ارائه چارچوبی جدید مبتنی بر مدل RFM و سریهای زمانی چندمتغیره جهت بخش بندی و تحلیل رفتار مشتریان: مطالعه موردی یک شرکت صنایع غذایی | ||
| علوم و فنون مدیریت اطلاعات | ||
| مقاله 3، دوره 11، شماره 4، دی 1404، صفحه 56-76 اصل مقاله (2.19 M) | ||
| نوع مقاله: مقاله پژوهشی | ||
| شناسه دیجیتال (DOI): 10.22091/stim.2025.11525.2174 | ||
| نویسندگان | ||
| رضا مولائی1؛ حسین عباسی مهر2؛ خیراله رهسپارفرد* 3 | ||
| 1گروه مهندسی کامپیوتر و فناوری اطلاعات، دانشکده فنی و مهندسی، دانشگاه قم، قم، ایران. | ||
| 2گروه فناوری اطلاعات ، دانشکده فناوری اطلاعات و مهندسی کامپیوتر، دانشگاه شهید مدنی آذربایجان، تبریز، ایران. | ||
| 3عضو هیات علمی گروه مهندسی کامپیوتر و فناوری اطلاعات، دانشکده فنی و مهندسی، دانشگاه قم، قم، ایران. | ||
| چکیده | ||
| هدف: هدف از این پژوهش تحلیل رفتار مشتریان با استفاده از سری زمانی چند متغیره است. پس از تحلیل و شناخت دقیق مشتریان، اولویتبندی آنها به کمک روش تصمیمگیری چند معیاره تاپسیس انجام شده است. نتایج این پژوهش میتواند یاریرسان سازمانها در تدوین استراتژی بازاریابی باشد. روش: در این پژوهش از رویکرد تحلیل رفتار پویای مشتریان با استفاده از متغیرهای RFM در قالب سری زمانیهای چندمتغیره که از جدیدترین و کاربردیترین روشهای تحلیل رفتار مشتریان در طول زمان به شمار میرود، استفادهشده است. سپس با استفاده از یک روش خوشهبندی ترکیبی سری زمانی خوشههای مشتریان شناسایی شده، الگوهای رفتاری آنان در ابعاد مختلف مورد تحلیل قرار گرفت. پس از این مرحله، ویژگیهای کلیدی از هر سری زمانی استخراج شده و به عنوان ورودی یک مدل طبقه بندی در نظر گرفته شدند. در نهایت با استفاده از روش توضیح افزودنی شاپلی (SHAP) مدل طبقه بندی کننده بررسی شده و اهمیت هر کدام از ویژگیهای کلیدی محاسبه میگردد. ویژگیهای کلیدی به همراه وزنهای آنها در روش تصمیمگیری چند معیاره تاپسیس بهمنظور اولویتبندی مشتریان استفاده میشود. یافتهها: یافتههای این پژوهش نشان میدهد که با بازنمایی دادههای خرید مشتریان در قالب سری زمانی چندمتغیره متشکل از متغیرهای RFM امکان شناسایی گروههای مشابه مشتریان با الگوهای رفتاری شبیه به هم در طول زمان به وجود میآید. رویکرد ارائهشده بهطور همزمان متغیرهای RFM را در طول زمان در نظر گرفته و رفتار پویای مشتریان را تحلیل میکند. همچنین کاربرد روش SHAP در محاسبه اهمیت ویژگیهای کلیدی رفتار مشتری در این تحقیق نشان داده شد. سپس با استفاده از روش تصمیمگیری چندمعیاره تاپسیس، مشتریان بر اساس اهمیت و اولویت در استراتژی بازاریابی رتبهبندی شدند. این نتایج میتواند به سازمان در تدوین استراتژیهای بازاریابی هدفمند و مؤثر کمک کند. نتیجهگیری: نتایج نشان میدهند که رویکرد پیشنهادی پژوهش امکان شناسایی الگوهای رفتاری مشتریان را فراهم میکند. این تحلیلها به سازمان کمک میکنند تا الگوهای رفتاری مشتریان را بهطور مؤثرتر شناسایی کرده و با توجه به اولویتبندی صورت گرفته، مشتریان ارزشمند را در استراتژی بازاریابی هدف قرار دهد. بهطورکلی، نتایج این پژوهش به سازمانها کمک میکند تا با شناخت و تحلیل الگوی رفتاری مشتریان، استراتژی بازاریابی مؤثری را تدوین کرده و بهرهوری بازاریابی خود را افزایش دهند. هدف: هدف از این پژوهش تحلیل رفتار مشتریان با استفاده از سری زمانی چند متغیره است. پس از تحلیل و شناخت دقیق مشتریان، اولویتبندی آنها به کمک روش تصمیمگیری چند معیاره تاپسیس انجام شده است. نتایج این پژوهش میتواند یاریرسان سازمانها در تدوین استراتژی بازاریابی باشد. روش: در این پژوهش از رویکرد تحلیل رفتار پویای مشتریان با استفاده از متغیرهای RFM در قالب سری زمانیهای چندمتغیره که از جدیدترین و کاربردیترین روشهای تحلیل رفتار مشتریان در طول زمان به شمار میرود، استفادهشده است. سپس با استفاده از یک روش خوشهبندی ترکیبی سری زمانی خوشههای مشتریان شناسایی شده، الگوهای رفتاری آنان در ابعاد مختلف مورد تحلیل قرار گرفت. پس از این مرحله، ویژگیهای کلیدی از هر سری زمانی استخراج شده و به عنوان ورودی یک مدل طبقه بندی در نظر گرفته شدند. در نهایت با استفاده از روش توضیح افزودنی شاپلی (SHAP) مدل طبقه بندی کننده بررسی شده و اهمیت هر کدام از ویژگیهای کلیدی محاسبه میگردد. ویژگیهای کلیدی