بخش‌بندی مشترکین آب شیراز بر اساس ارزش دوره عمر آن‌ها و مدل RFM

نوع مقاله : مقاله پژوهشی

نویسندگان

1 کارشناسی ارشد مهندسی صنایع، دانشگاه علم و صنعت ایران، شرکت آب و فاضلاب شیراز، شیراز، ایران.

2 کارشناسی ارشد مهندسی صنایع، دانشگاه آزاد اسلامی واحد شیراز، شیراز، ایران.

چکیده

با توجه به اهمیت شناسایی مشترکین کم‌مصرف آب، در این پژوهش با استفاده از روش‌های داده‌کاوی، بخش‌بندی و شناسایی مشترکین آب براساس ارزش دوره عمر و مدل RFM انجام می‌شود. ابتدا مقادیر شاخص‌های مدل RFM برای مشترکین آب شیراز از پایگاه اطلاعات مشترکین استخراج شده و پیش‌پردازش شد. پس از وزن‌دهی به این سه شاخص با استفاده از روش تحلیل سلسله مراتبی، مشترکین با استفاده از شبکه عصبی خود‌سازمان‌ده بخش‌بندی شدند. سپس هرم ارزش دوره عمر برای شناسایی مشترکین کلیدی رسم شده و خوشه‌های مشترکین کلیدی و با ارزش شناسایی شدند. نتایج نشان می‌دهند که شاخص مبلغ آب‌بها دارای بیشترین اهمیت و شاخص تازگی پرداخت دارای کمترین اهمیت در تعیین ارزش مشترکین بوده و بر این اساس مشترکین به شش خوشه تقسیم شدند. طبق هرم ارزش دوره عمر، با ارزش‌ترین مشترکین در خوشه 3 قرار گرفته‌اند که عمدتا کاربری مسکونی و تجاری و صنعتی دارند، به‌طور عمده ساکن منطقه 2 هستند، اکثر این مشترکین قبوض خود را به‌موقع پرداخت نموده‌اند و مبلغ آب‌بهای آن‌ها نیز عمدتا کم است. با شناسایی مشترکین با ارزش و کلیدی، پیشنهادهایی برای بهبود امر خدمت‌رسانی به مشترکین با در نظر گرفتن ارزشی که دارند، ارائه شد.

کلیدواژه‌ها


 
آموزگار، م.، (1395)، "ارائه راه‌کار دو مرحله‌ای برای شناسایی الگوی مصرف برق"، نشریه علمی پژوهشی کیفیت و بهره‌وری صنعت برق ایران، 5(9)، 48-57.
امینی، ق.، فرمانی انتظام، ح.، جان صادق‌پور، ع.، و داودآبادی، ع.، (1397-الف)، "کاربرد داده‌کاوی در شناسایی مشترکین با مصارف غیرمجاز آب (مطالعه موردی: شرکت آب و فاضلاب قم)"، دومین کنگره علوم و مهندسی آب و فاضلاب ایران، اصفهان.
امینی، ق.، فرمانی انتظام، ح.، جان صادق‌پور، ع.، و داودآبادی، ع.، (1397-ب)، "شناسایی و استخراج الگوی مصرف آب به‌روش داده‌کاوی (مطالعه موردی: شرکت آب و فاضلاب قم)"، دومین کنگره علوم و مهندسی آب و فاضلاب ایران، اصفهان.
امینی، ق.، (1399)، "مدل‌سازی تشخیص مصرف غیرمجاز آب (مطالعه موردی: شهر قم)"، مجله آب و فاضلاب، 31(4)، 193-184.
رزمی، ج.، و قنبری، آ.، (1388)، "ارائه مدلی نوین برای محاسبه ارزش دوره عمر مشتری"، نشریه مدیریت فناوری و اطلاعات، 1(1)، 50-35.
طباطبایی، ا.، (1398)، نگرشی بر داده‌کاوی، دانشگاه آزاد قزوین، 10-15.
غضنفری، م.، (1399)، داده کاوی و کشف دانش. تهران، دانشگاه علم و صنعت ایران.
کاظمی، ز.، (1394)، "به‌کارگیری فرآیندکاوی برای بهبود فرآیندهای مدیریت دانش در مراکز تماس (مطالعه موردی: مرکز تماس 122 سازمان آب و فاضلاب استان تهران)"، پایان‌نامه کارشناسی ارشد، دانشکده فنی، دانشگاه تربیت مدرس.
کجوری نفت‌چالی، م. و، فریدونیان، ع.، (1394)، "شناسایی الگوی مصرف انرژی الکتریکی با داده‌کاوی"، سی‌امین کنفرانس بین‌المللی برق، تهران.
مهرگان، م. ر.، (1397)، پژوهش عملیاتی پیشرفته، تهران، انتشارات کتاب دانشگاهی، چاپ اول.
Berry, M.J., and Linoff, G.S., (2016), Data mining techniques: for marketing, sales, and customer relationship management, John Wiley and Sons, https://doi.org/10.4324/9781351016551.
Bin, D., Peiji, S., and Dan, Z., (2008), “Data mining for needy student identify based on improved RFM model: A case study of university”, International Conference on Information Management, Innovation Management and Industrial Engineering, New York, https://doi.org/10.1109/ICIII.2008.128.
Buttle, F., (2018), Customer Relationship Management: Concepts and Tools, Elsevier Butterworth Heinemann,
Cheng, C.H., and Chen, Y.S., (2009), “Classifying the segmentation of customer value via RFM model and RS theory”, Expert Systems with Applications, 36, 4176-4184,
Foster, H.S., and Beattie, B.R., (1981), “On the specification of price in studies of consumer demand under block price scheduling”, Land Economics, 57(4), 624-629,
https://doi.org/10.2307/3145676.
Han, J., Pei, J., and Kamber, M., (2016), Data mining: Concepts and techniques, Elsevier, https://doi.org/10.4324/9781351016551.
Hughes, A.M., (1994), Strategic database marketing, Chicago: Probus Publishing, https://doi.org/10.1287/ijoc.2021.1121.
Keiningham, T.L., Aksoy, A., and Bejou, D., (2006), “Approches to measurement and management of customer value”, Journal of Relationship Marketing, 5(2), 37-54, https://doi.org/10.1300/J366v05n02_03.
Kreidler, M., (2018), Guide to auto insurance, Washington State Office of the Insurance Commissioner, viwed 2010/4/24, www.insurance.wa.gov.
Monika, C., and Amarpreet, K., (2018), “A comparative study of classification techniques for fraud detection”, Journal on Future Revolution in Computer Science and Communication Engineering, 4, 19-23.
Rosenblatt, F., (1962). Principles of neurodynamics: Perceptrons and the theory of brain mechanisms, (Vol. 55), Washington, DC: Spartan books.
Saggaf, M.M., Toksoz, M.N., and Marhoon, M.I., (2003), “Seismic facies classification and dentification by competitive neural networks”, Geophysics, (44), 1041-1063, https://doi.org/10.1190/1.1635052.
Seyedhosseini, S.M., Gholamian, M.R., and Maleki, A., (2011), “A methodology based on RFM using data mining approach to assess the customer loyalty”, International Journal of Industrial Engineering, 22(2), 171-179, https://doi.org/10.1300/J366v05n02_03.