خوشه بندی مشتریان به منظور تدوین استراتژی تخفیف دهی ، مطالعه موردی شرکت کدبانو

نویسندگان

دانشگاه الزهرا

چکیده

در طی سال های گذشته تعامل شرکت ها با مشتریانشان به طور قابل توجهی تغییر کرده است به طوری که تداوم کسب و کار با مشتری تضمین بلند مدت ندارد. به همین دلیل برای موفقیت یک سازمان لازم است سازمان ها نیازهای مشتریان خود را به درستی درک کرده؛ خواسته های آنها را پیش بینی کنند و با مجهز شدن به این دانش، استراتژیها و برنامه های فروش و بازاریابی خود را بهبود بخشند. یکی از راه های شناخت مشتریان، از طریق خوشه بندی آنها و شناخت ویژگی های هر خوشه است.
هدف پژوهش حاضر شناخت انواع مشتریان یک شرکت صنایع غذائی (شرکت کدبانو) و خوشه بندی آنها می باشد. با خوشه بندی مشتریان و برچسب گذاری آنها می توان استراتژی های تخفیف دهی متمایزی برای هر خوشه در نظر گرفت. در این پژوهش برای خوشه بندی مشتریان از دو معیار ارزش گذاری LRFM و RFM استفاده شده است و با استفاده از شاخص های ارزیابی دان و SSE به مقایسه خوشه های بدست آمده از هر مدل پرداخته شد. طبق یافته های پژوهش، با توجه به نتایج شاخص های ارزیابی دان و SSE، خوشه بندی حاصل از معیار ارزشیابی RFM مورد تائید قرار گرفت و تعداد خوشه بهینه هشت عدد تعیین شد. خوشه های به دست آمده برچسب گذاری و تجزیه وتحلیل شده و از طریق مصاحبه های انجام شده استراتژی مناسب تخفیف دهی برای هر خوشه استخراج شده است.

کلیدواژه‌ها


عنوان مقاله [English]

Customer clustering for appointing rebating strategies, case study: Kadbano Co.

نویسندگان [English]

  • Proshat Hamedi
  • Ameneh Khadivar
  • Zahra Razmi
Alzahra University
چکیده [English]

Recently organization’s interaction with customers have 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 cluster's features.
The purpose of this research is to identify an alimentary industry's (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 Co.’s customers was obtained from RFM model. Eight clusters were analysed and labled Finally variant rebating strategies for each cluster were extracted.

کلیدواژه‌ها [English]

  • Data Mining
  • Clustering
  • Customer
  • RFM model
  • LRFM model
  • Rebates