دانشگاه علامه طباطبایی

  اخبار و اعلانات

 آمار

تعداد نشریات63
تعداد شماره‌ها2,257
تعداد مقالات18,555
تعداد مشاهده مقاله57,399,647
تعداد دریافت فایل اصل مقاله29,417,015
کاظمی, محمد, کرامتی, محمدعلی, مینوئی, مهرزاد. (1403). مدل بهبودیافته‌یLRFM جهت خوشه‌بندی بر مبنای الگوریتم ازدحام ذرات و خوشه بندی K-میانگین. سامانه مدیریت نشریات علمی, 13(48), 197-222. doi: 10.22054/ims.2023.75014.2364
محمد کاظمی; محمدعلی کرامتی; مهرزاد مینوئی. "مدل بهبودیافته‌یLRFM جهت خوشه‌بندی بر مبنای الگوریتم ازدحام ذرات و خوشه بندی K-میانگین". سامانه مدیریت نشریات علمی, 13, 48, 1403, 197-222. doi: 10.22054/ims.2023.75014.2364
کاظمی, محمد, کرامتی, محمدعلی, مینوئی, مهرزاد. (1403). 'مدل بهبودیافته‌یLRFM جهت خوشه‌بندی بر مبنای الگوریتم ازدحام ذرات و خوشه بندی K-میانگین', سامانه مدیریت نشریات علمی, 13(48), pp. 197-222. doi: 10.22054/ims.2023.75014.2364
کاظمی, محمد, کرامتی, محمدعلی, مینوئی, مهرزاد. مدل بهبودیافته‌یLRFM جهت خوشه‌بندی بر مبنای الگوریتم ازدحام ذرات و خوشه بندی K-میانگین. سامانه مدیریت نشریات علمی, 1403; 13(48): 197-222. doi: 10.22054/ims.2023.75014.2364

مدل بهبودیافته‌یLRFM جهت خوشه‌بندی بر مبنای الگوریتم ازدحام ذرات و خوشه بندی K-میانگین

مطالعات مدیریت کسب و کار هوشمند
مقاله 6، دوره 13، شماره 48، تیر 1403، صفحه 197-222    اصل مقاله (1.29 M)
نوع مقاله: مقاله پژوهشی
شناسه دیجیتال (DOI): 10.22054/ims.2023.75014.2364
نویسندگان
محمد کاظمی1؛ محمدعلی کرامتی* 2؛ مهرزاد مینوئی3
1دانشجوی دکتری مدیریت فناوری اطلاعات، گروه مدیریت صنعتی، واحد تهران مرکزی، دانشگاه آزاد اسلامی، تهران، ایران
2دانشیار، گروه مدیریت صنعتی، واحد تهران مرکزی، دانشگاه آزاد اسلامی، تهران، ایران
3استادیار، گروه مدیریت صنعتی، واحد تهران مرکزی، دانشگاه آزاد اسلامی، تهران، ایران
چکیده
تلاش این مقاله در جهت حل یکی از مشکلات اصلی حوزه ی بانکداری می باشد که ارتباط تنگاتنگی با حوزه ی فناوری اطلاعات دارد. ترکیب بحث مدیریتی این موضوع با حیطه ی فناوری اطلاعات یکی از مباحث مهم حوزه ی مدیریت فناوری اطلاعات را رقم خواهد زد.هدف اساسی این مقاله، خوشه بندی مشتریان بانک است.
در ابتدا، تمامی ویژگی های مشتریان از پایگاه داده ی بانک استخراج گردیده که استخراج برای 900 هزار مشتری و به طور تصادفی انجام گرفته است که به عنوان ورودی در اختیار روش پیشنهادی این مقاله قرار خواهد گرفت. تمامی ویژگی-های این مشتریان استخراج شد و با استفاده از نظرات کارشناسان 10 ویژگی (به جز چهار ویژگی روش LRFM) لیست گردید. روش پیشنهادی باید از بین این 10 ویژگی بتواند ویژگی‌هایی را برای خوشه بندی مشتریان انتخاب کند که تفکیک پذیری بیش تری را در خوشه بندی نتیجه دهد. با توجه به تعداد بالای حالات این مساله، امکان انجام دستی آن وجود ندارد و روش پیشنهادی سعی می کند با بررسی حالات مختلف، برای مشتریان هر بانک الگوی مجزایی را برای خوشه بندی ارایه دهد. همچنین، مشکل انتخاب مقدار مناسب برای تعداد خوشه‌ها در روش K-میانگین به وسیله‌ی روش پیشنهادی این مقاله برطرف می گردد. نتایج حاصل، نشان از بهبود آن نسبت به روشRFM و‌LRFM پایه دارد.
کلمات کلیدی:مدیریت ارتباط با مشتریان بانک،خوشه بندی، مدل RFM،مدل LRFM، الگوریتم ازدحام ذرات، روش K-میانگین.
کلیدواژه‌ها
خوشه بندی؛ مدل LRFM؛ الگوریتم ازدحام ذرات؛ روش K-میانگین
مراجع
  1. خدابنده لو، س. نیک‌نفس، ع. قاضی‌زاده، ف.، (1394)،«بررسی مزایا، معایب و نحوه‌ی کاربرد RFM در ارزیابی وفاداری مشتری»، دومین همایش ملی پژوهش‌های کاربردی در علوم کامپیوتر و فناوری اطلاعات. Doi://civilica.com/doc/455223/
  2. مصلحی، ن. کفاش پور، آ. ناجی عظیمی، ز.، (1393)،«استفاده از مدل LRFM برای بخش‌بندی مشتریان بر اساس ارزش چرخه‌ی عمر آن‌ها»، پژوهش‌های مدیریت عمومی. DOI:10.22111/JMR.2014.1908
  3. یوسفی زاد، ا. ثریایی، ع.، (1397)،«بررسی و خوشه‌بندی مشتریان، بر اساس مدل RFM و طراحی الگویی برای ارائه‌ی خدمات به مشتریان کلیدی»، پژوهشنامه‌ی مدیریت اجرایی علمی-پژوهشی.DOI :10.22080/JEM.2019.15814.2834
References

