الگوریتم داده کاوی برای خوشه بندی و ارزیابی وفاداری مشتریان بر مبنای مدل RFM-DL و تحلیل مفهومی رسمی (FCA)

در دنیای رقابتی امروزی، تحلیل رفتار مشتریان و بخش بندی آن ها بر اساس الگوهای وفاداری، نقش محوری در افزایش سودآوری و حفظ مزیت رقابتی ایفا می کند. این پژوهش با هدف توسعه مدل سنتی RFM از طریق افزودن دو شاخص جدید تنوع در سبد خرید (D) و مدت زمان ارتباط مشتری با برند (L)، مدل نوین RFM-DL را معرفی می کند. این مدل با در نظر گرفتن ابعاد رفتاری و اقتصادی مشتریان، امکان ارزیابی دقیق تری از وفاداری فراهم می آورد و با ترکیب تحلیل مفهومی رسمی (FCA)، روابط پنهان میان ویژگی های مشتریان را آشکار می سازد. داده های پژوهش شامل تراکنش های واقعی ۲۰۰۰ مشتری یک مجموعه غذایی در شهرستان خمینی شهر طی بازه زمانی مهر تا اسفند ۱۴۰۳ است که جزئیات پنج خرید اخیر هر مشتری (تاریخ، مبلغ و اقلام) را در بر می گیرد. مراحل پیش پردازش داده ها شامل استانداردسازی تاریخ ها، حذف مقادیر پرت با روش Z-Score (آستانه >۳)، محاسبه شاخص های RFM-DL و نرمال سازی مجدد با Z-Score بوده است. برای خوشه بندی، از الگوریتم K-Means با تعداد بهینه خوشه K=۳ (تعیین شده با روش های زانویی و سیلوئت) استفاده شد که شاخص سیلوئت ۰.۳۲ نشان دهنده کیفیت مناسب جداسازی خوشه ها است. در مقایسه، الگوریتم خوشه بندی سلسله مراتبی با سیلوئت ۰.۲۸ عملکرد ضعیف تری نشان می دهد. تحلیل FCA به عنوان ابزار مکمل، روابط مفهومی مانند وابستگی میان فرکانس بالا و تنوع سبد خرید (D) یا طول رابطه (L) را استخراج کرده و دقت مدل را ارتقا می دهد. نتایج نشان می دهد که مشتریان به سه گروه وفاداری بالا (۷۵۵ نفر) و متوسط (۵۳۹ نفر) و پایین (۷۰۶ نفر) تقسیم می شوند. این پژوهش با تاکید بر کاربرد عملی مدل RFM-DL در صنایع خرده فروشی، پیشنهادهایی برای استراتژی های بازاریابی شخصی سازی شده ارائه می دهد و بر لزوم ادغام داده کاوی با تحلیل مفهومی برای تصمیم گیری های دقیق تر تاکید دارد.

کلیدواژه ها:

خوشه بندی مشتریان ، مدل RFM-DL ، داده کاوی ، تحلیل مفهومی رسمی ، تنوع سبد خرید ، مدت زمان ارتباط با مشتری