ارائه مدل جهت ارزش گذاري مشتريان فروشگاه هاي آنلاين بر اساس مدل تازگي، تكرار و مبلغ خريد با روش سيستم هاي استنتاجي فازي

Present a model to valuation of online stores customers base on RFM model by fuzzy Inference Systems

امروزه ارزش گذاري و طبقه بندي مشتريان به ويژه در فروشگاه هاي آن لاين كه بصورت رودررو با مشتريان در ارتباط نيستند، جهت بهبود خدمات بسيار حائز اهميت مي باشد. در اين راستا هدف مطالعه حاضر طبقه بندي و ارائه الگويي جهت ارزش گذاري مشتريان يك فروشگاه اينترنتي بر اساس مدل تحليل تازگي خريد، تكرار خريد و مقدار يا ميزان خريد مشتريان از فروشگاه آن لاين با استفاده از روش سيستم هاي استنتاج فازي است. بدين منظور با ايجاد قواعدي و با بكارگيري نرم افزار متلب و بر اساس معيارهاي فروشگاه جهت بهينه كردن مديريت ارتباط با مشتري اين ارزش گذاري صورت مي گيرد زيرا مدلهاي سيستم فازي آشكار ساخته كه ابزاري سريعتر، شهودي تر و انعطاف پذير جهت درك و پاسخ به رفتار خريد مشتريان هست. در پايان با ارائه يك مدل با استفاده از پايگاه داده مشتريان و با ايجاد قواعدي بر اساس مدل تحليل تازگي خريد، تكرار خريد و مقدار يا ميزان خريد مشتريان و وارد كردن اين داده ها در سيستم استنتاج فازي، مشتريان ارزش گذاري خواهند شد كه از حاصل اين ارزش گذاري مي توان براي مديريت ارتباط با مشتري استفاده كرد.

Nowadays, classification and valuation of customers to improve services is important issue especially in online stores because there is no face to face communication. Therefore the purpose of this study is classification and presents a new model base on Recency, Frequency and Monetary value model by using fuzzy Inference Systems to valuation of an online store customers. Therefore, this valuation implemented with creating rules and using MATLAB software and base on store indexes to optimizing of customer relationship management because the fuzzy system models proves to be a faster, more intuitive and flexible tool to understand and respond to customer buying behavior. In conclusion, by presenting a model with using of customers data base and creating rules base on Recency, Frequency and Monetary value model, and by importing them into fuzzy inference system, customers will be valuating, therefore, we can apply the result of this valuation to customer relationship management