کاوش الگوهای پویایی مشتریان در سطوح مختلف ارزشی با استفاده از کاوش الگوهای دنباله‌ای و تحلیل کلان‌داده

مشتریان در مرکز هر کسب وکاری قرار دارند. در حقیقت آنها قلب تپنده ی هر کسب وکاری هستند که جریان های درآمدی از طریق آنها وارد کسب وکار شده و باعث جذب مشتریان جد ید می شوند. به دلیل عوامل مختلفی، رفتار مشتریان غالباً پیچیده و نامشخص بوده و با گذشت زمان تغییر می کند. بنابراین درچنین شر ایطی لازم است ماهیت پویای مشتری جهت تحلیل رفتار مشتری و ارائه استراتژ یهای مناسب در نظر گرفته شود. دانش و پیش بینی های بدست آمده با استفاده از مدل های ایستا فقط در یک دوره ی خاص زمانی معتبر هستند و نمی توانند ماهیت پیچیده و نامشخص رفتار مشتری را توصیف کنند. بنابراین مدلسازی پویایی مشتری از اهمیت بسیار بالایی برخوردار است. در این راستا، پژوهش حاضر با استفاده از داده های در طول زمان مشتریان بانک با هدف مدلسازی پویایی مشتری و کشف الگوهای غالب پویایی مشتریان در سطوح مختلف ارزشی با بکارگیری روش های کاوش الگوهای دنبال های و تحلیل کلان داده انجام شده است. در این روش برای کاوش الگوهای دنباله ای از الگوریتم prefixspan با حداقل مقدار پشتیبان 20 % بر بستر خوشه ی پردازشی اسپارک استفاده شده است. تعداد 443 الگو به دست آمد که برای تفسیر بهتر نتایج به دست آمده، 41 الگوی بیشین استخراج شده است. از نتایج این روش به دلیل ویژگی تفسیرپذیری الگوهای دنباله ای، می توان به منظور طراحیبرنامه های تشویقی، پشتیبانی از مشتریان در حال رشد مالی، ارائه خدمات ویژه به مشتریان ارزشمند وآموزش و پشتیبانی مالی استفاده کرد. ارائه خدمات متناسب با نیازهای مشتریان می تواند سبب جذب منابع مالی و مشتریان جدید برای کسب وکارها شود.

pattern mining of customer dynamics through different customer value states by using sequence pattern mining and big data analytics

customers are situated at the center of every business. in fact, they are the pulsating heart of any enterprise, through which revenue streams flow and new customers are attracted. due to various factors, customer behavior is often complex and uncertain, evolving over time. therefore, in such circumstances, it is necessary to consider the dynamic nature of customers for analyzing their behavior and devising appropriate strategies. knowledge and predictions derived from static models are only valid for a specific period and cannot describe the complex and uncertain nature of customer behavior.the aim of this study is to discover dominant patterns of customer dynamics across different value tiers using sequential pattern mining and big data analytics. this research is conducted using customer data from a bank over time. the study focuses on modeling customer dynamics using sequential pattern mining. this approach, by utilizing sequential pattern mining, can assist businesses in planning and improving customer relationship management processes.