| عنوان فارسی مقاله: | بکارگیری داده کاوی در تقسیم بندی کشور بر اساس مدل RFM |
| عنوان انگلیسی مقاله: | Data-mining application for country segmentation based on the RFM model |
| دانلود مقاله انگلیسی: | برای دانلود رایگان مقاله انگلیسی با فرمت pdf اینجا کلیک نمائید |
| سال انتشار | 2008 |
| تعداد صفحات مقاله انگلیسی | 15 صفحه |
| تعداد صفحات ترجمه مقاله | 19 صفحه |
| مجله | مجله بین المللی استراتژی ها و تکنیک های تحلیل داده |
| دانشگاه | تهران |
| کلمات کلیدی | تقسیم بندی مشتری، استخراج داده، مدل RFM ، مدیریت رابطه مشتری، CRM |
| نشریه IAAE | IAAE |
فهرست مطالب:
چکیده
۱ مقدمه
۲ تقسیم بندی کشور براساس R ، F و M
۱ ۲ محاسبه متغیرهای RFM
۲ ۲ دسته بندی
۱ ۲ ۲ الگوریتم دسته بندی میانگین K
۲ ۲ ۲ تحلیل دسته بندی میانگین K فوزی
۳ ۲ مقایسه عملکرد روشهای دسته بندی
۱ ۳ ۲ قوانین ارتباطی
۲ ۳ ۲ معیارهای کیفیت دسته بندی
۳ تحلیل دسته
۱ ۳ محاسبه ارزش مشتری بر اساس مدل RFM
۲ ۳ هرم مشتری
۳ ۳ طبقه بندی
۴ مطالعه موردی
۱ ۴ تقسیم بندی
۲ ۴ تحلیل بخش
۵ نتیجه گیری
بخشی از ترجمه:
مقدمه
شیوه بازاریابی انبوه نمی تواند نیازهای مشتریان متنوع امروزی را برآورده نماید. این تنوع باید با استفاده از روش تقسیم بندی تامین گردد، در این روش، بازارها به دسته های مشتریانی با نیازها و یا ویژگیهای مشابه تقسیم می شوند که احتمالاً رفتارهای خرید مشابهی از خود به معرض نمایش می گذارند. یکی از نکات و مفاهیم اصلی مدیریت ارتباط مشتری (CRM) ، تقسیم بندی می باشد. تقسیم بندی به معنای تقسیم کردن جمعیت مشتریان به بخشهای مختلف با توجه به همگونی درون بخشی و ناهمگونی بین بخشی می باشد. دلیل با ارزش بودن تقسیم بندی آن است که به کاربر نهایی این امکان را می دهد تا از سطح بالاتری به کل پایگاه داده نگاه کند. همچنین به شرکت این امکان را می دهد تا با مشتریان بخشهای مختلف به گونه متفاوتی رفتار کنند. بازاریابی یک به یک نام یک استراتژی بازاریابی ایده آل می باشد که هر برنامه یا محصول بازاریابی به گونه ای بهینه در اختیار مشتری قرار می گیرد. اما همیشه این کار امکان پذیر نمی باشد. به همین خاطر برای تمایز مشتریان مشابه و قرار دادن آنها در یک بخش، نیاز به تقسیم بندی می باشد. بدون شک، بهره گیری از تقسیم بندی برای شناخت نیازهای مشتریان بسیار آسانتر، سریعتر و مقرون به صرفه تر از سرمایه گذاری برای شناخت ویژه آنها می باشد.
5. نتیجه گیری
یکی از عوامل مهم و حساس برای بازاریابی بهینه و برنامه CRM ، تقسیم بندی مشتری نام دارد.
شیوه بازاریابی انبوه نمی تواند نیازهای متنوع مشتریان امروزی را تامین نماید. با استفاده از روش تقسیم بندی بازار که بازار را به دسته های مشتریانی با نیازها، ویژگیها و رفتارهای خرید مشابه تقسیم می کند، باید از این تنوع بهره برداری نمود. در این مقاله روش تقسیم بندی کشوری جدیدی بر اساس روش RFM معرفی گردید.
