A combined approach of clustering and association rule mining for customer profiling in video on demand services

Abstract

Günümüzde IPTV (İnternet Protokol Televizyonu) hizmet sağlayıcıları, daha fazla gelir elde etmek için yaptıkları iş girişimlerinin bir parçası olarak VoD (İsteğe Bağlı Video) hizmetleri sunmaktadır. Bunu yapmak için müşteri davranışları ve beklentileri hakkında bilgi sahibi olmaları gerekir. Kullanıcılarla ilgili bu tür bilgiler CRM (Müşteri İlişkileri Yönetimi) sistemlerinde saklanır. Bu çerçevede, bu çalışma VoD hizmetlerindeki müşterileri kümeleme ve dernek kuralı madenciliği teknikleri uygulayarak analiz etmeyi amaçlamaktadır. LRFMP (Uzunluk, Yenilik, Frekans, Parasal ve Periyodiklik) modeli, müşteri davranışlarını bulmak için uygulanır ve k-küme algoritmaları kümelerin ve müşteri profillerinin belirlenmesini sağlar. Sonuç olarak, dört farklı müşteri grubu, 'tüketen ve en değerli', 'daha az tüketen ve daha az değerli', 'daha az tüketen ama sadık' ve 'ne sadık ne de değerli' olarak tanımlanır. Bu çalışma için önemli bir bilgi kaynağı, abonelerin içerik kategorisi ve kiralama tercihleriyle ilgili olarak içerik türü veya türüdür. Bu amaçla, müşterilerin potansiyel kiralarını tahmin etmek için ilişkilendirme kuralı algoritması (Apriori) kullanılır. Bu çalışmada, IPTV hizmet sağlayıcılarının hassas müşteri davranışlarına ve tercihlerine daha fazla ışık tutması için birleşik bir yaklaşım yararlı olacaktır, bu da müşteri memnuniyetini artırmak ve uzun vadede gelirleri artırmak için her bir abone kategorisi için daha hedefli pazarlama stratejileri oluşturulmasına izin verir.

Today, IPTV (Internet Protocol Television) service providers offer VoD (Video on Demand) services as part of their business initiative toward generating more revenue. To do this, they need to know about customer behaviors and expectations. Such information related to users is stored in CRM (Customer Relationship Management) systems. Against this backdrop, the present work aims to analyze customers in VoD services with applying clustering and Association Rule Mining techniques. The LRFMP (Length, Recency, Frequency, Monetary, and Periodicity) model is applied to find out the customer behaviors, whereas the k-means clustering algorithms allow for determining the number of clusters and customer profiles. As a result, four different customer groups are identified, namely as 'consuming and most valuable', 'less consuming and less valuable', 'less consuming but loyal', and 'neither loyal nor valuable'. A major source of information for this study is the content type or genre as regards the content category and rental preferences of subscribers. To this end, the association rule algorithm (Apriori) is employed to predict the customers' potential rentals. A combined approach as such would be useful for IPTV service providers to further shed light on precise customer behaviors and preferences, thus allowing to create more targeted marketing strategies for each category of subscribers in order to improve customer satisfaction and increase revenues in the long run.