| تعاملات مشتریان |
| پروفایل مشتریان |
| مدل 3 |
| رتبه‌بندی بخش‌ها |
| ارزیابی و مقایسه مدل‌ها |
| داده‌های جمعیت‌شناختی |
| WRFM |
| مدل 2 |
| مدل 1 |
| پروفایل بخش‌ها |
شکل 1-1 متدولوژی تحقیق
در مدل اول از این متدولوژی، ابتدا بخشبندی را بر اساس داده‌های جمعیت‌شناختی از پروفایل مشتریان با استفاده از شبکه عصبی خود سازمانده انجام می‌دهیم، سپس به بخشبندی دوباره هر کدام از بخش‌های نتیجه گرفته شده از مرحله اول بر اساس داده‌های معاملاتی (RFM وزن‌دار شده) بنا بر الگوریتم K میانگین می‌پردازیم در این روش K بهینه را در هر خوشه با روش دیویس بولدین به دست می‌آوریم و در نهایت بخش‌های بدست آمده را بر اساس ارزششان رتبه‌بندی می‌کنیم. که در شکل 1-2 نشان داده شده است.
| تعاملات مشتریان |
| پروفایل مشتریان |
| داده‌های جمعیت‌شناختی |
| بخشبندی با الگوریتم SOM |
| بخشبندی هر خوشه با الگوریتم K میانگین |
| WRFM |
| تعیین مقدار بهینه K برای هر خوشه بنا بر شاخص Davies Bouldin |
| تعیین وزن نسبی RFM بنا به الگوریتم AHP |
شکل 1-2 اولین مدل توسعه داده شده جهت بخش بندی مشتریان بر اساس ارزش آنها
در مدل دوم از این متدولوژی، ابتدا مشتریان را بر اساس داده‌های معاملاتی (RFM وزن‌دار) با استفاده از الگوریتم K میانگین بخشبندی می‌نماییم، در این روش مقدار K بهینه از قبل توسط شاخص دیویس بولدین تعیین می‌شود. سپس هر بخش به دست آمده از مرحله اول را بر اساس داده‌های جمعیت‌شناختی با استفاده از شبکه عصبی خود سازمانده دوباره بخشبندی می‌نماییم و در نهایت بخش‌های بدست آمده را بر اساس ارزششان رتبه‌بندی می‌کنیم. که در شکل 1-3 نشان داده شده است.
| تعاملات مشتریان |
| پروفایل مشتریان |
| داده‌های جمعیت‌شناختی |
| WRFM |
| بخشبندی با الگوریتم K میانگین |
| بخشبندی هر خوشه با الگوریتم SOM |
| تعیین مقدار بهینه K بنا بر شاخص Davies Bouldin |
| تعیین وزن نسبی RFM بنا به الگوریتم AHP |
شکل 1‑3 دومین مدل توسعه داده شده جهت بخش بندی مشتریان بر اساس ارزش آنها
در مدل سوم از این متدولوژی، ابتدا مشتریان را با استفاده از شبکه عصبی خود سازمانده، بر اساس متغیرهای جمعیت‌شناختی و متغیرهای تراکنشی (RFM وزن‌دار) بخشبندی نموده سپس از تعداد خوشه‌ی بدست آمده (k) و مراکز خوشه‌ها به عنوان ورودی روش K میانگین برای بخشبندی دوباره مشتریان بر اساس متغیرهای جمعیت‌شناختی و تراکنشی استفاده می‌نماییم و در نهایت بخش‌های بدست آمده را بر اساس ارزششان رتبه‌بندی می‌کنیم. که در شکل 1-4 نشان داده شده است.
| تعاملات مشتریان |
| پروفایل مشتریان |
| داده‌های جمعیت‌شناختی |
| WRFM |
| بخشبندی با الگوریتم SOM |
| بخشبندی با الگوریتم K میانگین |
| K خوشه و ها مراکز خوشه‌ها |
| تعیین وزن نسبی RFM بنا به الگوریتم AHP |
شکل 1-4 سومین مدل توسعه داده شده جهت بخش بندی مشتریان بر اساس ارزش آنها
1-4 سوالات تحقیق
در این تحقیق علاوه بر طراحی مدل به سوالات زیر پاسخ داده می‌شود:
– ارزش مشتریان بر اساس این مدل‌ها به چند بخش تقسیم می‌شود؟
– هر بخش از مشتریان دارای چه ویژگی‌هایی هستند؟
– کدام یک از مدل‌ها در مرکز اپل ایران کارایی بهتری را از خود نشان می‌دهد؟
1-5 روش و ابزار انجام تحقیق
متغیرهای ورودی مورد استفاده در بخشبندی، مرحلهای از فرایند مدیریت ارتباط با مشتری[6] که بر آن تاکید می‌شود را نشان می‌دهد. متغیرهای جمعیتشناسی و متغیرهای تراکنشی (RFM) شایعترین متغیرهای ورودی مورد استفاده در ادبیات برای خوشه‌بندی مشتریان است. متغیرهای جمعیتشناسی که با تمام مراحل مدیریت ارتباط با مشتری در ارتباط هستند، نقششان در جذب مشتری اهمیت بیشتری دارد. از سوی دیگر، RFM اغلب در حفظ مشتری و توسعه آنها استفاده می‌شود. در این مطالعه هدفمان استفاده ترکیبی از این دو متغیر ورودی و تغییر ترتیب ورودشان برای بخشبندی مشتریان با استفاده از تکنیکهای داده‌کاوی شناخته شدهی K میانگین و شبکه عصبی نگاشت خود سازمانده است.
فرم در حال بارگذاری ...