کاربرد‌هاي اين‌گونه از شبکه‌ها مي‌توان به خوشه‌بندي (جين84 و همکاران، 2004)، تشخيص الگو (فونسکا85، 2006)، آناليز تصاوير و اصوات (زامپيقي86 و همکاران، 2005) و تشخيص خطا (محمد خالد87، 2005) اشاره نمود. همچنين کاربرد‌هاي فراواني در زمينه‌هاي مختلف علوم همچون مهندسي (جونلا88 و همکاران، 2003)، پزشکي (مشو و همکاران، 2005) داشته است. يامادا89 با استفاده از شبکه‌هاي خود سازمانده محيط‌هاي مختلف را بر اساس ترتيب کارها تشخيص و تقسيم‌بندي نموده است (2004). آبوني90 با تجزيه و تحليل فرايندها، کيفيت توليدات را با استفاده از شبکه‌هاي خود سازمانده برآورد کرده است (2003). کيت91 نيز با بکارگيري نگاشت‌هاي خود سازمانده صفحات وب را طبقه‌بندي نموده است (2003). از ساير اقدامات از اين دست مي‌توان به مقاله يوو92 در مورد تقسيم‌بندي تصاوير رنگي (2005)، مقاله بوني‌فيکا93 در مورد انتخاب پروسسورها (2005) و مقاله بوناديو94 در مورد مقياس‌گذاري گراف‌هاي چندبعدي (2002) و غيره اشاره نمود (چنا95 و همکاران، 2006؛ ازکوئل96 و همکاران، 2005).
در بازارها و محيط‌هاي مالي نيز اقدامات فراواني در اين زمينه انجام شده است. شان‌ميوگاناتان97 محيط‌ها و سيستمهاي اقتصادي را با استفاده از نگاشت‌هاي خود سازمانده مدل‌سازي نموده است (2005). ملودي98 مسئله تشخيص و تقسيم‌بندي بازارهاي مالي را با استفاده از نگاشت‌هاي خود سازمانده مورد بررسي قرار داده است (2006). لن‌داس99 نيز ميزان الکتريسته مصرفي را با استفاده از نگاشت‌هاي خود سازمانده پيش‌بيني نموده است (2002). از ساير اقدامات انجام شده در اين زمينه و بخصوص در زمينه پيش‌بيني مي‌توان به مقاله موشيو100 در مورد پيش‌بيني فرايندها و پروسه‌ها (2004) و مقاله هان101 در مورد پيش‌بيني با استفاده از منحني‌هاي اصلي و نگاشت‌هاي خود سازمانده اشاره نمود (2004).
2-7-2 توپولوژي نگاشت‌هاي خود سازمانده
نگاشت‌هاي خود سازمانده در حالت کلي يک ساختار دو لايه با يک لايه ورودي و يک لايه خروجي دارند. نرونهاي لايه ورودي وظيفه انتقال داده‌ها به شبکه را برعهده داشته و در حالت کلي تعداد آنها با بعد بردار‌ها در فضاي ورودي برابر است. لايه خروجي نيز شامل مجموعه‌اي از نرون‌ها است که معمولاً در يک صفحه مسطح کنار يکديگر چيده شده‌اند. اين نرون‌هاي لايه خروجي با توجه به روابط همسايگي مشخصي که در بين آنها تعريف شده و رفتار متقابل روي همديگر، خروجي شبکه را ايجاد مي‌نمايند (چانگ102 و همکاران، 2005). تعداد نرون‌هاي موجود در لايه خروجي به مسئله مورد مطالعه وابسته بوده و توسط کاربر مشخص مي‌گردد. ساختار يک نگاشت‌ خود سازمانده (5×4) در شکل2-5 نمايش داده شده است.

