پایان نامه رایگان با موضوع خوشه‌بندی، بازاریابی، نویسندگان

(2003). از سایر اقدامات از این دست می‌توان به مقاله یوو92 در مورد تقسیم‌بندی تصاویر رنگی (2005)، مقاله بونی‌فیکا93 در مورد انتخاب پروسسورها (2005) و مقاله بونادیو94 در مورد مقیاس‌گذاری گراف‌های چندبعدی (2002) و غیره اشاره نمود (چنا95 و همکاران، 2006؛ ازکوئل96 و همکاران، 2005).
در بازارها و محیط‌های مالی نیز اقدامات فراوانی در این زمینه انجام شده است. شان‌میوگاناتان97 محیط‌ها و سیستمهای اقتصادی را با استفاده از نگاشت‌های خود سازمانده مدل‌سازی نموده است (2005). ملودی98 مسئله تشخیص و تقسیم‌بندی بازارهای مالی را با استفاده از نگاشت‌های خود سازمانده مورد بررسی قرار داده است (2006). لن‌داس99 نیز میزان الکتریسته مصرفی را با استفاده از نگاشت‌های خود سازمانده پیش‌بینی نموده است (2002). از سایر اقدامات انجام شده در این زمینه و بخصوص در زمینه پیش‌بینی می‌توان به مقاله موشیو100 در مورد پیش‌بینی فرایندها و پروسه‌ها (2004) و مقاله هان101 در مورد پیش‌بینی با استفاده از منحنی‌های اصلی و نگاشت‌های خود سازمانده اشاره نمود (2004).
2-7-2 توپولوژی نگاشت‌های خود سازمانده
نگاشت‌های خود سازمانده در حالت کلی یک ساختار دو لایه با یک لایه ورودی و یک لایه خروجی دارند. نرونهای لایه ورودی وظیفه انتقال داده‌ها به شبکه را برعهده داشته و در حالت کلی تعداد آنها با بعد بردار‌ها در فضای ورودی برابر است. لایه خروجی نیز شامل مجموعه‌ای از نرون‌ها است که معمولاً در یک صفحه مسطح کنار یکدیگر چیده شده‌اند. این نرون‌های لایه خروجی با توجه به روابط همسایگی مشخصی که در بین آنها تعریف شده و رفتار متقابل روی همدیگر، خروجی شبکه را ایجاد می‌نمایند (چانگ102 و همکاران، 2005). تعداد نرون‌های موجود در لایه خروجی به مسئله مورد مطالعه وابسته بوده و توسط کاربر مشخص می‌گردد. ساختار یک نگاشت‌ خود سازمانده (5×4) در شکل2-5 نمایش داده شده است.
شکل2-5 ساختار یک نگاشت‌ خود سازمانده (5×4)
نرون‌های ورودی به وسیله وزن‌های اتصالی به تمامی نرون‌های لایه خروجی متصل می‌باشند. هر یک از واحد‌های خروجی که بردار‌های مرجع نیز نامیده می‌شوند، توسط مختصات آنها در صفحه خروجی وزن‌دهی می‌گردند. سپس با ارائه الگو‌های آموزشی به شبکه، وزن‌ نرون‌ها که مبین مختصات آنها در صفحه خروجی می‌باشند، طبق الگوریتم آموزشی تغییر خواهند کرد. اساس تغییر در اوزان جستجوی نرونی با بیشترین شباهت به الگوی ورودی (نرون برنده) و حرکت نرون مذکور و جمعی از همسایگانش به سوی الگوی ورودی می‌باشد. نتیجه نهایی، تغییر اوزان فشرده‌سازی اطلاعات و تعیین فضای مورد نظر می‌باشد.
