بررسی مدل RFM جهت نیازسنجی مشتریان بر مبنای چیدمان در بهینه سازی خط تولید با استفاده از الگوریتم ازدحام ذرات و خوشه بندی بهینه (KMeans-PSO)

محورهای موضوعی : پژوهش های مدیریت راهبردی

رسول نعمت نیا ¹ , مریم خادمی ² , کیامرث فتحی ³ , سهیلا سردار ⁴

1 - دانشجوی دکتری مدیریت صنعتی،واحد تهران شمال، دانشگاه آزاد اسلامی، تهران، ایران
2 - دانشیارگروه ریاضی کاربردی، دانشکده فنی و مهندسی، واحد تهران جنوب، دانشگاه آزاد اسلامی، تهران، ایران
3 - استادیارگروه مدیریت صنعتی، واحد تهران جنوب، دانشگاه آزاد اسلامی، تهران، ایران
4 - استادیار گروه مدیریت صنعتی واحد تهران شمال، دانشگاه آزاد اسلامی، تهران، ایران

تاریخ دریافت : 1402/10/10 تاریخ پذیرش : 1403/06/18 تاریخ انتشار : 1403/09/29

کلید واژه: مدل RFM, الگوریتم PSO, خوشه بندی KMeans, نیازسنجی مشتریان, بهینه سازی تولید, تقسیم بندی ,

چکیده مقاله :

درتجزیه و تحلیل کسب و کارها، تقسیم¬بندی و شناسایی مشتری و توجه به نیاز مشتری به عنوان یک ابزارحیاتی برای شرکت¬ها و تولیدکنندگانی که به دنبال ارتقای استراتژی¬های بازاریابی و تعامل با مشتری هستند، پدیدار شده است. با تقسیم¬بندی مشتریان به گروه‌های متمایز براساس رفتارها و تعاملات¬شان، کسب ‌و کارها و تولیدکنندگان می‌توانند پیشنهادهای خود را بر اساس ترجیحات فردی تنظیم کنند و در نتیجه رضایت و وفاداری مشتری را بهبود بخشند و خط تولید را ارتقاء دهند زیرا ترکیب یک خط محصول از نظرمدل¬های محصول و ویژگی¬ها و قیمت¬ها، نه تنها مستقیماً بر تصمیمات خرید مشتریان تأثیر می¬گذارد، بلکه تأثیر زیادی برکارایی انجام محصول دارد. طراحی خط محصول از این پس توجه زیادی رادرتحقیقات بازاریابی و مهندسی به خود جلب کرده است. دراین پژوهش، مدل فرکانس- پولی (RFM) یک روش به خوبی تثبیت شده، پایه ای برای درک رفتار و نیاز مشتری از طریق سه بُعد کلیدی تازگی تعامل، فراوانی تعامل و ارزش پولی فراهم می¬کند. درحالی که تجزیه و تحلیل RFM روشنگر است، چالش در تعیین تعداد بهینه خوشه¬ها برای تقسیم بندی موثر نهفته است. تقسیم بندی مشتری برحسب نیاز نقشی اساسی دراستراتژی های تجاری مدرن ایفا می کند و تولیدکنندگان و شرکت¬ها را قادر می سازد تا تلاش¬های بازاریابی خود را تنظیم کنند و تجارب مشتری را افزایش دهند. این مطالعه با توجه به مجموعه داده RFM و با ترکیب این مدل با الگوریتم بهینه ‌سازی ازدحام ذرات (PSO) برای بهینه¬¬سازی تعداد خوشه K برای الگوریتم KMeans، انجام می شود و با کمک دو محیط نرم افزاری MATLAB و Python بهینه سازی صورت می گیرد و همچنین تابع برازندگی آن نیز محاسبه می شود. این روش نوآورانه یک راه حل جامع برای چالش تعیین یک پیکربندی خوشه بهینه برای داده های مشتری ارائه می دهد. درنهایت، ازطریق بررسی سیستماتیک مدلRFM، تکنیک‌های عادی‌سازی و رویکرد PSO-KMeans مشترک، اثربخشی آن را در آشکار کردن بخش‌های ظریف مشتری با مفاهیم عملی برای تصمیم‌گیری تجاری نشان می‌دهد.