1دانشیار گروه مدیریت بازرگانی، واحد اراک، دانشگاه آزاد اسلامی، اراک
2کارشناسی ارشد گروه مدیریت بازرگانی، واحد اراک، دانشگاه آزاد اسلامی، اراک
چکیده
تحلیل سبد خرید یکی از مهمترین کاربردهای دادهکاوی است که بر کشف الگوهای خرید به وسیله دادههای معاملات انجام شده، تمرکز میکند. در بسیاری از فروشگاهها تبادلات، تنها منبع اطلاعات فروش هستند که دادهکاوی میتواند از آن استفاده کند. دادهکاوی به علم استخراج دانش از دادههای خام گفته میشود و به وسیله کاوش دادههای موجود در بانکهای اطلاعاتی، اطلاعات و دانش مفید از دادهها را استخراج میکند. دادهکاوی در کاربردهای متنوعی مورد استفاده قرارمیگیرد و یکی از ابزارهای مدیریت ارتباط با مشتری میباشد. با توجه به اهمیت به کارگیری تکنیکهای دادهکاوی در استخراج دانش از حجم عظیم دادههای فروش و تأثیر استفاده از این اطلاعات در سودآوری و بهبود سیستم مدیریت ارتباط با مشتری در این مقاله سعی بر آن است با استفاده از تکنیکهای دادهکاوی به تحلیل سبد خرید مشتریان یکی از شعب فروشگاه زنجیرهای در شهر اراک بپردازیم. نتایج این مقاله نشان میدهد به کارگیری تکنیکهای دادهکاوی در کشف اقلامی که با هم خریداری میشوند باعث افزایش رضایت مشتریان و به دنبال آن سود فروشگاه میشود. در این راستا از الگوریتم اجتماع جهت کشف الگوی خرید مشتریان استفاده شدهاست. در نهایت راهکارهایی جهت بهبود عملکرد فروشگاه ارائه خواهد شد.
3. جهان دیده، بهروز، گل محمدی، علیرضا و صفدری رنجبر، مصطفی (۱۳۹۱). شناسایی و اولویت بندی عوامل تعیین کننده تداوم خرید مشتریان فروشگاههای زنجیرهای اتکا با استفاده از الگوریتم شبکههای عصبی. فصلنامه علمی-پژوهشی تحقیقات بازاریابی نوین، 2(4): 77-73.
4. حاجی کریمی، عباسعلی و منصوریان، تالین (1391). بررسی و تبیین نقش مدیریت دانش مشتری در بهبود عملکرد سازمانی. فصلنامه علمی- پژوهشی کاوشهای مدیریت بازرگانی، 4(8): 92-75.
5. دیوسالار، علی و بهبود، وحید (۱۳۸۵). مدیریت بر اطلاعات مشتری در مدیریت زنجیره تأمین با استفاده از رویکرد داده کاوی. فصلنامه اطلاع رسانی، آموزشی و پژوهشی مدیریت فردا، 4(14و13): 73-67.
6. غفاری آشتیانی، پیمان و اسکندری، علیرضا (1390). ارزیابی رابطه بین ویژگیهای برنامه وفاداری، رضایت از فروشگاه و وفاداری به فروشگاه (مطالعه موردی: فروشگاه رفاه اراک). مجله مدیریت بازاریابی، (10): 45-27.
7. فشارکی، مهدی؛ شیرازی، حسین و بخشی، اکرم (۱۳۸۹). استخراج دانش از پایگاه داده نرمافزارهای مدیریت اطلاعات و مستندات با تکنیکهای دادهکاوی. فصلنامه علمی پژوهشی پژوهشگاه علوم و فناوری اطلاعات ایران، 26(2): 283-259.
8. کفاشپور، آذر؛ توکلی، احمد و علیزاده زوارم، علی (۱۳۹۱). بخشبندی مشتریان براساس ارزش دوره عمر آنها با استفاده از دادهکاوی بر مبنای مدل آر.اف.ام. پژوهشهای مدیریت عمومی، 5(15): 84-63.
10. محقر، علی؛ کارولوس، حسینی، فرید و منشی، آصفعلی (۱۳۸۷). کاربرد هوش تجاری به عنوان یک تکنولوژی اطلاعات استراتژیک در بانکداری: بازرسی و کشف تقلب. نشریه مدیریت فناوری اطلاعات، 1(1): 120-105.
14. مهدوی، عبدالمحمد و موسوی، زهره (1393). ارائه چارچوبی جهت سنجش ارزش بلندمدت مشتریان در فرایند مدیریت ارتباط با مشتری. دو فصلنامه علمی- پژوهشی کاوشهای مدیریت بازرگانی، 6(12): 17-1.
۱5. ناظمی، جمشید؛ جعفری، پژمان و هاشمی، حامد (۱۳۹۱). کاوش خصوصیات مشتریان بانکداری خرد با استفاده از تکنیکهای دادهکاوی. مجله مدیریت بازاریابی، (14):35-21.
16. Raorane, A.A, Kulkarni R.V., and Jitkar B.D. (2012). Association Rule – extracting Knowledge Using Market Basket Analysis. Research Journal of Recent Sciences, 01(2): 19-27.
17. Annie M.C., Loraine Ch. and Ashok Kumar D. (2012). Market Basket Analysis for a Supermarket based on Frequent Itemset Mining. International Journal of Computer Science, 9(3): 257-264.
18. Bahrami, M. Arabzad, M. and Ghorbani, M. (2012). Innovation In Market Management By Utilizing Business Intelligence: Introducing Proposed Framework. The First International Conference on Leadership, Technology and Innovation Management, 41: 160-167.
19. Bottcher, M. Spott, M. Nauck, D., and Kruse, R. (2009). Mining changing customer segments in dynamic markets. Expert Systems with Applications, 36: 155–164.
20. Gupta, A. K., and Gupta, Ch. (2010). Analyzing Customer Behavior Using Data Mininghniquse: Optimizing relationships with customer. Management Insight, VI (1): 92-98.
21. Hamrouni, T., Slimani, F., and Charrada, B. (2016). A survey of dynamic replication and replica selection strategies based on data mining techniques in data grids. Engineering ApplicationsofArtificial Intelligence, 48: 140-158
22. Han, J., and Kamber, M. (2006). Data Mining Concepts and Techniques. Second edition. Morgan Kaufmann Publisher (imprint of Elsevier), San Francisco. CA 94111.
23. Miguéis, V.L., Poel, Dirk Van den, Camanho, A.S., and Cunha, Joo Falco e (2012). Modeling partial customer churn: On the value of first product-category purchase sequences. Expert Systems with Applications, 39: 11250–11256.
24. Ngai, E.W.T., Xiu, Li and Chau, D.C.K. (2009). Application of data mining techniques in customer relationship management: A literature review and classification. Expert Systems with Applications, 36: 2592–2602.
25. Ramageri, Bharati M., and Desai, B.L. (2013). Role of data mining in retail sector. International Journal on Computer Science and Engineering (IJCSE), 5(01): 47-50.