Manuscript ID : 202007118309 Visit : 15062 Page: 41 - 54

Article Type: Original Research

Provide a method for customer segmentation using the RFM model in conditions of uncertainty

Subject Areas :

mohammadreza gholamian ¹ , azime mozafari ²

1 -
2 -

Received: 2013-11-25 Accepted : 2013-11-25 Published : 2017-07-11

Keywords: RFM model, uncertainty, segmentation, gray number, data mining,

Abstract :

The purpose of this study is to provide a method for customer segmentation of a private bank in Shiraz based on the RFM model in the face of uncertainty about customer data. In the proposed framework of this study, first, the values of RFM model indicators including exchange novelty (R), number of exchanges (F) and monetary value of exchange (M) were extracted from the customer database and preprocessed. Given the breadth of the data, it is not possible to determine the exact number to determine whether the customer is good or bad; Therefore, to eliminate this uncertainty, the gray number theory was used, which considers the customer's situation as a range. In this way, using a different method, the bank's customers were segmented, which according to the results, customers were divided into three main sections or clusters as good, normal and bad customers. After validating the clusters using Don and Davis Boldin indicators, customer characteristics in each sector were identified and at the end, suggestions were made to improve the customer relationship management system.

References:

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.
‏

Full-Text:

فصلنامه علمي- پژوهشي

فناوري اطلاعات و ارتباطات ایران

سال هشتم، شماره‌هاي 29 و 30، پاییز و زمستان 1395

صص: 41- 54

$E:\E Drive\logo\iicta Logo0.JPG$

ارائه روشی برای بخش‌بندي مشتريان با استفاده از مدل RFM در شرایط عدم قطعیت

* محمدرضا غلامیان ** عظیمه مظفری

* دکترای مهندسی صنایع، عضو هیئت علمی دانشگاه علم و صنعت، تهران، ایران

** کارشناس ارشد مهندسی صنایع، گرایش مدیریت سیستم و بهره‌وری، دانشگاه علم و صنعت، تهران، ایران

تاریخ دریافت:04/.09/92 تاریخ پذیرش:13/04/95

چکیده

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.

واژههای کلیدی: مدل RFM، عدم قطعیت، بخش‌بندی، عدد خاکستری، داده‌کاوی

1.مقدمه

نویسنده عهددار مکاتبات: عظیمه مظفری azime.mozafari@yahoo.com

امروزه وجود رابطه قوي با مشتريان مهمترين عامل موفقيت در هر كسب و كار است لذا مفهوم مديريت ارتباط با مشتري¹ كه به معني تلاش سازمان در راستای ايجاد و ارائه ارزش به مشتري است، بسيار مورد توجه قرار گرفته است و سازمان‌ها به روابط با مشتريان به عنوان تعاملاتي سودمند مي‌نگرند كه نيازمند مديريت صحيح است ]1[. از طرفی سازمان‌ها داده‌های زیادی را درباره مشتریان جمع‌آوری و ذخیره می‌کنند ولی ناتوانی آن‌ها در کشف دانش پنهان و با ارزش از داده‌ها سبب می‌شود که این داده‌ها به دانش تبدیل نشوند و ذخیره‌سازی آن‌ها بیهوده باشد. از این رو صاحبان کسب و کارها میل به استخراج اطلاعات ناشناخته، معتبر و قابل درک از بانک‌های اطلاعاتی عظیم خود و استفاده از این اطلاعات برای کسب سود بیشتر دارند. یکی از حوزه‌هایی که در این زمینه به سرعت در حال رشد است، سیستم‌های داده‌کاوی² در مدیریت ارتباط با مشتری است و یکی از پرکاربردترین روش‌های داده‌کاوی در بحث پیش‌بینی رفتار مشتریان، خوشه‌بندی³ است. خوشه‌بندی یا بخش‌بندی مشتریان شامل تقسیم کردن کلیه مشتریان به گروه‌های اصلی است که شباهت بیشتری به یکدیگر دارند ]2[.

در سال‌های اخیر رقابتي گسترده ميان بانک‌ها در راستاي جذب مشتريان جديد، حفظ مشتريان فعلي و وفادار نمودن آن‌ها شكل گرفته است به همين دليل ضروري است كه بانک‌ها نیز مانند سایر موسسات مشتريان خود را به خوبي بشناسند، فرايندهاي مرتبط با آن‌ها را طراحي نموده و از طريق شناخت عناصر ارتباط با مشتريان، سيستم ارتباط مناسبي را طراحي و اجرا كنند.