شکل2-5 ساختار يک نگاشت‌ خود سازمانده (5×4)
نرون‌هاي ورودي به وسيله وزن‌هاي اتصالي به تمامي نرون‌هاي لايه خروجي متصل مي‌باشند. هر يک از واحد‌هاي خروجي که بردار‌هاي مرجع نيز ناميده مي‌شوند، توسط مختصات آنها در صفحه خروجي وزن‌دهي مي‌گردند. سپس با ارائه الگو‌هاي آموزشي به شبکه، وزن‌ نرون‌ها که مبين مختصات آنها در صفحه خروجي مي‌باشند، طبق الگوريتم آموزشي تغيير خواهند کرد. اساس تغيير در اوزان جستجوي نروني با بيشترين شباهت به الگوي ورودي (نرون برنده) و حرکت نرون مذکور و جمعي از همسايگانش به سوي الگوي ورودي مي‌باشد. نتيجه نهايي، تغيير اوزان فشرده‌سازي اطلاعات و تعيين فضاي مورد نظر مي‌باشد.
تفاوت اساسي بين دو الگوريتم نقشه خود سازمانده و K ميانگين اين است که نقشه خود سازمانده يک وابستگي توپولوژيکي بين خوشه‌ها تعريف مي‌کند و حفظ نظم توپولوژيکي بين بردارهاي ورودي و خوشه‌ها بسيار مهم است. تکنيک‌هاي خوشه‌بندي از جمله K ميانگين بيش از حد متمرکز مي‌شوند به اين معني که يک گروه بزرگ و بزرگ‌تر مي‌شود در حالي که گروه‌هاي ديگر خالي مي‌مانند. همچنين براي تحليل خوشه‌اي نيازمند تعيين تعداد خوشه‌ها هستيم، در حالي که شبکه‌هاي عصبي نقشه خود سازمانده، داده‌ها را به صورت طبيعي خوشه‌بندي مي‌کنند (اولسون103، 2008). الگوريتم آموزش نقشه خود سازمانده به اين صورت است:
فرض مي‌کنيم که ورودي جديد به نرون‌ها تغذيه شده است و بردار وزني نرون iام معادل باشد. نروني که بردار وزني‌اش کوتاه‌ترين فاصله را با بردار ورودي داشته باشد، نرون برنده است و از رابطه 2-2 محاسبه مي‌شود.
(2-2)

نرون برنده نسبت به ساير نرون‌ها با بردار ورودي X بيشتر مطابقت مي‌کند اين نرون به عنوان برنده رقابت، مي‌تواند وزنش را اصلاح کند و بنابراين در موقعيتي نزديک‌تر به بردار ورودي قرار گيرد. قاعده يادگيري104 از رابطه 2-3 به دست مي‌آيد.
(2-3)

به طوري که t انديس تکرار و نرخ يادگيرنده است (سيوس105 و همکاران، 2007).
به طور کلي نقشه‌هاي خود سازمانده، سه فرايند مشخصه را نمايش مي‌دهند:
رقابت106: نرون‌هاي خروجي با هم رقابت مي‌کنند تا بهترين مقدار را براي تابع فاصله توليد کنند.
همکاري107: نرون برنده در مرکز يک همسايگي از نرون‌هاي اطرافش قرار دارد و همه نرون‌ها در همسايگي نرون برنده، در پاداش او شريک مي‌شوند.
سازگاري108: نرون‌ها در همسايگي نرون برنده در تطابق و سازگاري مشارکت مي‌کنند که همان يادگيري است. وزن‌هاي اين نرون‌ها به گونه‌‌اي تنطيم مي‌شوند که تابع فاصله را بهبود بخشند، به عبارت ديگر اين نرون‌ها شانس زيادي براي دوباره برنده شدن دارند، هنگامي که بردارهاي ورودي مشابهي موجود باشند (لاروس109، 2005).

