بخش بندی و پیش ‌بینی رفتار مشتریان براساس مدل rfm بهبود یافته (lrfmsp)

در سال‌ های اخیر، با توسعه یادگیری ماشین و فناوری کلان داده، داده‌های کاربر به عنصر مهمی در فرآیند تولید شرکت‌ها تبدیل شده‌اند. با به کارگیری رویکردهای داده‌‏کاوی در داده‌های مشتریان، سازمان‌ها، الگوهای رفتاری مشتریان، نیازهای آن‌ها و ارتباط‌های پنهان داده‌ها را درک می‌کنند و براساس این الگوها بهتر می‌توانند در راستای برآورده ساختن نیاز مشتریان، منابع خود را به کار گیرند. خوشه‌‏بندی یکی از تکنیک‌های داده‌‏کاوی است که برای گروه‌‏بندی مشتریان متناسب با ویژگی‌های مختلف آن‌ها استفاده می‌شود. هدف اصلی این پژوهش خوشه‏ بندی مشتریان بر اساس شاخص‌های lrfmsp و در نهایت طبقه ‏بندی و پیش‌بینی رفتار خرید آن‌ها با استفاده از تکنیک‌های طبقه‏ بندی درخت تصمیم (dtc)، پرسپترون چندلایه (mlp) و ماشین بردار پشتیبان (svm) است. مطالعه‌ی صورت گرفته بر روی 387496 تراکنش مشتریان یک فروشگاه خرده‌فروشی در غرب اروپا طی بازه زمانی فوریه 2018 تا فوریه 2019 می ‏باشد. هر تراکنش منتسب به مشتری بخشی از رفتار یک فرد است که بر روی مجموعه‌ای از معاملات مدل‌سازی می‌شود تا رفتار خرید مشتری را شکل دهد. انجام خوشه‏ بندی ++k-means و تعیین k بهینه منتهی به مشخص شدن سه خوشه برای مشتریان گردید. همچنین آزمایش و بررسی طبقه‏ بندی‏ کننده‏ ها نشان داد که طبقه‏ بندی‏ کننده mlp با یک لایه پنهان و 6 نورون در این لایه بیشترین دقت و طبقه‌بندی‌کننده dtc بیشترین سرعت را در بین طبقه‏‏‌بندی‏‌‏کننده‌‏های بررسی شده خواهد داشت. بررسی رفتار مشتریان خوشه‏‌ها نشان داد که مشتریان را می‌‏توان در سه دسته وفادار، بالقوه و از دست رفته تقسیم‏‌بندی نمود.