عدم قطعیت⁴ به وضعیتی اطلاق می‌شود که در آن، شخص نمی‌تواند با اطلاعاتی که در اختیار دارد، رفتار و سایر خصوصیات یک سیستم را از بعد کمی و کیفی به صورت دقیق توصیف، تعیین و یا پیش‌بینی کند. همچنین بر اساس تعریف نایت⁵ عدم قطعیت، وضعیتی است که در آن احتمالات مربوط به وقایع، قابـل تشـخیص و تعیین نیسـتند بـه طـوریـکه تصمیم‌گیرنده ممکن است تمامی رخدادهای ممکن را بداند، اما هیچ راهی برای تعیین احتمالات مربوط به آن‌ها وجود ندارد و یا تنها برخی از گزینه‌ها و رخدادهای مربوط به آن‌ها شناخته شده است ]3، 4، 5[. در هر علم و حوزه‌ای عدم قطعیت وجود دارد و در پژوهش حاضر عدم قطعیت داده‌ها به دلیل گستردگی دامنه آن‌ها و ناتوانی در تخصیص یک عدد دقیق و مشخص برای نوع مشتری است، به این ترتیب سؤال اصلي اين است كه چگونه مي‌توان در شرایط عدم قطعیت مشتريان كليدي بانک را شناسايي نمود؟

با توجه به ماهیت بازه‌ای بودن داده‌های پژوهش، اعداد خاکستری⁶ مفهومي است كه مي‌تواند در اين راستا كمك فراواني نمايد. هرچند به نظر می‌رسد که اعداد خاکستری مشابه با اعداد فازی⁷ هستند اما تفاوت اساسی بین اعداد خاکستری با اعداد فازی در آن است در اعداد خاکستری مقدار دقیق عدد نامشخص است اما بازه‌ای که مقدار آن عدد را در بر می‌گیرد معلوم است درحالیکه در یک عدد فازی ضمن اینکه عدد به صورت یک بازه تعریف می‌شود اما مقدار دقیق بال چپ و راست عدد معلوم نیست و از یک تابع عضویت تبعیت می‌کند. همین تفاوت ظریف بین اعداد خاکستری و اعداد فازی موجب می‌شود که محاسبات با اعداد خاکستری از سادگی بیشتری نسبت به اعداد فازی برخوردار باشند.

لذا پژوهش حاضر درصدد است تا با استفاده از اعداد خاکستری به بخش‌بندی و خوشه‌بندی مشتریان بانک بپردازد و از طريق ايجاد ارتباطات موثرتر، جذب و حفظ مشتریان، بستري براي افزايش رضايت‌مندي و وفاداري آن‌ها ايجاد نماید. مدل پیشنهادی مبتنی بر مدل ⁸RFM می‌باشد که برای استخراج الگوهای رفتار خرید مشتری استفاده می‌شود و سه فاکتور تازگي مبادله⁹ (R)، تعداد دفعات مبادله¹⁰ (F) و ارزش پولي مبادله¹¹ (M) را برای هر مشتری در نظر می‌گیرد. به این ترتیب در این پژوهش اعداد خاکستری در کنار مدل RFM در صتعت بانکداری به کار گرفته شده که تاکنون پژوهشی در این زمینه انجام نشده است.

