مدل خوشه بندي و پيش بيني ارزش طول عمر مشتري (مورد مطالعه: مشتريان مركز شماره گذاري كالا و خدمات ايران)

Clustering and Prediction Model of Customer Lifetime Value (Case Studies: IRAN National Center for Numbering Goods and Services)

يكي از مباحث مهم در زمينه حفظ مشتريان و چگونگي رفتار با آنها، ارزش طول عمر مشتري (CLV) است . هدف از اين پژوهش، طراحي مدلي براي خوشه بندي و پيش بيني طول عمر مشتريان و همچنين ارزيابي مشتريان در مركز شماره گذاري كالا و خدمات ايران است. در اين پژوهش اطلاعات 74385 عضو اين سازمان در بازه زماني 1390 - 1396 دريافت شد. مشتريان توسط تكنيك داده كاوي CRISP طبقه بندي شده و درنهايت مدلي براي پيش بيني آن ها طراحي شد. ابتدا اعضا توسط مدل RFM و الگوريتم K-Means به 7 طبقه دسته بندي شده و سپس هر طبقه توسط روش محاسبه ارزش طول عمر مشتريان رتبه بندي شد. در ادامه توسط الگوريتم هاي رگرسيون لجستيك، درخت تصميم و شبكه هاي عصبي، الگوهاي پنهان بين داده ها و بخش هاي مختلف مشتريان كشف شدند. نتايج اين پژوهش، رفتار مشتريان هر يك از خوشه ها را در خدمات مركز و همچنين مدل رفتار مشتريان آتي را نشان داده است. اين پژوهش با تحليل خوشه ها به مديران در ارائه راهبردهاي بازاريابي، حفظ اعضاي وفادار و جذب يا حذف اعضاي غيرفعال، ياري مي رساند. در پژوهش حاضر تعداد خوشه مناسب براي مشتريان 7 عدد است؛ همچنين در پيش بيني كلاس مشتريان عملكرد شبكه هاي عصبي با دقت 56 / 99 درصد نسبت ديگر الگوريتم ها بهتر بوده است.

One of the important topics in this field is Customer Lifetime value (CLV) that means how much profit a customer generates in his lifetime for a company. The main goal of this research is presenting a model for clustering and predicting customer lifetime value and customer evaluation in IRAN National Center for Numbering Goods and Services. In this research, 74,385 records of members at a specified time interval were used (from 2011 to 2017). Members are classified by CRISP methodology, resulting in the presentation of a model for predicting them. At first, members are classified into 7 clusters by RFM and K-Means. Next, each cluster is rated by CLV. Next, hidden patterns are discovered inside the data and various segments of members are then predicted through classification algorithms. Finally, the algorithms are evaluated and the final report is prepared. The results of this study exhibit the member’s behavior in each cluster on the organization’s services and membership or extended subscription and also future customer behavior are unveiled. This research helps the managers to come up with marketing strategies to keep loyal members and attract or remove inactive members by analyzing the clusters.