DOI: http://dx.doi.org/10.22059/jitm.2016.57233
Journal of Information Technology Management د ناوری اطلاعات
دانشكدة مديريت دانشگاه تهران دورة 8، شمارة 2 تابستان 1395 ص. 372- 351

روش فرا ابتكاري در يكپارچه سازي مدل بخش بندي بازار مشتريان تلفن همراه تهران با استفاده از شبكه هاي خودسازمان ده و روش ميانگين كا
محمدرضا كريمي علويجه1، سعيد خدنگي2، محمد صالح تركستاني3
چكيده: با حركت سريع جهان به سمت شبكه هاي 3G و T4G استفاده كنندگان تلفـن همـراه به سرعت رفتار مصرف، برتري ها و سلايق خريد را تغيير ميدهند. از اين رو، توليدكنندگان بايـدبه شناختي صحيح از بازارهاي هدف دست يابند و پيشنهاد فروش ويژهاي را به مشتريان عرضه كنند. بـا هـدف دسـتيابي بـه دركـي صـحيح از بـازار هـدف، رفتـار مصـرف و سـبك زنـدگي خرده بازارهاي پژوهش، پس از نقد روش هاي سنتي و معرفي تكنيكهاي بخشبندي مبتني بـر شبكههاي عصبي، با بهره مندي از روش دلفي فازي، متغيرهاي بخش بندي بازار هـدف انتخـابشد و از طريق شبكههاي خودسازمان ده كوهنن، تعـداد خوشـه هـاي مناسـبي از جامعـة آمـاري بهدست آمد و در نهايـت بـا اسـتفاده از تكنيـك ميـانگين كـا و تكنيـك تجمعـي، بـه تـدقيق خوشه بنديها و بخشبندي بازار پرداخته شد. جامعة آماري اين پژوهش، مصرفكنندگان تلفـن همراه شهر تهران با حجم نمونة 130 نفر است. پس از جمع آوري دادهها از طريق پرسشـنامه و تجزيه وتحليل آنها، يافته ها نشان داد بازار تلفن همراه تهران در پنج خوشه دستهبندي مـي شـود كه هر يك مي تواند قابليت پيـاده سـازي اسـتراتژي هـاي بازاريـابي مجـزا، بـا در نظـر گـرفتن مزيتهاي رقابتي شركت هاي حوزة ICT ، براي حداكثر سازي تقاضا و حاشية سود، داشته باشد.
واژه هاي كليدي: بخشبندي بازار، خوشهبندي هرمي، دادهكاوي، روش دلفي ـ فازي، شبكههاي خودسازمان ده، شبكه هاي عصبي.

استاديار گروه مديريت بازاريابي، دانشكدة مديريت دانشگاه علامه طباطبايي، تهران، ايران
كارشناس ارشد مديريت بازاريابي، دانشكدة مديريت، دانشگاه علامه طباطبايي، تهران، ايران
استاديار گروه مديريت بازاريابي، دانشكدة مديريت دانشگاه علامه طباطبايي، تهران، ايران

