تحلیل داده‌های شرکت‌های بازاریابی با استفاده از خوشه‌بندی k-means بهبودیافته و مدل lrfmm2

خوشه بندی به ویژه k میانگین، یکی از مهمترین روش های داده کاوی است که در شناسایی و رصد رفتار مشتریان مورد استفاده قرار می گیرد. در k میانگین کلاسیک، بهینگی وابسته به انتخاب اولیه مراکز بوده و در نتیجه، این روش، بهینه نیست. مشکلات دیگر آن تعیین تعداد خوشه ها و صفر شدن خوشه ها است. در خوشه بندی مشتری، ویژگی های رفتاری مشتری به عنوان روشی برای یافتن تعداد بهینه خوشه ها و مقادیر اولیه مراکز خوشه برای دستیابی به نتایج دقیق تر و پیش بینی طول عمر مشتریان در نظر گرفته شده است. نتایج این پژوهش رفتار مشتریان هر یک از خوشه ها را نشان می دهد و روش پیشنهادی بهبود یافته k میانگین یک بار با احتساب پارامتر m2 (میزان رضایت مشتریان) و یک بار بدون m2 با k میانگین کلاسیک مقایسه شده است. معیار اطلاعات متقابل نرمالیزه بر روی روش پیشنهادی و روش مورد مقایسه محاسبه شده و در هر دو حالت، با در نظر گرفتن یا فقدان شاخص m2، معیار اطلاعات متقابل نرمالیزه روش پیشنهادی بالاتر بوده است. همچنین شاخص رند تعدیل یافته برای حالت روش پیشنهادی با احساب پارامتر m2 بالاترین عدد را ثبت کرده است. روش پیشنهادی از نظر زمان محاسباتی نیز سریعتر از k میانگین کلاسیک بوده که نشان می دهد این روش عملکرد بهتری را از نظر سرعت و دقت عملکرد نسبت به k میانگین کلاسیک دارد.

data analysis of marketing companies using improved k-means clustering and lrfmm2 model

clustering, especially k-means, is one of the most important data mining techniques for identifying and monitoring customer behavior. in classical k-means, the optimality depends on the initial selection of the centers; therefore, it is not optimal. another problem is determining the number of clusters and making the clusters zero. customers’ behavioral characteristics are considered in customer clustering, and a method is used to find the optimal number of clusters and the initial values of cluster centers to achieve more accurate results and predict customer lifetime. the results of this research show the customer behavior of each cluster. the proposed improved k-means method has been compared with the classical k-means once including the m2 parameter (customer satisfaction level) and once without m2. the normalized mutual information (nmi) criterion was calculated on the proposed method and the compared method, and in both cases, considering or missing the m2 index, the nmi of the proposed method was higher. also, the adjusted rand index with the m2 parameter has recorded the highest number. in terms of time, it is faster than classical k-means, which shows that the proposed method has the best performance in terms of speed and performance accuracy compared to classical k-mean.