چکیده :به دلیل بازار رقابتی شدیدی که امروزه در تجارت الکترونیک وجود دارد شرکت های تجاری در تلاش هستند تا شرایط مدیریت ارتباط با مشتری را هرچه بیشتر بهبود بخشند تا بتوانند مشتریان فعلی را حفظ و دیگر مشتریان را هم جذب کنند.به همین خاطر است که شرکت هایی که کالاهای خود را بصورت اینترنتی به فروش می رسانند به دنبال این هستند تا تبلیغات کالاهایشان بر اساس ترجیحات فردی مشتریان باشد، یعنی تبلیغات را برای هر مشتری شخصی سازی کنند.برای شخصی سازی تبلیغات شرکت ها باید اطلاعاتی در مورد رفتار خرید پیشین مشتریانشان کسب کنند و بعد از آن این اطلاعات را تجزیه و تحلیل کنند تا بتوانند رفتار خرید آتی مشتریان را پیش بینی کنند. تکنیک داده کاوی ابزاری است که می تواند به شرکت ها کمک کند تا بتوانند اطلاعات رفتار خریدهای پیشین مشتری را تجزیه و تحلیل کرده و قوانینی را استنتاج کنند که برای پیش بینی رفتار خرید آتی مشتری مفید باشند و بر طبق آن بتوانند راهبردهای شخصی سازی تبلیغات برای مشتریان را برپا کنند.ما در تحقیق خود از داده های جمع آوری شده از مشتری، که رفتار خریدهای پیشین مشتری هستند، استفاده کرده و با بکارگیری روش تاخر، تناوب و مالی ارزش مشتریان را برای شرکت مشخص کردیم.سپس برای خوشه بندی مشتریان بر اساس ارزش آنها، بصورت موازی از الگوریتم خوشه بندی K-Means و K-Harmonic Means استفاده کردیمسپس از الگوریتم استقرایی که یکی از الگوریتم های کشف قوانین وابستگی است استفاده کردیم و تکنیک قوانین وابستگی را بر روی داده های مربوط به هر یک از خوشه هایی که توسط K-Means مشخص شده اند بکار گرفتیم. با استفاده از قوانین بدست آمده از هر خوشه راهبردهای شخصی سازی تبلیغات برای هر خوشه از مشتریان را مشخص کردیم. برای هر مشتری علاوه بر قوانین مربوط به خوشه اصلی که به آن تعلق دارد از قوانین خوشه های دیگری که درجه تعلق مناسبی نسبت به آنها دارد نیز برای تعیین راهبردهای شخصی سازی تبلیغات استفاده کردیم تا بدین ترتیب تعداد تبلیغات پیشنهادی که مطابق با علایق مشتری است را بیشتر کنیم. Abstract :Due to intense competitive market that exist in electronic commerce, these days, commercial firms are trying to promote their customer relationship management ( CRM ) situations in order to keep their own and attract other customers, therefore, the firms that sell their products electronically and via internet, try to advertise their products based on their customers personal priorities, that means they personalize the advertisement for each customer.For this propose, they should collect some information about their customers previous purchases behaviour and analyze them to be able to predict customers future purchase behavior.Data mining techniques can help these firms to analyze customers previous purchases behavior in order to extract some rules that are used for predicting of customers future purchases behavior and setting up the advertisement personalizing strategies.In this research we used some data, collected from and about the customers and their previous purchases behaviour.By using Recency, Frequency and Monetary ( RFM ) method we determined each customers value for firms.Then, for clustering the customers based on their values and in a parallel mode, we used K-means and K-Harmonic means clustering algorithms, afterwards, we use apriori algorithm ( that is one of association rules discovery algorithms ), on the data related to each cluster determined by K-means.We were able to determine the advertisement personalizing strategies for each cluster of customers by using the rules gained from each cluster.In addition to rules related to original cluster that a customer belongs to, we used the rules from other clusters by appropriate membership degree for that customer to determine the advertisement personalizing strategies,hence we were able to increase the number of proposed advertisement according to customers interests. فهرست مطالب:عنوان .......................................................................................................... صفحهفصل اول: مقدمه و کلیات تحقیق1-1: مقدمه .......................................................................................................... 