پایان نامه جهت اخذ درجه کارشناسی ارشد رشته مهندسی صنایع
مهر 1391
شناسایی ارزش[1] مشتریان، از مولفه‌های اصلی موفقیت در فروشگاه های مختلف میباشد که امروزه مورد توجه بیش از پیش قرار گرفته است. فروشگاه‌های زنجیرهای[2]، با گروه‌های مختلفی از مشتریان در ارتباط هستند و با توجه به منابع محدود، آنها باید مشتریان را بر اساس ارزششان رتبه‌بندی کنند تا بخش مناسبی از منابع بازاریابی را به مشتریان با ارزشتر اختصاص دهند و سود بیشتری کسب نمایند. از این رو از تکنیکهای دادهکاوی[3] برای بخشبندی مشتریان استفاده می‌نماییم، تحقیقات زیادی در این زمینه‌ی انجام شده است. بسیاری از این تحقیقات از مدل RFM [4] برای بخشبندی[5] مشتریان استفاده کردهاند. این مدل شامل سه شاخص تاخر، تکرر و ارزش پولی برای تحلیل رفتار خرید مشتریان است و میتواند نمایانگر ارزش رفتاری مشتری باشد. در این پژوهش متدولوژی جامعی شامل سه مدل بخشبندی بر مبنای توسعه مدل RFM و SOM[6] و K میانگین[7] ارائه شده و همچنین برای شناسایی مشتری، دادههای تراکنشی و جمعیت‌شناختی مورد بررسی قرار گرفته است. مدل‌های پیشنهادی در فروشگاه‌های زنجیرهای مرکز اپل ایران[8] پیاده‌سازی شدند و تعداد 347 مشتری مورد بررسی قرار گرفتند. برای دادههای معاملاتی، تراکنش‌های ثبت شده در مرکز اطلاعات فروشگاه مورد استفاده قرار گرفت و دادههای جمعیت‌شناختی نیز به صورت تلفنی از تک تک مشتریان پرسیده شد. این مشتریان با هر سه مدل مختلف بخشبندی شدند و در نهایت این مدل‌ها با شاخص دیویس بولدین و مجموع مربعات خطا[9] مورد ارزیابی و مقایسه قرار گرفتند. بر اساس شاخص دیویس بولدین مدل اول کارایی بهتری را در این مطالعه موردی از خو نشان داده است، اما بر اساس معیار مجموع مربعات خطا مدل دوم کارایی بهتری دارد و این تفاوت به دلیل ماهیت این دو معیار است.
واژگان کلیدی: فروشگاه زنجیرهای، بخشبندی مشتریان، ارزش مشتریان، داده کاوی، RFM، SOM،K میانگین
مقدمه
تغییر در عادات خرید مصرف‌کنندگان و فن‌آوری‌های در حال ظهور تحول سنگینی را در سراسر صنعت خرده‌فروشی بوجود آورده است. مصرف‌کنندگان با روشی که امروزه زندگی میکنند، در حال به چالش کشیدن این صنعت هستند. به پشتیبانی فن‌آوری‌های در حال ظهور، مصرف‌کنندگان بیش از همیشه بر روی قیمت و راحتی، متمرکز شدهاند. از این رو، خرده‌فروشان باید قادر به متمایز ساختن واضح خود از رقبایشان با خدمات عالی به مشتریان، که توسط فن‌آوری امکان‌پذیر است، باشند. توجه به این امر برای جلوگیری از کاهش مشتری مهم است، زیرا هزینه دستیابی به مشتریان جدید نسبت به حفظ آنها بسیار بالاتر است. کلید زنده ماندن در این صنعت رقابتی، درک و شناخت بهتر مشتریان میباشد. یکی از روشهای مورد استفاده برای درک مشتریان و شناسایی گروه‌های همگن، بخشبندی مشتریان است. بخشبندی مشتریان مسئله قابل توجهای در وضعیت تجاری رقابتی امروز است. مطالعات بسیاری کاربرد تکنولوژی دادهکاوی را در بخشبندی مشتریان بررسی کردهاند و به تاثیراتش دست یافتهاند. روش دادهکاوی، کمک فوق العاده‌ای به محققان برای استخراج دانش و اطلاعات پنهانی دادهها میکند. تجزیه و تحلیل مشتری که لازمه بخشبندی است، فروشگاه‌ها را قادر می‌سازد که با رفتار مشتریان هماهنگ‌تر باشند. علاوه بر این بخشبندی میتواند با برجستهکردن نیازهای برنامههای بازاریابی و گروه‌های مشتریان خاص، وضوح بیشتری را در فرآیند برنامه‌ریزی ایجاد کند.