به همراه وزنهای آنها در روش تصمیمگیری چند معیاره تاپسیس بهمنظور اولویتبندی مشتریان استفاده میشود. یافتهها: یافتههای این پژوهش نشان میدهد که با بازنمایی دادههای خرید مشتریان در قالب سری زمانی چندمتغیره متشکل از متغیرهای RFM امکان شناسایی گروههای مشابه مشتریان با الگوهای رفتاری شبیه به هم در طول زمان به وجود میآید. رویکرد ارائهشده بهطور همزمان متغیرهای RFM را در طول زمان در نظر گرفته و رفتار پویای مشتریان را تحلیل میکند. همچنین کاربرد روش SHAP در محاسبه اهمیت ویژگیهای کلیدی رفتار مشتری در این تحقیق نشان داده شد. سپس با استفاده از روش تصمیمگیری چندمعیاره تاپسیس، مشتریان بر اساس اهمیت و اولویت در استراتژی بازاریابی رتبهبندی شدند. این نتایج میتواند به سازمان در تدوین استراتژیهای بازاریابی هدفمند و مؤثر کمک کند. نتیجهگیری: نتایج نشان میدهند که رویکرد پیشنهادی پژوهش امکان شناسایی الگوهای رفتاری مشتریان را فراهم میکند. این تحلیلها به سازمان کمک میکنند تا الگوهای رفتاری مشتریان را بهطور مؤثرتر شناسایی کرده و با توجه به اولویتبندی صورت گرفته، مشتریان ارزشمند را در استراتژی بازاریابی هدف قرار دهد. بهطورکلی، نتایج این پژوهش به سازمانها کمک میکند تا با شناخت و تحلیل الگوی رفتاری مشتریان، استراتژی بازاریابی مؤثری را تدوین کرده و بهرهوری بازاریابی خود را افزایش دهند. | ||
| کلیدواژهها | ||
| بخشبندی مشتریان؛ مدل RFM؛ سری زمانی چند متغیره؛ خوشهبندی ترکیبی؛ روش توضیح افزودنی شاپلی؛ تاپسیس | ||
| عنوان مقاله [English] | ||
| Proposing a New Framework Based on the RFM Model and Multivariate Time Series for Customer Segmentation and Behavior Analysis: A Case Study of a Food Industry Company | ||
| نویسندگان [English] | ||
| Reza Molaei1؛ Hossein Abbasimehr2؛ Kheirollah Rahsepar Fard3 | ||
| 1Department of Computer and Information Technology, Faculty of Engineering, University of Qom, Qom, Iran | ||
| 2Faculty of Information Technology and Computer Engineering, Azarbaijan Shahid Madani University, Tabriz, Iran | ||
| 3Department of Computer and Information Technology, Faculty of Engineering, University of Qom, Qom, Iran | ||
| چکیده [English] | ||
| Purpose: The objective of this study is to analyze customer behavior using multivariate time series data. After a detailed analysis and understanding of customers, their prioritization is carried out using the TOPSIS multi-criteria decision-making method. The results of this study can assist organizations in developing marketing strategies. Method: In this research, the approach of analyzing customers' dynamic behavior using RFM (recency, frequency, monetary value) variables in the form of multivariable time series, which is one of the most recent and most practical methods of analyzing customers' behavior over time, has been used. Then, using an ensemble time series clustering method, the customers' clusters were identified, and their behavioral patterns were analyzed from different perspectives. After this step, key features were extracted from each time series and considered as the input of a classification model. Finally, by employing Shapley additive explanations (SHAP), the classifier model is interpreted, and the importance of each of the key features is calculated. The key features, along with their weights, are used in the TOPSIS multi-criteria decision-making method in order to prioritize customers. Findings: The findings of this research show that by representing customer purchase data in the form of a multivariate time series consisting of RFM variables, it is possible to identify similar groups of customers with similar behavior patterns over time. The proposed approach simultaneously considers RFM variables over time and analyzes the dynamic behavior of customers. Also, the application of the SHAP method in calculating the importance of