Customer Behaviour Forecasting in FMCG Retail Industry ...

Customer Behaviour Forecasting in FMCG Retail Industry; Golpakhsh Avval Co. Case Study

Saeed Rouhani *Corresponding author, Assistant Prof. in IT Management, Faculty of Management, University of Tehran, Tehran, Iran. E-mail: [email protected]

Hamed Ghazanfari MSc. IT Management, Faculty of Management, University of Tehran, Tehran, Iran. E-mail: [email protected]

Babak Sohrabi Prof. in IT Management, Faculty of Management, University of Tehran, Tehran, Iran. E-mail: [email protected]

Abstract Objective: Providing that data mining has been an effective solution of improving the efficiency and the effectiveness of the retail industry, this industry has been the subject of data mining science due to the nature of its data. In this study, the prediction of customer behavior in the retail industry of Fast Moving Consumer Goods is aimed at increasing the quantity and quality of sales in the study of Golpakhsh Avval Co.

Methods: The present study is applied in terms of purpose, using data survey to collect data. The research is based on the CRISP-DM process, which uses the RFMCL clustering model, regression classification and regression techniques as well. Eventually, a collaborative recommendation method has been applied for recommendation.

Results: The result is a forecasting model recommended to the best customers goods that they have not bought on a particular date and to a certain amount, so that, the order-based sale is changed to hot sale method. The final solution involves three sub models of customer clustering, sale forecasting and a recommendation system. The five variables model –with MSE/Range accuracy of 2.24% – is solved for recommendation of sales amount.

Conclusion: By implementing the developed recommender system in Golpakhsh Avval Co., the proactive production master plan would be possible to execute. In addition, the marketing approach could be transformed from visiting sales to hot sales in the future which provides considerable savings in shipping and personnel costs.

Keywords: Customer’s behavior, Sales forecasting, Recommendation system, Retail industry, Hot sales.

Citation: Rouhani, S., Ghazanfari, H., & Sohrabi, B. (2018). Customer Behaviour Forecasting in FMCG Retail Industry; Golpakhsh Avval Co. Case Study. Journal of Business Management, 10(3), 623-642. (in Persian)

------------------------------------------------------------ Journal of Business Management, 2018, Vol. 10, No.3, pp. 623-642 DOI: 10.22059/jibm.2018.240903.2737 Received: November 3, 2017; Accepted: June 17, 2018 © Faculty of Management, University of Tehran

تند مصرف يكالاها يفروش در صنعت خرده يرفتار مشتر ينيب شيپ )شركت گلپخش اول: مورد مطالعه(

سعيد روحاني [email protected]: رايانامه. مديريت دانشگاه تهران، تهران، ايران هاستاديار گروه مديريت فناوري اطلاعات، دانشكدمسئول، هنويسند*

حامد غضنفري [email protected] :رايانامه. مديريت دانشگاه تهران، تهران، ايران همديريت فناوري اطلاعات، دانشكدكارشناس ارشد

بابك سهرابي [email protected]: رايانامه. مديريت دانشگاه تهران، تهران، ايران هاستاد گروه مديريت فناوري اطلاعات، دانشكد

چكيدهفروشي تبـديل شـده و صـنعت هاي اصلي بهبود اثربخشي و كارايي صنعت خرده روش از كاوي به يكي دادهطي دو دهه اخير، :هدفبينـي در ايـن مطالعـه بـه پـيش . كاوي بوده است هاي بازي مورد علاقه علم داده هاي آن، از زمين دليل ماهيت داده فروشي نيز به خرده

با هدف افزايش كمي و كيفي فروش در مـورد مطالعـه شـركت ) FMCG( فروشي كالاهاي تند مصرف رفتار مشتري در صنعت خرده . گلپخش اول پرداخته شده است

اي مـايش داده يهـا، پ و از نظـر نحـوه گـردآوري داده گيرد قرار ميكاربردي هاي در دسته پژوهشهدف لحاظتحقيق حاضر از : روشهـاي و تكنيـك RFMCLبنـدي از مدل خوشـه كهاست CRISP-DMتحقيق مبتني بر فرايند اجراي مراحل. ده استشريزي طرح .از روش پيشنهاددهي مشاركتي بهره برده است براي پيشنهادو در نهايت استفاده كردهبيني رگرسيوني بندي و پيش دستهاند، در تاريخ خاص و بيني است كه به بهترين مشتريان، كالاهايي را كه تا به حال خريد نكرده حاصل مطالعه يك مدل پيش :ها يافته

سيسـتم نهـايي از سـه زيـر مـدل . دهـد به مقدار خاص پيشنهاد داده و بدين ترتيب روش فروش سفارشي را به فروش آني تغيير مـي RFMCLبنـدي، مـدل جديـد در زيرمـدل خوشـه . شده است بيني فروش و زيرسيستم پيشنهادگر تشكيل بندي مشتريان، پيش خوشه

دقـت بـا اي بـا اسـتفاده از رگرسـيون بينـي فـروش، مـدل پـنج متغيـره در زيرمـدل پـيش . متناسب با مورد مطالعه توسعه يافته استMSE/Range 24/2 شده استدرصد ايجاد.

» فـروش آنـي «فعالانه شده و فرايند فروش از ويزيتوري بـه پيشريزي توليد سازي اين مدل در شركت، برنامه با پياده: گيري نتيجه .هاي پرسنلي فروش به ارمغان خواهد آورد و نقل و هزينه جويي شايان توجهي در حمل صرفه ،كه اين تغيير يابد مي تغيير

.آنيفروشي، فروش بيني فروش، سيستم پيشنهادگر، صنعت خرده بندي مشتريان، پيش بخش :ها كليدواژه

تند مصرف يكالاها يفروش در صنعت خرده يرفتار مشتر ينيب شيپ). 1397( بابكروحاني، سعيد؛ غضنفري، حامد؛ سهرابي، : استناد

.642 -623، )3(10مديريت بازرگاني، هفصلنام. )شركت گلپخش اول :مورد مطالعه(

-------------------- 642 -623. ، صص3 ه، شمار10 هر، دو1397مديريت بازرگاني، هنشري

10.22059/jibm.2018.240903.2737 DOI:

27/03/1397: رشيپذ، 12/08/1396: افتيدر دانشكده مديريت دانشگاه تهران ©

624 )اول گلپخش شركت :مورد مطالعه( تند مصرف يكالاهايفروشدر صنعت خردهيرفتار مشترينيبشيپ

مقدمهبهينـه، هـاي سـازي متعـددي همچـون يـافتن بهتـرين قيمـت، تخفيـف هاي فراوان و مسـائل بهينـه دليل وجود داده به

هـاي تحليـل داده حـل شـوند، روش كمـك بـه تواننـد كه همگـي مـي ... سودآور، سطح مطلوب موجودي و هايپيشنهادبينـي ميـزان پـيش رابطـه، در اين . .كاوي است وكار براي علم داده و داده كسب هاي ترين حوزه فروشي يكي از مهم خرده

داشتن سطح مطلوب موجودي مـواد توليد و نگه هاي تواند در تصميم مي) SKU1 تا سطح( خرد صورت فروش محصول به .، در افزايش رضايت وي مؤثر باشدنياز داردمشتري كه يمحصولاتبهنگام هدر انبار كمك كرده و با ارائچراكه از ؛تر استاما نگهداري مشتري مهم ،است يكه جذب مشتري كار مهم معتقدند) 2006(كاتلر و آرمسترانگ

زمـاني كـه .دارد عمر خود هدادن تمام جريان ارزشي است كه مشتري طي دور به معناي از دست ،دادن يك مشتري دستچنـگ، (با ارزش و مهم خود را شناسايي كنـد هشود، اين براي شركت حياتي است كه مشتريان بالقو تر مي صنعت رقابتي

