Please use this identifier to cite or link to this item:
http://localhost/handle/Hannan/4779
| Title: | مدل خوشه بندی و پیش بینی ارزش طول عمر مشتری (مورد مطالعه: مشتریان مرکز شماره گذاری کالا و خدمات ایران) |
| Authors: | فاطمه نبي زاده;سعید روحانی |
| subject: | ارزش طول عمر مشتری ، داده کاوی ، RFM ، خوشه بندی ، پیش بینی |
| Year: | 1399 |
| Abstract: | یکی از مباحث مهم در زمینه حفظ مشتریان و چگونگی رفتار با آنها، ارزش طول عمر مشتری (CLV) است . هدف از این پژوهش، طراحی مدلی برای خوشه بندی و پیش بینی طول عمر مشتریان و همچنین ارزیابی مشتریان در مرکز شماره گذاری کالا و خدمات ایران است. در این پژوهش اطلاعات ۷۴۳۸۵ عضو این سازمان در بازه زمانی ۱۳۹۰ - ۱۳۹۶ دریافت شد. مشتریان توسط تکنیک داده کاوی CRISP طبقه بندی شده و درنهایت مدلی برای پیش بینی آن ها طراحی شد. ابتدا اعضا توسط مدل RFM و الگوریتم K-Means به ۷ طبقه دسته بندی شده و سپس هر طبقه توسط روش محاسبه ارزش طول عمر مشتریان رتبه بندی شد. در ادامه توسط الگوریتم های رگرسیون لجستیک، درخت تصمیم و شبکه های عصبی، الگوهای پنهان بین داده ها و بخش های مختلف مشتریان کشف شدند. نتایج این پژوهش، رفتار مشتریان هر یک از خوشه ها را در خدمات مرکز و همچنین مدل رفتار مشتریان آتی را نشان داده است. این پژوهش با تحلیل خوشه ها به مدیران در ارائه راهبردهای بازاریابی، حفظ اعضای وفادار و جذب یا حذف اعضای غیرفعال، یاری می رساند. در پژوهش حاضر تعداد خوشه مناسب برای مشتریان ۷ عدد است؛ همچنین در پیش بینی کلاس مشتریان عملکرد شبکه های عصبی با دقت ۵۶ / ۹۹ درصد نسبت دیگر الگوریتم ها بهتر بوده است. |
| URI: | http://localhost/handle/Hannan/4779 |
| Appears in Collections: | مدیریت فناوری اطلاعات |
Files in This Item:
| File | Size | Format | |
|---|---|---|---|
| 123.pdf | 560.82 kB | Adobe PDF |
| Title: | مدل خوشه بندی و پیش بینی ارزش طول عمر مشتری (مورد مطالعه: مشتریان مرکز شماره گذاری کالا و خدمات ایران) |
| Authors: | فاطمه نبي زاده;سعید روحانی |
| subject: | ارزش طول عمر مشتری ، داده کاوی ، RFM ، خوشه بندی ، پیش بینی |
| Year: | 1399 |
| Abstract: | یکی از مباحث مهم در زمینه حفظ مشتریان و چگونگی رفتار با آنها، ارزش طول عمر مشتری (CLV) است . هدف از این پژوهش، طراحی مدلی برای خوشه بندی و پیش بینی طول عمر مشتریان و همچنین ارزیابی مشتریان در مرکز شماره گذاری کالا و خدمات ایران است. در این پژوهش اطلاعات ۷۴۳۸۵ عضو این سازمان در بازه زمانی ۱۳۹۰ - ۱۳۹۶ دریافت شد. مشتریان توسط تکنیک داده کاوی CRISP طبقه بندی شده و درنهایت مدلی برای پیش بینی آن ها طراحی شد. ابتدا اعضا توسط مدل RFM و الگوریتم K-Means به ۷ طبقه دسته بندی شده و سپس هر طبقه توسط روش محاسبه ارزش طول عمر مشتریان رتبه بندی شد. در ادامه توسط الگوریتم های رگرسیون لجستیک، درخت تصمیم و شبکه های عصبی، الگوهای پنهان بین داده ها و بخش های مختلف مشتریان کشف شدند. نتایج این پژوهش، رفتار مشتریان هر یک از خوشه ها را در خدمات مرکز و همچنین مدل رفتار مشتریان آتی را نشان داده است. این پژوهش با تحلیل خوشه ها به مدیران در ارائه راهبردهای بازاریابی، حفظ اعضای وفادار و جذب یا حذف اعضای غیرفعال، یاری می رساند. در پژوهش حاضر تعداد خوشه مناسب برای مشتریان ۷ عدد است؛ همچنین در پیش بینی کلاس مشتریان عملکرد شبکه های عصبی با دقت ۵۶ / ۹۹ درصد نسبت دیگر الگوریتم ها بهتر بوده است. |
| URI: | http://localhost/handle/Hannan/4779 |
| Appears in Collections: | مدیریت فناوری اطلاعات |
Files in This Item:
| File | Size | Format | |
|---|---|---|---|
| 123.pdf | 560.82 kB | Adobe PDF |
| Title: | مدل خوشه بندی و پیش بینی ارزش طول عمر مشتری (مورد مطالعه: مشتریان مرکز شماره گذاری کالا و خدمات ایران) |
| Authors: | فاطمه نبي زاده;سعید روحانی |
| subject: | ارزش طول عمر مشتری ، داده کاوی ، RFM ، خوشه بندی ، پیش بینی |
| Year: | 1399 |
| Abstract: | یکی از مباحث مهم در زمینه حفظ مشتریان و چگونگی رفتار با آنها، ارزش طول عمر مشتری (CLV) است . هدف از این پژوهش، طراحی مدلی برای خوشه بندی و پیش بینی طول عمر مشتریان و همچنین ارزیابی مشتریان در مرکز شماره گذاری کالا و خدمات ایران است. در این پژوهش اطلاعات ۷۴۳۸۵ عضو این سازمان در بازه زمانی ۱۳۹۰ - ۱۳۹۶ دریافت شد. مشتریان توسط تکنیک داده کاوی CRISP طبقه بندی شده و درنهایت مدلی برای پیش بینی آن ها طراحی شد. ابتدا اعضا توسط مدل RFM و الگوریتم K-Means به ۷ طبقه دسته بندی شده و سپس هر طبقه توسط روش محاسبه ارزش طول عمر مشتریان رتبه بندی شد. در ادامه توسط الگوریتم های رگرسیون لجستیک، درخت تصمیم و شبکه های عصبی، الگوهای پنهان بین داده ها و بخش های مختلف مشتریان کشف شدند. نتایج این پژوهش، رفتار مشتریان هر یک از خوشه ها را در خدمات مرکز و همچنین مدل رفتار مشتریان آتی را نشان داده است. این پژوهش با تحلیل خوشه ها به مدیران در ارائه راهبردهای بازاریابی، حفظ اعضای وفادار و جذب یا حذف اعضای غیرفعال، یاری می رساند. در پژوهش حاضر تعداد خوشه مناسب برای مشتریان ۷ عدد است؛ همچنین در پیش بینی کلاس مشتریان عملکرد شبکه های عصبی با دقت ۵۶ / ۹۹ درصد نسبت دیگر الگوریتم ها بهتر بوده است. |
| URI: | http://localhost/handle/Hannan/4779 |
| Appears in Collections: | مدیریت فناوری اطلاعات |
Files in This Item:
| File | Size | Format | |
|---|---|---|---|
| 123.pdf | 560.82 kB | Adobe PDF |