خوشه بندی مشتریان فروشگاه آنلاین با الگوریتم K-means

سیستم های تجارت الکترونیک، امکان بازاریابی و معرفی محصولات از طریق اینترنت را فراهم می کند و بازاریابی سنتی بدلیل کارایی کمتر، به مرور جایگزین می گردد. برای افزایش سودآوری، بخش بندی مشتریان بر اساس ویژگی های مشترک صورت می گیرد تا نحوه برخورد با هر مشتری مشخص گردد. این کار، با معیارهای مختلفی از جمله رفتاری، جغرافیایی، جمعیت شناختی و روان شناختی انجام می گردد. در این پژوهش، از مدل RFM که به عنوان یکی از ابزارهای مناسب برای استخراج ویژگی های رفتاری و سنجش ارزش مشتریان شناخته می شود، استفاده می شود. همچنین برای پوشش دقیق تر ابعاد رفتاری و سنجش ارزش متوسط تراکنش ها، شاخص ترکیبی «میانگین ارزش هر خرید» یا AMV نیز به عنوان مولفه ای مکمل استفاده گردید. در فرایند خوشه بندی از الگوریتم k-means++ که نسخه بهبود یافته k-means است، برای بهینه سازی و تایید تعداد خوشه ها، علاوه بر روش های «آرنج» و «سیلوئت»، از شاخص های دیویس-بولدین و آزمون آماری Bootstrap ARI جهت اطمینان از پایداری و تکرارپذیری بخش بندی استفاده شده است. نتایج پژوهش منجر به شناسایی سه گروه مجزای مشتریان (استراتژیک، جستجوگران بالا و مشتریان گذری) گردید. در نهایت، این رویکرد به کسب وکارهای آنلاین کمک می کند تا با ارائه تجربه های سفارشی سازی شده، موجب افزایش رضایت و وفاداری مشتریان بالقوه گردند.

کلیدواژه ها:

خوشه بندی مشتریان ، مدل RFM ، الگوریتم k-means ، روش آرنج (Elbow Method) ، تحلیل سیلوئت (Silhouette Analysis)