تاريخ دريافت مقاله: 04/10/1394 تاريخ پذيرش نهايي مقاله: 04/02/1395 نويسندة مسئول مقاله: محمدرضا كريمي علويجه E-mail: mr.karimi@gmail.com
تابستانمقدمه
امروزه مشتريان براي نشان دادن هويت و خاص بودنشـان ، در جسـت وجـوي كـالا هـا و خـدمات شخصي سازي شده، حتي با گروه هاي جمعيت شناختي و سبك زندگي يكسان هستند كه اين امـر ، تشخيص الگوهاي خريد مشتريان را تنها با استفاده از متغير هاي عمومي، دشوار مي كند (تيساي و چي و، 2004). ب ه ط ور س نتي بازارياب ان، ب ازار را ب ر اس اس متغي ر ه اي عم ومي، همچ ون جمعيت شناختي و سبك زندگي دسته بندي مي كننـد كـه ايـن كـار بـا ايجـاد مشـكلاتي ، نتـايج دسته بندي را غيرقابل اتكا مي كند. رايج ترين دسته بندي همان طور كه گفته شد، بر اساس عوامل جمعيت شناختي يا افكـار و عقايـد مشـتريان اسـت كـه بـا وجـود ايـن ، اغلـب عقايـد و عوامـل جمعيت شناختي مشتريان با رفتار واقعي آنان مطابقت نمي كند (تيساي و چيو، 2004).
بنا بر ماهيت بازار تلفن همراه، مشتريان براي خريد گجت هاي1 سخت افزاري خود به عوامل بسيار زيادي توجه مي كنند، از اين رو نمي توان به سادگي با دسته بندي آنهـا توسـط متغيـر هـاي عمومي، تصميم گيران را به درستي هدايت كرد. دسته بندي بازار هدف با در نظر گرفتن متغير هاي عمومي، شهودي تر و آسان تر از اجراي متغيرهاي مشخصة محصول است؛ با وجـود ايـن، فـرض رفتار خريد مشابه براي مشتريان با دسته هاي سبك زنـدگي و جمعيـت شـناختي يكسـان ، هنـوز مشكوك است (تيساي و چيو، 2004). بنا بر آنچه گفته شد، رويكرد بازاريابي انبوه نمي توانـد بـه ارضاي نياز مشتريان متنوع امروزي بينجامد. اين تنوع (مشتريان) بايد از طريق دسته بنـدي هـايي كه بازار را به خوشه هايي از مشتريان با احتياجات و خصوصيات شبيه به هم تقسيم مي كند، انجام شود تا به نمايش رفتار خريد يكسان منجر شود (ديب و سيمكين، 1996). پژوهش هاي گوناگوني اهميت تكنيك هاي داده كاوي را به عنوان ابزاري براي بخش بندي مشتريان شناسايي كرده اند كه در كسب وكارهاي مختلفي همچون توريسم (بلوم، 2004)، خريد آنلاين (وليـدو ، ليزبـوآ و مـيهن ، 1999)، صنعت نوشيدني (هونگا، تي زنب و اونگ، 2007) و صـنعت بانكـداري (هسـيه و يانـگ ،
2000) بر بخش بندي بازار دلالت دارد. اگرچه در ادبيات بازاريابي از انواع تكنيك هاي بخش بندي بازار بحث شده است، در حال حاضر تكنيك هاي خوشه بندي به صورت متداول تري اجرا مي شوند.
الگوريتم ميانگين كا2 و شبكه هاي عصبي مصنوعي از تكنيك هاي گستردة مسـائل خوشـه بنـديبه شمار مي روند (هانگ و تيساي، 2008).
با بهره مندي از الگوريتم هاي مرتبط با شبكه هاي عصبي و شناسايي خوشـه هـاي مشـتريان ، مي توان به تحليل خصوصيات خوشه هاي به دست آمده پرداخت و بهاجراي فرايند هـاي مـرتبط بـا
ــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــ
Gadgets
K-Means
استراتژي هاي بازاريابي، همچون قيمت گذاري، ساختار توزيع، نوع ترويجي و كمپين هاي تبليغاتي و ويژگي هاي محصول قابل ارائه به هريك از خوشه ها دست زد كه اين تصميمات بـا توجـه بـه مبناي شناسايي صحيح ويژگي هاي مخاطبان (خوشه هاي به دست آمده) بسيار تأثيرگذار است؛ پس عيني سازي با هدف شناسايي خوشه هاي همگن مشتريان و در نهايت شناخت كلـي از مشـتريان همگن انجام مي شود.
بازار تجهيزات الكترونيك ايران از جذابيت هاي زيادي چون جمعيت زياد و نفوذ كم رايانه هاي خانگي و تلفن هاي هوشمند برخوردار است (بيزنس مانيتور، 2013). بـر اسـاس پـيش بينـي هـاي نشرية بيزنس مانيتور، فروش گوشي هاي تلفن همراه كه در سال 2013 حـدود 8/1 ميليـارد دلار بود، در سال 2017 به 5/2 ميليارد دلار خواهد رسيد. رشـد متوسـط سـالانة ايـن بخـش در دورة پيش بيني شده 1/9 درصد خواهد بود كه اين امر از رونق بازار گجت هاي نرم افزاري و لزوم اتخـاذ تدابير مناسب براي شناخت مشتريان و پيش بيني تقاضاي آنها حكايت مي كند.
پيشينة پژوهش بخش بندي بازار