2-8 کاربرد بخشبندي در صنايع مختلف
بخشبندي مشتريان با استفاده از تکنيکهاي خوشهبندي منحصر به يک صنعت خاص نمي‌باشد. به طوري که در صنايع توليدي و خدماتي در جهان، از بخشبندي مشتريان براي پشتيباني تصميم و تعيين استراتژي‌هاي مديريت ارتباط با مشتري استفاده ميشود.
به عنوان مثال در شرکت ارتباط سيار کرهجنوبي، کيم110 و همکارانش چارچوبي را براي تجزيه و تحليل ارزش مشتري و بخشبندي مشتريان بر اساس ارزش آنها پيشنهاد دادهاند و استراتژيهاي مديريت ارتباط با مشتري را بر اساس ارزش دوره عمر مشتري تعيين نموده‌اند. در اين مطالعه موردي که در کرهجنوبي صورت گرفته است، مهمترين معيار براي بخشبندي مشترکان و وفاداري آنها اين است که مشترک حق عضويتش را پرداخته است (2006).
بخشبندي مشتريان در صنعت خردهفروشي کالا نيز با استفاده از الگوريتمهاي مختلفي مانند RFM صورت پذيرفته است. شاخصهايي که براي بخش‌بندي در اين حوزه مدنظر قرار گرفته عبارتند از:
الف: تعداد مشتري
ب: تعداد مبادلات هر مشتري
ج: ميانگين اقلام خريداري شده براي هر مشتري
د: ميانگين فاصله زماني خريدها
ح: ميانگين قيمت اقلام با قيمت بالا
و: ميانگين قيمت اقلام با قيمت متوسط
ز: ميانگين قيمت اقلام با قيمت ارزان
با دادههاي فوق به بررسي الگوهاي خريد زنجيري در بخش خردهفروشي کالا پرداخته شده است (چن111 و همکاران، 2009).
مک‌کارتي112 و هستک113، در يک شرکت بازاريابي چند بخشي نيز، روشهاي RFM، CHAID و رگرسيون لجستيک را به عنوان روش‌هاي تحليلي براي بخش‌بندي مستقيم بازاريابي، با استفاده از دو مجموعه دادهي مختلف بررسي کردند. پايگاه دادههاي مشتريان اين شرکت شامل 96551 عضو ميشود، که شرکت اقدام به ارسال پست الکترونيکي114 براي تمامي مشتريان ميکند (2007).
همچنين در شرکت پخش ماهوارهاي دجيتريک115 که در سال 1999 در ترکيه تاسيس شده است، بخشبندي مشتريان صورت پذيرفته است. اين شرکت حدود هشتصد هزار نفر مشترک دارد (ساگلام116 و همکاران، 2006).
2-9 پيشينه تحقيق
به طور کلي مدلهاي مختلفي به وسيله محققان در حوزه بخشبندي مشتريان ارائه شده است، در اکثر اين مطالعات مدلها از لحاط متغيرهاي ورودي متفاوت هستند.
از ورودي‌هاي اصلي براي بخشبندي مشتريان RFM است. سيه117 از يک شبکه عصبي SOM براي شناسايي گروههاي مشتريان بر اساس رفتار بازپرداخت، تاخر، فرکانس و پيش‌بيني‌هاي رفتار پولي استفاده کرد. او همچنين مشتريان بانک را به سه گروه عمده از گروههاي مشتريان سودآور طبقه بندي کرد، شکل2-6 مدل ارائه شده در اين مطالعه را نشان ميدهد (2004).

شکل 2-6 مدل ارائه شده توسط سيه (2004)
چنگ و چن118 نيز يک روش جديد پيوستن به مقدار ويژگي‌هاي کمي RFM و الگوريتم K ميانگين در تئوري مجموعه ناهموار119 براي استخراج قواعد معنا پيشنهاد دادند. دادههاي اين مطالعه موردي که از صنعت الکترونيک در شرکت چانگ هوآ120 مي‌باشد، شامل 401 رکورد از مبادلات شرکت است که در سال 2006 انجام شده است. شاخصهايي که در بخشبندي مشتريان مورد نظر بوده به قرار زير است: الف: منطقه ب: کشور ج: مقدار اعتبار
اين مدل در شکل2-7 ارائه شده است (2009).