2. پیشینه پژوهش

داده‌کاوی کاربردهای زیادی دارد که یکی از آن‌ها بخش‌بندی بازار است ]6[. در پژوهش‌های بسیاری از مدل RFM برای بخش‌بندی استفاده شده است از جمله هسیه¹² (2004) در پژوهشی با ایجاد یکپارچگی بین متغیرهای رفتاری و متغیرهای امتیازدهی RFM، با کمک شبکه عصبی مصنوعی مشتریان بانک را بخش‌بندی نمود ]7[. لیو و شیه¹³ (2005) در پژوهش خود برای ارزیابی وفاداری و ارزش دوره عمر مشتری از روش تحلیل سلسله مراتبی و ماتریس مقایسات زوجی و برای خوشه‌بندی مشتریان از تکنیک‌های داده‌کاوی استفاده نمودند ]8[. سهرابي و خانلري (2007) در مطالعه خود بر اساس مدل RFM به محاسبه ارزش دوره عمر مشتريان يك بانك خصوصي پرداخته و با استفاده از رويكرد خوشه‌بندی کا- میانگین¹⁴، مشتريان را به 8 خوشه تفكيك نمودند و ويژگي‌هاي آن‌ها را مورد تحليل قرار دادند ]9[. هو و جینگ¹⁵ (2008) به بررسي قابليت مدل RFM در بخش‌بندي مشتريان در شركت‌هاي خدمات پس از فروش خودرو پرداختند که مشتريان با استفاده از روش کا- میانگین به 8 خوشه تفكيك شدند و پس از تحليل ويژگي‌هاي مشتريان، ارزش دوره عمر آن‌ها در هر خوشه تعيين گرديد ]10[. وو، چانگ و لو¹⁶ (2009) با استفاده از مدل RFM و روش خوشه‌بندي کا- میانگین به تحليل ارزش مشتريان يك شركت ساخت تجهيزات صنعتي پرداختند که طبق نتایج به دست آمده مشتریان در 6 گروه خوشه‌بندي شدند و ويژگي‌هاي مشتريان با استفاده از تحليل ارزش دوره عمر مشتري مورد تحليل قرار گرفت ]11[. چن و چنگ¹⁷ (2009) مدلی بر مبنای ترکیب ارزش عددی متغیرهای RFM و الگوریتم کا- میانگین با تئوری مجموعه‌های سخت پیشنهاد کردند. بر اساس این مدل، مشتریان با تعیین تعداد خوشه‌ها به 3 و 5 و 7 کلاس درجه‌بندی شدند و سپس با کشف و توصیف ویژگی‌های مشتریان هر خوشه، به ارزیابی و پیاده‌سازی مدیریت ارتباط با مشتری پرداخته شد ]12[. نامور، غلامیان و خاکابی (2010) در پژوهش خود برای تحلیل از داده‌های RFM و برای محاسبه ارزش دوره عمر مشتریان از الگوریتم کا- میانگین استفاده نمودند ]13[. سیدحسيني، ملکی و غلامیان (2010) با استفاده از مدل توسعه يافته RFM به داده‌كاوي در پايگاه داده يك شركت تأمين قطعات خودرو پرداختند. در اين تحقيق، وزن‌هاي مربوط به مؤلفه‌هاي مدل از طريق مقايسه‌هاي زوجي تعيين گرديد و داده‌ها با استفاده از الگوريتم کا- میانگین خوشه‌بندی شدند ]14[. خواجه‌وند و تارخ (2011) در پژوهش خود برای تخمین ارزش آینده مشتری از مدل RFM، الگوریتم خوشه‌بندی کا- میانگین و ارزش دوره عمر مشتری استفاده کردند و سپس با استفاده از روش سری‌های زمانی به پیشگویی ارزش آینده هر بخش در هر خوشه پرداختند ]15[. لی، دای و تسنگ¹⁸ (2011) با استفاده از یک روش خوشه‌بندی دومرحله‌ای به تحلیل ویژگی‌های مشتریان پرداختند. مبنای تحلیل خوشه‌ای در این تحقیق مدل تحلیلی توسعه‌یافته RFM با توجه به ویژگی‌های طول رابطه، تکرار خرید، ارزش پولی و زمان آخرین معامله از پایگاه داده مشتریان بود و مشتریان با الگوریتم کا-میانگین به 5 خوشه به منظور تعیین استراتژی‌های بازاریابی متمایز تفکیک شدند و تحلیل ویژگی‌های هر خوشه بر اساس مدل امتیازدهی RFM انجام گرفت]16[. سیدحسینی، غلامیان و ملکی (2011) در پژوهش دیگری با ارائه مدل جدیدی مبنی بر توسعه مدل RFM و تعیین اوزان پارامترها با مقایسات زوجی پس از خوشه‌بندی محصولات با تعداد خوشه‌های بهینه توسط شاخص دیویس بولدین به تعیین درجه وفاداری مشتری در یک مفهوم برنده-برنده پرداختند ]17[. کفاش‌پور، توکلی و علیزاده زوارم (1391) نیز در پژوهش خود با استفاده از روش کا- میانگین مشتریان شرکت بازرگانی طوس شرق را بر مبنای مدل RFM و ارزش دوره عمر مشتریان بخش‌بندی کردند که مشتریان در 8 خوشه اصلی گنجانده شدند ]18[. زین‌العابدینی، مهدوی و خان‌بابایی (1391) در پژوهشی به شناسايي و تحليل رفتار مشتريان بانكي پرداختند. آن‌ها با استفاده از تكنيك‌هاي داده‌كاوي و مدل تحليل RFM به بخش‌بندي، شناسايي و تحليل رفتار مشتريان بانكداري الكترونيكي و تعيين ميزان ارزش هر يك از آن‌ها پرداخته پرداختند. همچنين الگوريتم قوانين وابستگي را برای يافتن ارتباط بين ويژگي‌هاي مشتريان خدمات بانكداري الكترونيكي به کار گرفتند ]19[. الوندی، فضلی و عبدلی (2012) از الگوریتم خوشه‌بندی کا-میانگین و مدل RFM برای طبقه‌بندی مشتریان به منظور تبیین استراتژی بازاریابی در یک بانکی دولتی استفاده کردند. نتایج خوشه‌بندی مشتریان را در نه گروه بخش‌بندی کرد و از مدل RFM برای تعیین ارزش طول عمر مشتری استفاده شد ]20[. رضایی‌نیا و همکاران (2012) از الگوریتم خوشه‌بندی و مدل RFM برای شناسایی و حفظ مشتریان با ارزش استفاده نمودند. در این پژوهش الگوریتم کا-میانگین مشتریان را به گروه‌های مختلف تقسیم نموده و روش تحلیل سلسله مراتبی برای محاسبه وزن معیارهای تازگی، فراوانی و ارزش پولی در مدل RFM استفاده شد ]21[. وی ¹⁹ و همکاران (2013) از الگوریتم خوشه‌بندی کا-میانگین برای بخش‌بندی مشتریان براساس شاخص‌های موردنظر و از مدل RFM برای محاسبه ارزش مشتریان بیمه عمر تایوان استفاده کردند و در نهایت الگوریتم‌های درخت‌تصمیم و مجموعه سخت را برای تعیین عوامل و فاکتورها موثر در ارزش‌ها مقایسه کردند ]22[.

