چکیده فارسی :

بخش بندی بازار، برای بازاریابی و برنامه مدیریت ارتباط با مشتری مناسب می باشد. به طور سنتی بازاریابان، بازار را براساس متغیرهایی جمعیت شناختی مشتریان و سبک زندگی آنها بخش بندی می کردند. هرچند در این میان مشکلاتی بوجود می آمد و نتایج بخش بندی را نامعتبر می کرد. این تحقیق روش جدید بخش بندی بازار را براساس متغیرهای خاص محصول همچون محصولات خریداری شده، مقدار خرید و هزینه های پولی مرتبط با آن را بیان می کند، که اطلاعات آن نیز از معاملات مشتریان بدست می آید. این روش مشکلات احتمالی بخش بندی را نیز حل می کند.  این تحقیق از جهت هدف کاربردی و بر حسب نحوه گردآوری داده ها، تحقیق میدانی محسوب می شود. ابزار اصلی گردآوری داده ها در این تحقیق نیز فاکتورهای خرید مشتریان می باشد. جامعه آماری این تحقیق کلیه مشتریان فروشگاه های مرکزی تعاونی روستایی استان مازندران می باشد. نمونه آماری این تحقیق نیز 311 مشتری این فروشگاه می باشد. در این تحقیق مقیاس مشابهت خرید، الگوریتم خوشه بندی و تابع کیفیت خوشه بندی بکار برده می شوند و از نرم افزار متلب و با روش الگوریتم کرم شب تاب برای اطمینان از قرار گرفتن مشتریان در خوشه یکسان،که الگوی خرید بسیار نزدیکی به هم دارند، استفاده می شود. درنهایت تعداد بهینه خوشه ها تعیین می شود. پس از مراحل خوشه بندی، مدل طراحی شده RFM برای بررسی سوددهی نسبی هر خوشه مشتری بکار برده می شود. نتایج تحقیق نشان می دهد بهترین تعداد خوشه برای بخش بندی بازار این فروشگاه، سه خوشه می باشد.

کلید واژه ها: بخش بندی بازار، رفتار خرید مشتریان ،الگوریتم کرم شب تاب، تجزیه و تحلیلRFM

چکیده انگلیسی :

Market segmentation is critical for a good marketing and customer relationship management program. Traditionally, a marketer segments a market using general variables such as customer demographics and lifestyle. However, several problems have been identified and make the segmentation result unreliable. This paper develops a novel market segmentation methodology based on product specific variables such as purchased items and the associative monetary expenses from the transactional history of customers to resolve these problems. The present study is an applied research and regard to data collecting method is survey research. For gathering information, customers’ purchase invoice is used. Population of this research is all customers in the Rural Cooperative Central Stores in north of Iran and the study sample is 311 customers. A purchase based similarity measure, clustering algorithm, and clustering quality function are defined in this paper and Firefly algorithm approach is adopted to ensure that customers in the same cluster have the closest purchase patterns. At least, the optimal number of clusters is determined. After completing segmentation, a designated RFM model is used to analyze the relative profitability of each customer cluster. The findings revealed that the best number of clusters for segmenting the market of this store is 3 clusters.