اولویت بندی مشتریان با استفاده از تکنیک خوشه بندی (مطالعه موردی: حمل و نقل ریلی مسافری)

نوع مقاله : علمی - پژوهشی

نویسندگان
عماد عاشوری 1
حمیدرضا احدی 2
1 دانشجوی کارشناسی ارشد مهندسی حمل و نقل ریلی، دانشکده مهندسی راه‌آهن، دانشگاه علم و صنعت ایران، تهران، ایران
2 استادیار، عضو هیات علمی، دانشکده مهندسی راه‌آهن، دانشگاه علم و صنعت ایران، تهران، ایران
10.22119/jte.2023.385775.2657
چکیده
امروزه در بحث مدیریت ارتباط با مشتری مراودات شرکت ها با مشتریان خود بطور قابل توجهی تغییر کرده است. تحلیل رفتار مشتریان مختلف و اختصاص صحیح منابع به آن ها به نسبت ارزشی که در سیستم‌ها خلق میکنند، یکی از چالش های مهم در حوزه مدیریت ارتباط با مشتری می باشد. هدف از این تحقیق ارائه الگوی مناسبی جهت بخش بندی مشتریان متناسب با ارزش آفرینی آن‌ها می باشد. در فرآیند پیشنهادی این تحقیق که در یک شرکت حمل و نقل ریلی مسافری اجرا گردیده است، داده‌های مربوط به به کلیه مسافران و مشتریان شرکت در بازه‌ زمانی 4 ساله؛ از ابتدای سال 1397 تا انتهای سال 1400 دریافت و پس از تعیین مقادیر شاخص‌های مدل آر. اف. ام. (RFM)(تازگی مبادله، تعداد دفعات مبادله و ارزش پولی مبادله) مشتریان بر اساس معیارهای سه‌گانه، با استفاده از تکنیک خوشه‌بندی کامینز خوشه‌بندی می‌شوند. در ادامه با وزن‌دهی به معیارهای آر. اف. ام براساس روش بهترین- بدترین و محاسبه ارزش دوره عمر، خوشه‌های موجود اولویت‌بندی شده و مشتریان کلیدی و با ارزش شرکت تعیین شده‌اند. در نهایت نیز پیشنهاداتی جهت ایجاد بهبود در سیستم مدیریت ارتباط با مشتری تدوین شده است.

کلیدواژه‌ها

موضوعات

عنوان مقاله English

Customer Prioritization Using Clustering Technique; A Case Study of Passenger Railway Company

نویسندگان English

Emad Ashouri 1
Hamid Reza Ahadi 2
1 M.Sc., Department of Railway Transportation Engineering, School of Railway Engineering, Iran University of Science and Technology, Tehran, Iran
2 Assistant Professor, Department of Railway Transportation Engineering, School of Railway Engineering, Iran University of Science and Technology, Tehran, Iran
چکیده English

Today, the interaction of companies with customers in the form of customer relationship management (CRM) has changed significantly. Identifying the characteristics of different customers and allocating optimal resources to them according to their value for companies has become one of the main concerns in the field of customer relationship management. The aim of this research is to provide a suitable model for customer segmentation based on their value creation. In the proposed process of this research, which has been implemented in a passenger rail transport company, the data related to all passengers and customers of the company in a period of 4 years; From the beginning of 2014 to the end of 2017, and after determining the values of the indicators of the model that is R. F. M. (Recency; Frequency, and Monetary value) customers are clustered based on three criteria, using K-means clustering technique. Next, by weighting the criteria (RFM) based on the best-worst method and calculating the lifetime value, the existing clusters are prioritized and the key and valuable customers of the company are identified. Finally, suggestions for improving the Customer Relationship Management system is presented.

کلیدواژه‌ها English

Customer relationship
RFM
prioritization
best worst
clustering
-  کفاش پور، آذر، توکلی، احمد ، علیزاده زوارم، علی. (1391) بخش‌بندی مشتریان بر اساس ارزش دوره عمر آنها با استفاده از داده کاوی بر مینای مدل آر.اف.ام (RFM)، پژوهش های مدیریت عمومی5(15), 63-8
 
- آذری، امین،1397،اهمیت مدیریت ارتباط با مشتری (CRM) و تاثیر آن در چگونگی رشد شرکت ها،کنفرانس بین المللی مطالعات بین رشته ای در مدیریت و مهندسی،تهران.
 
- موسوی نسب، سید محمد صادق، فرضیه؛ کجا لازم است؟ عیار پژوهش در علوم انسانی 6/پاییز و زمستان 1390.
 
- شکوهیار, سجاد, رضائیان, علی, بروفر, امیر. (1400). شناسائی الگوی رفتاری مشتریان در بیمه عمر و تشکیل سرمایه با استفاده از تکنیکهای داده کاوی. پژوهش های مدیریت در ایران, 20(4), 65-94.
 
