[۹۶]

RFMTC

در این مقاله مدل RFMTC برای دسته­بندی مشتریان ارائه‌شده است. Churn probability© و Time since first purchase(T) متغیرهای جدیدی هستند که در این مقاله از آن‌ ها استفاده شده است. هدف این مقاله که در یک مرکز ارائه­دهنده خدمات انتقال خون پیاده­سازی شده، اینست که در محاسبه ارزش مشتری، احتمال رویگردانی وی نیز درر نظر گرفته شود.

( اینجا فقط تکه ای از متن پایان نامه درج شده است. برای خرید متن کامل فایل پایان نامه با فرمت ورد می توانید به سایت feko.ir مراجعه نمایید و کلمه کلیدی مورد نظرتان را جستجو نمایید. )

[۹۷]

RFMP

در این مقاله، الگوی RFM صریحا تعریف شده و یک ساختار درختی تحت عنوان RFM-Patern-tree برای فشرده­سازی و ذخیره تمامی تراکنش­های مشتریان، پیشنهاد شده و یک الگوریتم الگوی مبتنی بر رشد برای کشف تمامی الگوهای RFM در ساختار درختی پیشنهادی توسعه داده شده است.

[۹۸]

RFM

در این مقاله از معیارهایی نظیر تعداد مشتریان، میانگین تعداد تراکنش­ها برای هر مشتری و میانگین تعداد موارد در هر تراکنش برای کشف الگوی خرید مشتریان با بهره گرفتن از RFM استفاده شده است. در این مقاله از SPM نیز استفاده شده است.

[۹۹]

RFM

در این مقاله با بهره گرفتن از مدل RFM دانشجویان نیازمند برای دریافت وام دانشجویی در چین مشخص گردیده‏اند. داده‏های مورد نیاز برای تعیین ارزش دانشجویان، از سوابق تراکنش‏های آن‌ ها در سیستم تغذیه دانشگاه گرفته شده است(دانشجویان برای خرید غذا و مواد خوراکی در درون دانشگاه از کارت دانشجویی خود استفاده می‏کنند). ازآنجایی‌که تمامی دانشجویان روزانه از غذای دانشگاه استفاده می­ کنند بنابراین R معنی ندارد. بجای R(Recency) از R(Ratio) در این مقاله استفاده شده است.
Ratio= average cost non-grain foods / average cost staple

[]

RF^*M^*

در این مطالعه که با هدف تعیین مشتریان باارزش بانک صورت گرفته است، عنوان گردیده که مدل RFM به‌تنهایی نمی­تواند در صنعت بانکداری پاسخگویی مناسبی به همراه داشته باشد؛ لذا پیشنهاد شده است که بجای مدل RFM از RF^*M^* استفاده شود. متغیرهای مدل RF^*M^* بصورت زیر محاسبه می­گردند:
R= Recency
D= Duration
F^*= Number of transactions per day(F/D)
M^*= Monetary value per transaction(M/F)
در این مقاله از K-means برای خوشه­بندی مشتریان استفاده شده است.

[۱۰۱]

RFM

در این مقاله با بهره گرفتن از مدل WRFM، مشتریان به ۴ دسته تقسیم شده ­اند. سپس با بهره گرفتن از سری­های زمانی میزان ارزشی که هر مشتری در آینده می ­تواند برای شرکت بوجود آورد، تخمین زده شده است. داده ­های مورد استفاده در این مقاله شامل نوع سپرده، میزان سپرده، میزان معامله و تاریخ هر معامله می­ شود.
از تکنیک AHP برای تعیین اوزان متغیرها استفاده شده است.

[۱۰۲]

در صنعت حمل­ونقل نیز از مدل RFM برای تعیین ارزش مسافران استفاده شده است. در مقاله [۱۰۳] با بهره گرفتن از مدل RFM ساده و با بهره گرفتن از الگوریتم K-means مسافران الکترونیکی در شرکت مسافربری رجا خوشه­بندی و تعیین ارزش شده ­اند. در این تحقیق تراکنش­های ۷۱۴۳۶ مشتری در یک بازه ۲ ساله مورد بررسی قرار گرفته است. نویسندگان این مقاله، مسافران را به ۵ خوشه تقسیم ­بندی کردند و برای هر خوشه استراتژی­ های مناسبی ارائه کردند. نکته جالب در این مقاله، شناسایی و تفکیک آژانس­های مسافربری از سایر مسافران می­باشد. این دسته از مشتریان به دلیل بالا بودن حجم تراکنش­ها و متغیر بودن مبدأ و مقصد مسافرتشان در هر دوره، شناسایی شدند. در [۱۰۴] نیز از مدل RFM و درخت تصمیم C4.5 برای تعیین ارزش مسافران باارزش در صنعت هواپیمایی تایوان استفاده شده است.
یکی دیگر از مطالعات انجام‌شده در این حوزه، تحقیق انجام‌شده توسط چیانگ^[۹۵] در سال ۲۰۱۲ در [۱۰۵] بوده است. در این پژوهش بر مبنای مدل RFM، مدل FPDN برای تعیین ارزش مسافران در صنعت حمل­ونقل هوایی ارائه‌شده است. متغیرهای این مدل عبارتند از:
جدول۲- ۹ متغیرهای مدل FPDN

Frequency(F)