پایان نامه رایگان با موضوع سلسله مراتب، سلسله مراتبی، ارزش مشتری

دارند می‌توان آنها را یک خوشه نیز در نظر گرفت.
بخش پنجم
شامل 10 مشتری مرد در طیف سنی 26 تا 53 سال با تحصیلات دکتری می‌باشد و دارای پنج خوشه با رتبه‌های 19، 2، 29، 5 با سه الگوی متفاوت است. چون خوشه‌های 1 و 3 و خوشه‌های 2 و 5 الگوی یکسانی دارند می‌توان آنها را یک خوشه نیز در نظر گرفت.
بخش ششم
شامل 8 مشتری مرد در طیف سنی 45 تا 50 سال با تحصیلات دیپلم و زیر دیپلم می‌باشد و دارای سه خوشه با رتبه‌های 13، 24 و 8 با سه الگوی مختلف در این بخش است.
بخش هفتم
شامل 46 مشتری مرد در طیف سنی 24 تا 54 سال با تحصیلات فوق لیسانس است و دارای پنج خوشه با رتبه‌های 16، 1، 31، 6 و17 با چهار الگوی مختلف در این بخش می‌باشد، چون خوشه 2 و 4 الگوی یکسانی دارند می‌توان آنها را یک خوشه نیز در نظر گرفت. هم چنین بالاترین رتبه مشتریان از لحاظ ارزش به خوشه دوم از این بخش تعلق دارد و پایین‌ترین رتبه‌ی مشتریان متعلق به خوشه‌ی سوم این بخش می‌باشد.
بخش هشتم
شامل 16 مشتری خانم و 63 تا مشتری مرد در طیف سنی 11 تا 44 سال با تحصیلات دیپلم و زیر دیپلم می‌باشد و دارای چهار خوشه با رتبه‌های20، 30، 4 و 22 با سه الگوی مختلف در این بخش است، چون خوشه 2 و 4 الگوی یکسانی دارند می‌توان آنها را یک خوشه نیز در نظر گرفت. 4-6-2 بخش‌بندی دو مرحله‌ای مشتریان با استفاده از مدل دوم
در این مدل ابتدا با استفاده از روش دیویس بولدین تعداد بهینه خوشه را برای 347 مشتری در بازه‌ی صفر تا 25 تعیین می‌کنیم، این مرحله با نرم افزار متلب انجام می‌شود. در شکل 4-3 نمودار شاخص دیویس بولدین نسبت به تعداد خوشه‌ها نشان داده شده است، همانطور که ملاحظه می‌شود K بهینه برابر با 6 می‌باشد.
شکل 4-3 نمودار شاخص دیویس بولدین نسبت به تعداد خوشه‌ها برای 347 مشتری
حال داده‌ها را به روش K میانگین بر اساس داده‌های تراکنشی WRFM به 6 خوشه در نرم‌افزار کلمنتاین بخش‌بندی می‌کنیم. مشخصات خوشه‌ها در جدول 4 -13 نشان داده شده است:
جدول 4 -14 رتبه‌بندی خوشه‌ها‌ی 347 مشتری بر اساس مجموع متغیرهای استاندارد شده R و F و M وزن‌دار
شماره خوشه
تعداد
WR
WF
WM
WRFM
رتبه‌بندی بر اساس ارزش
نوع الگو
1
100
093/0
005/0
052/0
015/0
6
2
1
093/0
351/0
136/0
58/0
1
3
85
021/0
002/0
043/0
066/0
5
4
9
087/0
026/0
349/0
462/0
2
5
57
052/0
004/0
102/0
158/0
3
6
95
06/0
002/0
017/0
079/0
4
میانگین کل
059414/0
00512/0
06/0
125/0
چون در خوشه‌ی دوم فقط یک نفر می‌باشد، این رکورد را حذف کرده و بخش‌بندی 346 مشتری دیگر را انجام می‌دهیم، دوباره شاخص دیویس بولدین را برای این 346 مشتری در نرم‌افزار متلب محاسبه می‌کنیم، همانطور که در شکل 4-4 ملاحظه می‌شود K بهینه برابر با 5 می‌باشد.
