A genetic-based data mining model for customer relationship management in B2B ecommerce

2020 ◽  
Vol 27 (1) ◽  
Author(s):  
AS Makinde ◽  
OR Vincent ◽  
ID Acheme ◽  
AT Akinwale
Keyword(s):  
Data Mining ◽  
Genetic Algorithm ◽  
Customer Relationship Management ◽  
Relationship Management ◽  
Calibration Graph ◽  
Customer Relationship ◽  
Business Strategies ◽  
Support Vector ◽  
Proposed Model ◽  
Time Calibration

Customer Relationship Management (CRM) improves the responsiveness and understanding of business strategies among employees and helps to achieve better customer service. However, in Business-to-Business (B2B) eCommerce, CRM data are rarely analyzed across market segments or customer categories, and customer-to-business relationship also poses issues. Thus, making appropriate decisions in the CRM model is difficult. This study presents a modified B2B CRM using the Genetic algorithm and Data Mining Techniques to improve decision making. The model classifies consumers into consumers of Repeat and Shop-and-Go. Modified data mining C5.0 and the Genetic algorithm was employed to optimize rules generated by the decision tree algorithm. The findings showed that the proposed model allocates resources effectively to the most profitable customers’ decisions. The output metrics are machine time, calibration graph, and ROC curve. In comparison with the conventional C5.0, k-NN, and Support Vector Machine, the proposed model has greater accuracy of 89.3 percent. Keywords: Customer Relationship Management, B2B eCommerce, Genetic Algorithm, Data Mining

scholarly journals Penerapan Algoritma Fuzzy C-Means Dipadukan Dengan Model Fuzzy Recency Frequency Monetary (RFM) Untuk Customer Relationship Management (CRM) (Studi Kasus Di TokoSweet Amirah Medan)

2019 ◽  
Vol 15 (1) ◽  
pp. 7
Author(s):  
Yohanni Syahra ◽  
Yusnidah Y ◽  
Beni Andika
Keyword(s):  
Data Mining ◽  
Customer Relationship Management ◽  
Relationship Management ◽  
Customer Relationship ◽  
Fuzzy C Means

Konsumen merupakan aset yang sangat penting bagi perusahaan retail.Hal ini adalah alasan mengapa perusahaan retail harus merencanakan dan menggunakan strategi yang cukup jelas dalam memperlakukan konsumen.Dengan banyaknya jumlah konsumen yang dimiliki oleh suatu perusahaan retail, maka masalah yang dihadapi adalah bagaimana menentukan konsumen potensial.Dengan menerapkan konsep CRM (Customer Relationship Management), perusahaan dapat melakukan identifikasi konsumen potensial dengan melakukan segmentasi konsumen. Tujuan dari proses segmentasi konsumen adalah untuk mengetahui perilaku konsumen dan menerapkan strategi pemasaran yang tepat sehingga mendatangkan keuntungan bagi pihak perusahaan. Penelitian ini membahas tentang bagaimana proses data mining dari data konsumen di Toko Sweet Amirah, yaitu perusahaan retail yang khusus menjual perlengkapan dan peralatan bayi serta underwear pria dan wanita dewasa dan anak-anak dan berlokasi di Jalan Gedung Arca No. 29 B-C, Medan.ProsesData Miningini menggunakan data yang berasal dari data penjualan pada Toko Sweet Amirah dan bertujuan untuk mencari konsumen potensial.Model RFM merupakan model segmentasi yang umum digunakan pada perusahaan retail. Selanjutnya melakukan proses clustering menggunakan algoritma Fuzzy C-Means (FCM). Pada FCM jumlah cluster ditentukan. Hasil clustering dari algoritma tersebut digunakan untuk Aplikasidata miningmenggunakan MATLAB versi 7.10.0 dan memanfaatkan beberapatoolboxyaituFuzzy Logic ToolboxdanDatabase Toolbox

scholarly journals IMPLEMENTASI ALGORITMA FUZZY C-MEANS DAN METODE RECENCY FREQUENCY MONETARY (RFM) PADA APLIKASI DATA MINING UNTUK PENGELOMPOKAN PELANGGAN

Sebatik ◽  
2018 ◽  
Vol 22 (2) ◽  
pp. 88-94
Author(s):  
Nindya Rahmawati Syarif ◽  
Windarto Windarto
Keyword(s):  
Data Mining ◽  
Customer Relationship Management ◽  
Relationship Management ◽  
Customer Relationship ◽  
Fuzzy C Means ◽  
Rfm Model ◽  
Total Data

