>
Fa   |   Ar   |   En
   بخش بندی مشتریان سازمان بنادر و دریانوردی با به کارگیری شبکه عصبی خودسازمانده و الگوریتم K-Means  
   
نویسنده حریفی رخساره ,نعیمی صدیق علی ,مظفری مرضیه
منبع بررسي هاي بازرگاني - 1401 - دوره : 20 - شماره : 114 - صفحه:135 -154
چکیده    با توجه به اینکه در سال‌‌های اخیر ارتباط دو طرفه سازمان‌ها با مشتریانشان به‌صورت محسوسی تغییر کرده، تداوم کسب و کار هیچ‌گونه تضمین بلند‌مدت ندارد. لذا سازمان‌ها به‌جهت حفظ توانایی رقابت در این بازار نامطمئن، میبایست مشتریان خود را به‌خوبی شناسایی، نیاز‌ها و خواسته‌های آن‌ها را پیش‌بینی نموده و با مجهز شدن به این اطلاعات و ارائه استراتژی‌های بازاریابی کارآمد در جهت حفظ و بقای خود تلاش نمایند. با توجه به اهمیت و سهم بالای درآمد بنادر ایران در اقتصاد داخلی و وجود رقابت شدید بین بنادر منطقه، ضرورت شناسایی مشتریان کلیدی و تعیین نیازها و خواسته‌های آنها برای سازمان بنادر و دریانوردی بیشتر از گذشته احساس می‌گردد.از سوی دیگر داده‌کاوی که علم تجزیه و تحلیل داده‌‌ها است به عنوان پل ارتباطی بین قسمت‌‌هایی از داده معرفی می‌‌شود. در همین خصوص ابزارهایی در داده‌‌کاوی مانند خوشه‌‌بندی و طبقه‌‌بندی وجود دارند که شرایط لازم برای ارائه خدمت مورد‌‌نظر به مشتریان خوشه هدف و برقراری ارتباط تنگاتنگ با آن‌ها را برای سازمان‌‌ ایجاد می‌‌نماید. در این پژوهش تحلیل rfm روی داده‌‌های پردازش شده 595 مشتری سازمان بنادر در طول یکسال انجام و فرایند خوشه‌‌بندی با استفاده از خروجی تحلیل rfm و دو الگوریتم خوشه‌بندی k-means و som انجام می‌‌گردد که به منظور تعیین تعداد بهینه خوشه‌‌ها از شاخص سیلوئت استفاده می‌‌گردد (12 خوشه تعیین گردید). در انتها کیفیت خوشه‌ها با استفاده از معیار انحراف معیار داده‌‌های درون خوشه‌ها ارزیابی و نتایج به‌‌دست آمده از دو روش مقایسه می‌‌گردد. با توجه به اینکه کیفیت خوشه‌‌‌‌های حاصل از الگوریتم som بهتر از k-means می‌‌باشد بر اساس خوشه‌های به دست آمده از الگوریتم som بدین ترتیب مشتریان کلیدی و با ارزش مشخص می‌‌گردد. بر اساس تجزیه و تحلیل نتایج مشخص گردید مشتریان خوشه‌‌های 9 و 12 منتج از الگوریتم som با دارا بودن الگوی ↑ m ↑f ↑r بیشترین ارزش و وفاداری را برای سازمان بنادر دارند و مهمترین مشتریان سازمان بنادر محسوب می‌‌شوند و مشتریان خوشه‌ نخست منتج از الگوریتم som با دارا بودن الگوی↓m↓f↓r کمترین میزان ارزش و وفاداری را برای سازمان بنادر دارند.
کلیدواژه مشتریان سازمان بنادر و دریانوردی / خوشه‌بندی مشتریان / الگوریتمK-Means / الگوریتم Som / داده کاوی / تحلیل Rfm
آدرس دانشگاه آزاد اسلامی واحد الکترونیکی, دانشکده مهندسی صنایع, ایران, پژوهشگاه علوم و فناوری اطلاعات ایران (ایرانداک), پژوهشکده فناوری اطلاعات, گروه پژوهشی کسب و کار الکترونیک, ایران, دانشگاه آزاد اسلامی واحد الکترونیکی, دانشکده مهندسی صنایع, ایران
پست الکترونیکی m_mozafari@iauec.ac.ir
 
   customer segmentation of the ports and maritime organization using self organization map and kmeans algorithm  
   
Authors naimi-sadigh ali ,mozafari marzieh ,harifi rokhsareh
Abstract    given that organizations’ twoway relationships with their customers have changed significantly over the past few years, there is no longterm guarantee of business continuity. therefore, in order to maintain competitiveness in this uncertain market, organizations should identify their customers well, anticipate their needs and wants, and equip themselves with this information and provide effective marketing strategies to maintain their survival.given the importance and high share of iranian port revenues in the domestic economy and the existence of fierce competition between ports in the region, the need to identify key customers and determine their needs and wants for the ports and maritime organization is felt more than ever.on the other hand, data mining, which is the science of data analysis, is introduced as a bridge between parts of data. in this regard, there are tools in data mining such as clustering and classification that create the necessary conditions for the organization to provide the desired service to the customers of the target cluster and to establish a close relationship with them for the organization.therefore, in this dissertation, rfm analysis is performed on the processed data of 595 customers of the ports organization during one year and the clustering process is performed using rfm analysis output and two clustering algorithms, kmeans and som, in order to determine the optimal number of clusters is used from the silhouette index. the c4.5 tree algorithm is then implemented on the results of the two algorithms kmeans and som and customer behavioral characteristics are identified. finally, the quality of the clusters is evaluated using the standard deviation of the data within the clusters and the results obtained from the two methods are compared.due to the fact that the quality of the clusters obtained from the som algorithm is better than kmeans, based on the clusters obtained from the som algorithm, key and valuable customers are identified.based on the analysis of the results, it was found that the customers of clusters 9 and 12 resulting from the som algorithm with the ↑ m ↑ f ↑ r model have the highest value and loyalty for the ports organization and are the most important customers of the ports organization and the customers of clusters 1 resulting from som algorithms with ↓ m ↓ f ↓ r model have the lowest value and loyalty for the port organization. in this way, key and valuable customers are identified.
 
 

Copyright 2023
Islamic World Science Citation Center
All Rights Reserved