شناسایی مشتریان سودآور بر اساس مدل RFM و تنوع محصولات در پلتفرم های خرده فروشی آنلاین

رفتار مصرف کننده یک جنبه حیاتی از استراتژی بازاریابی است که شامل درک عادات خرید، انگیزه ها و ترجیحات مشتریان است. درک بهتر رفتار مشتری از طریق روش های نوآورانه ذخیره سازی و تجزیه و تحلیل داده ها و اطلاعات مشتریان، تدوین استراتژی های اثربخش تری را موجب می شود. ظهور فناوری های محاسباتی جدید تغییرات عمده ای را در توانایی سازمان ها برای جمع آوری، ذخیره و تجزیه و تحلیل داده های کلان ایجاد کرده است. بسیاری از تحقیقات با استفاده از الگوریتم های یادگیری ماشین بدون نظارت مانند K-Means با استفاده از مدل معروفRFM به طبقه بندی مشتری پرداخته اند اما این مدل ها با نادیده گرفتن سایر پارامترهای مهم با توجه به حوزه کاربرد، ناکافی می باشند. این تحقیق از نظر هدف کاربردی و از نظر گردآوری داده ها توصیفی و از نوع تحقیقات کمی است که با استفاده از ۲۰۰۰۰۰ تراکنش مشتریان فروشگاه خرده فروشی آنلاین طی بازه زمانی ۲۰۱۳ تا ۲۰۱۸ انجام شده است. مدل، با افزودن تنوع "D" به عنوان پارامتر چهارم، با اشاره به تنوع محصولات خریداری شده توسط یک مشتری معین، اصلاح شده است. طبقه بندی بر اساس RFM-D در بازار خرده فروشی آنلاین به منظور شناسایی الگوهای رفتاری برای مشتری اعمال می شود. بررسی رفتار مشتریان خوشه ها نشان داد که تنوع محصولات به همراه سایر متغیرهای رفتاری، سودآوری بیشتری نسبت به مدل RFM ارائه کرده است.

کلیدواژه ها:

رفتار خرید مشتری ، RFM-D ، تنوع ، الگوریتم K-Means ، طبقه بندی مشتریان