در فصل اول این پژوهش، به ارائه کلیات تحقیق، بیان مسئله، ضرورت انجام آن و سوالات تحقیق پرداخته خواهد شد. متدولوژی و مدل‌های پیشنهادی نیز در غالب نمودار ارائه گردیده است.
در فصل دوم سوابق پژوهشی و ادبیات نظری تحقیق مطرح شده است. مقالات منتشر شده در زمینه بخشبندی و ادبیات آن مورد بررسی قرار می‌گیرد همچنین الگوریتم های موجود جهت بخشبندی مشتریان و کاربرد آن در صنایع مختلف بیان شده است.
در فصل سوم روش تحقیق مطرح شده است. شیوه جمع آوری دادهها، جامعه آماری و روش نمونه‌گیری بیان شده در پایان نیز مدل‌های جدید ارائه شده تشریح گردیده است.
در فصل چهارم، نتایج عددی حاصل از پیاده‌سازی مدل در فروشگاه‌های زنجیرهای مرکز اپل ایران شرح داده شده و مراحل پیاده سازی مدل‌های پیشنهادی در این فروشگاه زنجیرهای تشریح گردیده است.
در فصل پنجم مقایسه‌ی مدل‌ها و نتایج حاصل از پژوهش عنوان شده است. به سوالات مطرح شده پاسخ داده شده و بازخورد از خبرگان در مورد نتایج و یافته‌های پژوهش نیز مطرح میشود همچنین محدودیت‌های پژوهش بیان گردیده و در پایان پیشنهاداتی برای پژوهش‌های آتی ارائه شده است.
فصل اول:
کلیات تحقیق
فصل اول: کلیات تحقیق
1-1 مقدمه
در فصل اول این پژوهش، به ارائه کلیات تحقیق، بیان مسئله و ضرورت انجام آن و سوالات تحقیق پرداخته خواهد شد. متدولوژی و مدل‌های پیشنهادی نیز در غالب نمودار ارائه گردیده است.
1-2 ضرورت انجام تحقیق
شرکت‌ها در هر کسب و کاری، با گروه‌های مختلفی از مشتریان در ارتباط هستند. از این رو با توجه به منابع محدود، آنها باید مشتریان را بر اساس ارزششان رتبه‌بندی کنند تا بخش مناسبی از منابع بازاریابی را به مشتریان با ارزشتر اختصاص دهند و سود بیشتری کسب نمایند.
با وجود این رقابت بالا، شرکت‌ها باید سعی در جذب مشتریان جدید و حفظ مشتریان با ارزشتر، با فعالیتهای ارزش افزوده باشند. مدیریت ارتباط با مشتری، ارتباط شرکت با مشتری را برای رسیدن به سود بیشتر بهبود می‌بخشد (طبائی و فتحیان[1]، 2011). شرکت‌ها بسیاری از اطلاعات ارزشمند در مورد مشتریان و تجارب خرید گذشتهشان را دارند. استفاده از این اطلاعات به آنها کمک میکند تا به بررسی منافع ، رضایت و وفاداری مشتری بپردازند. از این رو با استفاده از تکنیک دادهکاوی و بخشبندی مشتریان به گروه‌های مختلف، شرکت‌ها می‌توانند استراتژیهای بازاریابی سودآوری داشته باشند.
1-3 بیان مسئله
موضوع ارزش مشتری یک مسئله مهم در مدیریت ارتباط با مشتری است و روشهای متعددی برای پیدا کردن آن وجود دارد. در این تحقیق به ارائه یک متدولوژی جامع شامل سه مدل دو مرحلهای برای بخشبندی مشتریان بر اساس ارزش آنها می‌پردازیم. در این متدولوژی از دو پایگاه داده، شامل پروفایل شخصی مشتریان[2] و دادههای معاملاتی[3] و استفاده می‌نماییم که در شکل 1-1 نشان داده شده است.
در مدل اول از این متدولوژی، ابتدا بخشبندی را بر اساس دادههای جمعیت‌شناختی[4] از پروفایل مشتریان با استفاده از شبکه عصبی خود سازمانده[5] انجام می‌دهیم، سپس به بخشبندی دوباره هر کدام از بخش‌های نتیجه گرفته شده از مرحله اول بر اساس دادههای معاملاتی (RFM وزن‌دار شده) بنا بر الگوریتم K میانگین می‌پردازیم در این روش K بهینه را در هر خوشه با روش دیویس بولدین به دست می‌آوریم و در نهایت بخش‌های بدست آمده را بر اساس ارزششان رتبه‌بندی می‌کنیم. که در شکل 1-2 نشان داده شده است.