نياز به دسته بندي بازار، در اصل بر بزرگ بودن بازار و ناتواني در تمركز همزمـان بـر اركـان بـازار دلالت دارد. به بيان ديگر، بازار ها شامل مشتريان فعلي و بالقوة بسيار با ويژگـي هـاي مختلـف و متنوعاند (جانستون، 1968). بازاريابان در وهلة اول بايد بدانند كـه مشـتري هـدف كيسـت؛ دوم، درك كنند كه رقباي اصلي كدام اند و سوم بايد بدانند برند آنها چه تشابه ها و تفاوت هايي با برنـدرقبا دارد (كلر، 2013). پاسخ به اين سؤالها به روش هاي بخش بندي بازار و انتخاب نوع مشتري بستگي دارد. بدون درك ويژگي هاي بازار هدف، تصميمگيري در خصوص ساير ابعاد جايگاهيـابي برند امكانپذير نيست. بسياري از رسانه ها و كانالهاي توزيـع موجـب مـي شـوند كـه بازاريـابيِ »مناسب همگان« را نتوان انجام داد. برخي از مشاهده كنندگان مدعي هستند كه »بازايابي انبوه« آخرين روزهاي عمر خود را مي گذراند. از اين رو، بسياري از بازاريابان به جاي پراكنده كردن منابع بازاريابي خود، مي كوشند بر بخش هـاي مختلفـي از بـازار تمركـز كننـد . در ايـن روش كـه بـين »بازاريابي انبوه« و »بازاريابي فردي« قرار مي گيرد، فرض بر اين گذاشته مي شود كـه خريـداران هر بخشي از بازار، از نظر خواست ها و نيازها مشابه يكديگرند؛ اما هـيچ دو خريـداري ماننـد هـمنيستند (خواست ها و نيازهاي متفاوتي دارند). شركت براي استفاده كردن از اين روش بايد سطح و الگوي بخشبندي بازار را درك كند (كاتلر، 2003).
تابستانرويكرد ها ي بخش بندي بازار
بخش بندي بازار از مجموعة وسيعي از رويكردها و تكنيك ها تشكيل شده است كه به دو دستة كلي تقسيم مي شوند. در دستة اول بر اساس يك يا چند مشخصة شناخته شده، بخش هاي بازار صفت هاي غالب از نوعي ويژگي هستند؛ مثل انواع دسته بندي هاي سنتي بر اساس متغير هاي جمعيت شناختي، روان شناختي و جغرافيايي. گروه اول رويكردهايي هستند كه بر اساس يك يا چند مشخصة شناخته شده بنا شده اند. در اين رويكرد ها معمولاً بخش هاي بازار، جمعيت هاي غالب از لحاظ يك خصيصه اند. براي نمونه از اين گروه مي توان به رويكردهاي بخش بندي مبتني بر متغيرهاي جمعيت شناختي اشاره كرد (ودل و كاماكورا، 2000). گروه دوم يا رويكردهاي نوين بخش بندي بازار مبتني بر جست وجو ي تجربي1 دادههاست و از تحليل هاي چندمتغيره2 استفاده مي كنند (آنابل، 2005). اين رويكردها با توسعة تكنيك هاي داده كاوي و هوش مصنوعي و نيز، فراگير شدن سيستم هاي اطلاعاتي، توسعة بيشتري پيدا كرده اند (ودل و كاماكورا، 2000).
رويكرد اول
بازاريابان هنگام بخش بندي بازارهاي مصرفي، مي توانند از متغير هاي جغرافيايي، تركيب جمعيت و روان شناختي به عنوان متغير هايي نمايش دهندة »ويژگي هاي مصرف كنندگان« استفاده كنند و متغيرهاي رفتاري را به عنوان سنجة »واكنش مصرف كنندگان« به كار برند (كاتلر، 2003). افراد شيوه هاي زندگي بسيار گوناگوني دارند؛ بيش از هفت طبقة اجتماعي و كالاهايي كه مصرف مي كنند، نشان دهندة شيوة زندگي گوناگون آنهاست. سوپرماركت كروگر در نشويل، گوشت هاي عرضه شده را با توجه به شيوة زندگي مشتريان آن منطقه، بخش بندي كرد و توانست دو قفسة مجزا به نام هاي غذايي كه در چند دقيقه آماده مي شود و موادي كه كودكان دوست دارند (سوسيس و كالباس و از اين قبيل) به وجود آورد. اين شركت با روش طبقه بندي مواد غذايي بر مبناي شيوة زندگي، توانست نظر خريداران را جلب كند (ميلر، 1998). از اين رو سنجش سبك زندگي نمونه هاي آماري، از ضرورت هاي اولية خوشه بندي مشتريان بازار تلفن همراه در اين پژوهش است كه توسط خبرگان به عنوان متغير اصلي انتخاب شد. سيستم والس3 توانست طبقه بندي سيستماتيكي از سبك زندگي جامعة بزرگسال آمريكايي ارائه دهد و آنان را به هشت بخش از مصرف كنندگان متمايز تقسيم كند. والس بازبيني شده، با پايه هاي روان نگاشتي خود تلاش كرد ارزش ها و نگرش هاي به نسبت پايدارتري را در گروه هايي كه مشخص كرده است،
ــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــ
Empirical
Multi- Variables
VALS
شناسايي كند. پايه گذاران اين سيستم سه طبقهبندي اصلي را براي رويكرد فرد به خود در نظر گرفته اند:
ايده آل گرا1: اين دسته از افراد هنگام انتخاب به احساسات يا موقعيت و نظر ديگران تـوجهيندارند و بيشتر به باورها و اصول زندگي خود توجه مي كنند؛
موفقيتگرا2: فعاليت ها، عقايد و پذيرش ديگران بر انتخاب هاي اين گـروه بسـيار تأثيرگـذار است؛
خودبيان گرا3: اين افراد به فعاليت هاي فيزيكـي و اجتمـاعي ، تنـوع طلبـي و ريسـك پـذيري اجتماعي علاقه دارند.
بعد دوم والس به اين موضوع اشاره ميكند كـه دسترسـي فـرد بـه ابزارهـاي روان نگاشـتي ، فيزيكي، جمعيت شناختي و مادي چقدر است و اينكه فرد تا چه اندازه اي مي تواند از اين ابزار براي رسيدن به آنچه گرايش دارد، استفاده كند. بر پاية دو بعد بيان شده، هشـت بخـش عمـده از نظـر ويژگي هاي جمعيتشناختي در آمريكا شناسايي شده است كه در شكل 1 مشاهده مي شود.