از طرفی، مطالعاتی نیز در زمینه خوشه‌بندی خاکستری²⁰ صورت گرفته است، از جمله ون و هوانگ²¹ (2004) از C++ برای توسعه جعبه ابزار خوشه‌بندی خاکستری استفاده نمودند و به این نتیجه رسیدند که این روش نه تنها نتایج را واضح‌تر می‌سازد، بلکه عملکرد تحلیل آن‌ها را نیز بهبود می‌بخشد ]23[. لی، لین و سیا²² (2007) خوشه‌بندی خاکستری و روابط خاکستری را برای دستیابی به شاخص‌های انواع خدمات مدل زنجیره تامین به کار بردند ]24[. ون²³ (2008) جعبه ابزار خوشه‌بندی خاکستری را گسترش داد و از آن برای تحلیل امتیازات آزمون ارشد در شیکاگو استفاده نمود ]25[. لین، هوب و هوانگ²⁴ (2009) در پژوهشی از روش خوشه‌بندی خاکستری برای تشخیص خرابی اولیه عملکرد شناورهای نفت استفاده نمودند. آن‌ها روش خوشه‌بندی خاکستری را توسعه دادند به طوری که نیاز به متغیرهای زبانی، تابع عضویت، طراحی شبکه و تخصیص پارامتر نداشته باشد ]26[.

با توجه به کاربرد روش‌های خوشه‌بندی در شناسایی و پیش‌بینی وضعیت مشتریان، در این پژوهش برای خوشه‌بندی مشتریان یکی از بانک‌های خصوصی شهر شیراز از این روش استفاده شده است. از مهمترین ویژگی‌های این پژوهش ترکیب مدل RFM با روش خوشه‌بندی خاکستری در صنعت بانکداری است که باعث ایجاد روشی مبتنی بر ویژگی‌های مدل RFM در شرایط عدم قطعیت مربوط به داده‌های مدل می‌گردد. از آنجا که به دلیل عدم قطعیت نمی‌توان تعریف صریح و دقیقی برای تعریف وضعیت مشتریان خوب، معمولی و بد ذکر نمود، از اعداد خاکستری برای خوشه‌بندی استفاده نموده و به تعیین بازه‌ها و محدوده‌هایی برای سه شاخص مدل RFM برای انواع مشتریان پرداخته می‌شود.

3. روش‌شناسی پژوهش

هدف از انجام این پژوهش ارائه روشی برای خوشه‌بندی مشتریان یکی از بانک‌های خصوصی شهر شیراز در شرایط عدم قطعیت داده‌های مشتریان است. بر اساس متدولوژی پیشنهادی ابتدا داده‌های مورد نیاز از انباره داده بانک استخراج می‌شوند؛ این داده‌ها شامل دو دسته اطلاعات از جمله اطلاعات شخصی مشتریان و اطلاعات مربوط به مدل RFM می‌باشند که پس از جمع‌آوری، پیش‌پردازش شده و برای استفاده در مراحل بعد آماده می‌شوند. عملیات خوشه‌بندی بر اساس داده‌های مربوط به شاخص‌های مدل RFM انجام می‌گردد اما به دلیل گستردگی دامنه این داده‌ها، به نوعی با عدم قطعیت مواجه هستیم، به این معنی که برای تعیین نوع مشتری نمی‌توان از یک عدد معین و قطعی استفاده نمود، بلکه برای افزایش دقت در این راستا بهتر است وضعیت مشتریان در یک بازه مشخص سنجیده شود. به این ترتیب طبق نظر کارشناسان و متخصصان حوزه بانکداری برای تعیین نوع مشتری، محدوده و بازه‌هایی برای مقادیر شاخص‌های مدل RFM تعیین می‌شوند. در مرحله بعد با توجه به مساله مورد بررسی و ماهیت بازه‌ای یا خاکستری بودن داده‌ها، عمل خوشه‌بندی بر مبنای اعداد خاکستری به روش خوشه‌بندی خاکستری انجام می‌گردد. پس از انجام خوشه‌بندی، اعتبار خوشه‌های به دست آمده با شاخص‌های دان²⁵ و دیویس بولدین²⁶ سنجیده شده و سپس وضعیت مشتریان در هر خوشه توصیف می‌شود. در پایان نیز طبق نتایج به دست آمده راهکارهایی جهت شناسایی مشتریان ارزشمند بانک و ارائه خدمات بهتر ارائه می‌گردد.

به این ترتیب مراحل انجام پژوهش در نمودار 1 نشان داده شده است.