شکل2-7 مدل ارائه شده توسط چنگ و چن (2009)

علاوه بر اين، يک ترکيبي از متغيرهاي ورودي که در بالا ذکر شده، نيز توسط محققان مورد استفاده قرار گرفته است. براي مثال، چان121 و همکارانش، يک رويکرد جديد که ترکيبي از هدف قرار دادن مشتري و بخشبندي مشتري براي استراتژي‌هاي کمپين ميباشد را ارائه دادهاند. در اين تحقيق رفتار مشتري با استفاده از يک مدل RFM شناسايي شده، سپس از يک مدل LTV براي ارزيابي مشتريان بخشهاي پيشنهادي استفاده ميشود که در شکل2-8 ارائه شده است (2008).

شکل2-8 مدل ارائه شده توسط چاي و چان براي چارچوب بخشبندي مشتريان (2008)

برخي از نويسندگان ترکيبي از متغيرها و معيارهاي مختلف ديگري را براي خوشهبندي مشتريان استفاده کردهاند. به عنوان مثال، لي و پارک122، به ارائه روش جايگزينِ عمليتر، آسانتر و کارآمدتر بر اساس بررسي رضايت مشتري براي بخشبندي سودآور آنها پرداختند (2005). چانگ123 و همکارانش، يک مدل پيش بيني براي مشتريان بالقوه با رفتار خريدشان پيشنهاد داده‌اند. مدل آنها از رفتار خريد گذشته مشتريان وفادار و سرويس دهنده‌ي وب فايل‌هاي ورود به مشتريان وفادار و بالقوه با استفاده از تجزيه و تحليل خوشهبندي و تجزيه و تحليل قواعد ارتباط، استنباط شده است (2007). استون124 و همکارانش، به پيشنهاد يک چارچوب بخشبندي مشتري بر اساس داده کاوي و ساختن يک روش جديد بخشبندي مشتري بر اساس بقاي شخصيت متمرکز شده‌اند. روش جديد بخشبندي آنها از دو مرحله تشکيل شده است. در مرحله اول، با خوشه‌بندي محاسباتي K ميانگين، مشتريان به بخش‌هاي مختلف با شخصيت‌هاي بقاي مشابه (يعني روند فعاليت فکري مشابه) تقسيم ميشوند. در مرحله بعد، تابع بقاي هر خوشه به وسيله تجزيه و تحليل پيش‌بيني شده است، پس از آن، اعتبار خوشهبندي تست شده و روند فکري مشتري شناسايي شده است (2006).
شييو125 و همکارانش، يکپارچه‌سازي داده‌کاوي و بازاريابي تجربي را در بخش مشتريان بازي‌هاي آنلاين بررسي کردند که در شکل2-9 نشان داده شده است. نتايجش مي‌تواند به شرکت‌ کمک کند تا به پيش‌بيني و درک رفتار خريد مصرف‌کننده جديد بپردازند (2009).

شکل2-9 مفهوم مدل ارائه شده توسط شييو و همکارانش (2009)
علاوه بر اين، همانطور که قبلا اشاره شد، برخي از نويسندگان در فرايند بخشبندي از نقطهنظر فني متمرکز شدند. براي مثال، لي126 و همکارانش، روش جديدي را براي بخشبندي متقاطع بازار توسعه دادند. اين نويسندگان يک رويکرد دو مرحله‌اي127 يکپارچه‌سازي روش‌هاي آماري و داده‌کاوي پيشنهاد کردند. براي آزمايش تفاوت بين عوامل خوشه‌بندي در مرحله اول با استفاده از روش‌هاي آماري (چند گروه تجزيه و تحليل عاملي تأييدي128) انجام شده است و در مرحله دوم توسط يک روش داده‌کاوي (دو سطحي SOM) به توسعه خوشه‌هاي واقعي در درون هر قسمت پرداخته است (2004).

دسته بندی : No category

دیدگاهتان را بنویسید