خوشه بندی مشتریان بر اساس مدل rfm و با استفاده از الگوریتم فراکتال

از مهمترین ابعاد مدیریت ارتباط با مشتری، کشف الگوی رفتاری خرید مشتری است. سازمان می ‌تواند با تعریف استراتژی‌های بازاریابی دقیق ‌تر جهت جذب مشتریان مشابه اقدام کند. در دنیای رقابتی امروز، شناخت دقیق مشتریان و توانایی پاسخگویی به نیازهای آن‌ها برای موفقیت سازمان‌ها حیاتی است. با پیشرفت‌های اخیر در حوزه داده‌کاوی و تحلیل داده‌های بزرگ، سازمان‌ها اکنون قادر به استفاده از روش‌های پیچیده‌تری برای تقسیم‌بندی مشتریان و درک بهتر رفتار آن‌ها هستند. مدل تازگی، فراوانی و مالی (rfm) به عنوان یکی از مدل‌های مطرح در این زمینه، امکان تقسیم‌بندی مشتریان بر اساس ارزش آن‌ها برای سازمان را فراهم می‌آورد. در این پایان نامه، یک طرح تقسیم‌بندی مشتریان با استفاده از خوشه‌بندی فراکتال و روش بهینه‌سازی avoaga که ترکیبی از دو روش بهینه‌سازی کرکس آفریقایی و روش ژنتیک است ارائه شده است. شبیه سازی طرح پیشنهادی در محیط پایتون و با استفاده از مجموعه داده‌های استاندارد حاوی rfm مشتریان انجام شد. بر اساس نتایج بدست آمده از شبیه سازی، طرح پیشنهادی در هر دو شاخص پیمانگی و پراکندگی نسبت به طرح پایه بهبود یافته است.

customer clustering based on rfm model and using fractal algorithm

one of the most important aspects of customer relationship management is discovering the customer’s purchasing behavior pattern. the organization can act by defining more precise marketing strategies to attract similar customers. in today’s competitive world, accurate knowledge of customers and the ability to respond to their needs is critical to the success of organizations. with recent advances in data mining and big data analysis, organizations are now able to use more sophisticated methods to segment customers and better understand their behavior. the novelty, frequency and financial model (rfm) as one of the prominent models in this field, provides the possibility of dividing customers based on their value for the organization. in this thesis, a customer segmentation scheme is presented using fractal clustering and avoaga optimization method, which is a combination of two optimization methods, african vulture and genetic method. the simulation of the proposed design was done in the python environment and using the standard data set containing rfm of customers. based on the results obtained from the simulation, the proposed design is improved in both compactness and dispersion indices compared to the basic design.