اولویت بندی مشتریان با استفاده از تکنیک خوشه بندی (مطالعه موردی: حمل و نقل ریلی مسافری)

امروزه در بحث مدیریت ارتباط با مشتری مراودات شرکت ها با مشتریان خود بطور قابل توجهی تغییر کرده است. تحلیل رفتار مشتریان مختلف و اختصاص صحیح منابع به آن ها به نسبت ارزشی که در سیستم‌ها خلق میکنند، یکی از چالش های مهم در حوزه مدیریت ارتباط با مشتری می باشد. هدف از این تحقیق ارائه الگوی مناسبی جهت بخش بندی مشتریان متناسب با ارزش آفرینی آن‌ها می باشد. در فرآیند پیشنهادی این تحقیق که در یک شرکت حمل و نقل ریلی مسافری اجرا گردیده است، داده‌های مربوط به به کلیه مسافران و مشتریان شرکت در بازه‌ زمانی 4 ساله؛ از ابتدای سال 1397 تا انتهای سال 1400 دریافت و پس از تعیین مقادیر شاخص‌های مدل آر. اف. ام. (rfm)(تازگی مبادله، تعداد دفعات مبادله و ارزش پولی مبادله) مشتریان بر اساس معیارهای سه‌گانه، با استفاده از تکنیک خوشه‌بندی کامینز خوشه‌بندی می‌شوند. در ادامه با وزن‌دهی به معیارهای آر. اف. ام براساس روش بهترین- بدترین و محاسبه ارزش دوره عمر، خوشه‌های موجود اولویت‌بندی شده و مشتریان کلیدی و با ارزش شرکت تعیین شده‌اند. در نهایت نیز پیشنهاداتی جهت ایجاد بهبود در سیستم مدیریت ارتباط با مشتری تدوین شده است.

customer prioritization using clustering technique; a case study of passenger railway company

today, the interaction of companies with customers in the form of customer relationship management (crm) has changed significantly. identifying the characteristics of different customers and allocating optimal resources to them according to their value for companies has become one of the main concerns in the field of customer relationship management. the aim of this research is to provide a suitable model for customer segmentation based on their value creation. in the proposed process of this research, which has been implemented in a passenger rail transport company, the data related to all passengers and customers of the company in a period of 4 years; from the beginning of 2014 to the end of 2017, and after determining the values of the indicators of the model that is r. f. m. (recency; frequency, and monetary value) customers are clustered based on three criteria, using k-means clustering technique. next, by weighting the criteria (rfm) based on the best-worst method and calculating the lifetime value, the existing clusters are prioritized and the key and valuable customers of the company are identified. finally, suggestions for improving the customer relationship management system is presented.