مطالعات مدیریت کسب و کار هوشمند

نوع مقاله : مقاله پژوهشی

نویسندگان

1 پژوهشگر، دانشجوی کارشناسی ارشد، مهندسی صنایع- بهینه سازی سیستم ها، دانشکده فنی و مهندسی، دانشگاه خوارزمی، تهران

2 استادیار دانشکده فنی و مهندسی، دانشگاه خوارزمی، تهران، ایران.نویسنده مسئول: Vhd_sebt@yahoo.com

3 استادیار. دانشگاه خوارزمی

چکیده

در دنیای پر رقابت امروز، بکارگیری تکنیک های جدید در پیشرفت کسب و کار تاثیر به سزایی دارد. صنعت رستوران نیز از این قاعده مستثنی نمی باشد. از این رو، در این پژوهش، با استفاده از روش های نوین کشف دانش و داده کاوی به بررسی داده های مشتریان رستوران زنجیره ای پرداخته شده است. هدف از این تحقیق، کشف الگوهای رفتاری مشتریان با استفاده از روش های داده کاوی بوده است.
در این تحقیق، تعداد یک میلیون و پانصد هزار رکورد از سوابق مشتریان در 5 شعبه یک رستوران زنجیره ای مورد بررسی قرار گرفته اند و دو مرحله مدلسازی خوشه بندی با استفاده از متد RFM و سپس مدلسازی دسته بندی بر روی داده ها اجرا گردید و قواعد رفتاری مشتریان رستوران زنجیره ای استخراج گردید. نتایج به دست آمده از این تحقیق، به شناخت مشتریان وفادار و سودآور رستوران زنجیره ای کمک کرده است که نهایتا منجر به بهبود سودآوری رستوران زنجیره ای گردیده است. برقراری ارتباط بین نتایج به دست آمده از خوشه بندی و دسته بندی از جمله نوآوری های این تحقیق بوده است.

کلیدواژه‌ها

عنوان مقاله [English]

Branch Client Behavior Analysis Using RFM Method

نویسندگان [English]

  • Fateme Rahimi 1
  • mohammad vahid sebt 2
  • nasim ghanbar tehrani 3

1 researcher, master student.industrial engineering. khurazmi university

2 Assistant Professor, Faculty of Engineering, Kharazmi University, Tehran, Iran.Corresponding Author: Vhd_sebt@yahoo.com

3 khurazmi university

چکیده [English]

In today's competitive world, applying new techniques to business development has a great impact. The restaurant industry is no exception. Therefore, in this research, using new methods of knowledge discovery and data mining, customer data of chain restaurant is investigated. The purpose of this study was to explore customer behavior patterns using data mining methods.
In this study, one million and five hundred thousand customer records were reviewed in five branches of a chain restaurant and two stages of clustering modeling using RFM method and then classification modeling were performed on the data and the behavior rules chain restaurant customers were extracted. The results of this study have helped to identify the loyal and profitable customers of the chain restaurant which has led to the improvement of the profitability of the chain restaurant. One of the innovations of this research has been the communication between clustering and classification results.

کلیدواژه‌ها [English]

  • data mining
  • customer relationship management
  • K-Means Algorithm
  • RFM
  • loyalty
 