در مدل دوم از این متدولوژی، ابتدا مشتریان را بر اساس دادههای معاملاتی (RFM وزن‌دار) با استفاده از الگوریتم K میانگین بخشبندی می‌نماییم، در این روش مقدار K بهینه از قبل توسط شاخص دیویس بولدین تعیین میشود. سپس هر بخش به دست آمده از مرحله اول را بر اساس دادههای جمعیت‌شناختی با استفاده از شبکه عصبی خود سازمانده دوباره بخشبندی می‌نماییم و در نهایت بخش‌های بدست آمده را بر اساس ارزششان رتبه‌بندی می‌کنیم. که در شکل 1-3 نشان داده شده است
در مدل سوم از این متدولوژی، ابتدا مشتریان را با استفاده از شبکه عصبی خود سازمانده، بر اساس متغیرهای جمعیت‌شناختی و متغیرهای تراکنشی (RFM وزن‌دار) بخشبندی نموده سپس از تعداد خوشه‌ی بدست آمده (k) و مراکز خوشه‌ها به عنوان ورودی روش K میانگین برای بخشبندی دوباره مشتریان بر اساس متغیرهای جمعیت‌شناختی و تراکنشی استفاده می‌نماییم و در نهایت بخش‌های بدست آمده را بر اساس ارزششان رتبه‌بندی می‌کنیم. که در شکل 1-4 نشان داده شده است.
سوالات تحقیق
در این تحقیق علاوه بر طراحی مدل به سوالات زیر پاسخ داده میشود:
- ارزش مشتریان بر اساس این مدل‌ها به چند بخش تقسیم میشود؟
- هر بخش از مشتریان دارای چه ویژگی‌هایی هستند؟
- کدام یک از مدل‌ها در مرکز اپل ایران کارایی بهتری را از خود نشان می‌دهد؟
1-5 روش و ابزار انجام تحقیق
متغیرهای ورودی مورد استفاده در بخشبندی، مرحلهای از فرایند مدیریت ارتباط با مشتری[6] که بر آن تاکید میشود را نشان می‌دهد. متغیرهای جمعیتشناسی و متغیرهای تراکنشی (RFM) شایعترین متغیرهای ورودی مورد استفاده در ادبیات برای خوشهبندی مشتریان است. متغیرهای جمعیتشناسی که با تمام مراحل مدیریت ارتباط با مشتری در ارتباط هستند، نقششان در جذب مشتری اهمیت بیشتری دارد. از سوی دیگر، RFM اغلب در حفظ مشتری و توسعه آنها استفاده میشود. در این مطالعه هدفمان استفاده ترکیبی از این دو متغیر ورودی و تغییر ترتیب ورودشان برای بخشبندی مشتریان با استفاده از تکنیکهای دادهکاوی شناخته شدهی K میانگین و شبکه عصبی نگاشت خود سازمانده است.
فصل دوم:
مبانی نظری
فصل دوم: مبانی نظری
2-1 مقدمه
در این فصل سوابق پژوهشی و ادبیات نظری تحقیق مطرح شده است. مقالات منتشر شده در زمینه بخشبندی و ادبیات آن مورد بررسی قرار گرفته و الگوریتم های موجود جهت بخشبندی مشتریان و کاربرد آن در صنایع مختلف بیان شده است.
یکی از روشهای مورد استفاده برای درک مشتریان و شناسایی گروه‌های همگن، بخشبندی مشتریان میباشد. در عمل، بسیاری از خرده‌فروشان، روش بخشبندی را برای بهبود کارایی بازاریابی و خدمات به مشتریان خود اتخاذ کردهاند (پراسد[7] و همکاران، 2011). ارتباط بسیار روشنی بین رضایت، وفاداری و ارزش مشتری وجود دارد. این رابطه باعث عملکرد شرکت میشود. شکل 2-1 این رابطه را نشان می‌دهد. مشتریان راضی خرید بیشتری را در طول عمر خود انجام میدهند و پس از مدت کوتاهی آنها تبدیل به مشتریان وفادار می‌شوند. مشتریان وفادار نیز برای شرکت و بهبود عملکرد شرکت ایجاد ارزش میکنند (مالتوس و مولهرن[8]، 2008).