2 1-2: بیان مسئله .................................................................................................. 31-3: هدف تحقیق ................................................................................................ 41-4: اهمیت تحقیق ............................................................................................... 61-5: ساختار تحقیق .............................................................................................. 7 فصل دوم: پیشینه و مفاهیم تحقیق2-1: مبانینظری................................................................................................... 10 2-1-1: مدیریت ارتباط با مشتری................................................................ 102-1-1-1: تعریف مدیریت ارتباط با مشتری ...................................................102-1-1-2: تبلیغات اینترنتی .....................................................................132-1-2: داده کاوی ................................................................................................ 152-1-2-1: تعریف داده کاوی ................................................................................. 152-1-2-2: خوشه بندی ........................................................................................182-1-2-3: قوانین وابستگی................................................................................. 252-1-3: شیوه تاخر، تناوب و مالی ......................................................................... 312-2: پیشینه تحقیقاتی ...................................................................................... 33فصل سوم: روش شناسی تحقیق3-1: مقدمه ......................................................................................................... 403-2: اطلاعات مجموعه داده ها و آماده سازی داده ................................................ 423-3: تعیین ارزش مشتری ................................................................................... 443-4: استفاده از تکنیک های داده کاوی ............................................................... 483-5: رهیافتی برای شخصی سازی تبلیغات .......................................................... 563-6: روش ارزیابی ............................................................................................. 59فصل چهارم : محاسبات و یافته های تحقیق4-1 : پایگاه داده هدف ........................................................................................ 624-2 : آماده سازی مجموعه داده .......................................................................... 634-3 : استخراج اطلاعات جهت تعیین معیارهای RFM.......................................... 784-4 : داده کاوی ................................................................................................. 824-5 : ارائه تبلیغات مناسب به مشتری ................................................................. 1174-6 : ارزیابی مدل .............................................................................................. 119فصل پنجم : نتیجه گیری و کار آینده5-1 : نتیجه گیری .............................................................................................. 1265-2 : پیشنهادها و کار آینده ............................................................................. 128منابع ................................................................................................................ 131 فهرست شکل ها:عنوان .......................................................................................................... صفحهشکل 3-1 : فرایند شخصی سازی تبلیغات توسط داده کاوی ................................................... 41شکل 3-2 : قالب کاری سیستم ارائه تبلیغ در سایت .................................................................. 