883793-1251481

شكل 1. تقسـيم بنـدي سـبك هـايزندگي والس

ــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــ
1. Ideals
23. Self- Expression . Achievement
تابستان
دادهكاوي يا به تعبير ديگر، كشف دانش در پايگاه داده ها، استخراج غيربديهي اطلاعات بالقوه مفيد از روي داده هايي است كه قبلاً ناشناخته مانده اند. اين مطلب برخي از روش هاي فني ماننـد خوشه بندي، خلاصه سازي داده ها، فراگيري قاعده هاي رده بندي، يافتن ارتباط شـبكه هـا ، تحليـل تغييرات و كشف بي قاعدگي را شامل م يشود (هان و كمبر، 2006). داده كاوي، تحليل داده هـاي توصيفي راي انهاي، در مجموعه هاي بزرگ و پيچيدة داده هاست (هان و كمبر، 2006).
بيشتر ت كنيكهاي داده كاوي در فرضيه ها، به مجموعه هاي داده اي بزرگ تمايل دارنـد ؛ زيـرا مجموعههاي داده اي بزرگ تر، مدلهاي د قيقتري را به همراه دارند؛ امـا در هـر صـورت هنگـام اجراي داده كاوي بايد بر دو نكته توجه كـرد: 1. سـنجش صـحت داده هـا و 2. انتخـا ب تكنيـك مناسب (فرهادي تكانتپه و اسفيداني، 1391).
در تحقيقات مهندسي و مديريت، تحليل خوشه ها ابزار بسيار كارآمدي به شـمار مـ يرود. ايـن روش، مجم وعهاي از داده ها در فضاي n بعدي را به گونهاي گروهبندي م يكنـد كـه تفـاوت بـين دادههاي موجود در هر خوشه حداقل و تفاوت بين دادههاي خوشه هاي متفاوت نيز حـداكثر شـود (ميرزازاده و همكاران، 1390).
به طور كلي روشهاي خوشه بنـدي بـه دو دسـتة رو شهـاي خوشـه بنـدي سلسـله مراتبـي و خوشهبندي بخشي تقسيم مي شود. خوشهبندي بخشي نيز شامل دو گروه روشهاي انح صـاري و همپوشاننده است (ميرزازاده و همكاران، 1390).

