خوشه بندي مشتريان به منظور اصلاح استراتژي قيمت گذاري و تدوين استراتژي تخفيف دهي ، مطالعه موردي شركت كدبانو

Customer Clustering for Appointing Rebating Strategies: a Case Study of Kadbano Company

در طي سال هاي گذشته تعامل شركت ها با مشتريانشان به طور قابل توجهي تغيير كرده است به طوري كه تداوم كسب و كار با مشتري تضمين بلند مدت ندارد. به همين دليل براي موفقيت يك سازمان لازم است سازمان ها نيازهاي مشتريان خود را به درستي درك كرده، خواسته هاي آنها را پيش بيني كنند و با مجهز شدن به اين دانش، استراتژي ها و برنامه هاي فروش و بازاريابي خود را بهبود بخشند. يكي از راه هاي شناخت مشتريان، از طريق خوشه بندي آنها و شناخت ويژگي هاي هر خوشه است. هدف پژوهش حاضر شناخت انواع مشتريان يك شركت صنايع غذايي (شركت كدبانو) و خوشه بندي آنها مي باشد. با خوشه بندي مشتريان و برچسب گذاري آنها مي توان استراتژي هاي تخفيف دهي متمايزي براي هر خوشه در نظر گرفت. در اين پژوهش براي خوشه بندي مشتريان از دو معيار ارزش گذاري LRFM و RFM استفاده شده است و با استفاده از شاخص هاي ارزيابي دان و SSE به مقايسه خوشه هاي بدست آمده از هر مدل پرداخته شد. طبق يافته هاي پژوهش، با توجه به نتايج شاخص هاي ارزيابي دان و SSE، خوشه بندي حاصل از معيار ارزشيابي RFM مورد تاييد قرار گرفت و تعداد خوشه بهينه هشت عدد تعيين شد. خوشه هاي به دست آمده برچسب گذاري و تجزيه وتحليل شده و از طريق مصاحبه هاي انجام شده استراتژي مناسب تخفيف دهي براي هر خوشه استخراج شده است.

Abstract Recently organization’s interaction with customers has been changed. Therefore, organizations must get to know their customers and predict their needs to improve their strategies and selling and marketing plans. Clustering is a way to get to know the customers and identify each clusterʹs features. The purpose of this research is to identify an alimentary industryʹs (Kadbano Company) customers and classify them into different clusters. By clustering and labeling customers, different rebate strategies can be deduced. In order to create an appropriate customer clustering, RFM and LRFM models were used, K-means algorithm, created the optimum number of clusters and the outcomes were compared by Dun and SSE indexes. The results of this research illustrated that the best number of clusters for segmenting Kadbano company’s customers was obtained from RFM model. Eight clusters were analyzed and labeled; finally variant rebating strategies for each cluster were extracted. Keywords: Data mining, Clustering, Customer, RFM model, LRFM model, Rebates