نمودار 1. مراحل انجام پژوهش

4. یافته‌های پژوهش

4-1- جمع آوری داده‌های مناسب

برای انجام پژوهش حاضر از پایگاه داده مشتریان یکی از بانک‌های خصوصی شهر شیراز استفاده شد که برای هر مشتری اطلاعات کاملی را ذخیره می‌کند. تحقیق در قالب افق زماني و در بازه زماني مربوط به 1/1/1390 تا 29/12/1391 انجام شده است. برای انتخاب دادههای مناسب از مدل RFM استفاده شد که يكي از روش‌هاي متداول و پركاربردي است كه در تعيين ارزش مشتري، سه معيار تازگی، تعداد تکرار و ارزش پولی خرید را در نظر می‌گیرد ]12، 27، 28، 29[. شاخص تازگي بیان‌کننده فاصله زماني بين آخرين خريد صورت گرفته توسط مشتري تا پايان دوره خاص (پايان محدوده زماني مورد بررسي) بوده و كمتر بودن آن نشانگر بالا بودن ارزش اين شاخص در مدل است. شاخص تعداد تكرار بيانگر تعداد مبادلاتي است كه يك مشتري در يك دورة زماني خاص انجام داده و بيشتر بودن آن، نشانگر بالا بودن ارزش اين شاخص در مدل است. شاخص ارزش پولي نشان‌دهنده مقدار پولي است كه يك مشتري در يك دورة زماني خاص به منظور مبادلات، صرف نموده است و بيشتر بودن مقدار پول صرف شده، بيانگر بالا بودن ارزش اين شاخص در مدل است.

به این ترتیب در مرحله اول داده‌های مربوط به شاخص‌های مدل RFM برای انجام عملیات خوشه‌بندی و اطلاعات مربوط به مشتریان برای تحلیل خوشه‌ها جمع‌آوری گردید که محدوده تغییرات آن‌ها در جدول 1 ذکر شده است. با توجه اینکه شاخصه‌های معرفی شده در جدول 1 در پایگاه داده سایر بانک‌های دولتی و خصوصی نیز وجود دارند، امکان توسعه نتایج این تحقیق برای سایر بانک‌ها نیز وجود دارد.

جدول 1. معرفی شاخصه‌های مربوط به مشتریان و محدوده تغییرات آن‌ها

ردیف	شاخصه	محدوده تغییرات
1	شماره	از 1 تا 995
2	جنسیت	زن و مرد
3	سن	از 18 تا 79 سال
4	تحصیلات	از بی سواد تا دکتر
5	وضعیت تاهل	مجرد، متاهل و غیره
6	مالکیت خودرو	مالک و غیرمالک
7	تازگی مبادله	از 2 تا 659 روز
8	تعداد مبادله	از 2 تا 23 بار
9	ارزش پولی مبادله	از 144000 تا 2424000 تومان

4-2- آماده‌سازی داده‌ها

در مرحله آماده‌سازی، داده‌ها پیش‌پردازش شدند تا برای استفاده در چارچوب باشند. آماده‌سازی داده‌ها شامل عملیاتی چون پاکسازی، حذف رکوردهای با تعداد زیادی داده مفقودی، تبدیل ویژگی‌ها، نرمال‌سازی، گسسته‌سازی، حذف داده‌های پرت، ایجاد ویژگی‌های جدید و .... می‌باشد.

در مرحله آماده‌سازی داده‌ها با استفاده از نظر خبرگان، متغیرهایی که تاثیری بر خوشه‌بندی ندارند، مانند اطلاعات خصوصی مشتریان شامل نام، نام خانوادگی، کد ملی و .... از داده‌ها حذف شدند، همچنین برای بهبود کیفیت داده‌ها، داده‌های مفقود از پایگاه داده حذف گردید و برخی از تبدیلات ویژگی‌ها برای استخراج ویژگی‌های مناسب از روی داده‌های موجود انجام شد. به طور مثال سن مشتری از روی ویژگی تاریخ تولد محاسبه گردید. پس از آماده‌سازی داده‌ها و حذف داده‌های دارای فیلدهای مفقودی، اطلاعات 995 مشتری باقی ماند.

4-3- معرفی محدوده بازه‌های شاخص‌های مدل RFM

با در نظر گرفتن ماهیت بازه‌ای بودن داده‌های مربوط به شاخص‌های مدل RFM و با توجه به اینکه نمی‌توان تعریف صریح و دقیقی برای مشتری خوب، متوسط و معمولی بانک ارائه نمود، در این پژوهش از روش خوشه‌بندی خاکستری برای بخش‌بندی مشتریان استفاده شد. برای این منظور ابتدا محدوده و بازه شاخص‌های مدل RFM برای مشتریان خوب، معمولی و بد تعیین شد. از آنجا که بیشترین و کمترین مقدار هر کدام از شاخص‌ها در انباره داده موجود است، طبق نظرات خبرگان و کارشناسان بانکداری با بیش از 9 سال سابقه در این زمینه، حدود بازه‌های مربوط به نوع مشتریان خوب، معمولی و بد تعیین گردید. لازم به ذکر است که شاخص تازگی مبادله شاخصی منفی است و هرچه مقدار این شاخص کمتر باشد، به این معنی است که مشتری به تازگی به بانک مراجعه نموده و مشتری بهتری است. شاخص‌های تعداد مبادله و ارزش پولی مبادله شاخص‌های مثبتی هستند که مقدار بیشتر آن‌ها به معنای بهتر بودن مشتری برای بانک است. با در نظر گرفتن نوع شاخص‌های مدل RFM و مشورت با کارشناسان و خبرگان حوزه بانکداری، بازه‌های مورد نظر برای اعمال روش خوشه‌بندی خاکستری تعیین شدند که به شرح جدول 2 می‌باشند.