در خوشه بندي انحصاري، يك جزء منحصراً عضو يك مجموعه است. تكنيك هـاي ميـانگين
كا و شبكة عصبي خودسازمان (SOM)1 نمونهاي از ايـن نـوع روشهـا هسـتند؛ امـا روش هـاي هم پوشاننده، بر اساس تئوري مجموعه هاي فازي بنا شده اند كه در آنها هر جزء مـي توانـد عضـو يك يا چند مجموعه باشد (هوانگ و تيل، 2007).
شبكه هاي عصبي بررسيشده در اين مقاله خانوادهاي از شبكههاي عصبي را شامل مي شـوند كه در حل مسائل خوشه بندي كاربردهاي زيـادي دارنـد. نگاشـت هـاي خودسـازمان ده كـوهنن ، شناخته شده ترين شبكة اين خانواده اسـت كـه انـواع مختلفـي از آن وجـود دارد. اسـاس فلسـفة شبكه هاي خودسازمان ده، نگاشت فضاهايي با تعداد ابعاد (مشخصه) زيـاد بـه فضـايي دو يـا سـه بعدي است؛ به گونهاي كه حداقل اطلاعات از بين رفته و اطلاعات نهفته در ارتباط ميـان دادههـا نيز قابل كشف و نمايش باشد. اين روش توانايي نمايش همبسـتگي داده هـا و اطلاعـات و آثـار متقابل و همزمان آنها بر يكديگر را دارد.
گلچين فر و بحتايي (1385) در مقاله اي با عنوان بخشبندي بازار، به بررسي ادبيات موضوعي تكنيكهاي بخش بندي بازار در دو بازار مصرف و بازار تجاري پرداختند كه نتايج اين پژوهش در معرفي شيوه هاي سنتي و متداول بخش بندي بازار با متغيرهاي يگانه يا دوگانه كاربرد داشته است.
همتي (1386) در مقاله اي با عنوان »بخش بندي بازار، اصل فراموش شده در تحقيقات بازاريابي«، با اشاره به تغيير نگرش به بازاريابي نوين، توجه به اصل نگاه از بيرون به درون مشتريان را مهم ترين جزء بازار محسوب كرد. با توجه به رسالت و اهداف شركت، بهترين بازار انتخاب شد و براي هر قسمت، آميختة بازاريابي به طور مختص به اجرا درآمد و در طول زمان مورد بازبيني قرار گرفت.
آسماندره (1388) در مقاله اي با عنوان »بخش بندي بازار بانكهاي مشهد بر مبناي مزاياي مورد نياز مشتريان« به شناسايي گروههايي از مشتريان بانك ها پرداخت كه به طرح بازاريابي پاسخ يكسان مي دهند. مشتريان بر حسب شباهت پاسخهايشان نسبت به 9 متغير اصلي، به سه خوشه دسته بندي شدند. نتيجة نهايي كاربردي نشان داد بانك ها ميتوانند با هدف قراردادن اين سه خوشه، خدماترساني كاراتري ارائه كنند.
ميرزازاده و همكاران (1390) در پايان نامة كارشناسي ارشد خود با عنوان »ارائة مدل سنجش وفاداري مشتريان با استفاده از شبكههاي عصبي و خودسازمان دهنده«، بازار مصرف كنندگان يكي
ــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــ
1. Self Organization Map (SOM)
از شركت هاي ارائه دهندة اينترنت در ايران را با اسـتفاده از متغيـر هـايي كـه كـارايي آن از روش »دلفي فازي« تعيين مي شد، بخش بندي كرد.
ضيايي بيده (1391) در مقالهاي با عنوان » بخشبندي و تعيين نيم رخ مصرفكنندگان سبز، با استفاده از نقشه هاي خودسازمان دهنده« به شناسايي چهار بخش بازار به نام هاي »سبز هاي شديد«، »سبز هاي بالقوه«، »خودخواهان تيره« و » تيرههاي شديد« پرداخت و نتيجه گرفت متغير هاي يادشده در پژوهش، تأثير بهسزايي در تشخيص رفتار مصرف كنندگان سبز دارند.
هروشكا و ناتر (1999) با استفاده از روش ميانگين كا در صنعت نظافت خانگي (شوينده)، به پيش بيني تعداد خوشه هاي صنعت كه با هم تلاقي ندارند، پرداختند. بـر ايـن اسـاس عينـي سـاز خوشه ها ضعيف بود.
بلوم (2004) توانست با استفاده از نقشه هاي خودسازمانده، خوشههايي در صنعت توريسـم را كه با يكديگر تلاقي نداشته باشند، شناسايي و تعريف كنـد . هانـگ و تيـل (2007) توانسـتند بـا استفاده از خوشه بندي فازي، تعداد خوشه هاي صنعت خانه هاي شهري را پيشبيني كنند.
چن و جـائو (2009) در تـايوان بـا اسـتفاده از شـبكه هـاي خودسـازمان ده و فراينـد تحليـل سلسلهمراتبي (AHP)1، ترجيحات مشتريان را در خصوص طراحـي كـامپيوتر هـاي قابـل حمـل2 بررسي كردند و با استفاده از شبكه هاي خودسازمان ده به بخش بندي مناسبي دست يافتند.
مصطفي محمد (2010) در مقاله اي با عنوان »خوشه بندي رد پاي زيست محيطي مليت ها« با استفاده از شبكههاي خودسازمانده كوهنن، توانست به خوشهبنـدي و مـدل سـازي رد پـاي 140 مليت بپردازد. متغير هايي همچون توليد ناخالص ملي، سطح شهري سازي، درصد صادرات از توليد ناخالص ملي و مكان سيستم جهاني3 از متغير هاي تأثيرگذار بر نتايج بودند.
وانگ و همكارانش (2011) در پژوهشي به بررسـي تـأثير سلسـله مراتبـي خـدمات مركـزي( هستهاي)، خدمات تسهيلكننده و خدمات حمايتكننده كه در صنعت خدمات، رضايت مشـتريانرا تحت تأثير قرار مي دهد، پرداختند. آنان با اسـتفاده از شـبكه هـا ي خودسـازمان ده مشـتريان رابخش بندي كردند. نتـايج نشـان داد تكنيـك شـبكه هـا ي خودسـازمان ده، روش مناسـبي بـراي بخشبندي مشتريان است.
در پژوهشي ديگر، كيمياگري و مونتريول (2013) با استفاده از شـبكه هـاي خودسـازمان ده و قلمرو هدف گذاري كلي به منظور كمك به كسب وكارهاي مشترك و سازمان ها، به تقسـيم بنـدي
ــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــ
Analytical hierarchical process (AHP)
Notebooks
Global System Position (GSP)
بازارهاي جغرافيايي كانادا پرداختند و توانستند از مزيت هايي چون تركيب چنـدمعياره متغيـر هـا وتوانايي مصور سازي آن بهره مند شوند.
دومينگز و كوآدروس (2014) در پژوهشي با عنوان »مدل تقسيم بندي مشـتريان بـر اسـاس ارزشآفريني براي فرمول بندي استراتژي هاي بازاريابي« چارچوبي براي تقسيم بندي ارائـه دادنـد .
اين دو محقق بهكمك شبكههاي خودسازمانده و بـا در نظـر گـرفتن ارزش مشـتريان در طـولزمان، وفاداري مشتريان و ارزش فعلي مشتريان، به ساختن دستههاي مشتريان اقدام كردند.
روششناسي پژوهش
ابتدا بايد مشخص شود كه چه متغير هايي براي دسته بندي بازار مشتريان تلفن همراه شهر تهران مناسب اند؟ آيا مي توان با متغير هاي احصاشده، به خوشه بندي صحيحي از مشتريان دست يافـتكه فعاليتهاي بازاريابي مخصوص به خوشههاي هدف را اثربخشتر كند؟ و آيا اين تقسيم بنـدي نسبت به ساير روشهاي سنتي، بهتر است؟
در اين پژوهش حجم نمونه تا جايي ادامه يافت كه محقق مطمئن شد حداقل 55 نورون در لاية نقشة حاصل از تغذية بردار هاي ورودي، آموزش ديده (كوهنن، 1995) و تشكيل خوشه داده اند. بنابراين با توجه به فرمول كوهنن (تعداد نورونها توسط آن محاسبه مي شود) براي آغاز فرايند آموزش شبكه دستكم بايد 121 پرسشنامه توزيع شود كه براي اطمينان از صحت نتايج 200 پرسشنامه در بازار هاي سه گانة پايتخت، علاءالدين و موبايل تهران توزيع شد و 130 نسخة تكميل جمعآوري گرديد. همچنين شاخص كفايت نمونه برداري (KMO) 78/0 به دست آمد كه نشاندهندة سطح مطلوب و مناسب تحليل عاملي است. با توجه به اينكه حجم جامعه نامعلوم است و اغلب مصرف كنندگان تلفن همراه از سه مركز نام برده خريد ميكنند، از روش نمونهگيري در دسترس (از انواع نمونه گيري غيراحتمالي) استفاده شد.
منبع اول داده هاي اين پژوهش پرسشنامه است كه با توزيع بين مصرف كنندگان تلفن همراه شهر تهران، جمعآوري شدند. منبع دوم نيز كتاب ها، مقالههاي علمي و تخصصي و سايت هاي اينترنتي مرتبط با موضوع بود كه براي جمع آوري اطلاعات از آنها بهره برده شد.
بهدليل اجراي مرحله هاي دلفيـ فازي و توسعة مدل به منظور آموزش شبكه، پرسشنامه هاي اين پژوهش در دو مرحله توزيع شد. براي پيـادهسـازي روش دلفـي ـ فـازي، پرسشـنام ة اول در اختيار 11 نفر از مديران صنعت ICT، مديران خبرة فـروش تلفـن همـراه و خبرگـان دانشـگاهي بازاريابي قرار گرفت و دربارة 16 متغير شناختهشده در ادبيات بخـش بنـدي در قالـب پـنج طبقـة جغرافيايي، جمعيتشناختي، رفتاري، روانشناختي و ساير، به منظور سنجش ميزان تأثير هـر يـكبر انتخاب تلفن همراه مناسب فرد، سؤال شد. به بيان ديگر از خبرگان پـژوهش درخواسـت شـداندازة تأثير هر يك از متغير ها را بر تصـميم مصـرف كننـده بـراي خريـد گوشـي تعيـين كننـد ومشخص كنند كه مثلاً آيا متغيري مثل منطقـة جغرافيـايي مصـرف كننـده و سـكونت وي در آن منطقه، تأثير خاصي بر انتخاب تلفن همراه دارد يا خير؟
پس از دريافت خروجي دلفي فازي، هشت متغير براي اخذ نمونهگيري به دست آمد و بخش اطلاعات عمومي پرسشنامه با هفت متغير جنسيت، سن، وضعيت تأهل، درآمد ماهانه، نژاد، تحصيلات، شغل و مهمترين مزيت در انتخاب تلفن همراه و بخش سنجش سبك زندگي شكل گرفت (جدول 1).
جدول 1. دسته بندي متغير هاي تقسيم بازار
متغير دسته بندي متغير
5 2/857408101 2 محل سكونت جغرافيايي
5
5
5
5 3/711910503
4/401107042
2/682908791
4/287497349 2
3
1
3 جنسيت سن
وضعيت تأهل ميزان درآمد جمعيت شناختي
5 1/98830008 1 نژاد 5 3/637370124 2 تحصيلات 5 4/217019113 2 شغل 5
5
5 3/359099258
2/654334666
4/010751875 1
1
3 زمان و فصل خريد مزيتهاي جستوجوشده خريد از فروشگاه خاص رفتاري