شکل 4-4 نمودار شاخص دیویس بولدین نسبت به تعداد خوشه‌ها برای 346 مشتری
در نتیجه 346 داده‌ را به روش K میانگین بر اساس داده‌های تراکنشی WRFM به 5 خوشه بخش‌بندی می‌کنیم. مشخصات خوشه‌ها در جدول 4-14 نشان داده شده است:
جدول 4-15 رتبه‌بندی خوشه‌ها‌ی 346 مشتری بر اساس مجموع متغیرهای استاندارد شده R و F و M وزن‌دار
شماره خوشه
تعداد
WR
WF
WM
WRFM
رتبه‌بندی بر اساس ارزش
نوع الگو
1
100
093/0
005/0
052/0
15/0
3
2
85
021/0
002/0
043/0
066/0
5
3
9
087/0
026/0
349/0
462/0
1
4
57
052/0
004/0
102/0
158/0
2
5
95
06/0
002/0
017/0
079/0
4
میانگین کل
0626/0
0078/0
1126/0
183/0
اکنون هر یک از خوشه‌ها را بنا بر متغیرهای شخصی‌شان به روش SOM در نرم‌افزار کلمنتاین بخش‌بندی می‌کنیم، نتایج در جدول 4-15 نشان داده شده است:
جدول 4-16 توزیع 346 مشتری در خوشه‌ها و مشخصه‌های جمعیت‌شناختی در مدل دوم
شماره خوشه در K میانگین
شماره خوشه در SOM
متغیرهای جمیت شناختی
X
Y
تعداد
جنسیت-مرد
طیف سنی
تحصیلات
1
46
46
[60-19]
لیسانس و فوق‌دیپلم
2
12
[50-21]
لیسانس و فوق‌دیپلم
1
2
1
36
دکتری
2
1
3
3
[52-26]
دکتری
2
2
3
[32-30]
فوق لیسانس
3
22
17
[49-11]
دیپلم و زیردیپلم
3
2
13
13
[52-24]
فوق لیسانس
2
19
13
[41-11]
دیپلم و زیردیپلم
2
13
13
[50-26]
فوق لیسانس
1
6
6
[70-40]
دیپلم و زیر دیپلم
1
1
1
1
28
دکتری
1
2
5
[34-22]
فوق لیسانس
2
1
1
48
دکتری
2
2
3
[49-37]
دکتری
3
23
23
[52-22]
لیسانس و فوق دیپلم
3
2
14
[41-18]
لیسانس و فوق دیپلم
3
2
2
[60-24]
لیسانس و فوق دیپلم
2
1
31
لیسانس و فوق دیپلم
2
1
2
2
[42-30]
دکتری
3
2
2
[40-34]
دیپلم و زیردیپلم
3
2
2
2
[28-24]
فوق لیسانس
4
21
21
[55-19]
لیسانس و فوق دیپلم
2
7
[37-20]
لیسانس و فوق دیپلم
1
2
1
46
دکتری
2
13
10
[54-24]
فوق لیسانس
2
2
2
[37-16]
دیپلم و زیر دیپلم
3
2
13
13
[50-14]
دیپلم و زیر دیپلم
5
10
[46-23]
لیسانس و فوق دیپلم
2
37
37
[45-22]
لیسانس و فوق دیپلم
1
2
45
دکتری
1
2
7
7
[68-47]
لیسانس و فوق دیپلم
2
3
[41-22]
دیپلم و زیر دیپلم
2
1
2
2
[50-43]
دکتری
3
22
22
[48-13]
دیپلم و زیر دیپلم
3
2
12
9
[69-25]
فوق لیسانس
4-6-2-1 تحلیل خوشه‌ها (بخش‌ها) در مدل دوم
خوشه‌ی اول
این خوشه از لحاظ ارزش مشتری، در رتبه‌ی سوم قرار دارد و شامل بیشترین تعداد مشتریان است. از لحاظ داده‌های شخصی به 7 بخش تقسیم می‌شود. بخش اول شامل 46 مشتری مرد در طیف سنی 19 تا 60 سال با تحصیلات لیسانس و فوق دیپلم است. بخش دوم شامل 12 مشتری خانم در طیف سنی 21 تا 50 سال با تحصیلات لیسانس و فوق دیپلم می‌باشد. بخش سوم شامل 1 مشتری خانم، 36 ساله با تحصیلات دکتری است. بخش چهارم شامل 3 مشتری مرد در طیف سنی 26 تا 52 سال با تحصیلات دکتری می‌باشد. بخش پنجم شامل 3 مشتری خانم در طیف سنی 30 تا 32 سال با تحصیلات فوق لیسانس است. بخش ششم شامل 17 مشتری آقا و 5 مشتری خانم در طیف سنی 11 تا 49 سال با تحصیلات دیپلم و زیر دیپلم می‌باشد و بخش آخر شامل 13 مشتری مرد در طیف سنی 24 تا 52 سال با تحصیلات فوق لیسانس است.