جدول 2. معرفی محدوده مقادیر شاخص‌های مدل RFM برای گروه‌های مختلف مشتریان

نوع مشتری	تازگی مبادله (R)	تعداد مبادله (F)	ارزش پولی مبادله (M)
خوب	]221 ، 2[	] 23 ، 16[	]2424000 ، 1664000[
معمولی	(440 ، 221[	(16 ، 9[	(1664000 ، 904000[
بد	(659 ، 440[	(9 ، 2[	(904000 ، 144000[

4-4- خوشه‌بندی داده‌ها با روش خوشه‌بندی خاکستری

داده‌کاوی فرایند کشف رابطه‌ها، الگوها و روندهای معنی‌داری است که به بررسی حجم عظیمی از اطلاعات ذخیره شده در پایگاه داده‌ها با فناوری تشخیص الگو می‌پردازد و یکی از کاربردهای آن خوشه‌بندی است. خوشه‌بندی افراز يك مجموعه داده به خوشه‌ها است به نحوي كه شباهت اعضاي يك خوشه به یکديگر بيشتر از شباهت آن‌ها به اعضاي خوشه‌هاي ديگر باشد ]30[. در چرخه مدیریت ارتباط با مشتری، می‌توان خوشه‌بندی و بخش‌بندی مشتریان و تجزیه و تحلیل رفتار آن‌ها را عنصر اساسی در گام شناسایی مشتری نام برد.

خوشه‌بندی خاکستری (GCA) یکی از روش‌های بخش‌بندی و دسته‌بندی آیتم‌هاست ]23[ که برای غلبه بر مشکلات موجود در داده‌های غیر قطعی که اطلاعات آن‌ها ناکامل و ناقص می‌باشند، معرفی و به کار گرفته شد. این روش کاربردهای زیادی دارد ]26، 31، 32، 33[ که در این پژوهش برای شناسایی و ارزیابی رفتار مشتریان بانک از آن استفاده شد. لازم به ذکر است که در روش خوشه‌بندی خاکستری از قوانین حاکم بر اعداد خاکستری بهره گرفته می‌شود.

عدد خاکستری عددی با اطلاعات نامطمئن است که مقدار دقیق آن نامشخص اما محدوده مقادیر آن مشخص بوده و به صورت بازه‌ای نشان داده می‌شود ]34[.

اگر و دو عدد خاکستری باشند چهار عملگر اصلی بین آن‌ها را می‌توان به این صورت تعریف نمود ]35[.

همچنین اگر عدد ثابتی باشد آنگاه:

اگرچه عملگرهای فوق کاربردهای زیادی دارند، می‌توان نشان داد که عملگرهای بهتری نیز وجود دارند ]36[. یک عدد خاکستری می‌تواند به صورت نیز نشان داده شود که نقطه میانی²⁷ و عرض²⁸ آن می‌باشد.

فرض کنید و دو عدد خاکستری باشند. در این صورت چهار عملگر اصلی را می‌توان به صورت زیر تعریف نمود:

که در آن:

عملگرهای جدید عدم قطعیت کمتری را نسبت به عملگرهای اولیه نشان داده و برای مقایسه دو عدد خاکستری نیز به کار می‌روند. روش‌های متعددی برای مقایسه اعداد خاکستری وجود دارد ]37[ اما در این پژوهش از تعریف هو و وانگ ]38[ استفاده شد. بر این اساس برای مقایسه دو عدد خاکستری A و B داریم اگر یا با شرط. با این تعریف نقطه میانی بازه‌ها، برای مقایسه آن‌ها استفاده می‌شود و در صورت مساوی بودن نقاط میانی، از عرض بازه‌ها استفاده می‌شود.

برای استفاده از روش خوشه‌بندی خاکستری، ماتریس خاکستری اولیه (D) که در مرحله قبل تشکیل شد، به صورت زیر نشان داده شد.

فرض می‌شود l معیار خوشه‌بندی وجود داشته باشد که kامین آن‌ها برای شاخص jام برابر باشد. ارزش این معیار برابر است که و از رابطه زیر محاسبه شد.

به این ترتیب تابع خوشه‌بندی خاکستری که jامین شاخص خوشه‌بندی را به kامین معیار خوشه‌بندی نگاشت می‌کند، محاسبه شد که در نمودارهای 2 تا 4 نشان داده شده‌اند.

نمودار 2. تابع خوشه‌بندی شاخص تازگی مبادله (R)

نمودار 3. تابع خوشه‌بندی شاخص تعداد مبادله (F)

نمودار 4. تابع خوشه‌بندی شاخص ارزش پولی مبادله (M)

می‌توان ضابطه توابع خوشه‌بندی را نیز محاسبه نمود که به عنوان نمونه ضابطه مشتریان خوب از نظر تازگی خرید به شرح زیر می‌باشد.

پس از آن وزن شاخص kام برای jامین معیار () به صورت زیر محاسبه شد:

این مقادیر در جدول 3 نشان داده شده‌اند.