2-2 مدیریت ارتباط با مشتری
از اوایل دهه 1980، مفهوم مدیریت ارتباط با مشتری در بازاریابی که شامل چهار بعد: شناسایی، جذب، نگهداری و توسعه مشتری است، اهمیتش را نشان داد. درک یک تعریف اثبات شده از مدیریت ارتباط با مشتری مشکل است، ما می‌توانیم آن را به عنوان یک استراتژی جامع و فرایند بدست آوردن، نگهداری و شراکت با مشتریان انتخابی برای ساختن یک ارزش خاص برای شرکت و مشتریان تشریح کنیم (سید حسینی، 2010). آنتون و هوئک[9] نیز آن را به صورت یک تجارت جامع و استراتژی بازاریابی که تکنولوژی، فرایند و همه فعالیتهای تجاری در حوزه مشتری را کامل میکند، بیان می‌دارند. برون[10]، مدیریت ارتباط با مشتری را به عنوان استراتژی کلیدی جامعی برای متمرکز ماندن بر نیازهای مشتری و یکپارچه‌کردن روشهای برخورد با مشتری در سازمان تشریح میکند. همچنین چاترجی[11] آن را به عنوان نظامی برای هدایت و بهبود فرایندهای تجارت که در مکانهای فروش، مدیریت، خدمات و پشتیبانی از مشتریان استفاده شده است، تعریف میکند. بنا به نظر فینبرگ و کادام[12]، وقتی که نرخ نگهداری از مشتری 5 درصد زیاد شود، سود به میزان 25 تا 80 درصد زیاد میشود (سید حسینی، 2010).
2-2-1 مزایای استفاده از مدیریت ارتباط با مشتری
در دهه گذشته، مدیریت ارتباط با مشتری توسط بسیاری از نویسندگان مورد توجه قرار گرفته است، و نقش حیاتی در اقتصاد و کسب و کار جدید ایفا کرده است. برخی از مزایای بالقوه آن به شرح زیر است: (1) افزایش حفظ و وفاداری مشتری، (2) سودآوری بالاتر مشتری، (3) ایجاد ارزش برای مشتری، (4) سفارشی کردن محصولات و خدمات، (5) کاهش فرآیند، ارائه محصولات و خدمات با کیفیت بالاتر (استون[13] و همکاران 2006).
الهی و حیدری مزایای استفاده از مدیریت ارتباط با مشتری را به سه بخش کلی تقسیم کردند که عبارتند از: (1) افزایش سوددهی و منابع، (2) صرفهجویی و کاهش هزینه، (3) تاثیرات سازمانی.
افزایش سوددهی و منابع:
بهبود قابلیت جذب و نگهداری مشتریان
ایجاد وفاداری و افزایش سود
ارتقاء ارزش مشتری
افزایش سوددهی مشتریان
افزایش مدت زمان نگهداری و وفاداری مشتریان
صرفهجویی و کاهش هزینه:
ارتقاء سرویسدهی بدون افزایش هزینه آن
کاهش هزینههای فروش
جذب مشتریان جدید با هزینه پایینتر
کاهش هزینههای مربوط به سرویسدهی مشتریان
تاثیرات سازمانی:
مدیریت کارا و موثر ارتباطات مشتری توسط سازمانها
ایجاد مزیت رقابتی
تاثیرات مثبت در کارائی سازمان
وفاداری به نام تجاری[14] (1384).
2-2-2 انواع فناوریهای مدیریت ارتباط با مشتری
انواع فناوریهای مدیریت ارتباط با مشتری به شرح زیر میباشد:
2-2-2-1 مدیریت ارتباط با مشتری عملیاتی
توسط مدیریت ارتباط با مشتری عملیاتی[15] (OCRM) تمام دادههای مشتریان از طریق نقاط تماس با آنها مانند مرکز تماس، سیستمهای مدیریت تماس، پست، فکس، نیروهای فروش و وب جمع‌آوری میشود. این بانک اطلاعاتی برای تمام کارمندان و کاربران مرتبط با مشتری قابل دسترس میباشد.
یک نوع از مدیریت ارتباط با مشتری عملیاتی همان مرکز تماس و مدیریت تماس با مشتریان است. این سیستم میتواند یک بررسی کامل و جامع از اطلاعات مرتبط با مشتریان ارائه دهد. این مرکز 100% متمرکز بر مشتری است. مزیت این نوع از CRM، خصوصی‌سازی ارتباط با مشتری و وسعت دادن پاسخهای سازمانی مورد نیاز مشتریان است.
2-2-2-2 مدیریت ارتباط با مشتری تحلیلی
دادههای ذخیره شده در بانک اطلاعاتی میانی توسط مدیریت ارتباط با مشتری تحلیلی[16] (ACRM)، به وسیله ابزارهای آنالیز، مورد تجزیه و تحلیل قرار گرفته و در نتیجه پروفایل مشتریان تولید میشود. الگوهای رفتاری شناسایی شده، سطوح رضایتمندی تعریف میشود و همچنین از دستهبندی مشتریان پشتیبانی میگردد. این اطلاعات و دانش جمع‌آوری شده از ACRM، در بازاریابی و ارتقاء استراتژیها تاثیر زیادی دارد (الهی و حیدری، 1384).