يان از نظـر مـالي بـراي سـازمان يكسـان از آنجا كه تمام مشـتر ،)2007(سهرابي و خانلري هبه گفت). 2007يو، چنگ وسـپس منـابع را بـا توجـه بـه ارزش مشـتريان بـه آنهـا شود،نيستند، بسيار حياتي است كه ابتدا سودآوري آنان محاسبه

كـه به چند دسـته مشتريان بندي طبقهشود، طور كه تعداد ركوردهاي تراكنش يك شركت بيشتر مي همين .داداختصاص ، بسـيار ضـروري خواهـد بـود باشـند بندي بازار با هم مشابه و در خـارج آن نامتشـابه از نظر بخشآن مشتريان در داخل

نيازهـاي پوشش براي توانند سازي شده مي هاي بازاريابي اختصاصي ، استراتژيآن متعاقب). 2010، ، پارك و چايچانگ( .شوند استفاده مشتريان مختلف

بسيار هنگفتي مبالغ . فروش است 2هاي و تشويق ها كشف ميزان اثربخشي ترويج ،شانفرو خردهديگر هاي از خواستهولي بسياري از ايـن ،شود ميصرف و خريد بيشتر ايشان ) ها فروشگاه(فروشي براي جذب بيشتر مشتريان در صنعت خرده

كننـد مـي جـا صورت زماني جابه ها يكديگر را خنثي كرده يا اثر افزايشي خالص در فروش ندارند و تنها فروش را به هزينه ).2016ما، فيلدز و هوانگ، (

فـروش تيو كم تيفيك شيافزا توان براي هايي را مي قاعدهها و چه دانشاين است كه حاضر ال اصلي پژوهشؤسايران، روش فـروش مـويرگي FMCG3 در صنعت ؟كردشركت استخراج نيا يتراكنش يها ت گلپخش اول از دادهشركفروش مراجعه كرده و با تبليغ و بازاريابي كالاي خود و شركت به خرده بازارياب هاست؛ در اين روش ترين روش رايج ءجز

مهلـت با توجه به اينكه. گيرد هاي محدودي مي از او سفارش ،فروش، در صورت موفقيت با در نظر گرفتن موجودي خردهفروش پيشـنهاد كالاهاي محدودي را به خرده مجبور است كه بازاريابدر فروشگاه اندك است، بازارياب كالا توسط ارائهبـا تجميـع فاكتورها را به شركت تحويل داده و شـركت پيشفروش، خرده چند هاي پس از گرفتن سفارش بازارياب. دهد. شـود فروشان ارسال مي تقاضاهاي تجميع شده پس از تأمين براي خرده .كند ميشناسايي را فاكتورها، تقاضاي توليد پيش

دست آورد و علاوه بر آن، فروش را از فـروش از ترجيحات مشتري بهفهرستي اگر بتوان ،فرايندبا توجه به مشكلات اين

ــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــ1. Stock Keeping Unit 2. Promotions and Incentives 3. Fast Moving Consumer Good

3، شماره10، دوره1397فصلنامه مديريت بازرگاني، 625

هـدف از اين رو، . افزايش خواهد يافتشايان توجهي روش و سود شركت به مقدار تبديل كرد، ف 1سفارشي به فروش آني

بـا ) كننـدگان و نه مصرف(فروشان هستند افزايش فروش شركت به مشتريان اصلي كه همان خرده حاضر، اصلي پژوهشتـرين را در يكـي از بـزرگ شده بيان همسئلپژوهشگر رابطه، در اين. است 2يابيبازار ليو تحل هيتجزهاي استفاده از روش

هـاي ترين شركت ترين شركت پخش گروه صنعتي گلرنگ و يكي از بزرگ بزرگ همنزل به(شركت گلپخش اول هاي هشعببيني رفتار مشتريان شركت پخـش در پيشدست آمده بهنتايج كه بررسي كرده است ) فروشي در ايران پخش صنعت خرده

.خواهد بود مؤثر) فروشان خرده(بينـي فـروش بـا نگـاه بـه صـنعت بنـدي مشـتري و پـيش هاي بخـش نظري و تجربي مدل هابتدا پيشين ،ادامهدر

و الگوريتم انجـام كـار تشـريح فرايندو پرداختهمدل مفهومي تحقيق هبه بحث دربار سپس ؛شود فروشي بررسي مي خرده .خواهد شدبيان بعدي هاي پژوهشبراي ي هايهاي تحقيق ارائه شده و پيشنهاد و يافتهها نتيجه ،در نهايت. شود مي

پژوهش نظري هپيشين مسئله در خصوصو رويكردهاي موجود ها ها، ديدگاه تئوري

بيني فروش بـه مشـتريان در مدل پيش همشتريان و همچنين ارائ) بندي خوشه(بندي از آنجا كه هدف اين پژوهش بخش ـ منظور در اين بخش بهاست، هاي متفات خوشه هـاي بنـدي مشـتريان، مـدل بخـش هآشنايي خوانندگان بـا مفـاهيم پاي .اند مباني نظري تشريح شدهديدگاه بيني فروش از هاي پيش و مدل RFMمشتريان بندي بخش

بندي مشتري هاي بخش مدلبـاارزش و مهـم خـود را شناسـايي كنـد هشود، براي شركت حياتي است كه مشتريان بالقو تر مي زماني كه صنعت رقابتي

از آنجا كه تمـام مشـتريان از نظـر مـالي بـراي سـازمان ،)2007(سهرابي و خانلري هبه گفت). 2007يو، چنگ، چنگ و(سپس منابع را با توجه به ارزش مشـتريان بـه ،يكسان نيستند، بسيار حياتي است كه ابتدا سودآوري آنان را محاسبه كنيم

.دهيمآنها اختصاص در سـازي مناسـبي اطلاعـات تصـميم كرد وارزشيابي توان آنها را ، ميهاي مختلف مشتريان ارزش گروه هبا محاسب

توانند براي پوشش نيازهاي مختلـف سازي شده مي هاي بازاريابي اختصاصي ، استراتژيآن متعاقب. قرار دادمديران اختيارمتغيرهـا بـراي بنـدي دقيقـي از خوشـه هتشريح كردند كـه مجموع ـ ) 1998( گينترو ، آروراآلنبي. مشتريان استفاده شوند

هتوانند به واسط كه مشتريان مي نداستدلال كرد) 2006(كاتلر و آرمسترانگ در مقابل، . كامل بازار وجود ندارد بندي خوشهمشـخص، مشخصـات طـور بـه . بنـدي شـوند دسته ،شامل مشخصات مشتري و متغيرهاي رفتاري ها، شاخصگروه از دو

تركيبـي از در حاليكه متغيرهاي رفتاري است؛ شناختي شناختي و روان هاي جغرافيايي، جمعيت شاخص هدربرگيرند مشتري كه مشتري در قبال نفع، وضـعيت و برنـد محصـول است رفتارها و طرز برخوردهاي مشتري در قبال محصول و واكنشي

). 2009وو و پن، (دهد نشان مي ــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــ

1. Hot Sale 2. Marketing Analytics


براي تحليل رفتار شناسايي شده از يك مشـتري در مدل رفتارينوعي ) تازگي، فراواني و ارزش مالي( RFM1 مدل

مـدت زمـان ،تازگي منظور از). 2009، يه، يانگ و تينگ( استبر اساس اين رفتار هايي بيني پايگاه داده و در نهايت پيشو ارزش مـالي مقـدار دهـد را نشان مـي زماني مشخص هتعداد خريد در يك بازفراواني است؛ از آخرين خريد سپري شده

