مطالعات کتابداری و علم اطلاعات

شماره جاری

بر اساس شماره‌های نشریه

بر اساس نویسندگان

بر اساس موضوعات

نمایه نویسندگان

نمایه کلیدواژه ها

درباره نشریه

اهداف و چشم انداز

اعضای هیات تحریریه

اصول اخلاقی انتشار مقاله

فرایند پذیرش مقالات

بانک ها و نمایه نامه ها

پیوندهای مفید

پرسش‌های متداول

اشتراک نشریه

شرایط و ضوابط ارسال مقاله

فرم ها

راهنمای تنظیم مقاله

داوران

بخش‌بندی مراجعین کتابخانه عمومی بر اساس ارزش دوره عمر آن‌ها و مدل RFM با ترکیب روش‌های تصمیم‌گیری چند‌معیاره و داده‌کاوی

نوع مقاله : علمی پژوهشی

نویسندگان

1 کارشناس ارشد مهندسی صنایع، دانشگاه علم و صنعت ایران (نویسنده مسئول)،

2 دکترای کتابداری و اطلاع‌رسانی، عضو هیات علمی دانشگاه پیام نور مشهد

3 کارشناس ارشد کتابداری و اطلاع‌رسانی، کتابدار کتابخانه عمومی کوثر نور شهرستان نی‌ریز

چکیده

هدف: با توجه به اهمیت مراجعین برای کتابخانه‌های عمومی، این پژوهش به بخش‌بندی و شناسایی مراجعین کتابخانه‌ عمومی شهید دستغیب شیراز بر اساس ارزش دوره عمر آن‌ها و مدل RFM می‌پردازد.
روش پژوهش: برای پیاده‌سازی روش پیشنهادی ابتدا مقادیر شاخص‌های مدل RFM  تعیین شدند؛ پس از وزن‌دهی به این سه شاخص با استفاده از روش تحلیل سلسله مراتبی، مراجعین با استفاده از شبکه عصبی خود‌سازمان‌ده بخش‌بندی شدند؛ سپس با رسم هرم ارزش دوره عمر خوشه‌های مراجعین کلیدی و باارزش شناسایی شدند.
یافته‌ها: از بین سه شاخص مدل RFM، شاخص تعداد مراجعه دارای بیشترین اهمیت و شاخص سابقه عضویت دارای کمترین اهمیت در تعیین ارزش مراجعین بوده و بر این اساس مراجعین به پنج خوشه تقسیم شدند. طبق هرم ارزش دوره عمر، باارزش ترین مراجعین در خوشه چهار قرار گرفته‌اند که تنها 3 درصد از کل مراجعین را تشکیل می‌دهند.
نتیجه‌گیری: با شناسایی مراجعین باارزش و کلیدی، پیشنهادهایی جهت بهبود امر خدمت‌رسانی به مراجعین با در نظر گرفتن ارزشی که برای کتابخانه دارند، ارائه گردید.

کلیدواژه‌ها

عنوان مقاله [English]

Segmentation of Public Library Clients Based on Their Lifetime Values and RFM Model Combining Multi- Criteria Decision Making and Data Mining Techniques

نویسندگان [English]

  • Azimeh Mozafari 1
  • Soraya Zeiaei 2
  • Afsaneh Mozaffari 3

چکیده [English]

Purpose: Due to the importance of public library clients, this study segments Shahid Dastgheyb Public Library clients in Shiraz city based on their lifetime values and their RFM models.
Method: In order to implement the proposed research methods, first amounts of the RFM indicators including recent use (R) and Frequency of use (F) were determined. Since library clients do not have any monetary values for the library, the third indicator of model (M) that concerned the monetary aspect was ignored and a new indicator called clients Registration Record (RR) was considered.The clientele information was extracted from the public library’s database and preprocessed. After weighing these three indicators, using the Analytic Hierarchy Process, clients were segmented by Self-Organizing Map. Then lifetime value pyramid was plotted by which clusters of the key and valuable clients were identified.
Findings: Among the three indicators of the RFM model, Frequency of use (F) proved to be the most important and Registration Record (RR) the least important determinants of the values of clients. The clients under study were divided into five clusters. Based on the lifetime value pyramid, the most valuable clients fell in cluster 4 which includes only 3 percent of all clients. These clients were those who recently used the library, their usage frequencies were high and had a longer registration record.
Conclusions: Having identified the key and valuable clients, some suggestions were presented to improve the services considering the client’s value to library 

کلیدواژه‌ها [English]