- ملکی مین باش رزگاه, مرتضی, زارعی, عظیم, حاجیلو, زاهده. (1395). شناسایی و اولویت‏‏بندی مشتریان کلیدی بر مبنای ارزش دورۀ عمر آنها با استفاده از مدل آر. اف. ام. (مطالعۀ موردی: شرکت مخابرات استان قم). مدیریت بازرگانی, 8(2), 461-478.
 
- کفاش پور، آذر، توکلی، احمد ، علیزاده زوارم، علی؛ بخش‌بندی مشتریان بر اساس ارزش دوره عمر آنها با استفاده از داده کاوی بر مینای مدل آر.اف.ام (RFM)، پژوهش های مدیریت عمومی5(15), 63-8
 
- مسعود یقینی، فائزه غفرانی، سمیه ملا، مهدی عامره، بهاره جوانبخت، (1393) تحلیل داده های خرابی تجهیزات علائم در راه آهن ایران با استفاده از تکنیک های داده کاوی، پژوهشنامه حمل و نقل، 11(4).
 
- شهرابی، جمال، کتاب داده کاوی، موسسه پژوهشی داده پردازان گیتا و جهاد دانشگاهی واحد صنعتی امیر کبیر، چاپ اول، سال 1386.
 
- بینا، محمدامین و سلطانی، محسن و گیتی زاده، محسن،1394،بررسی و مدلسازی روش خوشه بندی دو مرحله ای در نرم افزارSPSS،کنفرانس بین المللی فناوری و مدیریت انرژی،تهران،https://civilica.com/doc/460558
 
- اسماعیلی، مهدی 1396" داده کاوی (مفاهیم و تکنیک‌ها)" ، انتشارات نیاز دانش، تهران، ویرایش سوم.
 
- بینا، محمدامین و سلطانی، محسن و گیتی زاده، محسن،1394،بررسی و مدلسازی روش خوشه بندی دو مرحله ای در نرم افزارSPSS،کنفرانس بین المللی فناوری و مدیریت انرژی،تهران،https://civilica.com/doc/460558
 
- دانشور, مریم, صابری, فاطمه. (1400). خوشه‌بندی مشتریان بر اساس ارزش طول عمرمشتری (مدل LRFM) با استفاده از تکنیک داده‌کاوی و برنامه‌ریزی خطی. تحقیقات نوین مدیریت خاتم, 2(2), 43-61.
 
- Rezaei, J. (2016). Best-worst multi-criteria decision-making method: Some properties and a linear model. Omega, 64, 126-130.‏
 
- Ebrahimi, A., Askarifar, K., & Nikbakht, A. (2021). The segmentation of insurance industry customers using clustering techniques and the LRFM communication model. Journal of Business Administration Researches, 13(25), 557-585. doi: 10.22034/bar.2021.15232.3764
 
- Jo-Ting, W., Shih-Yen, L., & Hsin-Hung, W. (2010). A review of the application of RFM model. African Journal of Business Management, 4(19), 4199-4206.
 
- Monalisa, S., Nadya, P., & Novita, R. (2019). Analysis for customer lifetime value categorization with RFM model. Procedia Computer Science, 161, 834-840.
 
- Wang, W., & Fan, S. (2010, November). Application of data mining technique in customer segmentation of shipping enterprises. In 2010 2nd International Workshop on Database Technology and Applications (pp. 1-4). IEEE.
 
- Tavakoli, M., Molavi, M., Masoumi, V., Mobini, M., Etemad, S., & Rahmani, R. (2018, October). Customer segmentation and strategy development based on user behavior analysis, RFM model and data mining techniques: a case study. In 2018 IEEE 15th International Conference on e-Business Engineering (ICEBE) (pp. 119-126). IEEE.   
 
- Maryani, I., Riana, D., Astuti, R. D., Ishaq, A., & Pratama, E. A. (2018, October). Customer segmentation based on RFM model and clustering techniques with K-means algorithm. In 2018 Third International Conference on Informatics and Computing (ICIC) (pp. 1-6). IEEE.  
 
- Prathima, J., Vaishnavi, M., Perumalraja, R., & Kamalesh, S. Finding the Most Profitable customer using CLV. International Journal of Research in Engineering and Science (IJRES) Volume 9 Issue 7 ǁ 2021 ǁ PP. 47-50.    
 
- Li, H., Yang, X., Xia, Y., Zheng, L., Yang, G., & Lv, P. (2018, July). K-LRFMD: method of customer value segmentation in shared transportation filed based on improved K-means algorithm. In Journal of Physics: Conference Series (Vol. 1060, No. 1, p. 012012). IOP Publishing. ‏     
 
-  Rezaei, J. (2016). Best-worst multi-criteria decision-making method: Some properties and a linear model. Omega, 64, 126-130.
 
- Imani, A., & Abbasi, M. (2017). Customers Clustering Based on RFM Model by Using Fuzzy C-means Algorithm (Case Study: Zahedan City Refah Chain Store). Public Management Researches, 10(37), 251-276.

  • تاریخ دریافت 17 اسفند 1401
  • تاریخ بازنگری 12 خرداد 1402
  • تاریخ پذیرش 05 تیر 1402