جدول 3. وزن‌های خوشه‌بندی

نوع مشتری	تازگی مبادله (R)	تعداد مبادله (F)	ارزش پولی مبادله (M)
خوب	]1724/0 ، 0589/0[	]6047/0، 4561/0[	]6228/0 ، 4622/0[
معمولی	]3995/0 ، 2860/0[	]3876/0 ، 2924/0[	]3912/0 ، 2904/0[
بد	]6642/0 ، 4754/0[	]1972/0 ، 1020/0[	]1895/0 ، 0886/0[

در اقدام بعدی ضرائب خوشه‌بندی که نشان‌دهنده درجه تعلق گزینه i به کلاس k می‌باشند، محاسبه شدند.

بردار ، درجه تعلق گزینه iام به هر کلاس را نشان می‌دهد. اگر وجود داشته باشد به طوری که

آنگاه مورد iام به کلاس خوشه‌بندی اختصاص داده می‌شود ]33، 39[. به این ترتیب می‌توان درجه تعلق تک تک مشتری‌ها را به خوشه مشتریان خوب، معمولی و بد محاسبه نمود.

به عنوان مثال برای یک مشتری با مشخصات R، F و M به ترتیب برابر با 229، 10و 1313000 درجه عضویت به خوشه مشتریان خوب برابر با ، برای خوشه مشتریان معمولی برابر با و برای خوشه مشتریان بد برابر است با.

با توجه به این که:

لذا این مشتری متعلق به خوشه مشتریان معمولی است.

4-5- بررسي و اندازه‌گيري اعتبار خوشه‌ها

نتايج حاصل از اعمال الگوريتم‌هاي خوشه‌بندي روي يک مجموعه داده با توجه به انتخاب‌ پارامترهاي الگوريتم‌ها مي‌توانند بسيار متفاوت از يکديگر باشند. در این پژوهش برای اعتبارسنجی روش خوشه‌بندی خاکستری از دو شاخص دان و ديويس بولدين استفاده شد. با توجه به ماهیت خاکسـتری بودن داده‌ها، مقادیر دو شاخـص با اعمال قوانین

مقادیر شاخص‌های دان و دیویس بولدین برای تعداد خوشه‌های 2 به بعد محاسبه شده‌اند، از آنجا که از تکرار 12 به بعد تغییر محسوسی در شاخص‌ها مشاهده نشد لذا عملیات را تا تکرار 12 انجام دادیم. بهترین مقدار برای شاخص دان در تعداد خوشه 3 و 4 و برای شاخص دیویس بولدین در تعداد خوشه 2 و 3 می‌باشد؛ لذا بهترین تعداد خوشه ها برابر 3 است.

اعداد خاکستری محاسبه شدند که برای تعداد خوشه‌های متفاوت در جدول 4 ذکر شده‌اند.

جدول 4. مقادیر شاخص‌های دان و دیویس بولدین برای تعداد خوشه‌های متفاوت

بهترین تعداد خوشه ها برابر 3 است.

4-6 بررسی وضعیت مشتریان هر خوشه

پس از به‌کارگیری روش خوشه‌بندی خاکستری، هر یک از مشتریان در یکی از خوشه‌ها قرار گرفتند. ویژگی‌های مشتریان هر خوشه به تفکیک در جدول 5 نشان داده شده است.

جدول 5. ویژگی‌های خوشه‌های مشتریان

بر اسـاس يافـته‌هاي تحقـيق مشتريان بانک مذکور به سـه خوشه مشتریان خوب، معمولی و بد تفكيك شدند. طبق جدول 5 مشتريان خوب که داراي بيشترين ارزش و اهمـیت براي بانک هستند، حدودا 31 درصد از کل مشتریان بانک را تشکیل می‌دهند (یعنی کمتر از نصف مشتریان)، میانگین سنی آن‌ها تقریبا 68 سال و بیشتر از سایر خوشه‌ها است، عمدتا متاهل، دارای تحصیلات لیسانس و تا حدودی دکترا و دارای خودرو می‌باشند. مشتریان معمولی تقریبا 36 درصد از کل مشتریان این بانک را تشکیل می‌دهند، میانگین سنی آن‌ها تقریبا 28 سال و کمتر از سایر خوشه‌ها است، بیشتر آن‌ها متاهل و دارای تحصیلات لیسانس بوده و تقریبا نیمی از آن‌ها دارای خودرو می‌باشند. مشتریان بد كه كمترين ارزش را براي بانک دارند، نیز تقریبا 33 درصد از کل مشتریان را شامل می‌شوند که میانگین سنی آن‌ها تقریبا 49 سال است، بیشتر مرد و متاهل هستند، اکثر آن‌ها نیز صاحب خودرو می‌باشند.