Pada dunia retail, konsumen merupakan salah satu aset yang sangat berpengaruh. Oleh sebab itu konsumen menjadi alasan perusahaan retail harus merencanakan dan mempunyai strategi yang baik dalam memperlakukan konsumennya. Dengan banyaknya jumlah konsumen yang dimiliki oleh suatu perusahaan retail, maka masalah yang harus dihadapi adalah bagaimana menentukan konsumen potensial dan menerapkan strategi pemasaran yang tepat sehingga mendatangkan keuntungan bagi pihak perusahaan. Maka dari itu, dengan menerapkan konsep CRM (Customer Relationship Management), perusahaan dapat melakukan penerapan konsumen potensial dengan melakukan segmentasi pengelompokan konsumen. Penelitian ini membahas tentang proses data mining menggunakan data konsumen dan data transaksi pada PT Eka Cipta Rasa. Proses data mining dimulai dengan melakukan proses clustering menggunakan algoritma Fuzzy C-Means (FCM). Output dari FCM adalah deretan pusat cluster dan beberapa derajat keanggotaan untuk setiap titik data. Hasil clustering digunakan untuk melakukan segmentasi kelas konsumen dengan menggunakan model Fuzzy RFM. Model Fuzzy RFM yaitu dengan menggabungkan teori himpunan fuzzy dengan model RFM dengan segmentasi berdasarkan atribut Recency, Frequency, dan Monetary. Umumnya perusahaan retail menggunakan metode ini untuk proses segmentasi konsumennya. Pengelompokkan (cluster) pelanggan berdasarkan karakteristik dan sifat saat bertransaksi dapat dijadikan suatu alternatif dalam pemecahan masalah. Dalam hal  ini, pelanggan akan dibagi menjadi 4 kelompok atau cluster pelanggan diantaranya  Golden, Silver, Bronze, dan Iron adapun variabel yang menjadi acuan pengelompokannya adalah tanggal pembelian akhir , frekuensi beli, dan total pembelian. Data yang digunakan merupakan data transaksi pelanggan periode Januari sampai Juni 2016. Total data adalah 4007 transaksi dari 328 pelanggan. Setelah data tersebut diolah dengan algoritma Fuzzy C-Means dan metode RFM, hasil akhir pada proses ini menunjukkan iterasi berakhir pada iterasi ke – 9 dengan total fungsi objektif sebesar 102,2 dan perubahan fungsi objektif sebesar 51,1. Cluster pelanggan yang dihasilkan adalah Golden : 38, Silver: 186, Bronze : 103 dan Iron : 0 .

Benefits of Customer Relationship Management on Customer Satisfaction

2017 ◽  
pp. 272-293 ◽  
Author(s):  
Nastaran Mohammadhossein ◽  
Mohammad Nazir Ahmad ◽  
Nor Hidayati Zakaria
Keyword(s):  
Customer Satisfaction ◽  
Customer Relationship Management ◽  
Relationship Management ◽  
Customer Segmentation ◽  
Customer Relationship ◽  
Integration Time ◽  
Time Saving ◽  
Marketing Performance ◽  
Personalized Services ◽  
Proposed Model

The purpose of this study is to investigate the efficacy of customer relationship management (CRM) benefits for customers in relation to customer satisfaction. A model has been developed and empirically tested through data collected from a survey of 150 customers of three Malaysian companies. The results indicate that the benefits of CRM for customers have had a significant positive effect on their satisfaction towards marketing companies. Personalized services, responsiveness to customers' needs, customer segmentation, customization of marketing, multichannel integration, time-saving and improving customer knowledge are the benefits that we proposed would affect customer satisfaction and significantly improve marketing performance. Additionally, the results reveal that all the benefits found, with the exception of time-saving, enhanced customer satisfaction. This paper contributes to the existing literature by incorporating the benefits of CRM for customers, and the relationships of these benefits with their satisfaction in the proposed model.

Data Mining for Lifetime Value Estimation

2011 ◽  
pp. 431-437
Author(s):  
Silvia Figini
Keyword(s):  
Data Mining ◽  
Customer Relationship Management ◽  
Relationship Management ◽  
Large Degree ◽  
Customer Relationship ◽  
Management Process ◽  
Independent Components ◽  
Customer Lifetime ◽  
Lifetime Value ◽  
Value Estimation

Customer lifetime value (LTV, see e.g. Bauer et al. 2005 and Rosset et al. 2003), which measures the profit generating potential, or value, of a customer, is increasingly being considered a touchstone for administering the CRM (Customer relationship management) process. This in order to provide attractive benefits and retain high-value customers, while maximizing profits from a business standpoint. Robust and accurate techniques for modelling LTV are essential in order to facilitate CRM via LTV. A customer LTV model needs to be explained and understood to a large degree before it can be adopted to facilitate CRM. LTV is usually considered to be composed of two independent components: tenure and value. Though modelling the value (or equivalently, profit) component of LTV, (which takes into account revenue, fixed and variable costs), is a challenge in itself, our experience has revealed that finance departments, to a large degree, well manage this aspect. Therefore, in this paper, our focus will mainly be on modelling tenure rather than value.

Sign in / Sign up

Export Citation Format

Share Document