اين سه متغير، متغيرهـاي رفتـاري بـوده و واقع در ). 2010ونگ، ( استپول هزينه شده توسط مشتري در اين بازه زماني قبال محصول، برنـد، منفعـت يـا حتـي وفـاداري، از رفتار مشتري در هبا مشاهد بندي خوشهعنوان متغيرهاي توانند به مي

.طريق پايگاه داده استفاده شوند

بيني فروش هاي پيش مدلبيني فروش است و شود، پيش ها كه انتهاي هر سال براي سال بعد بسته مي شركت هاصلي و لاينفك بودج ييكي از اجزا

هرچقدر هم كه شركت به از اين رو، .هاي مالي ارائه دهند بيني سود خود را در صورت توانند پيش ها مي بر اين مبنا شركتواي و لوندالم، مـك ( پوشي كند بيني چشم تواند از پيش خود نمي ه، در خصوص بودجاهميت ندهدبيني فروش پيش همسئل

.شود بيني فروش بررسي مي هاي پيش در اين قسمت مباني نظري روشبه همين دليل . )2010راندال،

:شوند مي نديب دستهبيني به دو گروه كلي هاي كمي پيش روش

اند؛ هاي واكنشي يا يك بعدي معروف كه به روش :هاي زماني سري .1 .شوند شناخته ميفعال هاي چند بعدي يا پيش روش ا عنوانكه ب :هاي عليّ روش .2

بـه . فروش خواهد بود هگذشت) هاي(اند كه فروش آينده تقليدي از الگو هاي سري زماني بر اين فرض بنا شده روشدر ...) اي بـودن و رونـد، فصـلي بـودن، دوره بـراي مثـال (هاي سري زماني بر اساس شناسـايي الگوهـا روشبيان ديگر،

كـه زماني وجود دارد هاي سري انواع مختلفي از روش. اند اين الگوها در آينده شكل گرفته ههاي گذشته و فرض ادام داده ):2013چيس و چارلز، (اند از عبارت

2تصادفي زدن تخمين ساده يا قدم • 3ميانگين متحرك •

4هموارسازي نمايي •

5منفرد −

6دو پارامتري وينتر و هالت −

7دابل براون −

ــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــ1. Recency, Frequency and Monetary 2. Naive or Random Walk 3. Moving Averaging 4. Exponential Smoothing 5. Single 6. Holt’s and Winters’ two-parameter 7. Brown’s double


1سه پارامتري وينتر −

2تجزيه •

3افزودني −

4افزاينده −

5)باكس جكينز(اريما •

تجربي هپيشين ،در گـام بعـد . دشو بررسي مي ،طي زمان با متغيرهاي مختلف داشته است RFMهايي كه مدل در اين بخش ابتدا تركيب

بيني هاي مختلف پيش مدل هپيشيندرباره ، و در نهايتمرور شده هاي پيشنهادگر در پيشنهاد كالا به مشتريان كاربرد مدل .بحث خواهد شدفروشي در خردهويژه به ،فروش

RFMهاي مختلف مدل تركيبدرصـدد آن از ايـن رو ). 2007كارتي و هستاك، مك(شناسايي كردند RFMمختلفي را در مدل هاي پژوهشگران ضعف

را پوشش دهند يا ها ها، اين ضعف با ساير مدل RFMيا تركيب مدل Mو R ،Fكردن متغيرهايي به با اضافهكه برآمدند RFM مشـاهده اي از كارهـاي انجـام شـده در ايـن خصـوص خلاصه 1جدول در . را براي شرايط خاصي بهبود بخشند

.شود مي

RFMمروري بر تغييرات صورت گرفته در مدل .1 جدول

نتايج هخلاص سال پژوهشگر

خدماتي كوچك، هاي و سازمان فروشان خرده گذاري ارزش و بندي بخش در RFM مدل از R متغير حذف 1998 ماركوس

آن بودن اهميت كم دليل به

بـانكي مشـتريان صـنايع بنـدي بخش در خريد تازگي متغير گيري اندازه هنحو درباره ديگري تعريف هارائ 2004 هسيه

بندي بخش كيفيت افزايش براي RFM مدل و K-Means الگوريتم با ايران هاي بانك از يكي مشتريان بندي خوشه 2007 خانلري و سهرابي

و كيفيـت افزايش ههزين C آن، در كه RFC هيافت توسعه مدل با مشتريان جاي به شهروندان بندي بخش 2007 كينگ .است M جاي به زندگي خدمات هارائ

نخستين هباز Tآن، در كه مشتريان بندي بخش دقت افزايش منظور به RFMTC به RFM مدل هتوسع 2008 و همكاران يه

.است گرداني روي احتمال C و خريد اينترنت هاي خدماتي شركت مشتريان بندي بخش براي RFM متغيرهاي براي جديدي تعاريف هارائ 2008 همكاران و لي

ــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــ1. Winters’ three-parameter 2. Decomposition 3. Additive 4. Multiplicative 5. ARIMA (Box-Jenkins)


1ادامه جدول

خلاصه نتايج سال پژوهشگر

اينترنتي فروشي صنايع خرده در مشتريان خريد هآيند الگوي تعيين براي RFM-Apriori مدل هتوسع 2009 همكاران و چن

RFMمدل به مشتري سوي از شده خريداري قطعه كاركرد )L(طول متغير افزودن با جديد مدلي ارائه 2010 و همكاران حسيني

گيري از قواعد انجمنـي و بهره RFMبه مدل ) D(و تخفيف ) R(افزودن متغيرهاي هزينه بازگشت كالا 2011 چيانگ براي كاوش ارزش مشتري

بـا فروشي خردهصنايع در مشتري رفتارهاي كشف براي RFM-customer-patterns نام به مدلي ارائه 2014 يه و هو

خريد علاقه مورد الگوهاي و RFM مدل تركيب

با متغيـر RFM بندي مشتريان صنايع توليد و پخش كالاهاي پرگردش براساس مدل بهبود يافته بخش 1394 برادران و بيگلري (c)توالي خريد مشتري

1393 برادران و فرخيالگـوي جديـد . RFMCيافتـه بندي مشـتريان در صـنعت بانكـداري بـا اسـتفاده از مـدل توسـعه بخشوسـيله افـزودن متغيـر تـوالي روزهـاي انجـام بـه RFMبندي مشتريان بر پايه مدل توسعه يافته بخش

) C(تراكنش

كـاوي و هـاي داده آن از روش اي براي پيشنهاد كالا به مشـتريان ارائـه دادنـد كـه در متدولوژي) 2005(ليو و شيه AHP1 محـور و بـا تركيـب دو روش فيلترينـگ مشـاركت ) 2009(در پژوهشـي ديگـر، ليـو، ليـا و لـي . استفاده كردنـد

گيـري از پيشنهاددهي مبتني بر كشف قوانين توالي، سيستم پيشنهاددهنده جديدي توسعه دادند و ثابت كردنـد كـه بهـره كرامتـي و خـالقي . دهد ارزش، كيفيت پيشنهادهاي رويكرد تلفيقي تحت بررسي را بهبود ميبندي مبتني بر رويكرد بخش

كاوي، مدلي براي توسعه يك سيستم پيشـنهاددهنده محصـول بـه هاي داده اي از روش گيري از مجموعه با بهره) 1393(ل، نخست مشتريان با تكيه بر رويكرد با استناد به چارچوب پيشنهادي مد. فروشي اينترنتي ارائه كردند مشتريان يك خرده

بنـدي خوشه RFMهاي مدل بندي مبتني بر ارزش طول عمر و با لحاظ كردن نسبي ترجيحات، بر اساس مشخصه بخشبنـدي اي، پيشنهادهاي گوناگون در دو سطح متمـايز از رده گيري از ساختار پيشنهاددهي دومرحله شوند؛ سپس با بهره مي

