دانشگاه مازندران

 آمار

تعداد نشریات30
تعداد شماره‌ها467
تعداد مقالات4,519
تعداد مشاهده مقاله7,144,836
تعداد دریافت فایل اصل مقاله5,334,658
یوسفی زاد, امیر, ثریایی, علی. (1397). بررسی و خوشه‌بندی مشتریان، بر اساس مدل RFM و طراحی الگویی برای ارائه خدمات به مشتریان کلیدی. پژوهشنامه مدیریت اجرایی, 10(20), 175-198. doi: 10.22080/jem.2019.15814.2834
امیر یوسفی زاد; علی ثریایی. "بررسی و خوشه‌بندی مشتریان، بر اساس مدل RFM و طراحی الگویی برای ارائه خدمات به مشتریان کلیدی". پژوهشنامه مدیریت اجرایی, 10, 20, 1397, 175-198. doi: 10.22080/jem.2019.15814.2834
یوسفی زاد, امیر, ثریایی, علی. (1397). 'بررسی و خوشه‌بندی مشتریان، بر اساس مدل RFM و طراحی الگویی برای ارائه خدمات به مشتریان کلیدی', پژوهشنامه مدیریت اجرایی, 10(20), pp. 175-198. doi: 10.22080/jem.2019.15814.2834
یوسفی زاد, امیر, ثریایی, علی. بررسی و خوشه‌بندی مشتریان، بر اساس مدل RFM و طراحی الگویی برای ارائه خدمات به مشتریان کلیدی. پژوهشنامه مدیریت اجرایی, 1397; 10(20): 175-198. doi: 10.22080/jem.2019.15814.2834

بررسی و خوشه‌بندی مشتریان، بر اساس مدل RFM و طراحی الگویی برای ارائه خدمات به مشتریان کلیدی

پژوهشنامه مدیریت اجرایی
مقاله 5، دوره 10، شماره 20، اسفند 1397، صفحه 175-198    اصل مقاله (994.42 K)
نوع مقاله: مدیریت استراتژیک (برنامه­‌ها، تحلیل‌های استراتژیکی تولید، استراتژی‌های بازاریابی و مدیریت بازار، کسب­وکار، سرمایه گذاری، منابع انسانی، مالی، رقابت، . . . )
شناسه دیجیتال (DOI): 10.22080/jem.2019.15814.2834
نویسندگان
امیر یوسفی زاد1؛ علی ثریایی* 2
1دانشجوی دکتری مدیریت بازاریابی، دانشگاه آزاد اسلامی واحد بابل، بابل، ایران
2نویسنده مسئول، استادیار دانشکده علوم انسانی، دانشگاه آزاد اسلامی واحد بابل، بابل، ایران
تاریخ دریافت: 06 اسفند 1397،  تاریخ بازنگری: 05 تیر 1398،  تاریخ پذیرش: 02 مهر 1398 
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.
کلیدواژه‌ها
مشتریان کلیدی؛ مدل RFM؛ ارزش‌ دوره عمر مشتری؛ روش K-Means؛ روش DBSCAN
موضوعات
فناوری
عنوان مقاله [English]
Inspecting the Effective Factors on Identification and Maintenance of Key Customers Based on RFM Model and Designing a Model for Providing Services
نویسندگان [English]
Amir Uosefy Zad1؛ Ali Sorayaei2
1Department of management, faculty of Humanities, Islamic Azad University, Babol Branch, Iran
2Assistant proessor, Business Management Department, Faculty of Humanities, Islamic Azad University of Babol, Iran
چکیده [English]
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.
کلیدواژه‌ها [English]
Key Customers, RFM Model, Life Cycle Value, K-Means Method, DBSCAN Method
مراجع

Asna Ashari, H. (2014). Customer clustering based on RFM model and data mining approach to increase customer loyalty, Master thesis, Tehran Teacher Training University (In Persian).

Emani,A & Abasi, M. (2017). Clustering of Customers Based on RFM Model Using Fuzzy C-Measure Algorithm (Case Study: Zahedan Welfare Chain Store), Journal of Public Management Research, 37, 251-276 (In Persian).

Firuzi  F. (2014). Customer Capital Management by Analyzing Customers' Behavior in Acquisition, Maintenance and Development, Master Thesis, Khaje Nasir Al-Din Tusi University of Technology (In Persian).

Hajihasan, H. & Tajzade,A. (2015). Investigating the effect of transaction convenience and social interaction on customer experience, 5th National Conference and 3rd International Accounting and Management Conference, 9-1 (In Persian).

Kafashpur A.,Tavakoli, A. & Alizadezavarem, A. (2012). Customer segmentation based on their lifetime value using data mining using RAF model, Journal of Public Management Research, Vol. 5, No. 15, 63-84 (In Persian).

Ker- Chang Chang, H., Lin, H. & Patankar, N. (2017). effective CRM enhancement strategies for indlan retail market, International Journal of Research – granthaalayah, 12- 23.

Maleki, A. &  Darabi, M. (2016). Different  methods  for measuring customer satisfaction, automotive engineering and related industries, 3 (1), 27-32 (In Persian).

Molani Aghdam, H. (2013). Determining the value of customer life cycle and customer ranking based on RAFF model, Master's Thesis, Babol Islamic Azad University (In Persian).

Noori, B. (2015). An analysis of mobile banking customers for a  bank Strategy  and policy  planning. International Journal of Management and Applied Science, 1(9).

Noorizadeh, A, Rashidi,K & Peltokorpi,A (2017).Categorizing suppliers for development investments in construction: application of DEA and RFM concept, Construction Management and Economics.

Ozer, M.  (2015). Fuzzy c-means clustering and internet portals: a case study, European Journal of Operational Research, 164, 696-714.

Safari, F., Safari, N. & Gholam, A. (2016).Customer lifetime value determination based on RFM model, Marketing Intelligence & Planning, 34 Iss 4, 446 – 461.

Songa,Y, M., Luo,Y & Hua,Z (2018).On the extent analysis method for fuzzy AHP and its applications, European Journal of Operational Research, 186, 735-747.

Vali, M. (2016). Investigating the Effect of Internet Banking Services on Satisfaction Increasing in the Bank of Commerce Management of Southwestern Branches of Tehran, Master's Thesis, Tehran Islamic Azad University (In Persian).

Wang,T, C & Chen,Y, H. (2018).Applying fuzzy linguistic preference relations to the improvement of consistency of fuzzy AHP. Information Sciences,  178, 3755-3765.

Ya-Han Hu, H & Tzu,Wei Yeh (2014). Discovering valuable frequent patterns based on RFM analysis without customer identification information, Journal of Business Research , 67(1), 2751–2758.

Zeynolabedini, S, F. (2012). Segmentation and identification of e-banking services customers based on data mining techniques and RFM model (case study of financial and credit institution of development), Master thesis, Lahijan Islamic Azad University (In Persian).

آمار
تعداد مشاهده مقاله: 2,067
تعداد دریافت فایل اصل مقاله: 1,370


سامانه مدیریت نشریات علمی. قدرت گرفته از سیناوب