5 2/8252345 2 وفاداري به برند خاص 5 3/054571821 1 دفعات خريد/ تعويض 5
5 4/517727155
3/327078632 4
2 سبك زندگي شخصيت روان شناختي
5 4/287497349 3 ويژگي هاي محصول ساير

براي سنجش سبك زندگي نمونه هاي آماري و امكان خوشه بندي آن با استفاده از شبكه هاي خودسازمان ده و الگوريتم ميانگين كا، ابتدا پرسشنامة والس در كنار هفت متغيـر ديگـر كـه بايـد
روشابتكاريكپارچه سازيبخ شبندي…
سنجيده مي شد، قرار گرفت. شايان ذكر اينكه سؤال هاي مربوط به درآمد، جنسيت و تحصيلات ازپرسشنامة والس، مشابه متغير هاي منتج از فراينـد دلفـي ـ فـازي بـود و از تكـرار آن در بخـش سنجش سبك زندگي پرسشنامه پرهيز شد.
براي خ وشهبندي بازار مشتريان تلفن همراه شهر تهران بر اساس متغير ها ي يادشده، از روش فرا ابتكاري، متشكل از روش هاي شبكة عصبي خودسازمان ده، شبكة عصبي ميانگين كا و شبكة عصبي تجمعي استفاده شد. بدين ترتيـب كـه ابتـدا بـا اسـتفاده از شـبكة خودسـازمان ده، تعـدادخوشه هاي فضاي ورودي به دست آمد و پس از نرمالسازي مقـادير و به ـرهمنـدي از روش هـايالگوريتم ميانگين كا و شبكة عصبي تجمعي، شاخص سنجش اعتبار خوشه بندي دون زيـاد شـد. به طور كلي هر مقدار كه شاخص دون در تكنيك خوشهبندي بيشـتر باشـد، نشـاندهنـدة اعتبـار بيشتر آن تكنيك در قياس با ساير تكني كهاي بهكار رفته است. اگر مجموعة داده اي دربردارنـدةخوشه هاي جداشدني باشد، انتظار مي رود فاصلة بين خوشه ها زياد و قطر خوشه هاي آن كم باشد؛ در نتيجه مقدار بزرگ تر براي رابطة اين معيار، مطلوب تر است.
آموزش شبكه هاي خو دسازمانده بر مبناي الگوريتم يادگيري رقابتي بدون ناظر يا بدون استفاده از بردار هدف است. ابتدا بردار وزني متناظر با هر نورون بهطور تصادفي توليد مي شود و ساختار اولية شبكه شكل ميگيرد؛ سپس طي فرايند آموزش شبكه، بردار وزني متناظر با هر نورون بهگو نهاي تنظيم مي شود كه بتواند قسمتي از اطلاعات فضاي تحليل را پوشش دهد. بدين ترتيب در ق سمتهايي از فضا كه چگالي د ادهها بيشتر است، تعداد نورون بيشتري قرار م ي گيرد و توپولوژي شبكه مطابق با توزيع مشترك م شخصههاي فضا تشكيل ميشود.
56385-611400

شكل 3. نمـايش الگـوريتميادگيري رقابتي بدون ناظر

ركوردها را ميتوان همزمان به شبكه ارائه داد يا بهترتيب وارد شبكه كرد و عمليات آموزششبكه را به اجرا درآورد. هر ركورد مانند X، متشكل از مقادير كمي n مشخصه است كه به صورت زير نمايش داده مي شود.
رابطة 1) ∈,..…,,=
در صورتي كه بردار وزني نورون iام به صورت رابطه هاي 2 و 3 تعريف شود،
رابطة 2) ∈,..…,,=
آنگاه متناظر با هر ركورد ورودي، بهترين نورون نظير (BMU) يا به اصطلاح نورون برنده با توجه به رابطة 4 زير مشخص مي شود.
رابطة 3) ∈(,)=در رابطة بالا، تابع argMin مشابه تابع Min است؛ با اين تفـاوت كـه در تـابع Min مقـدار كميت كل عبارات به ازاي تمام انديس ها محاسبه مي شـود؛ ولـي در تـابع argMin بـه ازاي هـر انديس، مقدار كمينه محاسبه شده و نتيجه برگردانده مي شود. در اين رابطه، C نشان دهندة نورون برنده و argMin بيان كنندة فاصلة اقليدسي ميان ركورد و بـردار وزنـي نـورون iام اسـت كـه از طريق رابطة 5 محاسبه مي شود:
رابطة 4) ‖−‖ = (,)
بردار وزني متناظر با هر نورون به كمك رابطة 6 به هنگام مي شود:
رابطة 5) ( )− ( )( )ℎ( )+ ( )= (1+)
كه در آن 1 << 0 درصد يادگيري و ()ℎ نشان دهندة ميزان همسايگي نـورون iام و cام (نورون برنده) است. ميزان همسايگي نورون برنده و نورون iام از رابطة 7 به دست مي آيد.
رابطة 6)

