وبلاگ

قدرت روش خوشه­بندی به غیر مستقیم بودن آن است بدین معنی که این روش را می­توان حتی هنگامی که هیچ نوع اطلاعات قبلی از ساختار داخلی پایگاه داده­ نداریم استفاده کنیم. از این روش می­توان برای کشف الگوهای پنهان و بهبود عملکرد روش­های مستقیم نیز استفاده نماییم.

(( اینجا فقط تکه ای از متن 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. ))

• • استفاده از این روش آسان است و نتایج آن برای مدیران قابل فهم است.

در این روش لازم نیست که بعضی فیلدها را به عنوان ورودی و بعضی دیگر را به عنوان خروجی در نظر بگیریم و در بیشتر روش­های خوشه­بندی کمتر به وزن­دهی داده ­ها نیاز است.

• • با این کار مروری سریع بر داده ­ها انجام می­ شود.

• • در حالتی که گروه ­های زیادی در داده ­ها وجود دارد، مفید می­باشد.

• • در حالتی که اندازه ­گیری مشابهت­های غیر معمولی نیاز است، مناسب می­باشد.

• • این روش را می­توان برای داده ­های گوناگون به کار برد.

• • نتایج خوشه­بندی قابل تفسیر و استفاده است (البته یک ایراد خوشه­بندی این است که نتایج آن را می­توان به صورت­های متفاوت تفسیر کرد).

۲-۵-۲ الگوریتم K میانگین
از طریق خوشه‌بندی می‌توان مناطق متراکم و پراکنده از فضای جسم، که منجر به کشف الگوهای توزیع کلی و ارتباط جالب میان ویژگی­ داده ­ها می‌شود را شناسایی کرد. یک کاربرد تجاری مهم خوشه‌بندی این است که به سازمان­هایی که نیاز به گروه‌های مشخص در پایگاه‌های مشتری دارند، کمک می‌کند و گروه‌های مشتریان را بر اساس الگوهای خریدشان مشخص می‌کند. تکنیک‌های تجزیه و تحلیل خوشه‌بندی عمدتا بر روش‌های مبتنی بر فاصله متمرکز هستند، روش رایج آن خوشه‌بندی K میانگین است. یک پایگاه داده از n شی تشکیل شده است، این روش K جزء از داده‌ها را می‌سازد، که در آن هر یک از اجزاء متعلق به یک خوشه است همچنینK ≤ n می‌باشد. این گروه‌ها با هم به طور کلی شرایط زیر را برآورده می‌سازند: ۱) هر گروه باید حداقل شامل یک شی باشد، ۲) هر شی باید دقیقا به یک گروه تعلق داشته باشد. هر خوشه مقدار میانگین ​​از اشیائی که در آن موجود است را نشان می‌دهد. اگر چه این روش برای مدت طولانی ‌ایست که استفاده می‌شود، اما برای اولین بار توسط استوارت لوید^[۶۰] در سال ۱۹۸۲ منتشر شد (پراسد، ۲۰۱۱).
این الگوریتم به طور رایج استفاده می‌شود و هدفش بهینه سازی یک تابع هدف است که این گونه توصیف می‌شود:

(۲-۱)

