بخش بندی داده محور مشتریان تجارت الکترونیک با استفاده از مدل RFM و الگوریتم K-Means

در عصر داده محور کنونی بخش بندی مشتریان در پلتفرم های تجارت الکترونیک نقش کلیدی در بهینه سازی راهبردهای بازاریابی و افزایش وفاداری مشتری ایفا می کند. پژوهش حاضر چارچوب داده محوری برای بخش بندی مشتریان با استفاده از مدل RFM (تازگی، تکرار، ارزش مالی) و الگوریتم K-Means ارائه می دهد. مجموعه داده مورد مطالعه شامل بیش از ۵۰۰,۰۰۰ رکورد تراکنشی واقعی از سال های ۲۰۱۶-۲۰۱۸ است که با روش نمونه گیری لایه ای (stratified sampling) بر اساس سال و فرکانس خرید به ۴۵,۲۳۱ رکورد کاهش یافت. تحلیل PCA برای استخراج امتیاز خرید ترکیبی (purchase score) به کار گرفته شد. تعداد بهینه خوشه ها (k=۴) با روش Elbow و Silhouette Score برابر ۰.۵۲ تعیین گردید. چهار گروه متمایز مشتریان شناسایی شدند: مشتریان VIP، ارزش بالا، وفادار مشتریان و وفادار، مشتریان جدید و مشتریان در معرض ریسک. طرح کمپین های هدفمند بازاریابی تدوین شد که ROI تخمینی ۰.۳۱ را پیش بینی می کند. نتایج کارایی RFM-KMeans را در آشکارسازی الگوهای پنهان رفتاری، تخصیص بهینه منابع و افزایش نرخ نگهداشت مشتری (retention rate) تایید می کند. این رویکرد مبنایی علمی برای تصمیم گیری های داده محور در پلتفرم های تجارت الکترونیک فراهم می آورد.

کلیدواژه ها:

بخش بندی مشتریان ، مدل RFM ، الگوریتم K-Means ، تجارت الکترونیک ، PCA ، سمپل گیری لایه ای