  1. Ahmar, A. S., Napitupulu, D., Rahim, R., Hidayat, R., Sonatha, Y., &Azmi, M. (2018). Using K-means clustering to cluster provinces in Indonesia. In Journal of Physics: Conference Series (Vol. 1028, p. 012006). IOP Publishing. Doi:10.1088/1742-6596/1028/1/012006
  2. Ayoubi, M., (2016), “Customer Segmentation Based On CLV Model And Neural Network”, International Journal Of Computer Science. Doi:10.20943/01201602.3137
  3. Bagattini, F., Schoen, F., Tigli, L., (2019), “Clustering Methods For Large Scale Geometrical Global Optimization”, Optimization Methods And Software. Doi:10.1080/10556788.2019.1582651
  4. Chandra, S., Verma, S., Lim, W. M., Kumar, S., &Donthu, N. (2022). Personalization in personalized marketing: Trends and ways forward. Psychology & Marketing, 39(8), 1529-1562.Doi:10.1002/mar.21670
  5. Cohen-Addad, V., Green Larsen, K., Saulpic, D., Schwiegelshohn, C., & Sheikh-Omar, O. A., (2022), Improved Coresets for Euclidean $ k $-Means. Advances in Neural Information Processing Systems, 35, 2679-2694.DOI:https://doi.org/10.48550/arXiv.2211.08184
  6. Hughes, A. M., (1996), “Boosting response with RFM", Marketing Tools.
  7. Khanesar, M. A., Teshnehlab, M., &Shoorehdeli, M. A., (2007), A novel binary particle swarm optimization. In 2007 Mediterranean conference on control & automation (pp. 1-6). IEEE. DOI: 10.1109/MED.2007.4433821
  8. Otto, A. S., Szymanski, D. M., Varadarajan, R., (2019), “Customer Satisfaction And Firm Performance: Insights From Over A Quarter Century Of Empirical Research”, Journal Of The Academy Of Marketing Science.Doi:10.1007/s11747-019-00657-7
  9. Sharahi, M., Aligholi, M., (2015), “Classify The Data Of Bank Customers Using Data Mining And Clustering Techniques (Case Study: Sepah Bank Branches Tehran)”, Journal Of Applied Environmental And Biological Sciences.
  10. Marzdashti, T., Jazani, N., &Mehrabi, J. (2022). Designing a strategic model of customer-oriented human resources in the Iranian banking system. Journal of Positive School Psychology, 6800-6818.
  11. Nickfarjam, A. M., Ebrahimpour-komleh, H., & Hosseini, F., (2015), Multi-level image thresholding based on local variance and particle swarm optimization. In 2015 International Congress on Technology, Communication and Knowledge (ICTCK) (pp. 508-512). IEEE.Doi:10.1109/ICTCK.2015.7582720
  12. Rousseeuw, P. J. (1987). Silhouettes: a graphical aid to the interpretation and validation of cluster analysis. Journal of computational and applied mathematics, 20, 53-65.Doi:10.1016/0377-0427(87)90125-7
  13. Shahapure, K. R., & Nicholas, C. (2020). Cluster quality analysis using silhouette score. In 2020 IEEE 7th international conference on data science and advanced analytics (DSAA) (pp. 747-748). IEEE.Doi:10.1109/DSAA49011.2020.00096
References [In Persian]

  1. Khudabandeh Lu, S. Nik Nafs, A. Ghazizadeh, F., (2014), "Investigation of the advantages, disadvantages and application of RFM in evaluating customer loyalty", the second national conference of applied research in computer science and information technology.
  2. Moslehi, N. Kafashpour, A. Naji Azimi, Z., (2014), "Using the LRFM model to segment customers based on their life cycle value", Public Management Research. Doi:10.1371/journal.pone.0279262
  3. Yousefizad, A. Soryaei, A., (2017), "Investigation and clustering of customers, based on the RFM model and design of a model for providing services to key customers", scientific-research executive management research paper.
‌

 

 

 

‌

آمار
تعداد مشاهده مقاله: 542
تعداد دریافت فایل اصل مقاله: 479


سامانه مدیریت نشریات علمی. طراحی و پیاده سازی از سیناوب
login