. شود شتريان هدف ارائه ميمحصول به هر يك از مبيني فروش كالا در حالت وجود ترويجـات، بسـياري از مطالعـات متغيرهـاي ترويجـي ارتقاي كيفيت پيش منظور به

اي اسـت دو مرحله فراينداين رويكرد، . )1999كوپر، بارون، لوي و سويشر، ( بيني ادغام كردند هاي پيش كانوني را در مدل ـ ،سري زماني ايجـاد كـرده ههاي ساد بنايي از طريق مدلبيني م كه ابتدا يك پيش ي كـه وارد هـاي ازاي تـرويج هسـپس ب

هـاي آمـاري معمـولاً مطالعات نشان داده است كه مدل .)2007فيلدس و گودوين، ( كند بيني را تعديل مي شوند، پيش ميدر ادبيـات ).2013ترپـرو، پـدرگال، فيلـدس و كـارنتزس، ( كننـد هاي خبرگان ارائه مي نتايج بهتري را نسبت به قضاوت

حـال )2007فيلـدس و گـودوين، ( اند كرده تر ساختن تعديلات تمركز بر چگونگي اثربخش محققانهاي اخير، برخي سالترپـرو، فيلـدس و ( اند هاي مديران بحث كرده هاي آماري با قضاوت بيني كه ديگران در خصوص چگونگي ادغام پيش آن

ــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــ1. Analytic Hierarchy Process


بينـي فـروش محصـول بـا در نظـر گـرفتن مسـتقيم محور پيش از يك سيستم مدل برخي محققان نيز ).2011ويدنكو، د

كاوي بوده هاي داده هاي رگرسيون چندگانه يا تكنيك ها معمولاً بر مبناي مدل اين روش. اند اطلاعات ترويج استفاده كردهكـوپر، بـارون، (هاي ترويج محصول وجود داشته باشد با ويژگي هاي خارجي منطبق و در مواردي كاربرد دارند كه ورودي

فروشـي را بـدين كننده و محرك قابل اسـتفاده در خـرده برخي متغيرهاي تعديل) 2013(گورعلي ).1999لوي و سويشر، :شرح معرفي كرده است

:ها محرك تعداد واحد فروخته شد بدون تخفيف هموار شده • :براي محصول و برندهايش •

مقدار و درصد تخفيف قيمتي −

1قيمت در مقايسه با سوابق آن −

متغيرهاي دودويي نوع تخفيف، نمايش، يا ترويج −

ها تعداد ترويج −

سطح تخفيف رقيب −

:ها تعديل كننده 2هاي تخفيف خورده و تخفيف نخورده ميانگين تعداد فروخته شده در دوره • هاي برند شاخص •

بو و غيرهمشخصات كالا مانند اندازه، مزه يا •

هاي فروشگاه شاخص •

هاي شركت توليدكننده كالا شاخص •

تأخيرهاي متغيرهاي بازاريابي •

هاي فصول شاخص •

تعداد رقبا •

3شاخص فروش صفر در دوره اخير •

4از تخفيف قبل و بعدزمان •

5تكرار و عمق تخفيف •

ــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــ1. Price relative to its historical values 2. Average number sold in discounted periods and nondiscounted periods 3. Zero sales indicator for last period 4. Time into and since discount 5. Frequency and depth of discounts

)اول ش

در . هـد

مـدل نـده را رصـت شند؛ با مبنـاي

ن شـد در قـط

مـدل خريـد ـدهاي RFM

ريـابي معمولاً ـانلري،

گلپخش شركت :ه

ده يق نشان مي

ييكـي از اجـزا آين ،مشتري شته

دليـل فر نـد بـه باش مؤثرتوانند ي

كه بـر مـ كتي

موضوع نيز بيـانفقـ ـوند، سـپس

تر بيـان شـد، شه هنگامي افراد آنجـا كـه خريـ

M مـدل طريق ز

ن بسـيار در بازام RFM هاي لخـا و سـهرابي (

.ند

يشنهاد زمان مند و مقداري كالاهاي خريده نشده به

مشتريان

مورد مطالعه( صرف

اين تحقي همطالع

بينـي فـروش يكگذش هاي ترجيح

توا كه ميـ اده ي پيشنهادگر مي فيلترينگ مشارك

ر كه در ادبيات مشـ بنـدي مـي شه

شطور كه پي ماناينكه چهي مانند

از. كنـد مـي ي از توانند مي ها تكـه ايـن كننـد در نتيجه، مد .تدهـي پاسـخ ن

ا شده داده وسعه

پيم

ل يره

تند مص يكالاها

شتريان در مورد م

ب هـاي پـيش دلساس خريدها و به آن نشان ندا

هاي در اينجا مدلتوان از روش ي

شده ي پيشنهاد

طور ها، همان دهخوش RFMش

هم. گيرد رت ميRFM مواردي

گيـري را اندازه ندشركت ،كند بيني

شناسـايي شـاناست بازاريابي يميزاافزايش ظور

تو است، پيشنهاد

پيش بيني خريد مشتريان برتر از

كالاهاي سبد با مدلرگرسيون چهار متغير

يفروشعت خرده

مشتبيني خريد ش

Fاستفاده از مد ،تواند بر اس ط مي

ن رغبت چندانيد. گيرد قرار نمي

در اينجا تنها مي . ه كرد

بيني هومي پيش

و پراكندگي داد روشكمك بهبتداعمليات صور ،ت

مدل. ريان استخرن مي چقدر و د

پيش را آنها هندخريدش گذشته ر

هاي استراتژي ينمنظ بهان خاص

پتري براي ارائه

هايتهتر

در صنعير مشتر

پيشبراي قان را .شود ده مي

MCG صنعت

ش به تنهايي فقط مشتري تاكنون

فهرست قدر ) شدابه محصولات،

استفاده ـ دهد ي

مدل مفه. 1شكل

همحاسبات اضافمشتريان اب، )13

مثبت بيشتر استبندي مشتر خش

دهند مي انجام راآين خريد رفتار ثررفتار اساس بر ر،

تعيي در متداوليبي براي مشترياشتري هدف بهتر

استخراج سبدهخريد در دستمشتريان برتر

رفتارينيبشيپ

محقق شدهشنهادسمت توضيح داد

دربيان شده تبيني فروش پيش

كالاهايي كه و،آن كالا باش رائه

در خصوص تشاالا را پيشنهاد مي

ش

مكلاتي از قبيل393ي و خالقي،دهي م مال پاسخهاي بخ رين مدل

ر خريد اين بار كمؤث صورت به ندبيشتر ارتباط ي

ابزار و شود ميهاي بازارياب رنامه

مش كدام اينكه ن

مشتريانRFM وكيشنTw

فهومي مدل نهايي پيش

هر قسه تفصيل حل مشكلات اي

اما ،است شده از اين رو. كندي

اربراي بازارياباطلاعات نبود

يان مشتريان كا

اي كاهش مشك؛ كرامتي2005ه،

اي بالا كه احتمتر يكي از مطرح

يك وقت چند ،توان مي مشتريان

برا را ارزشمند ناستفاده داده ايبر در گذاري دف

كردن مشخص و

بخش بندي مMCLبا مدل

كلاسيفيك o Step

630

مدل مف

1شكل ، بهادامه

برپيشنهادبيني پيش

بنكردن وجه بهت

تشابه مي

برليو شيه(

ها خوشهRFM ي

كنند ميم هگذشت

مشتريانها پايگاههدبراي 2007(


از . تواند كارايي بسياري داشته باشد مي ،صورت تطبيق داده شده گيري از اين مدل اما به در اينجا بهره ،بر اين اساس

.شود ميتطبيق داده RFM، مدل FMCGبر اساس رفتار مشتري در صنعت اين رو، :است زيربر اساس ادبيات بررسي شده، رفتار مشتري تابع پارامترهاي