=( )ℎ
روشابتكاريكپارچه سازيبخ شبندي…
σ در رابطة 7 كنترل كنندة دامنة تابع اسـت و بـه تـدريج طـ ي فراينـد آمـوزش ، كـاهش دادهمي شود. همچنين و به ترتيـب موقعيـت نـورون هـاي iام و cام (برنـده ) را در نقشـ ة شـبكةخودسازمان ده نشان مي دهد.
پس از آموزش شبكههاي خودسازمانده، به تعـداد نـورون هـاي انتخ ـاب شـده بـراي شـبكه ، بردار هاي وزني  nبعدي به دست مي آيد كه هر يك نشان دهندة بخشي از فضاي تحليل است. در صورت انتخاب تعداد مناسب نورون، ابعاد شـبكه و در نهايـت آمـوزش مناسـب شـبكه ، نمـايش بردارهاي وزني متناظر با نو رونهاي هر نقشه، مي تواند به خوبي فضاي تحليل را نمايان كند.
در الگوريتم شبكة عصبي ميانگين كا، پس از مشخ صشدن تعـداد خوشـه هـا و تعيـين آنهـا،فرايند آموزش با تعيينk نقطه يا بردار نهايي مركزي براي خوشهها آغاز ميشود. در هر مرحله از فرايند آموزش، الگوريتم، هر يك از بردار هاي ورودي را به نزديك تـرين بـردار نماينـده1 تنظـيم مي كند و پس از هر مرحله، خوشه ها را ب هوجود مـي آورد. در مرحلـ ة بعـدي، ميـانگين خوشـ ههـا به عنوان مختصات جديد بردار نماينده تعيين مي شود و الگوريتم تا زماني كه مختصات نقاط بردار نماينده تغيير نكند، ادامه مي يابد. شكل 4 نمونه اي از الگوريتم شبكة عصبي را در فضاي دو بعدي به نمايش گذاشته است. نقاط ستاره اي بردار نماينده را نشان ميدهد و نقاط دايره اي بردار ورودي فضا هستند.

1 2 3 4

شكل 4. نمايشي از رفتار الگوريتم شبكه سلسله مراتبي

در الگوريتم شبكة عصبي تجمعي (خوشه بندي هرمي)، ابتدا تمام بردار هاي فضـاي مسـئله را يك خوشه در نظر مي گيريم و با آغاز فرايند آموزش، هر دو بردار نزديك بـه هـم را در يكـديگرادغام مي كنيم. اين فرايند تا زماني كه به تعداد تعيين شده برسيم، ادامه مي يابد.
ــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــ
1. Deligate
تابستان

شكل 5. نمايشي از رفتار الگوريتم شبكة سلسله مراتبي
از جمله خروجي هاي ديگر شبكه هاي عصبي، مـاتريس دسـته بنـدي و متنـاظر بـا آن نقشـة دسته بندي است. درايه هاي اين ماتريس فاصلة جبري نورون هـاي همسـايه را از يكـديگر نشـان مي دهند. در اين پژوهش براي خوشهبندي دادهها ( بردارهاي ورودي) به روش تركيبـي مشـتق ازشبكه هاي خودسازمانده، ميانگين كا و تجمعي، از نرم افزار متلب 14 استفاده شد و كدنو يسيهاي بر پاية توابع ذكر شده انجام گرفت.

شكل 6. U-Matrix با تعدادي خوشه و زيرخوشه از فضاي 62 بعدي روشابتكاريكپارچه سازيبخش بندي…
يافته هاي پژوهش
داده هاي جمع آوري شده از پرسشنامه، تحت ماتريس U حاصل از شبكه هاي خودسازمانده آموزشديدند و بر اساس خروجي نرم افزار متلب، فضاي ورودي به پنج خوشه تفكيك شد كـه اطلاعـاتآن به شرح جدول 2 است.
جدول 2. مشخصات خوشه ها ي به دست آمده از روش SOM
خوشة 5 خوشة 4 خوشة 3 خوشة 2 خوشة 1
9 مرد و 7 زن 52 مرد و 26 زن 2 مرد و 1 زن 82 مرد و 15 زن 41 مرد و 2 زن جنسيت
43/75 27 29/3 31/9 18/9 ميانگين سن
8/18 ميليون ريال 9/14 ميليون ريال 47 ميليون ريال 2/18 ميليون ريال 13/6 ميانگين درآمد
فوق ديپلم ليسانس و فوق ليسانس كارشناس و بالاتر كارشناس و كارشناس ارشد ديپلم و پايين تر تحصيلات
غالب
كارمند سازماني كارمند سازماني كارمند سازماني و آزاد كارمند سازماني بي كار شغل غالب
قدرت سخت افزاري و نرم افزاري قدرت
سخت افزاري و نرم افزاري قدرت سخت افزاري و نرمافزاري قدرت سخت افزاري و
نرم افزاري، قدرت دوربين قدرت سختافزاري و نرمافزاري مزيت
تلاش كنندگان براي بقا، متفكران و سازندگان تجربه كنندگان تلاش گران و موفقان خودشكوفايان موفقان، متفكران و تلاش گران تجربه كنندگان سبك زندگي
اندرويد و آي. او.
اس. اغلب اندرويد و بعد آي. او. اس. آي. او. اس. اندرويد اندرويد سيستم عامل مدنظر

