موسسه انتشارات بین المللی چتر اندیشه فصلنامه پژوهش های علوم مدیریت 2717-1361 7 3 2025 07 03 Customer Clustering Based on Data Mining Algorithms and Offering Targeted Discount Strategies: A Case Study of Digikala خوشه بندی مشتریان مبتنی بر الگوریتم های داده کاوی و ارائه استراتژی تخفیف دهی هدفمند: مطالعه موردی دیجی کالا 36 55 10.22051/jera.2021.31891.2698 FA فاطمه دانشجوی دکتری مدیریت تکنولوژی، دانشگاه صنعتی مالک اشتر، تهران، ایران غلامرضا دانشیار گروه مدیریت، دانشگاه صنعتی مالک اشتر، تهران، ایران 2023 04 11 In today's world, businesses must accurately understand their customers' needs and desires to succeed. One way to achieve this is by clustering customers based on their purchasing behaviors. In the context of discounting, customer clustering can help identify customers with the highest likelihood of repeat purchases. By offering targeted discounts to these customers, businesses can increase their sales and improve customer loyalty. This article aims to identify and categorize internet shopping customers based on the criteria of exchange recency (R), exchange frequency (F), and exchange monetary value (M). To this end, we examined the data of Digikala, the largest online store in Iran, over a one-year period. The results showed that customer clustering can help identify customers with different behaviors. In this study, customers were divided into four clusters: Cluster 1: New and low-activity customers Cluster 2: Active and low-value customers Cluster 3: Inactive and medium-value customers Cluster 4: Loyal and valuable customers. Based on the characteristics of each cluster, using expert opinions and data mining algorithms, different discount strategies were presented. For Cluster 1, which includes new customers with low purchase repetition, a repetitive discount strategy was suggested. For Cluster 2, which includes active customers with low purchase amounts, a percentage discount strategy was suggested. For Cluster 3, which includes inactive customers, a tiered discount strategy was suggested. For Cluster 4, which includes loyal and valuable customers, a time-based discount strategy was suggested. The results showed that offering targeted discounts to customers in each cluster can help improve the efficiency of discount strategies. در دنیای امروز، کسب‌وکارها برای موفقیت باید بتوانند نیازها و خواسته‌های مشتریان خود را به‌طور دقیق درک کنند. یکی از راه‌های انجام این کار، خوشه‌بندی مشتریان براساس رفتارهای خرید آنها است. در زمینه تخفیف دهی، خوشه‌بندی مشتریان می‌تواند به شناسایی مشتریانی که بیشترین احتمال خرید مجدد را دارند، کمک کند و با ارائه تخفیف‌های هدفمند به این مشتریان، کسب‌وکارها می‌توانند میزان فروش خود را افزایش دهند و وفاداری مشتریان را بهبود بخشند. بر این اساس هدف از این مقاله شناسایی و دسته‌بندی مشتریان فروشگاه‌های اینترنتی بر اساس معیارهای تازگی مبادله(R)، تعداد تکرار مبادله(F) و ارزش پولی مبادله(M) است. بدین منظور داده‌های مربوط به فروشگاه اینترنتی دیجی کالا را که بزرگ‌ترین فروشگاه آنلاین در ایران است در بازه زمانی یک ساله مورد بررسی قراردادیم. نتایج این مطالعه نشان داد که خوشه‌بندی مشتریان می‌تواند به شناسایی مشتریان با رفتارهای مختلف کمک کند .در این مطالعه، مشتریان به چهار خوشه تقسیم‌بندی شدند:خوشه1: مشتریان جدید و کم‌فعالیت.خوشه2: مشتریان فعال و کم‌ارزش.خوشه3: مشتریان غیرفعال و با ارزش متوسط.خوشه4 مشتریان وفادار و ارزشمند. سپس بر اساس ویژگی‌های هر خوشه، با استفاده از نظرات خبرگان و الگوریتم های داده کاوی، استراتژی‌های تخفیف دهی مختلفی ارائه شد. برای خوشه یک: که شامل مشتریان جدید با تعداد تکرار خرید پایین بودند، استراتژی تخفیف دهی تکراری و برای خوشه دو که شامل مشتریان فعال ولی با مبلغ خرید پایین بودند استراتژی تخفیفی درصدی، خوشه سه که شامل مشتریان غیرفعال بود استراتژی تخفیف پلکانی و برای خوشه چهار که شامل مشتریان وفادار و ارزشمند است استراتژی تخفیف دهی زماندار پیشنهاد شد. نتایج نشان داد که ارائه تخفیف‌های هدفمند به مشتریان هر خوشه می‌تواند به بهبود کارایی استراتژی تخفیف دهی کمک کند. /downloadfilepdf/3286965