critical features of customer behavior was shown in this research. Then, using the TOPSIS multi-criteria decision-making method, customers were ranked based on importance and priority in the marketing strategy. These results can help the organization in formulating targeted and effective marketing strategies. Conclusion: The results show that the proposed approach of the research provides the possibility to identify the behavioral patterns of customers. These analyses assist the organization in identifying the behavioral patterns of customers more effectively and targeting valuable customers in the marketing strategy according to prioritization. In general, the results of this research support organizations to formulate an effective marketing strategy and increase their marketing efficiency by recognizing and analyzing customers' behavior patterns. Purpose: The objective of this study is to analyze customer behavior using multivariate time series data. After a detailed analysis and understanding of customers, their prioritization is carried out using the TOPSIS multi-criteria decision-making method. The results of this study can assist organizations in developing marketing strategies. Method: In this research, the approach of analyzing customers' dynamic behavior using RFM (recency, frequency, monetary value) variables in the form of multivariable time series, which is one of the most recent and most practical methods of analyzing customers' behavior over time, has been used. Then, using an ensemble time series clustering method, the customers' clusters were identified, and their behavioral patterns were analyzed from different perspectives. After this step, key features were extracted from each time series and considered as the input of a classification model. Finally, by employing Shapley additive explanations (SHAP), the classifier model is interpreted, and the importance of each of the key features is calculated. The key features, along with their weights, are used in the TOPSIS multi-criteria decision-making method in order to prioritize customers. Findings: The findings of this research show that by representing customer purchase data in the form of a multivariate time series consisting of RFM variables, it is possible to identify similar groups of customers with similar behavior patterns over time. The proposed approach simultaneously considers RFM variables over time and analyzes the dynamic behavior of customers. Also, the application of the SHAP method in calculating the importance of critical features of customer behavior was shown in this research. Then, using the TOPSIS multi-criteria decision-making method, customers were ranked based on importance and priority in the marketing strategy. These results can help the organization in formulating targeted and effective marketing strategies. Conclusion: The results show that the proposed approach of the research provides the possibility to identify the behavioral patterns of customers. These analyses assist the organization in identifying the behavioral patterns of customers more effectively and targeting valuable customers in the marketing strategy according to prioritization. In general, the results of this research support organizations to formulate an effective marketing strategy and increase their marketing efficiency by recognizing and analyzing customers' behavior patterns. | ||
| کلیدواژهها [English] | ||
| Customer segmentation, RFM model, Multivariate time series, Ensemble clustering, Shapley additive explanations, TOPSIS | ||
| مراجع | ||
|
| ||
|
آمار تعداد مشاهده مقاله: 881 تعداد دریافت فایل اصل مقاله: 19 |
||