مقاله: پژوهشی
صفحه: 393- 377
نویسندگان:
جعفر جانعمویی[1]، فاطمه دکامینی[2]
[1] . دانش آموخته DBA مدرسه عالی کسب و کار ماهان، تهران، ایران (adnan.elec@gmail.com)
[2] عضو هیات علمی مدرسه عالی کسب و کار ماهان (f.dekamini@mahanbs.net)
چکیده
در چند سال اخیر، با توسعه یادگیری ماشین و فناوری داده کاوی، داده‌های مشتریان به عنصری حیاتی در فرآیند تولید شرکت‌ها تبدیل شده‌اند. با استفاده از رویکردهای داده کاوی بر روی داده‌های مشتریان، سازمان‌ها می‌توانند الگوهای رفتاری مشتریان، نیازها و ارتباطات پنهان داده‌ها را درک کرده و بر اساس این الگوها بهبودی یافته در خدمات به مشتریان و بهینه‌سازی منابع خود داشته باشند. یکی از تکنیک‌های مورد استفاده در این راستا، خوشه‌بندی است که برای گروه‌بندی مشتریان بر اساس ویژگی‌های مختلف آن‌ها به کار می‌رود. هدف اصلی این تحقیق، خوشه‌بندی مشتریان بر اساس شاخص‌های LRFM و در نهایت پیش‌بینی رفتار خرید آن‌ها با استفاده از تکنیک‌های طبقه‌بندی درخت تصمیم (DTC)، پرسپترون چندلایه (MLP) و ماشین بردار پشتیبان (SVM) بود. این مطالعه بر روی تراکنش‌های مشتریان در سامانه پلیس10+ یک دفتر در تهران در بازه زمانی 1401 تا 1403 انجام شده است. هر تراکنش به یک مشتری نسبت داده می‌شود و مدل‌سازی می‌شود تا رفتار خرید مشتری را مدل کند. با انجام خوشه‌بندی با استفاده از الگوریتم K-means و تعیین مقدار بهینه K، سه خوشه برای مشتریان مشخص شد. همچنین، آزمایش و بررسی طبقه‌بندی‌کننده‌ها نشان داد که طبقه‌بندی‌کننده MLP با یک لایه پنهان و 8 نورون در این لایه بیشترین دقت را دارد و طبقه‌بندی‌کننده DTC بیشترین سرعت را در میان طبقه‌بندی‌کننده‌های مورد بررسی دارد. بررسی رفتار مشتریان در این خوشه‌ها نشان داد که مشتریان به سه دسته وفادار، بالقوه و از دست رفته تقسیم می‌شوند.
کلمات کلیدی:
رفتار خرید مشتری، LRFM، پرسپترون چندلایه، ماشین بردار پشتیبان، درخت تصمیمگیری.
Jafar Janamoui[1], Fatemeh Dekamini[2]
[1] . DBA graduate of Mahan Business School, Tehran, Iran (adnan.elec@gmail.com)
[2] Faculty member of Mahan Business School (f.dekamini@mahanbs.net)
abstract
In recent years, with the development of machine learning and data mining technology, customer data has become a vital element in the production process of companies. By using data mining approaches on customer data, organizations can understand customer behavioral patterns, needs, and hidden data relationships and, based on these patterns, improve customer service and optimize their resources. One of the techniques used in this regard is clustering, which is used to group customers based on their various characteristics. The main objective of this research was to cluster customers based on LRFM indicators and ultimately predict their purchasing behavior using decision tree classification (DTC), multilayer perceptron (MLP), and support vector machine (SVM) techniques. This study was conducted on customer transactions in the Police10+ system of an office in Tehran during the period 1401 to 1403. Each transaction is attributed to a customer and modeled to model the customer’s purchasing behavior. By performing clustering using the K-means algorithm and determining the optimal value of K, three clusters were identified for customers. Also, testing and examining the classifiers showed that the MLP classifier with one hidden layer and 8 neurons in this layer has the highest accuracy and the DTC classifier has the fastest speed among the classifiers studied. Examining the customer behavior in these clusters showed that customers are divided into three categories: loyal, potential, and lost.
Keywords:
Customer buying behavior, LRFM, multilayer perceptron, support vector machine, decision tree.