F:فراواني خريد C:هاي خريد مشتريماهتعداد

R:تازگي خريد W:وزن پارامترها

L:طول ارتباط مشتري T:بازه اولين خريد

D:تخفيف مشتري C:گردانياحتمال روي

R:مرجوع شدن كالا EMO:هيجان دريافت شده

G:گروه كالا C:توالي روزهاي خريد

R:احتمال ويزيت مثبت C:هزينه مشتري

M:خريد مقدار ريالي

كـاربرد )FMCGفروشـي در صـنعت خرده(شود اي كه در اين پژوهش بحث مي ئلهدر مسبالا اما تمام پارامترهاي . نيست هاموجود در شركت گلرنگ جوابگوي تحليل آنهاي دادهيا اطلاعات و دنندار

هم و ندمعنادار FMCGفروشي پارامتر هم در فضاي خردهشش مجموع در معرفي شده در بالا، پارامتر 15از ميان طـور كـه در در اين تحقيق همان. سازمان موجود است هاي داده هاي آن در پايگاه داده داشته ودر اين تحقيق موضوعيت داردكاربرد كمي FMCGدر صنايع ) R( تازگي خريد پارامتر سنتينيز بيان شده بود، ) 1394(پژوهش برادران و بيگلري

در آزمـون Cو Rدليل اهميت اين متغيـر، هـر دو متغيـر اما به ،پيشنهاد شده است )C( تر توالي خريدو به جاي آن پارامنسبي پارامترهاي منتخب را بـر اسـاس هاي وزنبندي نيست و تنها نيز پارامتر مجزاي خوشه Wپارامتر . حفظ شده است

پذيرفتـه و بندي با سه مدل مختلـف صـورت خوشه. كند مشخص مي ،بندي نظر خبرگان و بر مبناي قضاوت شهودي رتبه .بهترين آنها انتخاب خواهد شد

شـود، مـي تشريح بهترموجب ،متغير توضيحي به مدل يتعداد زيادافزودن تر نيز بيان شد، اغلب طوركه پيش هماناجراي متغيرهاي توضيحي از طريق كردن افهساز بايد هنگام اض در نتيجه، مدل. كند بيني مدل را بدتر مي اما در واقع پيش

يـك هر آزمايش در ادامه با از اين رو، . )2013چيس و چارلز، ( مختلف آماري، يكپارچگي ساختار را حفظ كند هاي آزموندر تعيـين دسـته . مشـخص خواهـد شـد پايگـاه داده تر بـر مؤثربندي، پارامترهاي از نظر كيفيت خوشهبالا از پارامترهاي

صـورت شـهودي تأثيرشـان پارامترهـايي كـه بـه شـود ، بايد توجـه بيان شدهبندي از ميان پارامترهاي ترهاي خوشهپارام )2001كورمن، ليسرسـون، ريوسـت و اسـتين، ( معكوس 1از روش حريصانهبنابراين .نشونددليل حذف مشخص شده بي

گيرد و پارامتري كه كمترين تأثير پارامترها صورت مي هبندي بر مبناي مجموع بدين صورت كه خوشهاستفاده شده است؛ با پارامترهـاي جديـد صـورت بار ديگر بندي خوشه .شود ميشناسايي و حذف ) با اختلاف معنادار(بندي داشته را در خوشه

ــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــ1. Greedy


كيفيـت كـه بايد دقـت شـود در هر مرحله .شود ميدوباره پارامتر با كمترين تأثير معنادار شناسايي شده و حذف ،گيرد مي

بنـدي بهينه، خوشـه بندي متوقف شد و خوشه بايد كار يعني ،به محض اينكه كيفيت افت پيدا كرد. كندنبندي افت خوشه ه، يا بـه بيـان ديگـر هم ـ نباشدبندي اندك از پارامترها در خوشه هيچ يك تأثير كه همچنين در صورتي. قبل است همرحل

نهـايي بنـدي بندي حاصل را خوشه و خوشهكرده متوقف كار را داشته باشند، باز هم بندي تأثير معنادار پارامترها در خوشه . كنيم تلقي مي

پيشنهاد مقداري كالا به سـاير مشـتريان بـر براي مدت تقاضاي مشتري بيني كوتاه پيشواقع در ،بيني هدف از پيشناشي از پيشنهاد كالاي جديد به مشتري، اين كار سبب خواهد شد علاوه بر افزايش فروش . اساس مدل پيشنهادگر است

كـاهش اين كار موجبكه شودصورت آني انجام بيني مقدار احتمالي خريد مشتري از اين پيشنهاد جديد، فروش به با پيش . شود سطح موجودي و افزايش سود مي

ا تنهـا زمـاني كـه ام ـكننـد، ميهاي زماني بسيار خوب عمل سري ههاي ساد تر بيان شد، تكنيك طوركه پيش همانهـايي كـه در مواقعي كه تـرويج وجـود دارد، اساسـاً مـدل . )2009علي، سايين، ونسل و فرانسوو، ( ترويجي در كار نباشد

.از دقت بالاتري برخوردارند ،هاي بيشتري دارند وروديون عرضـه زمـاني مطالعـه تـا كن ـ در اين پژوهش محصولاتي هسـتند كـه از ابتـداي دوره مطالعه شده محصولات

بر اساس . شوند بررسي نمي) محصولات جديد(آنها متوقف شده يا بعداً عرضه شدند محصولاتي كه عرضه يعنيشدند؛ ميتقاضـاي همچنين بـا در نظـر گـرفتن ، و FMCGتوجه به رقابت شديد حاكم بر صنعت و با) 2013( مدل چيس و چارلز

قـرار » محصـولات در حـال رشـد « ، اين محصولات در خانه)محلي نبودن محصولات(عمومي محصولات مورد مطالعه :اند از عبارتمحصولات در حال رشد مناسب براي خانههاي روش ،)2013( بر اساس مدل چيس و چارلز. گيرند مي

)اريماكس(اريما و تعديلات مربوطه • رگرسيون ساده •

چندگانه رگرسيون •

:هاي مربوط به متغيرهاي زير موجود است در خصوص متغيرهاي استفاده شده در مدل نيز، تنها داده

تعداد واحد فروخته شده • ها ها و ترويج تخفيف •

قيمت •

تعطيلات •

كـه ... شـده كالاهـا و كليمتأسفانه اطلاعات مفيدي مانند فروش و تبليغات رقبا، ويزيت مثبت و منفي، مشخصات كردن متغيرهاي محيطـي همچـون همچنين از اضافه. هاي خوبي را توليد كنند، در دسترس نيستند بيني وانستند پيشت مي

.شود پوشي مي شدن مدل چشم دليل پيچيده نيز به... تورم، ثبات سياسي، ركود و

.دهد بيني تقاضاي كالا در اين پژوهش را نشان مي هاي الگوريتم پيش گام 2طور خلاصه شكل به


بيني تقاضاي كالا با مقدار مشخص و در زمان مشخص الگوريتم پيش .2شكل

شناسي پژوهش روشايـن . رود كـار مـي بهشود، كاوي بهره گرفته مي كه براي حل آنها از مفاهيم داده بسياري ، در مسائلCRISP-DM روش

هـا، سـازي داده هـا، آمـاده ار، شـناخت داده وك ـ شناخت كسـب : اند از عبارت اصلي است كه همرحل ششرويكرد متشكل از بنـا CRISPمـدل پايـه اجرايي طي شده در اين پژوهش بر فرايندطور كه بيان شد، همان .سازي، ارزيابي و استقرار مدل .نمايش داده شده است 3شكل در قالب كهشده

