Розширена анотація українською мовою

Поряд з підвищенням конкурентоспроможності в сфері послуг для збільшення числа клієнтів і отримання конкурентних переваг шляхом створення задоволеності клієнтів використання концепцій інтелектуального аналізу привернуло увагу дослідників і галузей як новий інструмент для цієї мети. У зв’язку з цим, індустрія швидкого харчування, як галузь, яка все більше зростає в останні роки, вважається дуже привабливим ринком для клієнтів. У даний час дослідження спрямоване на використання алгоритмів інтелектуального аналізу даних для категоризації клієнтів в харчовій промисловості і пропонує маркетингові стратегії, адаптовані до кожної групи ідентифікованих клієнтів. Статистичне населення цього дослідження включає дані, представлені в інтегрованій системі ресторанів мережі Perperook, яка складає більше 3000 документів. Крім того, алгоритми інтелектуального аналізу даних, зокрема дерево рішень і алгоритм Quest, були використані в цьому дослідженні для категоризації клієнтів відповідно до замовлень, представленими в системі. Результати цього дослідження показують, що клієнтів ресторану швидкого харчування Perperrok можна розділити на три основні групи: здорові, основна більшість і клієнти, які вільно живуть. У кінці дослідження представлені детальні результати і стратегії, пов’язані з будь-якою з основних груп клієнтів, а також практичні пропозиції.

Ключові слова: управління взаємовідносинами з клієнтами, інтелектуальний аналіз даних, алгоритм Apriori, дерево рішень.

Класифікація JEL: M30, M31, M39.

Цитувати як: Kashani, F. & Shahmirzaloo Z. (2017). Developing marketing strategies using customer relationship management and data mining (case study: Perperook chain restaurants) Marketing and Management of Innovations, 3, 135-148. https://doi.org/10.21272/mmi.2017.3-13

Ця стаття публікуються за ліцензією Creative Commons Attribution International License

Список використаних джерел

1. Berson, A., & Smith, S.J. (2002). Building data mining applications for CRM. McGraw-Hill.
2. Cheng, C.H., & Chen, Y.S. (2009). Classifying the segmentation of customer value via RFM model and RS theory. Expert systems with applications, 36, 4176-4184.
3. Hosseinzadeh-Shahri, M., Karami, M., & Merabani, M. (2015). Customer classification in chain restaurants based on food style (Case study: Boof fast food restaurants in Tehran City). Tehran University publication.
4. Ngai, E.W., Xiu, L., & Chau, D.C. (2009). Application of data mining techniques in customer relationship management: A literature review and classification. Expert systems with applications, 36, 2592-2602.
5. Kim, M.J., Jung, H.S., & Yoon, H.H. (2007). A study on the relationships between food-related lifestyle of undergraduates and the restaurant selection attribute. Journal of the Korean Society of Food Culture, 22(2), 210-217.
6. Ghazanfari, M., Alizadeh, S., & Teimourpour, B. (2008). Data mining and knowledge discovery. Elm-o-Sanat University Press, Tehran, 1st Ed.
7. Han, J., & Kamber, M. (2006). Data Mining: Concepts and Techniques, 2nd edition. Morgan Kaufmann Publishers. San Francisco, CA, USA.
8. Funatsu, K., & Hasegawa, K. (2011). New fundamental technologies in data mining. First published January, Printed in India.
9. Pang-Ning, T., Steinbach, M., & Kumar, V. (2006). Introduction to data mining. In Library of congress.
10. Liang, Y.H. (2010). Integration of data mining technologies to analyze customer value for the automotive maintenance industry. Expert systems with Applications, 37, 7489-7496.
11. Liao, S.H., Chen, C.M., & Wu, C.H. (2008). Mining customer knowledge for product line and brand extension in retailing. Expert Systems with Applications, 34, 1763-1776.
12. Kracklauer, A.H., Mills, D.Q., & Seifert, D. (2004). Collaborative customer relationship management: taking CRM to the next level. Springer Science & Business Media.
13. Chang, H. C., & Tsai, H.P. (2011). Group RFM analysis as a novel framework to discover better customer consumption behavior. Expert Systems with Applications, 38, 14499-14513.
14. Fan, B., & Zhang, P. (2009). Spatially enabled customer segmentation using a data classification method with uncertain predicates. Decision Support Systems, 47, 343-353.
15. Khajvand, M., Zolfaghar, K., Ashoori, S., & Alizadeh, S. (2011). Estimating customer lifetime value based on RFM analysis of customer purchase behavior: Case study. Procedia Computer Science, 3, 57-63.
16. Shahrabi, J., & Soofi-Neyestani, R. (2008). Analyzing customers’ shopping cart using association rules in Shahrvand chain stores. 2nd Iranian Conference on Data Mining, Amir Kabir University of Technology pubication, Tehran.
17. Liao, S.H., Chu, P.H., & Hsiao, P.Y. (2012). Data mining techniques and applications–A decade review from 2000 to 2011. Expert Systems with Applications, 39, 11303-11311.
18. Hsieh, N.C. (2004). An integrated data mining and behavioral scoring model for analyzing bank customers. Expert systems with applications, 27, 623-633.
19. Kim, S.Y., Jung, T.S., Suh, E.H., & Hwang, H.S. (2006). Customer segmentation and strategy development based on customer lifetime value: A case study. Expert systems with applications, 31, 101-107.
20. Wei, J.T., Lee, M.C., Chen, H.K., & Wu, H.H. (2013). Customer relationship management in the hairdressing industry: an application of data mining techniques’, Expert Systems with Applications, 40, 7513-7518.
21. Bahari, T.F., & Elayidom, M.S. (2015). An Efficient CRM-Data Mining Framework for the Prediction of Customer Behaviour. Procedia Computer Science, 46, 725-731.
22. Jang, Y.J., Kim, W.G., & Bonn, M.A. (2011). Generation Y consumers’ selection attributes and behavioral intentions concerning green restaurants. International Journal of Hospitality Management, 30, 803-811.