مدل‎سازي تركيبي Pareto/NBD و RFM موزون فازي به‎منظور بخش‌بندي مشتريان در روابط غيرقراردادي

An Integrated Pareto/NBD- Fuzzy Weighted RFM Model for Customer Segmentation in Non-contractual Setting

درآمدسازي در شركت‌ها از طريق ايجاد رابطه با مشتريان و حفظ اين روابط در درازمدت صورت مي‌پذيرد. از اين رو توانايي پيش‌بيني مناسب روابط با مشتريان نكته‌اي اساسي در مديريت رابطه با مشتريان است. بخش‌بندي روشي است كه طي آن با تفكيك مشتريان به بخش‌هاي متجانس با رفتار خريد مشابه، تلاش مي‌شود تا ارزش آتي رابطه با مشتريان پيش‌بيني شود. روش RFM يكي ازمتداول‌ترين روش‌هاي بخش بندي است كه از تحليل پايگاه داده تراكنشي براي رده‌بندي ارزش مشتريان استفاده مي كند. پژوهش حاضر تلاش دارد تا از تركيب مدل‎سازي Pareto/NBD ـ كه به مدلي قدرتمند در پيش بيني رفتار مشتريان مشهور است ـ با روش معمول RFM، كيفيت بخش بندي مشتريان را ارتقا بخشد. در اين پژوهش از روش Pareto/NBD براي تخمين سه مولفه مقدار انتظار احتمال فعاليت آتي، تعداد تراكنش‌هاي آتي و متوسط ارزش پولي استفاده شده است. سپس نتايج بخش بندي مشتريان با استفاده از اين مولفه ها با كاربرد روش مرسوم RFM مقايسه شده است. نتايج حاصل بيانگر بهبود كيفيت بخش بندي در رده‌بندي ارزش آتي مشتريان، به‎ويژه در رده هاي ارزشمند مشتري با كمك رويكرد پيشنهادي است.

Companies create revenue through creating customer relationships and sustenance of these relations in long-term. Therefore, an appropriate prediction of customer relationships is central for CRM. Segmentation divides the customer base into homogenous parts where every group of customers has similar characteristics of buying behavior and therefore has similar expected value. One of the most popular segmentation techniques is RFM analysis which uses transactional databases to provide predictions about customer lifetime value. This study aims to combine Pareto/NBD model, as a powerful tool in predicting customer’s future behavior with RFM analysis to improve the segmentation quality. The Pareto/NBD model is used to estimate the probability of customers’ activity in future periods, the expected number of transactions and the expected average monetary value. The result of this segmentation is being compared to the application of traditional RFM technique. Experimental results indicate that the proposed approach improves the quality of segmentation in order to estimate the customer’s future value, especially in the case of more valuable segments.