خوشه‌بندی بازار مصرف‌کنندگان خرید آنلاین ایران با استفاده ازشبکه عصبی مصنوعی

هدف پژوهش حاضر، خوشه‌بندی بازار مصرف‌کنندگان خرید آنلاین ایران با استفاده ازشبکه‌ عصبی مصنوعی است تا بتوان بر اساس آن، به شناسایی هرچه بهتر نیازهای مشتریان، تعیین دقیق‌تر خصوصیات هر کدام از خوشه‌ها، انتخاب بهترین روش خوشه‌بندی و نهایتاً تدوین استراتژی‌های مناسب برای مدیریت، ارتباط و خدمت‌‌رسانی مناسب‌تر به مشتریان دست یافت. پژوهش حاضر بر اساس هدف،‌ توصیفی و از نوع برآوردی و ارزشیابی و از نظر غایت کاربردی و به لحاظ مقطع زمانی وضعیت مشتریان را درخلال سال‌های 1400 تا 1401 مورد مطالعه قرار داده است. جامعة آماری شامل 52403 فروشگاه اینترنتی بوده است که پژوهش حاضر بر اساس روش نمونه‌گیری ساده 349 فروشگاه را انتخاب نمود. روش تحلیل، آنالیز و دسته‌بندی داده‌ها به روشrfm و k-meansوشبکه فازی-عصبی خودسازمانده صورت پذیرفته است. تکنیک مورد استفاده نیز از نوع معیار‌های مجموع مربعات خطا و شاخص دیویس بولدین بوده است. یافته‌های پژوهش نشان داد: مواد غذایی (کمترین تاخر خرید به دلیل نیاز مکرر را داشته اند)؛ مواد و لوازم آرایشی (بیشترین خرید توسط زنان انجام گرفته است)؛ لوازم لوکس (بالاترین ارزش پولی خرید را داشته اند)؛لوازم صنعتی و تجهیزات جانبی آنها (بیشترین خرید توسط مردان صورت گرفته است) و نهایتاً لوازم بهداشتی و شوینده و پوشاک (بیشترین تکرر خرید را داشته است). نتایج پژوهش بیانگر این موضوع بوده است که به کارگیری شبکه‌های عصبی خودسازمانده در کنار روش rfm مناسب‌ترین روش برای خوشه‌بندی و تفکیک و ارزش گذاری مشتریان است. همچنین، kmeans+anfis نیز به مقادیر مناسبی دست یافته اما روش wrfm+anfis در این شاخص، موفق‌تر عمل کرده است.

clustering of iran's online shopping consumer market by using artificial neural network

the purpose of this study is to cluster the iranian online shopping consumer market using artificial neural network، so that based on it، customers' needs can be better identified، the characteristics of each cluster can be determined more accurately، and the best clustering method can be chosen. and finally، the development of appropriate strategies for management، communication and better service to customers was achieved. based on the purpose، the present research is descriptive and of the estimation and evaluation type، and in terms of practical purpose and in terms of time period، the situation of customers has been studied during the years 2021 to 2022. the statistical population included 52،403 online stores، and the present study selected 349 stores based on simple sampling. the method of analysis and classification of data is done by rfm، k-means and self-organizing fuzzy-neural network. the technique used was the sum of squared error criteria and the davies-bouldin index. the findings showed: food items (they had the least delay in purchasing due to frequent needs); cosmetics (the majority of purchases were made by women); luxury appliances (have the highest monetary value of purchase); industrial supplies and their accessories (the most purchases were made by men) and finally، sanitary supplies، detergents and clothes (have the most frequency of purchases). the results of the research have shown that the use of self-organizing neural networks along with the rfm method is the most suitable method for clustering and separating and valuing customers. also، kmeans+anfis also achieved good values، but the wrfm+anfis method has been more successful in this index.