58شکل 4-1 : قالب داده های مربوط به خوشه شماره یک در WEKA ..................................... 107شکل 4-2 : قالب داده های مربوط به خوشه شماره دو در WEKA ....................................... 110شکل 4-3 : قالب داده های مربوط به خوشه شماره سه در WEKA ...................................... 114 فهرست جدول ها:عنوان .......................................................................................................... صفحهجدول 2-1 : مثال تراکنش های خرید ........................................................................................... 26جدول 2-2 : مثال معیاردهی RFM ............................................................................................... 33جدول 3-1 : مشخصات کالاهای موجود ........................................................................................ 43جدول 3-2 : ارزش گذاری معیار Recency ................................................................................ 46جدول 3-3 : ارزش گذاری معیار Monetary ............................................................................ 47جدول 3-4 : مثال نحوه تخصیص RFM ........................................................................................ 48جدول 4-1 : رکوردهای خرید مشتریان .......................................................................................... 63جدول 4-2 : تخصیص مقادیر RFM ............................................................................................... 79جدول 4-3 : شماره خوشه مشتریان در K-means ................................................................... 83جدول 4-4 : رکوردهای خرید مشتریان پس از ویرایش .............................................................. 92جدول 4-5 : نتایج پیشنهادها و عرضه تبلیغات کالاها به مشتریان ........................................... 120 فصل اول:مقدمه و کلیات تحقیق 1-1 مقدمه:پیشرفت فناوری های اطلاعات و ارتباطات، حجم وسیعی از اطلاعات و داده های مفید را در دسترس قرار داده است.با توجه به رشد روز افزون بازار خرید اینترنتی و رقابت شدید بین شرکت ها و سایت های فروش اینترنتی، استفاده بهینه از اطلاعات بازار و مشتری اهمیت ویژه ای پیدا کرده است.ایده ها و راه حل های گوناگونی برای استفاده از اطلاعات بدست آمده از بازار و مشتریان جهت جذب مشتری و مهمتر از آن جهت نگهداری مشتریان فعلی پدید می آیند که یکی از این ایده ها، استفاده از اطلاعات مشتری برای بدست آوردن و پیش بینی کردن علایق آن است.فرایندهای زیادی را می توان برای بدست آوردن علایق مشتریان متصور شد، اما یکی از این فرایندها که امروزه با استقبال زیادی از سوی شرکت های تجاری و صاحبان سایت های فروش اینترنتی مواجه شده است، استفاده از تکنیک های داده کاوی1 می باشد.با استفاده از تکنیک خوشه بندی2 و تکنیک قوانین انجمنی3 که از تکنیک های داده کاوی به شمار می آیند و بر روی داده های مربوط به رفتار خرید پیشین مشتری اعمال می شوند، می توان اطلاعات مفیدی جهت پیش بینی رفتار خرید آتی مشتری کسب نمود.شرکت ها از این اطلاعات استفاده می کنند تا بتوانند کالاهای مورد علاقه مشتریان را در مکان و زمان مناسب به آنها پیشنهاد دهند و بدین ترتیب در جهت سیاست نگهداری و حفظ مشتریان گام بردارند.1-2 بیان مسئله:به خاطر بازار رقابتی شدیدی که امروزه در تجارت الکترونیک وجود دارد شرکت های تجاری در تلاش هستند تا شرایط مدیریت ارتباط با مشتری1 را هرچه بیشتر بهبود بخشند تا بتوانند هرچه بیشتر مشتریان فعلی را حفظ کنند و همچنین دیگر مشتریان را هم جذب کنند.یکی از راه هایی که برای این اهداف شرکت ها و صاحبان کالا مصور است تبلیغ کالاها یا خدماتی است که مشتریان علاقه بیشتری به خرید یا دریافت آنها دارند. بنابراین شرکت ها باید به دنبال این باشند تا تبلیغاتشان بر اساس ترجیحات فردی مشتریان باشد، یعنی تبلیغات را برای هر مشتری شخصی سازی2 کنند.شرکت های تجاری برای اینکه بتوانند تبلیغات را برای مشتریان خود شخصی سازی کنند نیاز دارند تا اطلاعاتی در مورد علایق این مشتریان بدست آورند. بعضی از آنها برای بدست آوردن این اطلاعات از روش پرسشنامه استفاده می کنند و در ابتدای ارتباط با مشتری پرسش هایی در مورد شخص مشتری از قبیل سن و جنسیت و ... از او می پرسند. بعلاوه همچنین ممکن است سوالاتی در مورد علایق خرید مشتری نیز از او پرسیده شود.