تکنولوژیکیهای پشتیبانی از ACRM شامل درگاه[17]، انبار داده، موتورهای آنالیز و پیشبینی، قوانین انجمنی کشف الگو[18]، الگوهای زنجیرهای[19]، خوشهبندی[20]، دستهبندی و ارزیابی ارزش مشتری[21]، میباشد. این موارد حاصل دستهبندی موثر مشتریان و پیشنهاد محصولات و سرویسهای بهتر میباشد.
2-2-2-3 مدیریت ارتباط با مشتری الکترونیکی
مدیریت ارتباط با مشتری الکترونیکی (ECRM) باعث ایجاد قابلیتی میشود که اطلاعات مشتریان در تمام نقاط تماس در داخل شرکت و نیز بین شرکای خارجی شرکت در اینترنت و اینترانت قابل دسترسی باشد. این نوع از سیستم ها اجازه میدهند که کاربران داخلی و خارجی از طریق اینترنت و اینترانت به اطلاعات مرتبط با مشتریان دسترسی داشته باشند.
ECRM امکان سفارش آنلاین[22]، پست الکترونیکی، دانش موردنیاز در تولید پروفایل مشتریان، شخصی‌سازی سرویس‌ها، تولید پاسخهای خودکار به نامه الکترونیکی و راهنمای خودکار افراد را دارا میباشد. یک مرکز ارتباط الکترونیکی از کانالهای چند رسانهای شامل مرکز ارتباط تلفنی با مشتری، وب سایت، اتاقهای صحبت آنلاین[23] و سرویسهای پست الکترونیکی تشکیل میگردد. به طور کلی ECRM باعث بالا رفتن کیفیت بازاریابی میگردد.
2-2-2-4 مدیریت ارتباط با مشتری مشارکتی
مدیریت ارتباط با مشتری مشارکتی[24] همان سیستمهای مدیریت ارتباط با مشتری هستند که با سیستمهای بزرگ سازمانی یکپارچه شدهاند تا امکان پاسخدهی بالاتری را به مشتری در طول زنجیره تامین فراهم نمایند. یک سیستم CCRM میتواند زمینه فروش دانش و ابزارها را به هر کسی در سازمان پیشنهاد کند و به گردش فروش در طول کانالهای مرکز ارتباط تلفنی با مشتری[25] کمک کند. یک CCRM میتواند به کارمندان سازمان، تهیه‌کنندگان و حتی شرکاء نیز توسعه یابد.
(تصاویر در فایل اصلی قابل مشاهده است)
Abstract
One of the main components of success in various companies is identification valuable customers which has received considerable attention in comparison with the past. Chain Stores are facing with several kinds of customer groups. Due to Limited resources, they must rate customers according to their values and allocate appropriate marketing resources to valuable customers to turn huge profits. So data minig techniques will be used for segmenting customers, A great number of researches have been conducted in this subject, Most of these studies have used RFM model to Segmentation of customers. This model is composed of three indexes Recency, Frequency, and Monetary value to analyses consumers’ purchasing behavior and indicate customer behavior value. In the present research, Segmentation of customers base on value will be represented by Comprehensive methodology include three model Segmentations using developed RFM, SOM, and K-Means. In order to identify customer, Transaction and demographic data were analyzed. The proposed models were implemented in Iran Apple Center chain stores and 347 customers were analyzed. For transactional data, the recorded transactions in the store data center were used. For Demographic data each customer were asked telephonic. This data were segmented with three different models and finally the models have been evaluated and compared with the Davies Bouldin index and Sum of the Squared Error. According to Davies Bouldin index in this case study the efficiency of first model is the best, but according to SSE the second model is the best and it is because of the different nature of these two criteria.
Keywords:
Chain Stores, Customers Segmentation, Customers’ Value, Data Mining, RFM, SOM, K-Means
منابع فارسی
الهی، شعبان ، حیدری، بهمن (1384). مدیریت ارتباط با مشتری، تهران، شرکت چاپ ونشر بازرگانی.
رضایینیا، سید مهدی (اردیبهشت 1388). کاربرد مدیریت ارتباط با مشتری تحلیلی در بخشبندی مشتریان مورد دادهکاوی در صنعت بانکداری، پایاننامه کارشناسی ارشد مهندسی فناوری اطلاعات، دانشکده فنی مهندسی، بخش مهندسی صنایع، دانشگاه تربیت مدرس.
مرادی، محمد (بهار 1390). بخشبندی مشتریان بانک ملت شهر اراک و تعیین استراتژیهای مدیریت ارتباط با مشتری در هر بخش، پایاننامه کارشناسی ارشد مدیریت اجرایی، دانشکده علوم انسانی، دانشگاه آزاد اسلامی، واحد سنندج.
