluation. Advances in Engineering Software, 39(2), 137-145.
26. Lin, C. H., Wu, C. H., & Huang, P. Z. (2009). Grey clustering analysis for incipient fault diagnosis in oil-immersed transformers. Expert Systems with Applications, 36(2), 1371-1379.
27. Wei, J. T., Lin, S. Y., & Wu, H. H. (2010). A review of the application of RFM model.
28. Buttle, F. (2004). Customer relationship management: Concepts and Tools. Elsevier Butterworth Heinemann.
29. رزمي، ج.، و قنبري، آ. (1388). ارائه مدلي نوين جهت محاسبه ارزش دوره عمر مشتري. مديريت فناوري و اطلاعات، 1 (1)، 35 -50.
30. Kim, Y. S., & Sohn, S. Y. (2004). Managing loan customers using misclassification patterns of credit scoring model. Expert Systems with Applications, 26(4), 567-573.
31. Wu, W. H., Lin, C. T., Peng, K. H., & Huang, C. C. (2012). Applying hierarchical grey relation clustering analysis to geographical information systems–A case study of the hospitals in Taipei City. Expert Systems with Applications, 39(8), 7247-7254.
32. Liu, L., Zhou, J. Z., An, X. L., Yang, L., & Liu, S. Q. (2007, November). Improvement of the grey clustering method and its application in water quality assessment. In Wavelet Analysis and Pattern Recognition, 2007. ICWAPR'07. International Conference on (Vol. 2, pp. 907-911). IEEE.
33. Ke, L., Xiaoliu, S., Zhongfu, T., & Wenyan, G. (2012). Grey clustering analysis method for overseas energy project investment risk decision. Systems Engineering Procedia, 3, 55-62.
34. Luo, D., & Liu, S. F. (2005). Grey incidence decision-making with incomplete information. Journal of applied sciences, 23(4), 408-412.
35. Nozari, H., Jafari-Eskandari, M., Kamfirozi, M. H., & Mozafari, A. (2014). Using Numerical Taxonomy and Combined Bulls-Eye–Shapley Weighting Method in Order to Ranking Websites of Iranian Universities by Three-Parameter Interval Gray Numbers. Arabian Journal for Science and Engineering, 39(4), 3299-3305.
36. Hu, B. Q., & Wang, S. (2006). A novelapproach in uncertain programming part I: new arithmetic and order relation for interval numbers. Journal of Industrial and Management Optimization, 2(4), 351.
