چکیده:
این تحقیق بررسی و خوشهبندی مشتریان ،بر اساس مدل RFM و طراحی الگویی برای ارائه خدمات به مشتریان کلیدی میپردازد. جامعه آماری.گروه اول، جهت تعیین وزن شاخصهای R, F, M ، 18 نفر از خبرگان بانک ملت استان مازندران هستند وگروه دوم جهت خوشهبندی مشتریان بر اساس مدل RFM و با استفاده از دادههای اسنادی بانک مشتریان ،اصناف و فروشگاههایی که دارای POS)) بانکی میباشند. روش تجزیه و تحلیل دادهها تکنیک تحلیل سلسله مراتبی فازی، تکنیک آنتروپی، روش کا- میانگین و روش DBSCAN میباشد. طبق نتایج، وزن هر کدام از شاخصهای آر.اف ام. با استفاده از فرایند تحلیل سلسله مراتبی و آنتروپی بدست آمد و در نهایت وزن شاخصها بصورت ترکیبی برآورد گردید. وزن شاخصها به ترتیب Mبرابر 5998/ 0، F برابر 2672/ 0 و R برابر 1330/ 0. همچنین در ادامه تجزیه و تحلیل دادهها، خوشهبندی مشتریان با دو روش K-Means و DBSCAN انجام شد. نتایج نشان داد روش K-means روش بهتری برای خوشهبندی مشتریان و ارائه خدمات میباشد. بعد از خوشه بندی و تشکیل هرم مشتریان با روش K-means، مشتریان بانک بر اساس اطلاعیههای ابلاغی در گروههای (مهان، شایان، پویان، تابان، رویان و بحران) دسته بندی شدند که شعب بانک ملت با استفاده از این اطلاعات میتوانند، خدمات و تسهیلات مخصوص برای هر خوشه یا گروه از مشتریان در نظر بگیرند.
The purpose of this research is to investigate and study the factors influencing the identification and preservation of key customers based on the RFM model and model design for the provision of services. The statistical population of the study consists of two different groups. In the first group, for determining the weight of the indicators (R F M) 18 experts from the Mellat Bank of Mazandaran province were randomly selected and for the second group in order to cluster customers based on the RFM model and using bank document data, those who were using the POS machine in 1396 were examined. The data analysis method is a fuzzy hierarchical analysis technique, entropy technique, K- Means method and DBSCAN method. According to the results, the weight of each of the RAF indexes were rated using the process of hierarchical analysis and entropy analysis and finally the weight of the indices was estimated as a combination. The weight of the indexes was M = 0.5998, F = 0.2672 and R = 0.1330. In addition, customer data clustering was conducted using K-Means and DBSCAN methods. Finally, the results showed that the K-means method is a better way to customer clustering and service delivery.
خلاصه ماشینی:
مدل ترکیبی ابداعی محقق و سوالات تحقیق در ادامه تشریح شده است : 1 Songa, et all 2 Customer Relationship Management 3 Noorizadeh, et all 4 Drug Enforcement Administration 5 Carrasco, et all ٥ سوالات اصلی : مشتریان کلیدی شعب بانک ملت استان مازندران بر اساس مدل RFM کدامند ؟ و چگونه می توان الگویی جهت ارائه خدمات به آن ها ارائه نمود؟ سوالات فرعی : ١)وزن شاخص های R وF و M با استفاده از روش تحلیل سلسله مراتبی فازی چقدر است ؟ ٢)وزن شاخص های R وF و M با استفاده از روش آنتروپی چقدر است ؟ ٣)وزن ترکیبی شاخص های R وF و M چقدر است ؟ ٤) خوشه بندی مشتریان به روش K-means چگونه است ؟ ٥)میزان CLV در خوشه بندی به روش -K means چقدر است ؟٦) تحلیل خوشه ای در خوشه بندی به روش K-means چگونه است ؟ ٧)هرم مشتری در خوشه بندی به روش K-means چگونه است ؟٨) خوشه بندی مشتریان به روش DBSCAN چگونه است ؟ ٩)میزان CLV در خوشه بندی به روش DBSCAN چقدر است ؟ ١٠)تحلیل خوشه ای در خوشه بندی به روش DBSCAN چگونه است ؟١١)هرم مشتری در خوشه بندی به روش DBSCAN چگونه است ؟١٢)مقایسه تحلیل خوشه ای در خوشه بندی به روش K-means و تحلیل خوشه ای در خوشه بندی به روش DBSCAN چگونه است ؟ (رجوع شود به تصویر صفحه) شکل (١) الگوریتم کلی تحقیق (مدل ترکیبی ابداعی توسط محقق ) ٣- روش شناسی پژوهش روش پژوهش : روش پژوهش حاضر از نوع تحقیقات توصیفی اسنادی می باشد.