پیش‌بینی رفتار مشتری در صنعت خرده‌فروشی کالاهای تند مصرف (مورد مطالعه: شرکت گلپخش اول)

نوع مقاله: مقاله علمی پژوهشی

نویسندگان

1 استادیار گروه مدیریت فناوری اطلاعات، دانشکده مدیریت دانشگاه تهران، تهران، ایران

2 کارشناس ارشد مدیریت فناوری اطلاعات، دانشکده مدیریت دانشگاه تهران، تهران، ایران

3 استاد گروه مدیریت فناوری اطلاعات، دانشکده مدیریت دانشگاه تهران، تهران، ایران

چکیده

هدف: طی دو دهه اخیر، داده‌کاوی به یکی از روش‌های اصلی بهبود اثربخشی و کارایی صنعت خرده‌فروشی تبدیل شده و صنعت خرده‌فروشی نیز به‎دلیل ماهیت داده‌های آن، از زمین‌های بازی مورد علاقه علم داده‌کاوی بوده است. در این مطالعه به پیش‌بینی رفتار مشتری در صنعت خرده‌فروشی کالاهای تند مصرف (FMCG) با هدف افزایش کمّی و کیفی فروش در مورد مطالعه شرکت گلپخش اول پرداخته شده است.
روش: تحقیق حاضر از لحاظ هدف در دسته پژوهش‎های کاربردی قرار می‎گیرد و از نظر نحوه گردآوری داده‎ها، پیمایش داده‎ای طرح‎ریزی شده است. مراحل اجرای تحقیق مبتنی بر فرایند CRISP-DM است که از مدل خوشه‎بندی RFMCL و تکنیک‎های دسته‎بندی و پیش‎بینی رگرسیونی استفاده کرده و در نهایت برای پیشنهاد از روش پیشنهاددهی مشارکتی بهره برده است.
یافته‎ها: حاصل مطالعه یک مدل پیش‎بینی است که به بهترین مشتریان، کالاهایی را که تا به حال خرید نکرده‌اند، در تاریخ خاص و به مقدار خاص پیشنهاد داده و بدین ترتیب روش فروش سفارشی را به فروش آنی تغییر می‌دهد. سیستم نهایی از سه زیر مدل خوشه‌بندی مشتریان، پیش‌بینی فروش و زیرسیستم پیشنهادگر تشکیل شده است. در زیرمدل خوشه‌بندی، مدل جدید RFMCL متناسب با مورد مطالعه توسعه یافته است. در زیرمدل پیش‌بینی فروش، مدل پنج متغیره‎ای با استفاده از رگرسیون با دقت MSE/Range 24/2 درصد ایجاد شده است.
نتیجهگیری: با پیاده‌سازی این مدل در شرکت، برنامه‌ریزی تولید پیش‌فعالانه شده و فرایند فروش از ویزیتوری به «فروش آنی» تغییر می‎یابد که این تغییر، صرفه‌جویی شایان توجهی در حمل ‌و نقل و هزینه‌های پرسنلی فروش به ارمغان خواهد آورد.

کلیدواژه‌ها

موضوعات


عنوان مقاله [English]

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

نویسندگان [English]

  • Saeed Rouhani 1
  • Hamed Ghazanfari 2
  • Babak Sohrabi 3
1 Assistant Prof. in IT Management, Faculty of Management, University of Tehran, Tehran, Iran
2 MSc. IT Management, Faculty of Management, University of Tehran, Tehran, Iran
3 Prof. in IT Management, Faculty of Management, University of Tehran, Tehran, Iran
چکیده [English]

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.

کلیدواژه‌ها [English]

  • Customer’s behavior
  • Sales forecasting
  • Recommendation system
  • Retail industry
  • Hot sales
برادران، وحید؛ بیگلری، محمد (1394). بخش‎بندی مشتریان صنایع تولید و پخش کالاهای پرگردش بر اساس مدل بهبود یافته RFM. فصلنامه مدیریت بازرگانی، 7(1)، 23-42.
برادران، وحید؛ فرخی، زهرا (1393). بخش‏بندی مشتریان در صنعت بانکداری با استفاده از مدل توسعه‌یافته RFMC. فصلنامه مدیریت برند، 2 (1)، 135-154.
کرامتی، عباس؛ خالقی، روشنک (1393). توسعه یک سیستم پیشنهاددهنده محصول طراحی مدلی ترکیبی با بهره‎گیری از روش‎های فیلترینگ مشارکت‎محور، کشف قوانی انجمنی، بخش‎بندی مشتریان. نشریه تخصصی مهندسی صنایع، 48(2)، 257 - 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.