میرزائیان، شهره (بهمن 91). خوشه بندی مشتریان در بانکداری خرد بر اساس وفاداری: موردکاوی بانک تجارت، پایاننامه کارشناسی ارشد مهندسی صنایع، دانشکده فنی مهندسی، بخش مهندسی صنایع، دانشگاه الزهرا (س).
منابع انگلیسی
Abonyi J., Nemeth S., Vincze C., Arva P. (2003). “Process Analysis and Product Quality Estimation by Self-Organizing Maps with an Application to Polyethylene Production”, Computers in Industry, Vol. 52, Pages 221– 234.
Akhondzadeh-Noughabi, E., Alizadeh, S., Ahmadvand, A-M., Minaei-Bidgoli, B. (2013). FTiS: A new model for effective urban management: A case study of urban systems in Iran, Cities 31, 394–403.
Allouche Mohamad Khaled (2005). “Real-Time Use of Kohonen’s Self-Organizing Maps for Threat Stabilization”, Information Fusion, Vol. 6, Pages 153–163.
Bertolini M., Braglia M., Carmignani G. (2006). “Application of the AHP Methodology in Making Aproposal forA Public Work Contrac”, International Journal of Project Management: Vol. 24, pp. 422–430.
Bonabeau Eric, (2002). “Graph Multidimensional Scaling With Self-Organizing Maps”. Information Sciences, Vol. 143, Pages 159–180.
Bonifacio Martın-Del-Brio, Antonio Bono-Nuez, Nicolas Medrano-Marques (2005). Self-Organizing Maps for Embedded Processor Selection, Microprocessors and Microsystems, Vol. 29, Pages 307–315.
Boone, D.S., Roehm, M. (2002). “Retail segmentation using artificial neural networks. International Journal of Research in Marketing”. Vol. 19, No. 3, pp.287–301.
Brian S., Penn (2005). “Using self-Organizing Maps to Visualize High-Dimensional Data”. Computers & Geosciences, Volume 31, Pages 531–544.
Chai Chu, Chan Henry (2008). “Inteligent Value-Based Customer Segmentation Method for Campaign Management: A Case Study of Automobibe Retailer”. Expert System with Applications, Vol. 34, pp 2754-2762.
Chang Horng-Jinh, Hung Lun-Ping, Ho Chai-Lin (2007). “An Anticipation Model of Potential Customers, Purchasing Behavior Based on Clustering Analysis and Association Rules Analysis”, Expert System with Applications, Vol. 32, pp. 753-764.
Chang Pei-Chann, Lai Chien-Yuan (2005). A Hybrid System Combining Self-Organizing Maps with Case-Based Reasoning in Wholesaler’s New-Release Book Forecasting, Expert Systems with Applications, Vol. 29, Pages 183–192.
Chen Y., Kuo M., Wu S., Tang K. (2009). “Discovering Recency, Frequency and Monetray (RFM) Sequenyial Pattern from Customers’ Purchasing data”, Journal of Electronic Commerce Research and Applications, 8, 241-251.
Chen Chun-Hsien, Li Pheng Khooa, Wei Yanb (2006). An Investigation into Affective Design Using Sorting Technique and Kohonen Self-Organising Map, Advances in Engineering Software, Vol. 37, pp. 334–349.
Chen Chun-Hao, Chiang Rui-Dong, Wu Terng-Fang, Chu Huan-Chen, A combined mining-based framework for predicting telecommunications customer payment behaviors, Expert Systems with Applications 40 (2013) 6561–6569.
Cheng Ching-Hsue, Chen You-Shyang (2009). “Classifying the Segmentation of Customer Value via RFM Model and RS Theory”. Expert Systems with Applications, Vol. 36, pp. 4176-4184.
Cheng C. H., Tsai H. P. (2011). “Group RFM analysis as a novel framework to discover better customer consumption behavior”. Expert Systems with Applications.
Cios J.K., Pedrycz W., Swiniarsk R.W., Kurgan L.A. (2007). Data Mining: A Knowledge Discovery Approach, Springer.
Ezequiel Lopez-Rubio, Jose Munoz-Perez, Jose Antonio Gomez-Ruiz (2004). “A principal Components Analysis Self-organizing Map”, Neural Networks, Vol. 17, Pages 261–270.
Fayyad U., Piatetsky-Shapiro G., Smyth P. (1996). “From Data Mining to Knowledge Discovery in Database”, American Association for Artificial Intelligence.
Fonseca Ana M., Biscaya Jos´e L., Aires-de-Sousa, Loboa Ana M. (2006). “Geographical Classification of Crude Oils by Kohonen Self-Organizing Maps”, Analytica Chimica Acta, Volume 556, Pages 374–382.
Hsieh Nan-Chen (2004). “An Integrated Data Mining and Behavioral Scoring Model for Analyzing Bank Customer”, Expert System with Applications, Vol. 27, pp. 623-633.