تفاوت اساسی بین دو الگوریتم نقشه خود سازمانده و K میانگین این است که نقشه خود سازمانده یک وابستگی توپولوژیکی بین خوشه‌ها تعریف می‌کند و حفظ نظم توپولوژیکی بین بردارهای ورودی و خوشه‌ها بسیار مهم است. تکنیک‌های خوشه‌بندی از جمله K میانگین بیش از حد متمرکز می‌شوند به این معنی که یک گروه بزرگ و بزرگ‌تر می‌شود در حالی که گروه‌های دیگر خالی می‌مانند. همچنین برای تحلیل خوشه‌ای نیازمند تعیین تعداد خوشه‌ها هستیم، در حالی که شبکه‌های عصبی نقشه خود سازمانده، داده‌ها را به صورت طبیعی خوشه‌بندی می‌کنند (اولسون103، 2008). الگوریتم آموزش نقشه خود سازمانده به این صورت است:
فرض می‌کنیم که ورودی جدید به نرون‌ها تغذیه شده است و بردار وزنی نرون iام معادل باشد. نرونی که بردار وزنی‌اش کوتاه‌ترین فاصله را با بردار ورودی داشته باشد، نرون برنده است و از رابطه 2-2 محاسبه می‌شود.
(2-2)
نرون برنده نسبت به سایر نرون‌ها با بردار ورودی X بیشتر مطابقت می‌کند این نرون به عنوان برنده رقابت، می‌تواند وزنش را اصلاح کند و بنابراین در موقعیتی نزدیک‌تر به بردار ورودی قرار گیرد. قاعده یادگیری104 از رابطه 2-3 به دست می‌آید.
(2-3)
به طوری که t اندیس تکرار و نرخ یادگیرنده است (سیوس105 و همکاران، 2007).
به طور کلی نقشه‌های خود سازمانده، سه فرایند مشخصه را نمایش می‌دهند:
رقابت106: نرون‌های خروجی با هم رقابت می‌کنند تا بهترین مقدار را برای تابع فاصله تولید کنند.
همکاری107: نرون برنده در مرکز یک همسایگی از نرون‌های اطرافش قرار دارد و همه نرون‌ها در همسایگی نرون برنده، در پاداش او شریک می‌شوند.
سازگاری108: نرون‌ها در همسایگی نرون برنده در تطابق و سازگاری مشارکت می‌کنند که همان یادگیری است. وزن‌های این نرون‌ها به گونه‌‌ای تنطیم می‌شوند که تابع فاصله را بهبود بخشند، به عبارت دیگر این نرون‌ها شانس زیادی برای دوباره برنده شدن دارند، هنگامی که بردارهای ورودی مشابهی موجود باشند (لاروس109، 2005).
2-8 کاربرد بخشبندی در صنایع مختلف
بخشبندی مشتریان با استفاده از تکنیکهای خوشهبندی منحصر به یک صنعت خاص نمی‌باشد. به طوری که در صنایع تولیدی و خدماتی در جهان، از بخشبندی مشتریان برای پشتیبانی تصمیم و تعیین استراتژی‌های مدیریت ارتباط با مشتری استفاده میشود.
به عنوان مثال در شرکت ارتباط سیار کرهجنوبی، کیم110 و همکارانش چارچوبی را برای تجزیه و تحلیل ارزش مشتری و بخشبندی مشتریان بر اساس ارزش آنها پیشنهاد دادهاند و استراتژیهای مدیریت ارتباط با مشتری را بر اساس ارزش دوره عمر مشتری تعیین نموده‌اند. در این مطالعه موردی که در کرهجنوبی صورت گرفته است، مهمترین معیار برای بخشبندی مشترکان و وفاداری آنها این است که مشترک حق عضویتش را پرداخته است (2006).
