ارائه رویکردی مبتنی بر سابقه‌ خرید مشتریان و توصیه‌ی محصول به مشتری: مورد مطالعه مشتریان دیجی ‌کالا

امروزه که رقابت بین شرکت‌های بازاریابی و خرده‌فروشی‌ها در بهترین حالت خود قرار دارد، شرکت‌ها سعی می‌کنند با توجه به رویکرد تقسیم‌بندی مشتریان و توصیه محصولات مناسب برای آن‌ها، برتری خود را از دست ندهند. خرید آنلاین در بازار مجازی به سرعت در حال افزایش است و معمولاً مشتریان بر اساس نیازها و تمایلات خود تصمیم به خرید می‌گیرند. فروشندگان نقش مهمی در تاثیرگذاری بر مشتریان دارند به همین دلیل سیستم توصیه محصول بسیار حیاتی است. سیستم توصیه محصول، کاربردهای متنوعی دارد و به منظور ترغیب مشتریان به خرید محصولات دیگر نیز مورد استفاده قرار می‌گیرد. در این پژوهش، یک روش برای توصیه محصول به مشتریان ارائه شده است که با استفاده از الگوریتم خوشه‌بندی k-mean و مدل rfm به تقسیم‌بندی مشتریان و سپس توصیه محصول به آن‌ها می‌پردازد. برای اثبات عملکرد سیستم پیشنهادی، آزمایش‌هایی با استفاده از داده‌های جمع‌آوری‌شده از شرکت «دیجی‌کالا» صورت گرفت. نتایج پژوهش نشان داد که خوشه‌بندی بر اساس ویژگی‌های r،  fو m برای خوشه‌ی شماره صفر نتایج بهتری دارد. به همین دلیل، برای ترغیب مشتریان وفادار به خرید کالاهای با قیمت بالاتر، می‌توان از قیمتی که به خوشه‌ شماره صفر (مشتریان وفادار) پیشنهاد می‌شود، بهره برد و تخفیف‌های ویژه‌ای برای این مشتریان در نظر گرفت.

a customer-centric approach for recommending products: a case study of digikala

as competition among marketing companies and retailers intensifies, segmenting customers and recommending suitable products has become a critical strategy for maintaining a competitive edge. with the rapid growth of online shopping, customers often make purchasing decisions based on their needs and desires. salespeople play a crucial role in influencing customers, making a product recommendation system essential. such a system has various applications and can also encourage customers to purchase additional products. in this study, we present a method for recommending products to customers that utilizes the k-means clustering algorithm and the rfm (recency, frequency, monetary) model to segment customers and make personalized product recommendations. to evaluate the performance of the proposed system, we conducted experiments using data collected from digikala, an online shopping company. the results show that clustering based on the rfm features has better results for cluster number zero, which represents loyal customers. therefore, to encourage these customers to purchase higher-priced goods, companies can offer special discounts to cluster number zero. our approach provides a customer-centric solution for increasing sales and customer satisfaction.