)اول ش

نظـر ز شـركت قابليت ج شـده

. رسيد ه و شـد

هـا و ل

گلپخش شركت :ه

و از بـوده ه داده غرب تهـران ش

دليل ق بهياد شده هـاي اسـتخراج

716096ش به ريمـا اسـتفاده ش

زيرمـدل هدربار ه

مورد مطالعه( صرف

پيمـايش پايگـاهدر شعبه شتريان

يآماري هجامع .تعـداد ركورده 1

س هدف پژوهش رگرسـيون و ار

در ادامه. شود مي

تند مص يكالاها

پژوهش

پ ،هـا آوري دادهده ريزفاكتور مش

.است) سال و نيم395شهريور ن

سازي آن بر اساس قواعد انجمني،

.ده است

پيوسته ايجاد م

يفروشعت خرده

پاجراي فرايند

جمـع لحاظ ازدهاي پايگاه داد

دو س( 1395لپايانتا .شده است

اوليه و محدودسK ،Two Step،

S بهره برده شد

زيرمدل به هم

در صنعير مشتر

.3شكل

،است كاربرديركورد ،پژوهش

ايان شهريور ساروايي انتخاب شد

سازي س از پاكKNNبندي شه

ilhouetteص

يز بيان شد، سه

رفتارينيبشيپ

هدف هجنبش ازهجامع. شود ميتا پا 1393سال

ز نظر اعتبار و رما اين تعداد پس

هاي خوش از مدلاز شاخص بندي شه

تر ني ور كه پيش

.شود ي

وش اين پژوهشمحسوبكمي

ش اول از ابتداي سها از ن بيشتر داده

ا ،بوده است 19ين پژوهشاي

نجش دقت خوش

اي پژوهشطو قسمت همان

ر يك بحث مي

634

رومتغيرهاگلپخشاطمينان81785

اجرايدر براي سن

ها يافتهدر اين قنتايج هر


بندي مشتريان هاي بخش يافته

با استفاده ،عنوان ورودي بهنام برده شده كه تمام متغيرهاي بود دست آمده به اين صورت هب RFMCLدر مدل روش كار طـور پـيش بـه هـا تعداد خوشـه .شدندبندي بخش Two Stepو K-Means دو مدل آزمون و با Auto Clusterاز نود ،انتخـاب داشـت اندازي مدل، ابتدا مدلي كه دقت بالاتري در هر مرحله راه. در نظر گرفته شد 2و حداقل 6حداكثر فرض .شدحذف داشت، بندي سپس در آن مدل، متغيري كه كمترين اهميت را در بخش گرديد؛

سـپس . شـد انتخـاب مناسـب عنوان مدل به 649/0 با دقت Two Stepمدل ،اول هدر مرحل و بالابر اساس روش از آنجـا كـه شـاخص . ترين متغيـر در ايـن مـدل شناسـايي و حـذف شـد اهميت عنوان كم به» درصد كل تخفيف«متغير

Silhouette )دقت خـوبي محسـوب 5/0بيش از ، دقتكندنوسان [1+,1-] هدر بازتواند مي) شاخص دقت استفاده شدهمشتري 2743) ترين خوشه كوچك(اول هبندي، خوش در اين خوشه. بندي انجام شده با كيفيت خواهد بود هو خوششود مي

اي است كـه بندي خوشه دوم در اين خوشه هخوش. اند مشتري را در خود جاي داده 3194) ترين خوشه بزرگ(دوم هو خوش .مشتريان بهتري را در خود جاي داده است

برابـر بـا Two Stepدقـت . داشـت K-Meansدقت بهتري نسبت بـه مـدل Two Stepبعد نيز مدل هدر مرحل) معيـاره 6(بندي نسـبت بـه حالـت قبـل در اين مدل دقت خوشه. دست آمد به 581/0معادل K-Meansو دقت 664/0

از Mكـه متغيـر در صـورتي .ديگـران نداشـت توجهي با شايان تفاوتيك هيچ ، اهميتاما در ميان متغيرها ،بهبود يافتدر Mترجيح بر آن است كـه تـأثير متغيـر از اين رو . يابد بهبود مي 001/0بندي تنها بندي حذف شود، دقت خوشه خوشه

برتـر هخوش .است Two Stepبا استفاده از روش RFMLCبندي، مدل منتخب و نهايي خوشه بنابراين. مدل حفظ شودبرتـر هنيز در خوش )L( طول ارتباط. تر است ضعيف هدر خوش 12/17 نسبت به 42/102 نگينبا ميا )F( داراي تكرار بيشتر

)C( ، پيوستگي خريد)R( همچنين تازگي خريد. بيشتر است 14/4 تر با ميانگين ضعيف هنسبت به خوش 81/24 با ميانگينتر با ميانگين ضعيف هنسبت به خوش 3089و 53/15، 87/40 ترتيب با ميانگين برتر به هدر خوش، )M( و مقدار ريالي خريد

،كمتـر باشـد بهتـر اسـت Rمعيـار هرچه شايان ذكر است كه. در وضعيت بهتري قرار دارند 553و 03/3، 516ترتيب بهزياد است، يـك ) برتر هخوش( 2 هشود؛ از آنجا كه تعداد مشتريان خوش اما كار اينجا تمام نمي. چراكه از جنس فاصله است

.شود مي مشاهدهزير بندي انجام شد كه نتايج آن در نمودار در اين خوشه، خوشه )Two Step( با روش منتخب بار ديگر

)RFMCL2( بندي نهايي بندي در خوشه دقت خوشه .4 شكل


از كيفيت قابل قبولي برخـوردار 578/0با دقت RFMLCبندي نهايي انجام شده با روش ، خوشه5شكل با توجه به

برتر داراي تكـرار هخوش با توجه به اين جدول، .درج شده استبندي ها در اين خوشه مشخصات خوشه 2جدول در . استبرتر بـا ميـانگين هنيز در خوش )L( طول ارتباط. تر است ضعيف هدر خوش 09/55 نسبت به 45/132 با ميانگين )F( بيشتر

و مقدار )C( پيوستگي خريد، )R( همچنين تازگي خريد. بيشتر است 88/19تر با ميانگين ضعيف ه، نسبت به خوش95/27تـر بـا ميـانگين ضـعيف هنسـبت بـه خوش ـ 3907و 04/19، 79/24 ترتيب با ميانگين به ،برتر هدر خوش )M( ريالي خريد

. در وضعيت بهتري قرار دارند 1801و 10، 22/66 ترتيب به

) RFMCL2(بندي پنج معياره نهايي ها در خوشه اطلاعات خوشه .5شكل


هاي تحليل سبد خريد يافته

و Selectبـا اسـتفاده از نـود دسـت آمـد، بهقبل هبندي مرحل خوشهاز برتر هابتدا ركوردهايي كه در خوش ،در اين قسمتMerge سپس با استفاده از نود ند،انتخاب شدApriori حاصل اين مدل، . دست آمد خاص به هسبدهاي كالا در آن خوش

يتـر يل 1ننده حولـه و لبـاس ك نرم. 1: بدين شرح است 1پشتيبانيترتيب بود كه سه مورد اول آن به) قاعده(سبد كالا 29بـا هـم درصـد 64و كانفيـدنس درصـد 15پشـتيباني سافتلن با ييطلا يتريل 1ننده حوله و لباس ك نرمسافتلن و ينبات

و درصد08/11 پشتيبانيبا همين محصولطرح آبي و يسرخاب) 2ورژن (طرح اس ييع دستشويما .2 ؛شوند خريداري ميشوند و بهتر است هر گاه مشتري يكي را طلب كرد، آن يكـي را هـم بـه او با هم خريداري ميدرصد 22/66 كانفيدنس

يبـنفش مثلث ـ يگرم 500 ييفوم دستشوو AVE يعدد12 يمثلث يصورت يگرم 500 ييفوم دستشو .3 ؛پيشنهاد دهيم .شوند با هم خريداري مي درصد 93/65 و كانفيدنسدرصد 06/13 پشتيبانيبا AVE يعدد12