بخشبندی مشتریان در صنعت خردهفروشی کالا نیز با استفاده از الگوریتمهای مختلفی مانند RFM صورت پذیرفته است. شاخصهایی که برای بخش‌بندی در این حوزه مدنظر قرار گرفته عبارتند از:
الف: تعداد مشتری
ب: تعداد مبادلات هر مشتری
ج: میانگین اقلام خریداری شده برای هر مشتری
د: میانگین فاصله زمانی خریدها
ح: میانگین قیمت اقلام با قیمت بالا
و: میانگین قیمت اقلام با قیمت متوسط
ز: میانگین قیمت اقلام با قیمت ارزان
با دادههای فوق به بررسی الگوهای خرید زنجیری در بخش خردهفروشی کالا پرداخته شده است (چن111 و همکاران، 2009).
مک‌کارتی112 و هستک113، در یک شرکت بازاریابی چند بخشی نیز، روشهای RFM، CHAID و رگرسیون لجستیک را به عنوان روش‌های تحلیلی برای بخش‌بندی مستقیم بازاریابی، با استفاده از دو مجموعه دادهی مختلف بررسی کردند. پایگاه دادههای مشتریان این شرکت شامل 96551 عضو میشود، که شرکت اقدام به ارسال پست الکترونیکی114 برای تمامی مشتریان میکند (2007).
همچنین در شرکت پخش ماهوارهای دجیتریک115 که در سال 1999 در ترکیه تاسیس شده است، بخشبندی مشتریان صورت پذیرفته است. این شرکت حدود هشتصد هزار نفر مشترک دارد (ساگلام116 و همکاران، 2006).
2-9 پیشینه تحقیق
به طور کلی مدلهای مختلفی به وسیله محققان در حوزه بخشبندی مشتریان ارائه شده است، در اکثر این مطالعات مدلها از لحاط متغیرهای ورودی متفاوت هستند.
از ورودی‌های اصلی برای بخشبندی مشتریان RFM است. سیه117 از یک شبکه عصبی SOM برای شناسایی گروههای مشتریان بر اساس رفتار بازپرداخت، تاخر، فرکانس و پیش‌بینی‌های رفتار پولی استفاده کرد. او همچنین مشتریان بانک را به سه گروه عمده از گروههای مشتریان سودآور طبقه بندی کرد، شکل2-6 مدل ارائه شده در این مطالعه را نشان میدهد (2004).
شکل 2-6 مدل ارائه شده توسط سیه (2004)
چنگ و چن118 نیز یک روش جدید پیوستن به مقدار ویژگی‌های کمی RFM و الگوریتم K میانگین در تئوری مجموعه ناهموار119 برای استخراج قواعد معنا پیشنهاد دادند. دادههای این مطالعه موردی که از صنعت الکترونیک در شرکت چانگ هوآ120 می‌باشد، شامل 401 رکورد از مبادلات شرکت است که در سال 2006 انجام شده است. شاخصهایی که در بخشبندی مشتریان مورد نظر بوده به قرار زیر است: الف: منطقه ب: کشور ج: مقدار اعتبار
این مدل در شکل2-7 ارائه شده است (2009).
شکل2-7 مدل ارائه شده توسط چنگ و چن (2009)
علاوه بر این، یک ترکیبی از متغیرهای ورودی که در بالا ذکر شده، نیز توسط محققان مورد استفاده قرار گرفته است. برای مثال، چان121 و همکارانش، یک رویکرد جدید که ترکیبی از هدف قرار دادن مشتری و بخشبندی مشتری برای استراتژی‌های کمپین میباشد را ارائه دادهاند. در این تحقیق رفتار مشتری با استفاده از یک مدل RFM شناسایی شده، سپس از یک مدل LTV برای ارزیابی مشتریان بخشهای پیشنهادی استفاده میشود که در شکل2-8 ارائه شده است (2008).