خوشه‌ی دوم
این خوشه از لحاظ ارزش مشتری در رتبه‌ی پنجم قرار دارد و الگویش مشابه خوشه‌ی چهارم و خوشه‌ی پنجم است. از لحاظ داده‌های شخصی به 9 بخش تقسیم می‌شود. بخش اول شامل 13 مشتری مرد و 6 مشتری خانم در طیف سنی 11 تا 41 سال و تحصیلات دیپلم و زیر دیپلم است. بخش دوم شامل 13 مشتری مرد در طیف سنی 26 تا 50 سال با تحصیلات فوق لیسانس می‌باشد. بخش سوم شامل 6 مشتری مرد در طیف سنی 40 تا 70 سال با تحصیلات دیپلم و زیر دیپلم است. بخش چهارم شامل 1 مشتری مرد با سن 28 سال و تحصیلات دکتری می‌باشد. . بخش پنجم شامل 5 مشتری خانم در طیف سنی 22 تا 34 سال با تحصیلات فوق لیسانس است. بخش ششم شامل 1 مشتری مرد 48 ساله با تحصیلات دکتری می‌باشد. بخش هفتم شامل 3 مشتری خانم در طیف سنی 37 تا 49 سال با تحصیلات دکتری است. بخش هشتم شامل 23 مشتری مرد در طیف سنی 22 تا 52 سال با تحصیلات لیسانس و فوق دیپلم می‌باشد. بخش نهم شامل 14 مشتری خانم در طیف سنی 18 تا 41 سال با تحصیلات لیسانس و فوق دیپلم است.
خوشه‌ی سوم
این خوشه از لحاظ ارزش مشتری در رتبه‌ی اول قرار دارد یعنی شامل با ارزش‌ترین مشتریان می‎باشد و شامل کمترین تعداد نیز می‌باشد. از لحاظ متغیرهای شخصی به 5 بخش تقسیم می‌شود. بخش اول شامل 2 مشتری مرد 24 ساله و 60 ساله با تحصیلات لیسانس و فوق دیپلم است. بخش دوم شامل یک مشتری خانم 31 ساله با تحصیلات لیسانس می‌باشد. بخش سوم شامل 2 مشتری مرد 30 ساله و 42 ساله با تحصیلات دکتری است. بخش چهارم شامل 2 مشتری مرد 34 ساله و 40 ساله با تحصیلات دیپلم و زیر دیپلم می‌باشد. بخش پنجم شامل 2 مشتری مرد 24 ساله و 28 ساله با تحصیلات فوق لیسانس است.
خوشه‌ی چهارم
این خوشه از لحاظ ارزش مشتری در رتبه‌ی دوم قرار دارد و الگویش مشابه خوشه دوم و خوشه‌ی پنجم است. از لحاظ داده‌های گرافیکی به 6 بخش تقسیم می‌شود. بخش اول شامل 21 مشتری مرد با طیف سنی 19 تا 55 سال با تحصیلات لیسانس و فوق دیپلم است. بخش دوم شامل 7 مشتری خانم با طیف سنی 20 تا 37 سال با تحصیلات لیسانس و فوق دیپلم می‌باشد. بخش سوم شامل 1 مشتری خانم 46 ساله با تحصیلات دکتری است. بخش چهارم شامل 10 مشتری مرد و 3 مشتری خانم با طیف سنی 24 تا 54 سال با تحصیلات فوق لیسانس می‌باشد. بخش پنجم شامل 2 مشتری خانم با طیف سنی 16 تا 37 سال با تحصیلات دیپلم و زیر دیپلم است. بخش ششم شامل 13 مشتری مرد با طیف سنی 14 تا 50 سال با تحصیلات دیپلم و زیر دیپلم می‌باشد.