آهنگری، سعیده سادات؛ مؤمنی، منصور و جعفر نژاد، احمد. (1392). بخش‌بندی مشتریان بانک شهر به‌وسیله شبکه‌های عصبی SOM. اولین کنفرانس بین‌المللی تکنیک‌های مدیریت و حسابداری، تهران.
صدوقی نیا، الهام؛ الهی، شعبان؛ حسن زاده، علیرضا و صحرایی، شقایق. (1398). سیستم خبره ارزشیابی وفاداری مشتریان در صنعت پخش و توزیع. نشریه علمی مطالعات مدیریت کسب‌وکار هوشمند، 8(30)،78-55.
فروزنده، سمیه. (1396). پیش‌بینی رویگردانی مشتریان حقیقی بانک ملت با استفاده از روش‌های جمعی مبتنی بر بگینگ و بوستینگ. پایان‌نامه کارشناسی ارشد، دانشگاه خوارزمی.
قاسم‌زاده، سیده نفیسه. (1395). بخش‌بندی مشتریان اینترنت شبکه تلفن همراه و بررسی تغییرات رفتاری آن‌ها. پایان‌نامه کارشناسی ارشد، دانشگاه خوارزمی.
کدخدایی، الهه. (1394). کشف دانش از الگوهای متوالی RFM برای بخش‌بندی مشتریان. پایان‌نامه کارشناسی ارشد، دانشگاه خوارزمی.
محمدی، شبنم و علیزاده، سمیه. (1393). تحلیل مشکلات شعب بانک آینده در سراسر کشور با استفاده از روش داده‌کاوی. مدیریت فناوری اطلاعات، 6 (2)، 350-333.
موتمنی، علیرضا؛ مرادی، هادی و همتی، امین. (1391).  شناسایی و رتبه‌بندی عوامل مؤثر بر وفاداری خرده‌فروشان به شرکت‌های توزیع. فصلنامه علمی ترویجی مدیریت زنجیره تأمین، 14(35)،75-62.
References
Bach, M.P., Jankovic, S., Dominic, K., & Sarlija, N. (2013). business client segmentation using self - organizing map. South East European journal of Economics and Business, 8(2), 32-41.
Berry, M., & Linoff, G. (2004). Data Mining Techniques For Marketing, Sales and Customer Relationship Management Second Edition. Wiley Publishing, Inc., Indianapolis, Indiana.
Burnett, A. (2001). Handbook of Key Customer Relationship Management: The Definitive Guide to Winning, Managing and Developing Key Account business. Pearson Education.
Burnett. A. (2001). Handbook of Key Customer Relationship Management: The Definitive Guide to Winning, Managing and Developing Key Account business Pearson Education.
Chadors, A. J. & V.E.D. (2014). customer segmentation model based on value generation for marketing strategy foundation. Estudios Gerenciales, 30, 25-30.
Cheng, C. H., & Chen, Y. S. (2009). classifying the segmentation of customer value via RFM theory. Expert systems with applications,36(3), 4176-4184.
Dursun & Caber, M (2016) Using data mining techniques for profiling profitable hotel customers: An application of RFM analysis.Tourism Management Perspectives, 18, 153-160
Hand. D., Mannila, H., & Smyth, P. (2001). principles of Data mining. The MIT press.
Huang. S-C., Chang, E-C. & Wu, H-H. (2009). A case study of applying data mining techniques in an outfitters customer value analysis. Expert Systems with Applications, 36, 5909-5915.
Liang, Y-H. (2010). Integration of data mining technologies to analyze customer value for the automotive maintenance industry. Expert Systems with Applications, 37, 7489-7496.
Liao, S-H., Chen, Y-N. & Tseng, Y-Y. (2009). mining demand chain knowledge of life insurance market for new product development. Expert systems with application, 36(5), 9422-9437
Ngai, E. W. T., Xiu, L., & Chau, D.C.K. (2009). Application of data mining techniques in customer relationship management: A literature review and classification. expert systems with applications, 36, 2592-2602.
Nioosha jafari momtaz, somaye alizade, mahyar sharifi vaghefi, (2013).  A new model for assessment fast food customer behavior, emerald insight, 313, 601-613.
Olson, D. L., & Chae, B. K. (2012). Direct marketing decision support through predictive customer response modeling. Decision Support Systems, 54(1), 443-451.
Rygielski, C., Wang. J-C. & Yen, D. (2002). Data mining technologies for customer relationship management. Technology in society, 24, 438-502.
References [In Persian]
Ahangari, S. S., Momeni, M., & Jafarnejad, A. (2013). Bank Shahr customers' segmentation by SOM neural networks. The First International Conference on Management and Accounting Techniques, Tehran.[In Persian]
Sadoughinia, E., Hasanzadeh, A., Elahi, Sh., & Sahraei, Sh. (2020). An Expert System for Evaluating Customers’ Loyalty in Distribution Industry. Quartly Journal of BI Management Studies, 8(30), 55-78.[In Persian]
Forouzandeh, S. (1396). Predicting the turnover of Bank Mellat's real customers using collective methods based on bagging and boosting. (Master Thesis), Kharazmi University. [In Persian]
Qasemzadeh, S. N. (1395). Segmenting Internet network mobile customers and examining their behavioral changes. (Master Thesis), Kharazmi University. [In Persian]
Kadkhodai, E. (1394). Discover knowledge of successive RFM patterns for customer segmentation. (Master Thesis), Kharazmi University. [In Persian]
Mohammadi, Sh., and Alizadeh, S. (2014). Problems Analysis of Ayandeh Bank branches across the country using data mining method. Information Technology Management, 6 (2), 350-333. [In Persian]
Motameni, Alireza; Moradi, Hadi and Hemmati, Amin. (1391). Identify and rank the factors affecting the loyalty of retailers to distribution companies. Supply Chain Management Quarterly, 14 (35), 75-62. . [In Persian]
 