شکل2-8 مدل ارائه شده توسط چای و چان برای چارچوب بخشبندی مشتریان (2008)
برخی از نویسندگان ترکیبی از متغیرها و معیارهای مختلف دیگری را برای خوشهبندی مشتریان استفاده کردهاند. به عنوان مثال، لی و پارک122، به ارائه روش جایگزینِ عملیتر، آسانتر و کارآمدتر بر اساس بررسی رضایت مشتری برای بخشبندی سودآور آنها پرداختند (2005). چانگ123 و همکارانش، یک مدل پیش بینی برای مشتریان بالقوه با رفتار خریدشان پیشنهاد داده‌اند. مدل آنها از رفتار خرید گذشته مشتریان وفادار و سرویس دهنده‌ی وب فایل‌های ورود به مشتریان وفادار و بالقوه با استفاده از تجزیه و تحلیل خوشهبندی و تجزیه و تحلیل قواعد ارتباط، استنباط شده است (2007). استون124 و همکارانش، به پیشنهاد یک چارچوب بخشبندی مشتری بر اساس داده کاوی و ساختن یک روش جدید بخشبندی مشتری بر اساس بقای شخصیت متمرکز شده‌اند. روش جدید بخشبندی آنها از دو مرحله تشکیل شده است. در مرحله اول، با خوشه‌بندی محاسباتی K میانگین، مشتریان به بخش‌های مختلف با شخصیت‌های بقای مشابه (یعنی روند فعالیت فکری مشابه) تقسیم میشوند. در مرحله بعد، تابع بقای هر خوشه به وسیله تجزیه و تحلیل پیش‌بینی شده است، پس از آن، اعتبار خوشهبندی تست شده و روند فکری مشتری شناسایی شده است (2006).
شییو125 و همکارانش، یکپارچه‌سازی داده‌کاوی و بازاریابی تجربی را در بخش مشتریان بازی‌های آنلاین بررسی کردند که در شکل2-9 نشان داده شده است. نتایجش می‌تواند به شرکت‌ کمک کند تا به پیش‌بینی و درک رفتار خرید مصرف‌کننده جدید بپردازند (2009).
شکل2-9 مفهوم مدل ارائه شده توسط شییو و همکارانش (2009)
علاوه بر این، همانطور که قبلا اشاره شد، برخی از نویسندگان در فرایند بخشبندی از نقطهنظر فنی متمرکز شدند. برای مثال، لی126 و همکارانش، روش جدیدی را برای بخشبندی متقاطع بازار توسعه دادند. این نویسندگان یک رویکرد دو مرحله‌ای127 یکپارچه‌سازی روش‌های آماری و داده‌کاوی پیشنهاد کردند. برای آزمایش تفاوت بین عوامل خوشه‌بندی در مرحله اول با استفاده از روش‌های آماری (چند گروه تجزیه و تحلیل عاملی تأییدی128) انجام شده است و در مرحله دوم توسط یک روش داده‌کاوی (دو سطحی SOM) به توسعه خوشه‌های واقعی در درون هر قسمت پرداخته است (2004). هوانگ129 و همکارانش، از بردار پشتیبانی خوشه‌بندی130 برای بخشبندی بازاریابی استفاده کرده‌اند (2007). کیم و آهن131 هم، یک الگوریتم خوشه‌بندی جدید بر اساس الگوریتم‌های ژنتیک132 برای بخش‌بندی موثر بازار خرید آنلاین پیشنهاد دادند (2008). به طور همزمان، هانگ و تی‌ساعی133 نیز یک رویکرد جدید تقسیم‌بندی بازار، به نام مدل بخشبندی نگاشت خود سازماندهی سلسله مراتبی134، برای تقسیم بندی بازار چند رسانه‌ای دنیای واقعی بر روی تقاضا در تایوان، ارائه دادند. مرتضی نامور و همکاران نیز تحقیقی جهت بخش‌بندی مشتریان بر اساس مدل دو مرحله‌ای خوشه‌بندی انجام داده‌اند. این مقاله با استفاده از ابزارهای داده‌کاوی یک روش جدید برای خوشه‌بندی مشتریان با استفاده از

مطلب مشابه :  پایان نامه رایگان درمورددانش آموز، دانش آموزان، پیشرفت تحصیلی