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 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. )

• • 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