کاربرد داده کاوی در بهبود مدیریت ارتباط با مشتری

کاربرد داده کاوی در بهبود مدیریت ارتباط با مشتری


  • 387 بازدید

در این سلسله مقالات به مفاهیم و کاربرد های داده‌کاوی، متن کاوی و علوم مرتبط با علم داده پرداخته می‌شود. با توجه به حجم عظیم مقالات تولید شده در زبان فارسی در حوزه داده کاوی و علم داده، آکادمی داده تصمیم گرفت مقالات فارسی منتشر شده در این حوزه را خلاصه برداری کرده و در اختیار علاقه مندان قرار دهد. این مقالات ابتدا با معرفی موضوع و کارهای انجام شده آغاز می شود و سپس مجموعه داده یا دیتاست تحقیق ارائه می شود و سپس پیاده سازی انجام شده در رپیدماینر، وکا یا پایتون ارائه شده و نتایج تحلیل می شود.

در این رشته نوشته ها ابتدا خلاصه ای از مقاله ارائه شده و سپس نتیجه گیری مقاله عینا آورده می گردد و سپس فایل پی دی اف آن نیز برای دانلود در اختیار محققین و پژوهشگران عزیز قرار می گیرد. 

 

با افزایش اهمیت رضایت مشتری در محیط تجاری امروز، بسیاری از سازمان ها روی مباحث مرتبط با شناخت مشتری، وفاداری و سود آوری مشتری برای افزایش سهم بازار خود و کسب رضایت بیشتر مشتری تمرکز نموده اند. مدیریت ارتباط با مشتری به عنوان یک مزیت رقابتی برای سازمان ها محسوب می گردد. یکی از روش های شناخت مشتری، بخش بندی مشتریان به گروه های همگن و اتخاذ سیاست های بازاریابی متناسب با هر بخش است. در این مقاله پس از خوشه بندی مشتریان به دو روش فازی و غیر فازی با توجه به اینکه معیار تراکم خوشه ها در روش قازی کمتر است نتیجه گرفتیم همواره روش فازی برای خوشه بندی مشتریان از دقت بیشتری برخوردار است. همچنین برای اینکه تعداد به خوشه ها را بدست آوریم بهترین روش، از الگوریتم ژنتیک استفاده کردیم. در این مقاله سپس ارزش خوشه ها تعیین شد و در انتها برای تحلیل خوشه ها و تبين استراتژی مناسب برای هر خوشه از هرم ارزشی مشتری بهره گرفته شد و با توجه به نتایج بدست آمده دیگر نیازی به شناخت تک تک مشتریان نمی باشد، بلکه هر خوشه معرفی ویژگی های مشتریان موجود در آن گروه است. در انتها نیز با استفاده از درخت تصمیم گیری قوانین شناسایی مشتریان استخراج شد.
در این مقاله با یکپارچه سازی چند ماژول از جمله بانک اطلاعاتی، پیش پردازش های اولیه و درخت تصمیم گیری پایگاه دانشی ایجاد شد که می تواند برای شناسایی و اعتبارسنجی مشتریان کارا باشد. گرچه با بکارگیری الگوریتم ژنتیک در الگوریتم های درخت تصمیم و شبکه های عصبی ممکن است بتوان دانش بهتری کسب کرد. از سوی دیگر، با بکار گیری مجموعه داده با استفاده از سیستم های استنتاج فازی و روش های کلاسیک نظیر رگرسیون می توان نتایجی را کسب کرد و نتایج حاصله را مورد مقایسه قرار داد و با کاربرد تکنیکهای آماری اعتبار مدل را بررسی نمود.
 تحقیقاتی که در آینده می تواند مورد توجه قرار گیرند عبارتند از:
١. خوشه بندی داده ها براساس سایر روش های خوشه بندی مانند شبکه عصبی، الگوریتم مورچگان و... و مقایسه الگوریتم ها 
2 - پیش بینی رفتار مشتریان و برنامه ریزی تقاضا 
۳. ارائه متد جدید برای خوشه بندی و بهبود الگوریتم های موجود

 

این مقاله از طریق لینک قابل دسترسی است و محققین علاقه مند می توانند آن را به صورت رایگان دریافت نمایند. 


کپی برداری بدون ذکر منبع، بر اساس قانون جرائم اینترنتی و مادۀ 12 فصل سوم قانون جرائم رایانه ای غیر قانونی بوده و مجازات جزای نقدی و حبس دارد و شرعا نیز حرام است! 
اگر در زمینه داده کاوی در حال تحقیق یا پیاده سازی پروژه تجاری یا پایان نامه هستید برای گرفتن مشاوره یا دادن سفارش انجام با ما تماس بگیرید.  آکادمی داده در تلگرام، واتزآپ و تمامی پیام رسان های ایرانی(سروش، آی گپ، بله و ویسپی) با شماره 09120637751 حضور دارد برای ارتباط از طریق ایمیل آدرس جیمیل: dataacademyir@gmail.com می باشد. 


افتخار آکادمی داده، همسفر بودن با شما در راه یادگیری علم داده است.