خوشه بندی مشتریان با استفاده از رویکرد داده کاوی Crisp و متدلوژی توسعه یافته LRFM (مورد مطالعه سازمان نیازمندی های همشهری)

در این تحقیق، شیوه LRFM برای بخش بندی مشتری در نیازمندی های همشهری مورد استفادهقرار گرفته است. داده های مشتریان واکاوی می شوند تا بخش بندی مشتری و در نتیجه، تعریف مناسباستراتژی های موثر برای برخورداری از دیدگاه بهتر مشتریان شرکت و رفتارهای آنها و نیز افزایشسوددهی اجرا گردد. روش LRFM چهار بعد داده معاملاتی مشتری معروف به مدت رابطه، تاخر، فراوانی و مالی را در راستای طبقه بندی رفتار مشتری الگوسازی می کند. پس از آن که داده هایمربوط به مقادیر شاخص های ال. آر اف.ام. از پایگاه داده مشتریان استخراج گردید، مرحله پیشپردازش و آماده سازی داده ها با توجه به کد اختصاص یافته به هر مشتری صورت گرفته است. مقادیر آل. آر.اف.ام، نرمال سازی شدند. در ادامه، طبقه خروجی نرم افزار SPSS تعداد خوشه بهینه به روش تحلیل کلاستر دو مرحله ای، به 5 خوشه تعیین گردید. بر اساس تعداد خوشه تعیین شده، مشتریان بر اساس شاخص های ال.آر.اف.ام. خوشه بندی شدند. همچنین متغیر جدید با نام C که بر اساس تعداد تغییراتی که مشتری بر روی سفارش خود داده است را نشان می دهد به داده ها اضافه شد. و نتایج نشان داد که این متغیر نقشی در تغییر تعداد خوشه ها ندارد.