در معادله بالا، مرکز خوشه است که فاصله اقلیدسی بین نقطه x و است. بنابراین، تابع معیار E، فاصله هر نقطه از مرکز خوشه‌ای که به آن متعلق دارد را حداقل می کند (شکل ۲-۴). در واقع، الگوریتم به وسیله‌ی مقداردهی اولیه برای یک مجموعه از k مرکز خوشه آغاز می‌شود. سپس هر شی از مجموعه داده را به خوشه‌ای نسبت می دهد که مرکز آن از همه‌ی خوشه‌ها نزدیک‌تر است و دوباره مراکز را محاسبه می‌کند. فرایند ادامه پیدا می‌کند تا مراکز خوشه‌ها تغییر نکند (کوکابن کبس^[۶۱]،۲۰۰۷).
انتخاب تعداد خوشه‌ها (K)
انتخاب مرکز خوشه‌ی اولیه
محاسبه‌ی فاصله‌ی بین مراکز خوشه‌ها و (N-K) نقطه‌ی باقی مانده
بله
آیا مرکز خوشه تغییر پیدا کرده است
خوشه‌بندی بر اساس کمترین فاصله
خیر
محاسبه‌ی دوباره مراکز خوشه‌ها
شکل ۲-۴ الگوریتم خوشه‌بندی K میانگین (کارگری و سپهری، ۲۰۱۲)
۲-۴ بخش­بندی
بخش­بندی مشتریان، به عنوان مرحله اولیه از فرایند مدیریت ارتباط با مشتری، مسئله قابل توجهی در وضعیت تجاری رقابتی امروز است. مطالعات زیادی در زمینه‌ی کاربرد تکنولوژی داده‌کاوی در بخش­بندی مشتریان و تاثیراتش موجود می‌باشد (استون، ۲۰۰۶)، اما بسیاری از آنها مشتری را تنها از یک نقطه نظر، به جای استفاده از یک متدولوژی سیستماتیک بخش­بندی کرده‌اند.
چای و چان^[۶۲] روش‌های موجود بخش­بندی مشتری را به روش­های متدگرا و کاربردگرا طبقه‌بندی کردند (۲۰۰۸). اکثر نویسندگان تغییر بعضی از تکنیک­های خوشه‌بندی داده مانند نگاشت خود سازمانده و یا استفاده از ترکیبی از دو یا چند تکنیک داده‌کاوی برای رسیدن به خوشه‌ها یا بخش­های دقیق‌تر را ارائه داده­اند (جانکر^[۶۳] و همکاران، ۲۰۰۴، لی^[۶۴] و همکاران، ۲۰۰۴، هوانگ^[۶۵] و همکاران، ۲۰۰۷، کیم^[۶۶] و همکاران ۲۰۰۸). آنها معمولا متغیری جدید برای فرایند خوشه‌بندی تعریف و ایجاد می­ کنند و یا از متغیرهای مختلف در مراحل خوشه­بندی ترتیبی استفاده می­ کنند (کیم و همکارانش، ۲۰۰۶، هوانگ وهمکارانش، ۲۰۰۴، چای و چان^[۶۷]، ۲۰۰۸، استون^[۶۸] و همکارانش، ۲۰۰۶، سیه^[۶۹]، ۲۰۰۴، چانگ^[۷۰] و همکارانش، ۲۰۰۷، شی­یو^[۷۱] و همکارانش، ۲۰۰۹، مک­کارتی^[۷۲] و همکاران
ش، ۲۰۰۷، لی و همکارانش، ۲۰۰۵، چنگ^[۷۳] و همکارانش، ۲۰۰۹).
۲-۴-۱ اهداف بخش­بندی
اگرچه بخش­بندی مشتری و بخش­بندی بازار به صورت مشابه در ادبیات در نظر گرفته شده است، اما تفاوت‌های مهم در مورد در دسترس بودن داده‌ها برای مکانیسم خوشه­بندی­ آنها وجود دارد.
هدف از بخش­بندی بازار معمولا به دست آوردن مشتریان جدید (مرحله اول فرایند مدیریت ارتباط با مشتری) با بهره گرفتن از داده‌های اجتماعی-جمعیتی است. در حالی که بخش­بندی مشتری در تمام مراحل مدیریت ارتباط با مشتری، با بهره گرفتن از داده‌های اجتماعی-جمعیتی و داده ­های معاملاتی کاربرد دارد. “ما می‌توانیم تصور کنیم که حفظ مشتری مهم‌تر از کسب مشتری است، به دلیل عدم اطلاعات از مشتریان جدید انتخاب مشتریان هدف دچار مشکل شده و این باعث تلاش­ های بازاریابی ناکارآمد می‌شود” (هوانگ^[۷۴] و همکاران، ۲۰۰۴).
هدف از بخش­بندی شناسایی نیازهای مشتریان و تعیین دقیق­تر خصوصیات هر کدام از بخش­ها می­باشد. بعد از بخش‌بندی، سازمان می ­تواند یک یا چند بخش را با توجه به معیارهای مورد نظر خود به عنوان مشتریان هدف انتخاب نماید و در جهت مدیریت بهتر ارتباط با آنها و خدمت­دهی مناسب­تر، استراتژی­هایی را تدوین نماید. همچنین شناسایی مشتریان با ارزش و وفادار می ­تواند برای سازمان فرصت­های سودآوری را در پی داشته باشد و بقای آن را در عرصه رقابت حفظ نماید.
دستورالعمل بخش­بندی بدین صورت است که ابتدا باید مشخص شود که به چه داده­هایی نیازمندیم و چگونه باید آنها را جمع­آوری نماییم. گردآوری داده ­ها و یکپارچه کردن آنها از منابع مختلف مرحله بعد خواهد بود. همچنین روش­های تحلیل داده برای بخش­بندی نیز باید تعیین گردد. پس از آنالیز داده ­ها و بخش­بندی، این اطلاعات باید در دسترس بخش­های مختلف قرار گرفته و راهکارهایی برای پاسخ­دهی و استفاده بهتر پیاده­سازی گردد که البته باید متناسب با استراتژی­ های مطلوب سازمان برای هر بخش با توجه به توانایی­ها، امکانات و جایگاه سازمان و نیز تحلیل و شناخت ویژگی­های آن ­باشد.
۲-۴-۲ مزایای بخش­بندی مشتریان
گاهی در سازمان­ها به منافع استراتژیک بخش­بندی توجه کافی نمی­ شود. بخش­بندی مشتریان با ایجاد چارچوبی به سازمان کمک می­ کند که گروه هدف خود را بهتر انتخاب نموده و منابع محدود خود را به طور بهینه و موثری برای تامین رضایت آنها و در نتیجه سودآوری بیشتر به کار برد. بیشتر استراتژی­ های تجاری موفق بر مبنای بخش­بندی مشتری و تمرکز منابع در بخش­های با ارزش‌تر استوار هستند و در نتیجه از موثرترین مزیت­های بخش­بندی افزایش مطلوبیت استفاده از منابع سازمان می­باشد.
موارد زیر مهم­ترین مزایای بخش­بندی می­باشد:

• • خدمت­رسانی بهتر با توجه به نیازها و خواسته­ های مشتری و ایجاد ارتباط خاص با هر گروه

• • سودآوری بالاتر

• • فرصت برای رشد

• • روابط پایدار با مشتری در کلیه فازهای طول عمر مشتری

• • افزایش امکان نوآوری

• • افزایش سهم بازار

• • مدیریت ارتباط با مشتری بهتر

• تعیین مشتریانی که پتانسیل سرمایه ­گذاری را دارند