  • Client Lifetime Value
  • Analytic Hierarchy Process
  • Self-Organizing Map
  • Shahid Dastgheyb Public Library
مراجع
آذر، عادل؛ احمدی، پرویز و محمد وحید سبط. (1389). طراحی مدل انتخاب نیروی انسانی با رویکرد داده‌کاوی (مورد: استخدام داوطلبان آزمون‌های ورودی یک بانک تجاری در ایران). نشریه مدیریت فناوری اطلاعات، (2)4: 3-22، 986-1001.
بیگدلی، زاهد و بهروز فرهادیان. (1381). نظر مراجعان کتابخانه های عمومی خوزستان درباره تناسب مجموعه ها با نیازهای اطلاعاتی آنان. علوم اجتماعی و انسانی دانشگاه شیراز، 36: 204-218.
رزمی، جعفر و آرش قنبری. (1388). ارائه مدلی نوین جهت محاسبه ارزش دوره عمر مشتری، نشریه مدیریت فناوری و اطلاعات، 1(1): 35-50.
عمادخراسانی، نسرین دخت. (1382). خدمات عمومی کتابخانه و روش‌های آن. تهران: نشر کتابدار، چاپ سوم.
غضنفری، مهدی (1391). داده کاوی و کشف دانش. تهران: دانشگاه علم و صنعت ایران.
کفاش پور، آذر؛ توکلی، احمد و علی علیزاده زوارم. (1391). بخش‌بندی مشتریان بر اساس ارزش دوره عمر آن‌ها با استفاده از داده‌کاوی بر مبنای مدل آر. اف. ام. (RFM). پژوهش‌های مدیریت عمومی، 5(15)، 63-84.
مهرگان، محمد رضا. (1383).  پژوهش عملیاتی پیشرفته. تهران: انتشارات کتاب دانشگاهی، چاپ اول.
Barry, M. (2003). Data Mining. 9th Indian. Delhi: Pearson University
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.
Buttle, F. (2004). Customer Relationship Management: Concepts and Tools. Elsevier Butterworth Heinemann.
Cannavo, S. (2003). The Power of Logic in Everyday Life. Mumbai:Magna Publishing Co.Ltd.
Chang, P. C., and Lai, C. Y. (2005). A hybrid system combining self-organizing maps with case-based reasoning in wholesaler’s new-release book forecasting. Expert Systems with Applications, 29, 183–192.
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.
Guha, S., Rastogi, R., and Shim, K. (1998). Cure: an efficient clustering algorithm for large databases: Proceedings of the ACM SIGMOD conference, 73-84.
Han, J., and Kamber, M. (2006). Data mining: concepts and techniques, San Morgan, Francisco Kaufman.
Hsieh, N. C. (2004). An integrated data mining and behavioral scoring model for analyzing bank customers. Expert systems with applications,27, 623-633.
Hu, W., and Jing, Z. (2008). Study of segmentation for auto services companies based on RFM model, [online], <http:// www. pucsp.br/icim/ingles/downloads/pdf_procceeding_2008/66. pdf >.
Hughes, A. M. (1994). Strategic database marketing, Chicago: Probus publishing.
Kantardzic, M (2003). Data Mining: Concepts, Mdels, Methods, and algorithms, wiley – inter science.
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.
Khajvand, M., and Tarokh, M. J. (2011). Estimating customer future value of different customers segments based on adapted RFM model in retail banking context. Procedia Computer Science, 3, 1327-1332.
Kim, Y. S., and Sohn, S. Y. (2004). Managing loan customers using misclassificationpatterns of credit scoring model. Expert Systems With Applications, (26),  567-573.
Kohonen, T. (2001). Self- organizing Maps, Springer Series in Information sciences, Springer, Berlin, New York, Volume 30.
Kohonen, T., and Makisara, k. (1984). Phonotypic maps –insightful representation of phonological features for speech recognition, Los Alamitos, CA. IEEE Computer Soc. Press, 182 -185.
Kreidler, M (2008). Guide to auto insurance, Washington State Office of the Insurance Commissioner, viwed 2010/4/24 <www.insurance.wa.gov>
Lee, T. S., and Chen, I. F. (2005). A two – stage hybrid credit scoring model using systems with applications, (28), 743-725.
Li, D. C., Dai, W. L., and Tseng, E. T. (2011). A twostage clustering mehod to analyze customer characteristics to build discriminative customer management: A case of textile manufacturing business. Expert Systems With Applications, 14, 1-6.
Namvar, M., Gholamian, M. R., and KhakAbi, S (2010). A Two Phase Clustering Method For Intelligent Customer Segmentation. International Conference on Intelligent Systems, Modelling and Simulation, IEEE 2010.
Ngai, E. W. T., Xiu, L., 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.
Niyagas, W., Srivihok, A., and Kitisin, S (2006). Clustering e-banking customer using dataminind and marketing segmentation. Ectitransactions On Compter And Information Technology, 2(1).
Parker, V. N. (1990). Determining Priorities for Compuerisation in Libraries. Annals of Library Science and Documentation, 37(3), 110-116.
Patkar, V. N. (2005). Data mining applications in library and academic institutions. Information Studies Journal of Science Direct, 11(3): 145-156.
Penn, B. S. (2005). Using self-organizing maps to visualize high-dimensional data. Computers & Geosciences, (31), 531–544.
Saggaf, M. M., Toksoz, M. N., and Marhoon, M. I. (2003). Seismic facies classification and dentification by competitive neural networks: Geophysics, (44), 1041-1063.
Seo, S., and Obermayer, K (2004). Self-organizing maps and clustering methods for matrix data. Neural Networks, 17, 1211–1229.
Seyed Hosseini, M., Maleki, A., and Gholamian, M. R (2010). Cluster analysis using data mining approach to develop CRM methodology to assess the customer loyalty. Expert Systems With Applications, 37, 5259-5264.
Sohrabi, B., and Khanlari, A (2007). Customer lifetime value (CLV) measurement based on RFM model. Iranian accounting & auditing review, 14(47), 7-20.
Wu, H. H. Chang, E. C., and Lo, C. F (2009). Applying RFM model and K-means method in customer value analysis of an outfitter, International Conference on Concurrent Engineering, New York.
مطالعات کتابداری و علم اطلاعات
دوره 7، شماره 16 - شماره پیاپی 16
آذر 1394
صفحه 19-38
فایل ها
هم رسانی
ارجاع به این مقاله
آمار