Huang Jih-Jeng, Tzang Gwo-Hshiung, Ong Cherng-Shyong (2007). “Marketing Segmentation Using Support Vector Clustering”. Expert System with Application, Vol. 32, pp 313-317.
Huang Ying, Kechadi (2013). “Tahar, An effective hybrid learning system for telecommunication churn prediction”. Expert Systems with Applications 40 5635–5647.
Hung Chihli, Tsai Chih-Fong (2008). “Market Segmentation Based on Hierarchical Self-Organization Map for Market of Multimedia on Demand”. Expert System with Applications, Vol. 34, pp. 780-787.
Hwang Hyunseok, Jung Taesoo, Suh Euiho (2004). “An LTV Model and Customer Segmentation Based on Customer Value: A Case Study on the Wireless Telecommunication Industry”. Expert System with Applications, Vol. 26, pp. 181-188.
Jin Huidong, Shum Wing-Ho, Leung Kwong-Sak, Wong Man-Leung (2004). “Expanding Self-Organizing Map for Data Visualization And Cluster Analysis”. Information Sciences, Volume 163, Pages 157–173.
Johnson M.D., Gustafsson A., Andreassen T.W., Lervik L.,Cha J. (2001). “The Evolution and Future of National Customer Satisfaction Index Models”. Journal of Economic Psychology, Vol. 22, PP. 217-255.
Jonker, Jedid-Jah, Piersma, Nanda, Poel, Dirk Van den (2004). “Joint Optimization of Customer Segmentation and Marketing Policy to Maximize Long-term Profitability”, Expert System with Applications, 27, 159-168.
Jounela S.L., Vermasvuori M., Enden P., Haavisto S. (2003). A Process Monitoring System Based on The Kohonen Self-Organizing Maps, Control Engineering Practice, Vol. 11, pp. 83–92.
Kargari, M., Sepehri, M.M. (2012). Stores clustering using a data mining approach for distributing automotive spare-parts to reduce transportation costs, Expert Systems with Applications 39, 4740–4748.
Kate A. Smith, Alan Ng (2003). “Web Page Clustering Using A Self-Organizing Map of User Navigation Patterns”, Decision Support Systems, Vol. 35, Pa 245– 256.
Khajvand M., Tarokh M.J. (February 2011). “Estimating Customer Future Value of Different Customer Segments Based On Adapted RFM Model In Retail Banking Context”, Procedia Computer Science, Vol. 3, pp. 1327-1332.
Khajvand M., Zolfaghar K., Ashoori S., Alizadeh S. (February 2011). “Estimating Customer Lifetime Value Based On RFM Analysis of Customer Purchase Behavior: Case Study, Procedia Computer Science”, Vol. 3,pp.57-63.
Kim kyoung-jae, Ahn Hyunchul (2008). “A Recommender System Using GA K-Means Clustering in An Online Shopping Market”, Expert System with Applications, Vol 34, pp 1200-1209.
Kim Su-Yeon, Jung Tae-Soo, Suh Eui-Ho, Hwang Hyun-Seok (2006). “Customer Segmentation and Strategy Development Based on Customer Lifetime Value: A case study”. Expert System with Applications, Vol 31, pp 101-107.
Kohonen, T. (2001). Self- organizing Maps, Springer Series in Information Sciences, Vol. 30, Springer, Berlin, New York.
Kucukkan cabas, sh., Akyol, A., Ataman, berk. M. (2007). Examination of the Effects of the Relationship Marketing Orientation on the Company Performance, Springer.
Kuo R.J., Ho L.M., Hu C.M. (2002). “Integration of Self-Organizing Feature Map and K-Means Algorithm for Market Segmentation, Computers & Operations Research”, Elsevier Volume 29, Issue 11, Pages 1475–1493.
Larose D. T. (2005). Discovering Knowledge in data: An Introduction to Data Mining, New Jersy: John Wiley & Sons.
Lee Jang Hee, Park Sang Chan (2005). “Intelligent Profitable Customers Segmentation System Based on Business Intelligence Tools” Expert Systes with Applications, Vol. 29, pp. 1[2]-152.
Lee Sang Chul, Suh Yang Hu, Kim Jae Kyeong, Lee Kyoung Jun (2004). “A Cross-National Market Segmentation of Online Game Industry Using SOM”. Expert System with Application, Vol. 27, pp. 599-570.
Lendasse A., Leeb J., Wertza V., Verleysenb M. (2002). Forecasting Electricity Consumption Using Nonlinear Projection And Self-Organizing Maps, Neuro Computing, Vol. 48, Pages 299–311.
Liu D.-R., Shih Y. Y. (August 2005). “Hybrid Approaches to Product Recommendation Based on Customer Lifetime Value And Purchase Preferences,” Journal of Systems and Software, Vol. 77, pp. 181–191.