خوشه‌ی پنجم
این خوشه از لحاظ ارزش مشتری در رتبه‌ی چهارم قرار دارد و الگویش مشابه خوشه دوم و خوشه‌ی چهارم است. از لحاظ متغیرهای شخصی به 8 بخش تقسیم می‌شود. بخش اول شامل 10 مشتری خانم با طیف سنی 23 تا 46 سال با تحصیلات لیسانس و فوق دیپلم است. بخش دوم شامل 37 مشتری مرد با طیف سنی 22 تا 45 سال با تحصیلات لیسانس و فوق دیپلم می‌باشد. بخش سوم شامل 2 مشتری خانم 45 ساله با تحصیلات دکتری است. بخش چهارم شامل 7 مشتری مرد با طیف سنی 47 تا 68 سال با تحصیلات لیسانس و فوق دیپلم می‌باشد. بخش پنجم شامل 3 مشتری خانم با طیف سنی 22 تا 41 سال با تحصیلات دیپلم و زیر دیپلم است. بخش ششم شامل 2 مشتری مرد با طیف سنی 43 تا 50 سال با تحصیلات دکتری می‌باشد. بخش هفتم شامل 22 مشتری مرد با طیف سنی 13 تا 48 سال با تحصیلات دیپلم و زیر دیپلم است. بخش هشتم شامل 9 مشتری مرد و 3 مشتری خانم با طیف سنی 25 تا 69 سال با تحصیلات فوق لیسانس می‌باشد.
4-6-3 بخش‌بندی دو مرحله‌ای مشتریان با استفاده از مدل سوم
همان طور که پانچی و استوارت 173 پیشنهاد کرده‌اند، ترکیب یک روش سلسله مراتبی و غیرسلسله مراتبی خوشه‌بندی مانند الگوریتم K میانگین، راه حل بهتری را ارائه می‌دهد (2009). زیرا روش‌های سلسله مراتبی نقاط ابتدایی و تعداد خوشه‌ها را که روش‌های غیرسلسله مراتبی نیاز دارند، تعیین می‌کنند، هم چنین روش‌های غیر سلسله مراتبی مانند K میانگین عملکرد بهتری را با استفاده از اطلاعات به دست آمده فراهم می‌کنند. روش‌های خوشه‌بندی تفکیکی به روش‌های خوشه‌بندی سلسله مراتبی ترجیح دارند و این زمانی درست است که نقاط شروع به صورت غیرتصادفی تعیین شوند (کیو174 و همکارانش، 2002).
کیو و همکارانش در سال 2002 پیشنهاد کردند که روش‌های سلسله مراتبی می‌توانند با تکنیک‌های هوشمندی چون نقشه خود سازمانده جایگزین شوند. دلیل استفاده از نقشه خود سازمانده در مرحله‌ی اول این است که روش‌های سلسله مراتبی یک محدودیت دارند و آن این است که وقتی یک مشاهده به یک خوشه تعلق گرفت هرگز نباید به خوشه‌های دیگر جابجا شود، اما نقشه‌های خود سازمانده نوعی الگوریتم یادگیرنده هستند که می‌توانند به صورت مداوم یک مشاهده را به نزدیک‌ترین خوشه اختصاص دهند. از بردار خروجی نهایی می‌توان تعداد خوشه‌ها و نقاط ابتدایی را تعیین کرد. از طرف دیگر نقشه‌های خود سازمانده می‌توانند خیلی سریع همگرا شوند.
هر کدام از روش‌های شبکه خود

مطلب مشابه :  منبع پایان نامه با موضوعمواد مخدر، استان کرمان، زنان و دختران