بيني فروش هاي مدل پيش يافتهده از سه مـدل بيني با استفا اين پيش. )3426يعني كالاي كد (انجام شد پشتيبانيبيني فروش براي سبد با بالاترين پيشهاي يكساني استفاده شد تا بتوان بهتر آنها را در اين سه مدل از ورودي. گرفتهاي عصبي، رگرسيون و اريما انجام شبكه

:است بودهزير ها به شرح مدلهر يك از هاي ورودي. با يكديگر مقايسه كردبينـي خريـد را بـراي هـر مشـتري تـوان پـيش عنوان يك متغير، مي كردن كد مشتري به با اضافه: كد مشتري •

.صورت جداگانه محاسبه كرد بهطـور بهنه تخفيفي كه است، شده در هر بار خريد كالا توسط هر مشتري كل تخفيف گرفتهمنظور : كل تخفيف •

. شود يا تخفيفي كه مشتري در طول عمر خود گرفته است در هر فاكتور لحاظ ميكلي

.شود نشان داده مي) T/F(صورت باينري خريد كالا توسط هر مشتري كه بهشده در هر بار گرفته ههدي: هديه •

بيني خريد مشـتري شود تا تأثيرات تغيير نرخ در پيش نرخ فروش واحد كالا در اين مدل وارد مي: نرخ واحد كالا • .شودلحاظ

عمولي، تعطيل كردن روزهاي خاص در نظر گرفته شده كه شامل روز م مشخص برايمتغير تعطيلات : تعطيلات • .رسمي، پنجشنبه و جمعه است

اسـتفاده شـده، هـاي مـدل اغلـب زيـرا ؛تبديل شـدند Continouosبه فرمت بالا قبل از استفاده هاي تمام ورودي .كردند از اين فرمت پشتيباني مي پذيرفتند و هاي ديگر را نمي فرمت

جنس سـفارش داده شـده توسـط مشـتري در نظـر به معناي تعداد كارتن» تعداد كارتن«ها نيز متغير خروجي مدلاعشاري بودن تعداد كارتن به معناي اين است كه كارتن باز شـده و بخشـي از . اعشاري باشد عدد تواند گرفته شد كه مي

.متداول استموضوع فروخته شده و اين آن محتويات

ــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــ1. Support


تـايي از 1000 ههاي تهيه شده بر يك نمون مدل .ارائه نشده استاز سه مدل دست آمده بهنتايج دليل حجم زياد، به هخلاص ـ. كـرد را محاسـبه MAEو MSEتا بتوان خطـاي گرديد ها از دل آن استخراج شدند، اعمال اي كه مدل جامعهمـدل MAEشـاخص لحاظ ها، از بين مدل هدر مقايس .نمايش داده شده است 2از اين كار در جدول دست آمده بهنتايج

مدل اريما از نظـر ،در اين ميان). تر بهتر است پايين(تر است بر NNمدل MSEشاخص لحاظ ي دارد و از رگرسيون برتر .هاي ادبيات موضوع است هاي مذكور برتري ندارد كه اين بر خلاف يافته از شاخصيك هيچ

كنيم تا بـه هر مجموعه تقسيم مي 1را بر برد MAEو MSEمانده، دو معيار تر شدن دقت دو مدل باقي شفافبراي ترين مجـذور خطـا و ترين و كوچك در حقيقت اختلاف بزرگ MSEبرد در .ها را بدون مقياس نماييم نحوي اين شاخص

. ترين خطاست ترين و كوچك اختلاف بزرگ MAEدر

بيني به كارگرفته شده هاي پيش دقت بدون مقياس مدل .2جدول دلم

رگرسيون شبكه عصبي دقت/خطا

MSE2 /Range 32/2% 24/2%

MAE3 /Range 13/11% 84/9%

مـدل از ايـن رو . بهتـري را نشـان داده اسـت ه، مدل رگرسيون در هر دو شاخص مذكور نتيج ـ3با توجه به جدول

.بيني تقاضاست هايي كه ذكر شد، مدل منتخب اين پژوهش در پيش رگرسيون با ورودي :به شرح زير استبيني خريد مشتري دست آمده براي پيش فرمول به ترتيببدين

1/958+ 0/0000008161 × كدمشتري − تخفيف كل × 0/00001984 + 0/01854× −هديه 0/0000305 × واحد نرخ − 0/03070× تعطيلات )برحسب كارتن( خريد مشتري تعداد=

؛ ميانگين قيمت آن كالاسـت هدهند نرخ واحد يك متغير پيوسته كه نشان ؛تعطيلات يك متغير باينري اين رابطه،در متغير پيوسته كه ميزان تخفيف ريـالي داده شـده را نشـان يك تخفيف ؛)شود؟ آيا هديه داده مي(متغير باينري يكهديه .هستندكد مشتري شناسه يكتاي مشتري در نهايت دهد و مي

گيري و پيشنهادها نتيجهفـروش هپنهـان در پايگـاه داد هـاي قاعـده ها و به كشف دانشمنظور افزايش كميت و كيفيت فروش، بهش در اين پژوه

. به اجرا درآمـد CRISP-DMروش و با طراحي شداي مرحله مدلي سه براي اين كار،. شركت گلپخش اول پرداخته شد ــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــ

1. Range 2. Mean Squared Error 3. Mean Absolute Error


بندي مناسب از بخشبراي گلرنگ پخش متناسب با مشتريان RFMCLمدل )؛ اولجواب رسيديمدو به در زيرمدل اول

، پيوستگي خريد)M( مقدار ريالي خريد ،)F( ، فراواني خريد)R( لحاظ رفتار خريد و سودآوري كه با پنج معيار تازگي خريد)C( و طول رابطه )L( اي از طريق روش دو مرحله )Two Steps( يـاد شـده گيـري از مـدل با بهـره )دوم. به دست آمد ،

هو برترين مشتريان از نظر ارزشمندي در سودآوري براي شركت انتخاب شدند تـا ادام ـ گرفتبندي مشتريان انجام بخشقاعـده اسـتخراج 29مشتريان منتخب، روي Aprioriسازي روش در زيرمدل دوم، با پياده. آنها انجام شودپژوهش روي

. شـود با احتمال بالا با آن خريداري مي ديگري شود، چه كالايخريداري ييند اگر كالانك مشخص مياين قواعد شد كه دست آمد كه آن رگرسيون خطـي بـا پـنج اين پژوهش به هبيني براي جامع در نهايت در زيرمدل سوم، مدل مناسب پيش

. ورودي كد مشتري، كل تخفيف، هديه، نرخ واحد كالا و تعطيلات بود بازاريابيفروش از فرايندشده و 1فعالانه ريزي توليد پيش در شركت، برنامه سازي اين مدل شود با پياده بيني مي پيش

هـاي پرسـنلي فـروش بـه نقل و هزينـه و توجهي در حملشايان جويي صرفهتغيير تغيير يابد كه اين » 2فروش آني«به .ارمغان خواهد آوردبراي . سازي شده و بهبود يابد پياده اين شركتديگري از هاز اين تحقيق در شعبدست آمده بهشود مدل پيشنهاد مي

فـروش «وكار در اين شعبه بازمهندسي شود تا روش فروش به هاي كسبفرايندانجام اين كار نياز است حداقل بخشي از فارغ از اينكه فروشي انجام شده يا نه، زمان ورود و و ها در شعب ديگربازارياب همچنين در صورت رصد . تغيير يابد» آني

هاي احتمال بيزين را هاي مختلفي نظير مدل توان مدل دست آمده مي ههاي ب به فروشگاه ثبت شود، با داده بازارياب خروجپيشنهاد سـوم، . هاي مختلف استخراج كرد تري از رفتار مشتريان در ايام و زمان هاي ارزشمندتر و دقيق به كار برد و دانش