با این تفکیک و با در نظر گرفتن ویژگی‌های مشتریان هر خوشه، بانک بايد در جهت حفظ مشتريان خوب و با ارزش خود تلاش بسياري نمايد و اهميت ویژه‌اي براي مشتریان اين خوشه قائل شود. لذا پيشنهاد مي‌گردد كه به منظور حفظ اين مشتريان، شركت با برقراري ارتباطات و تعاملات بيشتر با آن‌ها، سعي در وفادار نمودن اين مشتريان نمايد. به اين دليل كه مشتريان بد داراي كم‌ترين ارزش برای بانک هستند، لذا بهتر است كه مطالعه دقيق‌تري پيرامون علل كم بودن مقادير هر يك از شاخص‌هاي RFM در اين مشتريان انجام گيرد. در این زمینه بانک بايد با برقراري ارتباطات و تعاملات سازنده از طريق تماس‌هاي تلفني، ارسال ايميل، پيامك و غيره دليل ايجاد شكاف و فاصله در روند خريد مشتريان را جويا شده و در جهت رفع آن برآيد، همچنین مي‌تواند با در نظر گرفتن تخفيف‌هاي حجمي ويژه در راستاي ارتقاي سطح شاخص‌هاي RFM مشتریان این خوشه گام بردارد و از رويگرداني‌هاي بعدي مشتريان جديد خود بكاهد. مشتریان معمولی نیز مشتریانی هستند که باید حفظ شوند و با اتخاذ استراتژی‌هایی متناسب با ویژگی‌هایشان، به مرور زمان به مشتریان خوب تبدیل شوند. لذا بانک با اتخاذ تصمیماتی باید مانع ورود این مشتریان به خوشه مشتریان بد شود.

به این ترتیب با شناسایی مشتریان می‌توان در جهت تعیین استراتژی‌های جذب، حفظ و وفادار نمودن هر چه بیشتر مشتریان خوب که ارزش و اهمیت بیشتری دارند گام برداشت.

5. نتیجه‌گیری و پیشنهادها

رقابت گسترده بانک‌ها در جهت حفظ مشتریان فعلی، جذب مشتریان جدید و وفادار نمودن آن‌ها، این موسسات را بر آن می‌دارد که به شناسایی مشتریان خود با توجه به ارزشی که برای آن‌ها دارند بپردازند. یکی از تکنیک‌های شناسایی مشتریان به‌کارگیری روش‌های خوشه‌بندی است که با استفاده از آن مشتریانی که دارای ویژگی‌های مشابه هستند، در یک خوشه قرار می‌گیرند و مشتریان هر خوشه ویژگی‌های متفاوتی از مشتریان سایر خوشه‌ها دارند. در این پژوهش به خوشه‌بندی مشتریان یکی از بانک‌های خصوصی شهر شیراز پرداخته شد، داده‌های مورد استفاده از انباره داده بانک استخراج و پیش‌پردازش شدند که به دلیل گستردگی دامنه تغییرات آن‌ها دارای عدم قطعیت می‌باشند. از آنجا که در هر علم و حوزه‌ای همواره عدم قطعیت وجود دارد، لذا افراد و سازمان‌ها همواره به دنبال روش‌هایی برای کاهش یا حذف ابهامات موجود بوده‌اند و اعداد خاکستری مفهومی است که در این زمینه کاربردهای فراوانی داشته است. در اين تحقيق، به منظور بخش‌بندي مشتريان با استفاده از مدل RFMدر شرایط عدم قطعیت، از روش خوشه‌بندی خاکستری در قالب فرايندي خاص، بهره گرفته شد. عمده‌ترین ویژگی این پژوهش استفاده از اعداد خاکستری در کنار مدل RFM است که باعث از بین بردن تاثیر عدم قطعیت در بخش‌بندی و کارایی بیشتر این مدل می‌شود. در ادامه نتایج شاخص‌های اعتبارسنجی دان و دیویس بولدین که بیان‌کننده تراکم خوشه‌بندی هستند، با سایر پژوهش‌هایی که در آن برای اعتبارسنجی از این شاخص‌ها در حالت قطعیت استفاده شده است، مانند پژوهش سیدحسینی، غلامیان و ملکی (2011) مقایسه و مشاهده شد که در روش مبتنی بر اعداد خاکستری خطای خوشه‌بندی به طور قابل ملاحظه‌ای کاهش یافته است.

6. منابع

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], <http:// www. pucsp.br/icim/ingles/downloads/pdf_procceeding_2008/66. pdf >.

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 novel

approach in uncertain programming part I: new arithmetic and order relation for interval numbers. Journal of Industrial and Management Optimization, 2(4), 351.‏

[1] . Customer Relationship Management

[2] . Data Mining

[3] . Clustering

[4] . Uncertainty

[5] Nite

[6] . Grey Number

[7] Fuzzy Number

[8] . Recency, Frequency, Monetary (RFM)

[9] . Recency (R)

[10] . Frequency (F)

[11] . Monetary (M)

[12] . Hsieh

[13] . Liua & Shih

[14] K-Means

[15] . Hu & Jing

[16] . Wu, Chang & Lo

[17] . Cheng & Chen

[18] . Li, Dai & Tseng

[19] Wei

[20] . Grey Clustering Approach

[21] . Wen & Huang

[22] . Lee, Lin & Hsiao

[23] . Wen

[24] . Lin, Wub & Huang

[25] . Dunn Index

[26] . Davies Bouldin Index

[27] . Mid-Point

[28] . Half-Width

Links

Related Centers

Technical Support

Official pages

Share To

Article Url

Provide a method for customer segmentation using the RFM model in conditions of uncertainty

Rimag