 
 
استناد به این مقاله: رحیمی، فاطمه، سبط، محمد وحید، غنبر تهرانی، نسیم. (1400). تحلیل الگوی رفتاری مشتریان شعب به روش خوشه‌بندی و دسته‌بندی با استفاده از روش RFM، مطالعات مدیریت کسب وکار هوشمند، 9(36)، 209-242.                                          DOI: 10.22054/IMS.2021.50853.1697
 Journal of Business Intelligence Management Studies is licensed under a Creative Commons Attribution-NonCommercial 4.0 International License..
آهنگری، سعیده سادات؛ مؤمنی، منصور و جعفر نژاد، احمد. (1392). بخش‌بندی مشتریان بانک شهر به‌وسیله شبکه‌های عصبی SOM. اولین کنفرانس بین‌المللی تکنیک‌های مدیریت و حسابداری، تهران.
صدوقی نیا، الهام؛ الهی، شعبان؛ حسن زاده، علیرضا و صحرایی، شقایق. (1398). سیستم خبره ارزشیابی وفاداری مشتریان در صنعت پخش و توزیع. نشریه علمی مطالعات مدیریت کسب‌وکار هوشمند، 8(30)،78-55.
فروزنده، سمیه. (1396). پیش‌بینی رویگردانی مشتریان حقیقی بانک ملت با استفاده از روش‌های جمعی مبتنی بر بگینگ و بوستینگ. پایان‌نامه کارشناسی ارشد، دانشگاه خوارزمی.
قاسم‌زاده، سیده نفیسه. (1395). بخش‌بندی مشتریان اینترنت شبکه تلفن همراه و بررسی تغییرات رفتاری آن‌ها. پایان‌نامه کارشناسی ارشد، دانشگاه خوارزمی.
کدخدایی، الهه. (1394). کشف دانش از الگوهای متوالی RFM برای بخش‌بندی مشتریان. پایان‌نامه کارشناسی ارشد، دانشگاه خوارزمی.
محمدی، شبنم و علیزاده، سمیه. (1393). تحلیل مشکلات شعب بانک آینده در سراسر کشور با استفاده از روش داده‌کاوی. مدیریت فناوری اطلاعات، 6 (2)، 350-333.
موتمنی، علیرضا؛ مرادی، هادی و همتی، امین. (1391).  شناسایی و رتبه‌بندی عوامل مؤثر بر وفاداری خرده‌فروشان به شرکت‌های توزیع. فصلنامه علمی ترویجی مدیریت زنجیره تأمین، 14(35)،75-62.
References
Bach, M.P., Jankovic, S., Dominic, K., & Sarlija, N. (2013). business client segmentation using self - organizing map. South East European journal of Economics and Business, 8(2), 32-41.
Berry, M., & Linoff, G. (2004). Data Mining Techniques For Marketing, Sales and Customer Relationship Management Second Edition. Wiley Publishing, Inc., Indianapolis, Indiana.
Burnett, A. (2001). Handbook of Key Customer Relationship Management: The Definitive Guide to Winning, Managing and Developing Key Account business. Pearson Education.
Burnett. A. (2001). Handbook of Key Customer Relationship Management: The Definitive Guide to Winning, Managing and Developing Key Account business Pearson Education.
Chadors, A. J. & V.E.D. (2014). customer segmentation model based on value generation for marketing strategy foundation. Estudios Gerenciales, 30, 25-30.
Cheng, C. H., & Chen, Y. S. (2009). classifying the segmentation of customer value via RFM theory. Expert systems with applications,36(3), 4176-4184.
Dursun & Caber, M (2016) Using data mining techniques for profiling profitable hotel customers: An application of RFM analysis.Tourism Management Perspectives, 18, 153-160
Hand. D., Mannila, H., & Smyth, P. (2001). principles of Data mining. The MIT press.