هـايي هاي موجود، داده در داده. ها بالا رود صنعتي گلرنگ است تا قابليت اتكاي دادهدر گروه داده هاي پايه هپروژاجراي پيشنهاد چهارم، . براي مثال يك كالا با دو كد ثبت شده است. نشدن، قابليت اتكاي بالايي ندارندجامع دليل كه بههستند

در اين پژوهش، مشخص شد كه الگوي دست آمده بهبا توجه به نتايج . تغيير الگوي اختصاص ترويجات به مشتريان است .افزايش فروش نشده استموجب فعلي اثربخشي نداشته و

هـاي سـه سـال كـه دسـت كـم داده بهتـر بـود (ها ها از نظر صحت محتوايي، كم بودن حجم داده تميز نبودن دادهبرخـي خـلأ ، )، اين امـر ميسـر نشـد 93ال هاي قبل از س دليل تميز نبودن و معتبر نبودن داده ولي بهشدند، آوري مي جمعهـاي بسـيار مفيـدتري اسـتخراج دانـش ،هاي ويزيت مثبت و منفي در دسـترس بـود داده براي مثال، اگر(هاي مفيد داده .است مواجه شدههايي بود كه پژوهشگر با آن و در نهايت زمان و پيچيدگي پژوهش از جمله محدوديت )شد مي

منابع هاساس مـدل بهبـود يافت ـ بندي مشتريان صنايع توليد و پخش كالاهاي پرگردش بر بخش). 1394( ، محمدگلريبي، وحيد؛ برادران

RFM. 42-23، )1(7، مديريت بازرگاني هفصلنام. ــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــ

1. Pro-Active 2. Hot Sales


فصـلنامه . RFMC يافتـه بندي مشتريان در صنعت بانكداري با اسـتفاده از مـدل توسـعه بخش). 1393(زهرا ،فرخي ؛وحيد ،برادران

.154-135، )1( 2، برندمديريت گيـري از محصـول طراحـي مـدلي تركيبـي بـا بهـره هيك سيسـتم پيشـنهاددهند هتوسع). 1393( ، روشنكخالقي، عباس؛ كرامتي

،)2(48، تخصصي مهندسي صـنايع هنشري. بندي مشتريان محور، كشف قواني انجمني، بخش هاي فيلترينگ مشاركت روش257 - 280.

References

Ali, Ö. G. (2013). Driver Moderator Method for Retail Sales Prediction. International Journal of Information Technology & Decision Making, 12(06), 1261–1286.

Allenby, G. M., Arora, N., & Ginter, J. L. (1998). On the heterogeneity of demand. JMR, Journal of Marketing Research, 35(3), 384-389.

Baradaran, V., Biglari, M. (2015). Customer Segmentation in FMCG Sector Based on Improved RFM. Business Management, 7(1), 23-42. (in Persian)

Chang, E. C., Cheng, J. W., & Yu, Y. (2007). Short‐sales constraints and price discovery:

Evidence from the Hong Kong market. The Journal of Finance, 62(5), 2097-2121.

Chang, W., Park, J. E., & Chaiy, S. (2010). How does CRM technology transform into organizational performance? A mediating role of marketing capability. Journal of Business Research, 63(8), 849-855.

Chase, J., & Charles, W. (2013). Demand-driven forecasting: a structured approach to forecasting. John Wiley & Sons.

Chen, Y. L., Kuo, M. H., Wu, S. Y., & Tang, K. (2009). Discovering recency, frequency, and monetary (RFM) sequential patterns from customers’ purchasing data. Electronic Commerce Research and Applications, 8(5), 241-251.

Chiang, W.Y. (2011). To mine association rules of customer values via a data mining procedure with improved model: An empirical case study. Expert Systems with Applications, 38(3), 1716-1722.

Cooper, L. G., Baron, P., Levy, W., Swisher, M., & Gogos, P. (1999). PromoCast™: A new forecasting method for promotion planning. Marketing Science, 18(3), 301-316.

Cormen, T. H., Leiserson, C. E., Rivest, R. L., & Stein, C. (2009). Introduction to algorithms. MIT press.

Fildes, R., & Goodwin, P. (2007). Against your better judgment? How organizations can improve their use of management judgment in forecasting. Interfaces, 37(6), 570-576.

Hosseini, S. M. S., Maleki, A., & Gholamian, M. R. (2010). Cluster analysis using data mining approach to develop CRM methodology to assess the customer loyalty. Expert Systems with Applications, 37(7), 5259-5264.


Hsieh, N. C. (2004). An integrated data mining and behavioral scoring model for analyzing

bank customers. Expert systems with applications, 27(4), 623-633.

Keramati, A., & Khaleghi, R. (2014). Developing a SKU Recommendation System. Industrial Engineerng Journal, 48(2), 257-280. (in Persian)

King, S. F. (2007). Citizens as customers: Exploring the future of CRM in UK local government. Government Information Quarterly, 24(1), 47-63.

Kotler, P., Armstrong, G., Brown, L., & Adam, S. (2006). Marketing. Australia. Pearson Education Australia.

Li, S. T., Shue, L. Y., & Lee, S. F. (2008). Business intelligence approach to supporting strategy-making of ISP service management. Expert Systems with Applications, 35(3), 739-754.

Liu, D. R., & Shih, Y. Y. (2005). Hybrid approaches to product recommendation based on customer lifetime value and purchase preferences. The Journal of Systems and Software, 77(2), 181-191.

Liu, D. R., & Shih, Y. Y. (2005). Integrating AHP and data mining for product recommendation based on customer lifetime value. Information & Management, 42(3), 387-400.

Liu, D.-R., Lai, C.H., & Lee, W.J. (2009). A hybrid of sequential rules and collaborative filtering for product recommendation. Information Sciences, 179(20), 3505-3519.

Lundholm, R., McVay, S., & Randall, T. (2010). Forecasting Sales: A Model and Some Evidence from the Retail Industry. Unpublished working paper. University of British Columbia and University of Washington.

Ma, S., Fildes, R., & Huang, T. (2016). Demand forecasting with high dimensional data: The case of SKU retail sales forecasting with intra-and inter-category promotional information. European Journal of Operational Research, 249(1), 245-257.

Marcus, C. (1998). A practical yet meaningful approach to customer segmentation. Journal of consumer marketing, 15(5), 494-504.

Sohrabi, B., & Khanlari, A. (2007). Customer Lifetime Value (CLV) Measurement Based on RFM Model. Iranian Accounting & Auditing Review, 14(47), 7-20.

Trapero, J. R., Fildes, R., & Davydenko, A. (2011). Nonlinear identification of judgmental forecasts effects at SKU level. Journal of Forecasting, 30(5), 490-508.

Trapero, J. R., Pedregal, D. J., Fildes, R., & Kourentzes, N. (2013). Analysis of judgmental adjustments in the presence of promotions. International Journal of Forecasting, 29(2), 234-243.

Wang, C. Y. (2010). Service quality, perceived value, corporate image, and customer loyalty in the context of varying levels of switching costs. Psychology & Marketing, 27(3), 252-262.


Wu, H. H., & Pan, W. R. (2009). An integrated approach of Kano model and ANOVA

technique in market segmentation—a case of a coach company. Journal of Statistics and Management Systems, 12(4), 679-691.

Yeh, I. C., Yang, K. J., & Ting, T. M. (2009). Knowledge discovery on RFM model using Bernoulli sequence. Expert Systems with Applications, 36(3), 5866-5871.

Customer Behaviour Forecasting in FMCG Retail Industry ...

Documents

Transcript of Customer Behaviour Forecasting in FMCG Retail Industry ...