این روش می تواند برای مشتری آزاردهنده و وقت گیر باشد، از این رو ممکن است مشتری عملیات خرید خود از سایت را متوقف کند.روش دیگری که برای جمع آوری اطلاعات مورد نیاز درباره علایق مشتری وجود دارد استفاده از داده های مورد استفاده پیشین کاربر از وب1 می باشد که با استفاده از این داده ها و بررسی آنها شرکت ها می توانند اطلاعاتی در مورد رفتار خرید کاربران بدست آورند.داده کاوی ابزاری است که به شرکت ها کمک می کند تا ترجیحات و علایق فردی کاربران و مشتریان را بر اساس داده های به جای گذاشته شده از آنها استخراج کنند و بر این اساس استراتژی های بازاریابی خود را برقرار کنند و به شخصی سازی تبلیغات بپردازند. شرکت ها با استفاده از ابزارهای داده کاوی ابتدا داده های مورد نیاز برای کاوش رفتار خرید مشتری را آماده می کنند و با استفاده از الگوریتم های متعدد خوشه بندی می توانند مشتریان خود را بخش بندی کنند.بعد از آن می توانند با استفاده از الگوریتم های کاوش قوانین وابستگی، قوانینی برای پیش بینی رفتار خرید آتی مشتری بدست آورند و با استفاده از این قوانین، راهبردها و روش های شخصی سازی تبلیغات برای مشتری را مشخص کنند.ما درصدد هستیم تا با استفاده از تکنیک های داده کاوی، مشتریان را بر اساس ارزش آنها که از رفتار خرید گذشته آنها بدست می آید دسته بندی و گروه بندی کنیم و علایق و رفتار خرید آینده هر دسته از این گروه ها را پیش بینی و مشخص کنیم تا با استفاده از این بتوانیم تبلیغات کالا را برای هر مشتری شخصی سازی کنیم.1-3 هدف تحقیق:در تحقیقاتی که تا به حال انجام گرفته با خوشه بندی مشتریان را به گروه هایی تقسیم می کنند و بر روی هر یک از این گروه ها تکنیک قوانین انجمنی را بکار می برند تا رفتار خرید آینده هر مشتری را پیش بینی کنند.برخی از این تحقیقات از الگوریتم k-means برای خوشه بندی مشتریان استفاده کردند و برخی دیگر به دلیل اشکالاتی که در این الگوریتم وجود دارد از الگوریتم هایی دیگر یا بهبودی از این الگوریتم استفاده کردند.هدف از این تحقیق مشخص کردن ارزش مشتریان برای شرکت ها بر اساس رفتارهای خرید آنان، شخصی سازی تبلیغات اینترنتی برای مشتریان و ارائه حداکثری تبلیغات اینترنتی مطابق با علایق هر مشتری می باشد.برای این منظور از خوشه بندی موازی مشتریان توسط دو الگوریتم k-meansو k-harmonic means و بکار گیری الگوریتم استقرایی1 روی هر یک از خوشه های حاصل شده از خوشه بندی k-means استفاده شده است. و بعد از آن از نتایج بدست آمده از بکارگیری الگوریتم استقرایی برای هر یک از مشتریان، با توجه به درجه تعلق آنها به هر خوشه ( که توسط الگوریتم k-harmonic means مشخص شده است ) برای شخصی سازی تبلیغات برای آنان استفاده می شود.قوانین وابستگی یا انجمنی استخراج شده از هر خوشه برای هر مشتری که درجه عضویت حداقلی مشخص شده از قبل را برای آن خوشه دارد معتبر در نظر گرفته می شود.بنابر این قوانین وابستگی برای یک مشتری تنها به قوانین استخراج شده از خوشه ای که مشتری بیشترین درجه تعلق به آن را دارد محدود نمی شود.با توجه به احتمال تداخل قوانین بین خوشه ها برای مشتری، اولویت با قوانین خوشه ای است که مشتری درجه عضویت بالاتری را برای آن دارد.بدین ترتیب با افزایش قوانین استخراج شده معتبر مربوط به هر مشتری می توان انتظار داشت که راهبردهای بیشتری برای شخصی سازی تبلیغات برای مشتری بوجود بیاید.این بدین معنا است که می توان کالاهای بیشتری را بر اساس علایق کاربر به او پیشنهاد کرد.1-4 اهمیت تحقیق:امروزه کاربران و مشتریان در محیط اینترنت ترجیح می دهند تا کالاها یا خدماتی که به آنها پیشنهاد می شود بر اساس ترجیحات و علایق شخصی آنها باشد.در اغلب تحقیقاتی که در زمینه شخصی سازی تبلیغات اینترنتی برای مشتریان با استفاده از تکنیک های داده کاوی صورت گرفته است، هر مشتری فقط به یک خوشه تعلق پیدامی کند و در نتیجه تنها پیشنهاداتی به او عرضه می شود که در نتیجه بکار بردن تکنیک قوانین انجمنی تنها بر روی همان خوشه ای که به آن تعلق داشته، بدست آمده اند.تحقیق ما از این نظر نسبت به دیگر تحقیقات از اهمیت بیشتری برخوردار است که هر مشتری تنها به یک خوشه تعلق پیدا نمی کند و قوانین با احتمال زیاد خوشه های دیگر که این مشتری درجه تعلق حداقلی از قبل مشخصی را نسبت به آنها دارد، برای مشتری بکار گرفته می شود. اهمیت و ارزش این کار در این است که نسبت به روش های قبلی می توان پیشنهادات بیشتری بر حسب علایق مشتری به او عرضه کرد.