در این تحقیق به ارائه یک متدولوژی جامع شامل سه مدل دو مرحله‌ای برای بخش‌بندی مشتریان بر اساس ارزش آنها می‌پردازیم. در این متدولوژی از دو پایگاه داده، شامل پروفایل شخصی مشتریان^[۱۵۸] و داده‌های معاملاتی^[۱۵۹] و استفاده می‌نماییم که در شکل ۳-۱ نشان داده شده است.

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

تعاملات مشتریان
پروفایل مشتریان
WRFM
داده‌های جمعیت‌شناختی
مدل ۱
مدل ۲
مدل ۳
رتبه‌بندی بخش‌ها
ارزیابی و مقایسه مدل‌ها
شکل۳-۱ متدولوژی تحقیق
شکل‌های ۳-۲، ۳-۳ و ۳-۴ مدل‌های توسعه داده شده را در این متدولوژی بیان می‌کند.
در مدل اول از این متدولوژی، ابتدا بخش‌بندی را بر اساس داده‌های جمعیت‌شناختی^[۱۶۰] از پروفایل مشتریان با بهره گرفتن از شبکه عصبی خود سازمانده^[۱۶۱] انجام می‌دهیم، سپس به بخش‌بندی دوباره هر کدام از بخش‌های نتیجه گرفته شده از مرحله اول بر اساس داده‌های معاملاتی با بهره گرفتن از ابزارهای داده‌کاوی RFM و K میانگین می‌پردازیم در این مرحله K بهینه را از شاخص دیویس بولدین به دست می‌آوریم. در نهایت بخش‌های بدست آمده را بر اساس ارزششان رتبه‌بندی می‌کنیم.
پروفایل مشتریان
تعاملات مشتریان
تعیین وزن نسبی RFM بنا به الگوریتم AHP
بخش‌بندی با الگوریتم SOM
بخش‌بندی هر خوشه با الگوریتم K میانگین
تعیین مقدار بهینه K برای هر خوشه بنا بر شاخص Davies Bouldin
شکل ۳‑۲ اولین مدل توسعه داده شده جهت بخش بندی مشتریان بر اساس ارزش آنها
در مدل دوم از این متدولوژی، ابتدا مشتریان را بر اساس داده‌های معاملاتی (RFM وزن‌دار) با بهره گرفتن از الگوریتم K میانگین بخش‌بندی می‌نماییم، در این روش مقدار K بهینه از قبل توسط شاخص دیویس بولدین تعیین می‌شود. سپس هر بخش به دست آمده از مرحله اول را بر اساس داده‌های جمعیت‌شناختی با بهره گرفتن از شبکه عصبی خود سازمانده دوباره بخش‌بندی می‌نماییم و در نهایت بخش‌های بدست آمده را بر اساس ارزششان رتبه‌بندی می‌کنیم.
تعاملات مشتریان
پروفایل مشتریان
تعیین وزن نسبی RFM بنا به الگوریتم AHP
تعیین مقدار بهینه K بنا بر شاخص Davies Bouldin
بخش‌بندی با الگوریتم K میانگین
بخش‌بندی هر خوشه با الگوریتم SOM
شکل ۳‑۳ دومین مدل توسعه داده شده جهت بخش بندی مشتریان بر اساس ارزش آنها
در مدل سوم از این متدولوژی، ابتدا مشتریان را با بهره گرفتن از شبکه عصبی خود سازمانده، بر اساس متغیرهای جمعیت‌شناختی و متغیرهای تراکنشی (RFM وزن‌دار) بخش‌بندی نموده سپس از تعداد خوشه‌ی بدست آمده (k) و مراکز خوشه‌ها به عنوان ورودی روش K میانگین برای بخش‌بندی دوباره مشتریان بر اساس متغیرهای جمعیت‌شناختی و تراکنشی استفاده می‌نماییم و در نهایت بخش‌های بدست آمده را بر اساس ارزششان رتبه‌بندی می‌کنیم.
تعاملات مشتریان
پروفایل مشتریان
تعیین وزن نسبی RFM بنا به الگوریتم AHP
بخش‌بندی با الگوریتم SOM
K خوشه و ها مراکز خوشه‌ها
بخش‌بندی با الگوریتم K میانگین
شکل ۳-۴ سومین مدل توسعه داده شده جهت بخش بندی مشتریان بر اساس ارزش آنها
۳-۵ ارزیابی اعتبار مدل
برای ارزیابی اعتبار مدل از شاخص دیویس بولدین و مجموع مربعات خطا^[۱۶۲] استفاده شده است.
شاخص دیویس بولدین معیاری برای سنجش کیفیت الگوریتم های خوشه‌بندی است که اولین بار توسط دیویس و بولدین در سال ۱۹۷۹ ارائه شد (سید حسینی و همکاران، ۲۰۱۰). این معیار از شباهت بین دو خوشه استفاده می‌کند که بر اساس پراکندگی یک خوشه ( ) و عدم شباهت بین دو خوشه ( ) تعریف می‌شود. شباهت بین دو خوشه را می‌توان به صورتهای مختلفی تعریف کرد ولی بایستی شرایط زیر را دارا باشد.

• • اگر و هر دو برابر صفر باشند آنگاه نیز برابر صفر باشد.

• • اگر و آنگاه

• • اگر و آنگاه

معمولا شباهت بین دو خوشه به صورت زیر تعریف می‌شود:

(۳-۲)