تحلیل داده های شرکت های بازاریابی با استفاده از خوشه بندی K-Means بهبودیافته و مدل LRFMM۲

خوشه بندی به ویژه k میانگین، یکی از مهمترین روش های داده کاوی است که در شناسایی و رصد رفتار مشتریان مورد استفاده قرار می گیرد. در k میانگین کلاسیک، بهینگی وابسته به انتخاب اولیه مراکز بوده و در نتیجه، این روش، بهینه نیست. مشکلات دیگر آن تعیین تعداد خوشه ها و صفر شدن خوشه ها است. در خوشه بندی مشتری، ویژگی های رفتاری مشتری به عنوان روشی برای یافتن تعداد بهینه خوشه ها و مقادیر اولیه مراکز خوشه برای دستیابی به نتایج دقیق تر و پیش بینی طول عمر مشتریان در نظر گرفته شده است. نتایج این پژوهش رفتار مشتریان هر یک از خوشه ها را نشان می دهد و روش پیشنهادی بهبود یافته k میانگین یک بار با احتساب پارامتر M_۲ (میزان رضایت مشتریان) و یک بار بدون M_۲ با k میانگین کلاسیک مقایسه شده است. معیار اطلاعات متقابل نرمالیزه بر روی روش پیشنهادی و روش مورد مقایسه محاسبه شده و در هر دو حالت، با در نظر گرفتن یا فقدان شاخص M_۲، معیار اطلاعات متقابل نرمالیزه روش پیشنهادی بالاتر بوده است. همچنین شاخص رند تعدیل یافته برای حالت روش پیشنهادی با احساب پارامتر M_۲ بالاترین عدد را ثبت کرده است. روش پیشنهادی از نظر زمان محاسباتی نیز سریعتر از k میانگین کلاسیک بوده که نشان می دهد این روش عملکرد بهتری را از نظر سرعت و دقت عملکرد نسبت به k میانگین کلاسیک دارد.

کلیدواژه ها:

خوشه بندی ، k میانگین ، بهینه سازی ، بازاریابی ، تحلیل