Malthouse E., Mulhern F. (September 2008). “Understanding and Using Customer Loyalty and Customer Value”, Journal of Relationship Marketing, Vol. 6, pp. 59-86.
McCarty John A., Hastak Manoj (2007). “Segmentation Approaches in Data mining: A Comparison of RFM, CHAID, And Logistic Regression”. Journal of Business Research, Vol. 60, pp.656-662.
Melody Y. Kianga, Michael Y. Hub, Dorothy M. Fisherc (2006). “An extended self-organizing map network for market segmentation: a telecommunication example”, Decision Support Systems, Vol. 32, Pages 546– 558.
Moshou Dimitrios, Hostens Ivo, Papaioannou George, Ramon Herman (2005). “Dynamic Muscle Fatigue Detection Using Self-Organizing Maps”, Applied Soft Computing, Vol. 5, Pages 391–398.
Moshou Dimitrios, Koen Deprez, Herman Ramon (2004). Prediction of Spreading Processes Using A Supervised Self-Organizing Map, Mathematics and Computers In Simulation, Vol. 65, Pages 77–85.
Namvar Morteza, Gholamian Mohammad R., KhakAbi Sahand (2010). “Two Phase Clustering Method for Intelligent Customer Segmentation”, International Conference on Intelligent Systems, Modeling and Simulation.
Neaga E., Harding J. (2005). “An Enterprise Modeling and Integration Framework Based on Knowledge Discovery and Data mining” , International Journal of Production Research, 43:6, 1089-1108.
Olson D. L. (2008). Advanced Data Mining Techniques, Verlag Berlin Heidelberg: Springer.
Prasad Pramod Latesh G. Malik (June 2011). “Generating Customer Profiles for Retail Stores Using Clustering Techniques.” International Journal on Computer Science and Engineering (IGCSE), Vol. 3 No. 6.
Punj G., Stewart DW. (1983). “Cluster Analysis in Marketing Research: Review And Suggestions for Application”. Journal of Marketing Research, pp 48-134.
Rygielski Chris J-CW, Davi C. (2002). “Data Mining Techniques for Customer Relationship Management”, Technology in Society, 11:3, 483-502.
Saglam B., Sibel salman F., Sayin S. (2006). “A Mixed-Integer Programming Approach to the Clustering Problem with An Application In Customer Segmentation”, European Journal of Operational Research, 173, 866-879.
Seo Sambu, Obermayer Klaus (2004). “Self-Organizing Maps and Clustering Methods for Matrix Data”. Neural Networks, Vol. 17, Pages 1211–1229.
Seyed Hoseini SM., Maleki A., Gholamian MR. (2010). “Cluster Analysis Using Data Mining Approach to Develop CRM Methodology to Access The Customer Loyalty”, Expert Systems with Application, pp. 5259-5264.
Shanmuganathan S., Sallis P., Buckeridge J. (2006). “Self-Organizing Map Methods In Integrated Modelling of Environmental And Economic Systems”. Environmental Modeling & Software, Vol. 12, Pages 453- 468.
Sheu Jyh-Jian, Su Yan-Hua (2009). Chu Ko-Tsung, Segmenting Online Game Customers-The Perspective of Experiential Marketing, Expert System with Applications, Vol. 36, pp. 8487-8495.
Stone M., Woodcock N., Wilson M. (2006). “Managing the Change from Marketing Planning to Customer Relationship Management”. Lomg Range Planning, 29, 675-683.
Tabaei Zahra, Fathian Mohamad (2011). “Developing W-RFM Model for Customer Value, an Electronic Retailing Case Study”. Department of Industrial Engineering, Data Mining and Intelligent Information Technology Applications (ICMiA), 3rd International Conference, pp. 304 – 307.
Wena, C-H., Liao, Sh-H., Chang, W-L. Hsu, P-Y. (2012). Mining shopping behavior in the Taiwan luxury products market, Expert Systems with Applications 39, pp. 11257–11268.
Yamada S. (2004). “Recognizing Environments from Action Sequences Using Self-Organizing Maps”, Applied Soft Computing, Vol. 4, Pages 35–47.
Yeo N.C., Lee K. H., Venkatesh Y. V., Ong S. H. (2005). “Color Image Segmentation Using The Self-Organizing Map And Adaptive Resonance Theory”, Image and Vision Computing, Vol. 23, Pages 1060–1079.
Zampighi L.M., Kavanau C.L., Zampighia G.A. (2004). “The Kohonen Self-organizing Map: A Tool for The Clustering And Alignment of Single Particles Imaged Using Random Conical Tilt”, Journal of Structural Biology, Volume 146, Pages 368–380.