Huang. S-C., Chang, E-C. & Wu, H-H. (2009). A case study of applying data mining techniques in an outfitters customer value analysis. Expert Systems with Applications, 36, 5909-5915.
Liang, Y-H. (2010). Integration of data mining technologies to analyze customer value for the automotive maintenance industry. Expert Systems with Applications, 37, 7489-7496.
Liao, S-H., Chen, Y-N. & Tseng, Y-Y. (2009). mining demand chain knowledge of life insurance market for new product development. Expert systems with application, 36(5), 9422-9437
Ngai, E. W. T., Xiu, L., & Chau, D.C.K. (2009). Application of data mining techniques in customer relationship management: A literature review and classification. expert systems with applications, 36, 2592-2602.
Nioosha jafari momtaz, somaye alizade, mahyar sharifi vaghefi, (2013).  A new model for assessment fast food customer behavior, emerald insight, 313, 601-613.
Olson, D. L., & Chae, B. K. (2012). Direct marketing decision support through predictive customer response modeling. Decision Support Systems, 54(1), 443-451.
Rygielski, C., Wang. J-C. & Yen, D. (2002). Data mining technologies for customer relationship management. Technology in society, 24, 438-502.
References [In Persian]
Ahangari, S. S., Momeni, M., & Jafarnejad, A. (2013). Bank Shahr customers' segmentation by SOM neural networks. The First International Conference on Management and Accounting Techniques, Tehran.[In Persian]
Sadoughinia, E., Hasanzadeh, A., Elahi, Sh., & Sahraei, Sh. (2020). An Expert System for Evaluating Customers’ Loyalty in Distribution Industry. Quartly Journal of BI Management Studies, 8(30), 55-78.[In Persian]
Forouzandeh, S. (1396). Predicting the turnover of Bank Mellat's real customers using collective methods based on bagging and boosting. (Master Thesis), Kharazmi University. [In Persian]
Qasemzadeh, S. N. (1395). Segmenting Internet network mobile customers and examining their behavioral changes. (Master Thesis), Kharazmi University. [In Persian]
Kadkhodai, E. (1394). Discover knowledge of successive RFM patterns for customer segmentation. (Master Thesis), Kharazmi University. [In Persian]
Mohammadi, Sh., and Alizadeh, S. (2014). Problems Analysis of Ayandeh Bank branches across the country using data mining method. Information Technology Management, 6 (2), 350-333. [In Persian]
Motameni, Alireza; Moradi, Hadi and Hemmati, Amin. (1391). Identify and rank the factors affecting the loyalty of retailers to distribution companies. Supply Chain Management Quarterly, 14 (35), 75-62. . [In Persian]
 
 
 
استناد به این مقاله: رحیمی، فاطمه، سبط، محمد وحید، غنبر تهرانی، نسیم. (1400). تحلیل الگوی رفتاری مشتریان شعب به روش خوشه‌بندی و دسته‌بندی با استفاده از روش RFM، مطالعات مدیریت کسب وکار هوشمند، 9(36)، 209-242.                                          DOI: 10.22054/IMS.2021.50853.1697
 Journal of Business Intelligence Management Studies is licensed under a Creative Commons Attribution-NonCommercial 4.0 International License..