در این مقاله، با استفاده از سه معیار مختلف ، این گونه استنباط کردیم که روش دسته بندی میانگین K در زمینه تقسیم بندی مشتریان از ثبات بیشتری نسبت به میانگین K فوزی برخوردار بوده و به همین خاطر می توان از آن برای طبقه بندی چهار طبقه از مشتریان (بسیار فعال، نسبتاً فعال، مشتری جدید و غیر فعال) بر اساس سه متغیر مدل RFM استفاده نمود. در ادامه تقسیم بندی کشوری بر اساس RFM و، سودآوری نسبی هر دسته مشتری به کمک درخت تصمیم مورد آنالیز قرار گرفته و استراتژی درست در مورد آنها تعیین و انتخاب گردید.
در آینده، R ، F و M را به صورت ماهانه و نه سالانه محاسبه می کنیم. به علاوه، میتوانیم از سایر الگوریتم های دسته بندی برای افزایش کیفیت دسته بندی استفاده کنیم.
بخشی از مقاله انگلیسی:
Introduction
The mass marketing approach cannot satisfy the needs of today’s diverse customers. This diversity should be satisfied using segmentation that divides markets into customer clusters with similar needs and/or characteristics that are likely to exhibit similar purchasing behaviours (Dibb and Simkin, 1996). The concept of segmentation is central to Customer Relationship Management (CRM). Segmentation means partitioning a population of customers into different segments, considering the most within-segment homogeneity and between-segment heterogeneity. Segmentation is valuable because it allows the end user to look at the entire database from a much higher level. It also allows a company to differentially treat consumers in different segments. One-to-one marketing is the ideal marketing strategy, in which every marketing campaign or product is optimally targeted at each individual customer; but this is not always possible. Thus, segmentation is required to distinguish similar clients and put them together in a segment. Doubtlessly, using segmentation to understand customers’ needs is much easier, faster and more economical than uniquely investing to understand them particularly (Berson et al., 2001). There are different methods for country segmentation. Helsen et al. (1993) developed an approach to country segmentation with multinational diffusion patterns for three different consumer durable goods and modified the Bass diffusion model to determine the segments and segment level estimates of diffusion patterns. Tsai and Chiu (2004) developed a market segmentation methodology based on product-specific variables such as purchased items and the associative monetary expenses from the transactional history of customers to address the unreliable results of segmentation based on general variables like customer demographics. Shina and Sohnb (2004) used three clustering methods (K-means, the self-organising map and fuzzy K-means) for segmentation to find properly graded stock market brokerage commission rates based on transactional data. Jonkera et al. (2004) presented an approach to segment customers based on Recency (R), Frequency (F), and Monetary value (M) variables. Hwang et al. (2004)introduced a framework for analysing customer value and segmenting customers based on their current value, potential value and customer loyalty. Golsefid et al. (2007) segmented countries according to the analysed countries’ export baskets and the correlation between groups’ commodities, and defined Dissimilarity Export Basket (DEB) functions to measure the similarity among the countries.The main role of the Trade Promotion Organization (TPO) of Iran is determining policy and strategy in foreign trade. In this study, we segment the customers (countries) of the TPO. In fact, each country is assumed to be a customer and the TPO tries to segment countries into homogeneous groups based on the RFM model variables, which are important parameters in foreign trade. RFM indicate export stability, consequently maintaining recent transactions, volume and profitability. According to the segmentation results, the TPO customer pyramid is drawn and the proper strategies are determined to keep, retain and raise the value for each customer group.First we segment countries using clustering algorithms and the RFM variables. Later, in order to suggest appropriate strategies for promoting each segment, we analyse each cluster using a customer pyramid, a decision tree and the RFM model.The remainder of this paper is organised as follows: Section 2 examines the framework of the proposed country segmentation methodology, including data preparation, calculating R, F and M amounts, clustering algorithms and evaluating the clustering quality. In Section 3, we analyse each cluster value and profitability using a decision tree, a customer pyramid and the RFM model. In Section 4, the proposed country segmentation methodology is put into practice using the TPO database. Finally, in Section 5, the implication of the results is discussed and further study areas are suggested.
| عنوان فارسی مقاله: | بکارگیری داده کاوی در تقسیم بندی کشور بر اساس مدل RFM |
| عنوان انگلیسی مقاله: | Data-mining application for country segmentation based on the RFM model |
خرید ترجمه فارسی مقاله با فرمت ورد