تبیین الگوی خوشه‌بندی بازار هدف

نوع مقاله : مقاله پژوهشی

نویسندگان

1 استادیار دانشکده مدیریت، دانشگاه یزد

2 کارشناسی ارشد مدیریت بازرگانی (بازاریابی)، دانشگاه علوم تحقیقات یزد

چکیده

امروزه توانمندی سازمان‌ها در شناسایی بازارهای هدف به کمک روش‌های داده کاوی بیش از پیش افزایش یافته است. بخش‌بندی بازار، هدف‌گیری شرکت‌ها را به سمت بازارهای مشخص‌تری هدایت می‌کنند تا ارتباط موثرتری با مشتریان صورت پذیرد. خوشه­بندی یکی از پر استفاده‌ترین و مهمترین تکنیک‌های داده کاوی و شاخه‌ای از تحلیل آماری چند متغیره بوده و روشی برای گروه‌بندی داده‌های مشابه در خوشه‌های یکسان است .با بزرگ‌تر شدن بانک‌های اطلاعاتی، تلاش محققان بر روی پیدا کردن روش‌های خوشه‌بندی کارا و مؤثر متمرکز شده است تا از این راه بتوانند زمینه تصمیم‌گیری سریع و منطبق با واقعیت را فراهم آورند. در این تحقیق با استفاده از الگوریتم بهینه‌سازی مورچگان و داده‌های در دسترس به خوشه‌بندی بازار یک شرکت تولیدکننده کاشی در ایران پرداخته شده تا تمایزات موجود در بخش‌های مختلف نمایان گردد. نتایج حاصل، نشان از دقت بالای این الگوریتم در خوشه‌بندی داده‌ها دارد. همچنین به منظور بررسی بیشتر دقت عملکرد مدل طراحی شده، نتایج آن با نتایج حاصل از بخش‌بندی داده‌ها با یک روش خوشه‌بندی کلاسیک دیگر –k) میانگین( مورد سنجش و ارزیابی قرار گرفته است.

کلیدواژه‌ها

عنوان مقاله [English]

Market Clustering with Ant Colony Optimization (Comparative approach with k-means)

نویسندگان [English]

  • H Zare 1
  • M R 2
  • A N 1
1
2
چکیده [English]

Nowadays the ability of organization increased to identify target markets with data mining techniques. Clustering is a method in which we make cluster of objects that are some how similar in characteristics. In market segmentation process, customers are segmented as such customers placed in the same group, and various groups have minimal affinity. Then, fitness marketing strategy in accordance with the specification that these groups are used .With larger databases, researcher’s attempt to focus on finding effective clustering methods in order to effectively decision. In this paper we clustering the trail market in Iran with ant colony optimization and to further investigate the accuracy of this model we compared the results with a classic clustering K-Mean. This paper presents an ant colony optimization methodology for optimally clustering N objects into K clusters. The results show, the higher accuracy of the ant colony optimization.
Keywords: market segmentation, clustering, Meta heuristic algorithm, ant colony optimization (ACO)

کلیدواژه‌ها [English]

  • "market segmentation"
  • "clustering"
  • "Meta heuristic algorithm"
  • "ant colony optimization (ACO)"

مراجع

1-   عالم تبریز، ا.، زندیه، م.، و محمدرحیمی، ع. (1390). الگوریتم‌های فراابتکاری در بهینه‌سازی ترکیبی، چاپ دوم، انتشارات صفار- اشراقی: تهران.
2-      Alfansi, L. & Sargeant, A. (2000). Market Segmentation in Indonesian Banking Sector: The Relationship between Oemographics and Desired Customer Benefit. International Journal of Banking Marketing-18(2):64-
3-      Berry Michael, J.A, Linoff, G (1997). Data mining techniques: for marketing, sales and customer    support. New York, John Wiley f Sons, Inc.
4-      D’urso, P. & Giovanni L.D.(2007).Temporal self-organizing maps for telecommunications market segmentation.Neurocomputing,34:12-24.
5-      Dorigo, M. (1997) "Ant colonies for the traveling salesman problem", BioSystems, 43: p. 73-81
6-      Dorigo, M. and Blum, C. “Ant colony optimization theory”: A survey, Theoretical Computer Science, vol. 344, pp. 243–278, Nov. 2005.
7-      D’urso, P., De Giovanni, L., Disegna,M., and Massari,R. (2013).Bagged clustering and its application to tourism market segmentation. Expert Systems with Application, Volume 40, issue 12, 15. pages 4944-4956.
8-      Grover, R., Srinivasan, V., An Approach for Tracking within-Segment Shifts in Market Shares, Journal of Marketing Research, 26(1989), pp. 230-6
9-      Kadambi, R. (2005). Analysis of data mining techniques for customer segmentation and predictive modeling- a case study.Thesis for the degree of master of Science, State University of New York, Binghamton.
10-  Kim, K-j & Ahn, H. (2008).A recommender system using GA Kmeans clustering in an online shopping market. Expert Systems with Applications, 34: 1200-1209
11-  Kuo, R.J.; Wang, H.S; Hu, Tung-L. & Chou, S.H.(2005).Application of Ant K-means on clustering analysis .Computer & mathematics with applications, 50; 1709-1724.
12-  Kuo, R.J.; Ho, L.M., Hu, C.M.(2002).Cluster analysis in industrial market segmentation through artificial neural network. Computers & Industrial engineering, 42:391-399.
13-  Linder, R.; Geier, J. & Kolliker, M. (2004).Artificial neural networks, classification trees and regression: which method for which customer base? Journal of Database Marketing & Customer Strategy Management, 11, 4:344-356.
14-  Liu Ying (2007). Multicriterion market segmentation: A unified model implementation and evaluation. Dissertation for the degree of PHD, The University of Arizona, Arizona.
15-  Maclennan J. & Mackenzie, D. (2000).Strategic market segmentations An opportunity to integrate medical and marketing activities. International Journal of Medical Marketing, 1, 1:40-52.
16-  Mahajan, V., Jain, A.K., An Approach to Normative Segmentation, Journal of Marketing Research, 15(1978), pp. 338-45.
17-  Myatt G.J (2007). Making Sense of Data. Hoboken, John Wiley & sons, Inc.
18-  Reutterer, T. & Natter, M. (2000).Segmentation-based competitive analysis with MULTICLUS and topology representing networks. Computers & operations research, 27:1227-1247.
19-  Tsai, C.Y; Chiu, C.C. (2004).A Purchase-based market segmentation methodology. Expert Systems with applications, 27:265-276. 74
20-  Wedel, M. & Kamakura, W. (2000).Market segmentation: conceptual and methodological foundations, Boston, Kluwer.
21-  Wind, Y., Issues and Advances in Segmentation Research, Journal of Marketing Research, 15(1978), pp. 317-37.
کاوش‌های مدیریت بازرگانی
دوره 8، شماره 16
آذر 1395
صفحه 17-36

فایل ها

هم رسانی

ارجاع به این مقاله

آمار