تحليل خوشه هاي مشتريان
بر اساس جدول 2 كه خوشهها ي به دست آمده از روش SOM را نشان مي دهد و با در نظرگرفتن دسته هاي افراز شدة سبك زندگي به روش والس، مي توان نتيجه گرفت كه سبك زنـدگي اغلـبافراد در خوشة اول به ترتيب شامل تجربه كنندگان و تلاش گران مي شود. مصـرف كننـدگان ايـن خوشه خانواده هاي مرفه جامعه و افرادي هستند كه به خريد لباس، گـوش كـردن بـه موسـيقي و تفريح علاقة زيادي دارند و تلفن همراهي را خريداري مي كننـد كـه بـا تفريحـات هيجـان انگيـز زندگي آنها سازگار باشد و به آنها حس جديد و تازه بودن بدهد.
تابستان
خوشة دوم افرادي را دربرمي گيرد كه علاقة زيادي به سيستم عامل اندرويد دارند. سبك زندگي خوشة دوم به ترتيب شامل موفقان، متفكران و تلاش گران مي شود. موفقان حاضر در خوشة 2 به دنبال خريد تلفن همراهي هستند كه برايشان حيثيت و مقبوليت اجتماعي به ارمغان بياورد و دليلي بر موفقيت هاي زندگي كاري آنها باشد. در پلة دوم، متفكران جاي گرفت هاند؛ اين افراد از رويدادهاي روز خبر دارند و ثبات و دوام تلفن همراه شناخته شده براي اين افراد از اهميت بسياري برخوردار است. اين دسته با توجه به وضعيت منابع، هوشمندانه و به موقع به خريد تلفن همراه اقدام مي كنند.
مشتريان خوشة سوم رهبران تغييرنـد و همـواره ايـده هـاي جديـد و تكنولـوژي هـ اي روز را مي پسندند. به دليل نامحدودبودن منابع، بهدنبال ايجـاد تصـويري هسـتند كـه بتوانـد شخصـيت ، استقلال و سليقة آنها را منعكس كند.
خوشة چهارم در مقايسه با خوشة دوم، متشكل از بيشترين تعداد مصرف كننده با سطح درآمد متوسط و سن كمتر است كه اغلب آنها تجربه كنندگان هستند. پس از آن رتبة بعدي به ترتيب به دو سبك زندگي تلاش گران و موفقان اختصاص مي يابد؛ به اين معنا كه اين گروه از مشتريان به خريد لباس، گوش كردن به موسيقي و تفريح، علاقة زيادي دارند و تلفن همراهي را خريداري مي كنند كه با تفريحات هيجان انگيز زندگي آنها سازگار باشد و به آنها حس جديد و تازه بودن بدهد.
در خوشة پنجم سبك زندگي هايي به چشم ميخورد كه در ساير خوش هها وجود ندارد يا تعداد آنها بسيار كم است. در اين خوشه شاهد سبك زنـدگي تـلاش كننـدگان بـراي بقـا ، متفكـران و سازندگان هستيم كه اغلب داراي تحصيلات ليسانس و پايين تر هستند.

-78440-909390

شكل 7. ماتريس U، شبكة خودسازمان ده آموزش ديده به وسيلة داده هاي پرسشنامه روشابتكاريكپارچه سازيبخ شبندي…
عيني سازي خوشه ها
همان گونه كه مشاهده مي شود، ماتريس U به دست آمده داراي چهار بخش رنگي مجزا يا به بيانديگر، چهار خوشة اطلاعاتي است. در واقع هر يك از مشتريان بازار تلفن همراه تهران در يكي از اين چهار خوشه قرار مـي گيرنـد . مشـتريان هريـك از ايـن بخـش هـا از لحـاظ مشخصـه هـاي بررسي شده، مشابه يكديگرند و در مقابل با مشخصه هاي مشتريانِ ساير بخش ها تفـاوت زيـاديدارند.

شكل 8. ماتريس U، شبكة خودسازمان ده آموزش ديده همراه با خوشه بندي
تدقيق خوشه ها
پس از مشخص شدن خوشه هاي مشتريان، به منظور تقسيم بندي دقيق تر از الگوريتم ميانگين كا و الگوريتم تجمعي براي بالابردن شاخص دون استفاده مي شود. به دليل كو چكبودن خوشة شـمارة 3، تعداد خو شهها در جدول مقايسهاي بررسي شد. آموزش اين نوع شـبك ههـا بـر اسـا س فاصـلة اقليدسي بنا شده است، نرمال نبودن دادگان تعليم شبكه و وجود مقـادير خ ـارج از الگـو مـي توانـد نقشههاي خروجي را تحت تأثير قرار دهد. به همين دليـل نرمـال سـازي داده هـاي ورودي، گـام مهمي در آموزش شبكه هاي خودسازمان ده بهشمار مي رود. در جدول 3 م يتوان تأثير ب هكارگيري روش فرا ابتكاري پژوهش بر شاخص دون را مشاهده كرد.

تابستانجدول 3. جزئيات و مقايسة روش هاي خوشه بندي با ديگر الگوريتم هاي شبكة عصبي
شاخص دون وضعيت تعداد خوشه روش
0/866 4 خوشة پرتراكم و 1 خوشة كوچك 5 خودسازمان ده
0/996 4 خوشة پرتراكم 4 خودسازمان ده
0/6924 2 خوشة پرتراكم و 3 خوشة يك عضوي 5 ميانگين كا
1/0201 4 خوشة پرتراكم 4 ميانگين كا
2/2052 3 دستة پر تراكم و 2 دستة يك عضوي 5 تجمعي
2/2934 2 خوشة پرتراكم و 2 خوشة يك عضوي 4 تجمعي
نتيجهگيري و پيشنهادها
با مشاهدة جدول 3 مي توان گفت عليرغم محاسبة تعداد خوشه ها در الگوريتم SOM كه به پنج دستة جداگانه ختم شد، به دليل كوچكبودن (شامل سه بردار) يكي از خوشهها، چنانچه الگـوريتمSOM بردارهاي ورودي را به چهار خوشه افراز نمايد، شاخص دون، تراكم و تفكيـك بهتـري ازخوشه ها نمايش داده مي شود. با به دست آمدن تعداد خوشه ها (5 عدد) از طريق الگوريتم SOM و اجراي دو روش ديگر بخشبندي، مي توان به نتايج ديگري دست يافت. براي مثال با بخشبندي فضا به پنج خوشه از طريق الگوريتم ميانگين كا، به دو خوشهبا تراكم نسبتاً بالا دست يافتيم كـهحدود 69 درصد از بردارهاي فضا را پوشش ميدهند. سه خوشة ديگر با متوسـط 12 عضـو افـرازشدند كه مي توان نتيجه گرفت با توجه به شاخص دون، در صورت خوشه بنـدي بـا پـنج خوشـه،الگوريتم SOM با نمرة 86/0 نسبت به الگوريتم ميانگين كا بـا نمـرة 69/0 تفكيـك بهتـري از خوشهها را نمايش مي دهد. اين در حـالي اسـت كـه الگـوريتم خوشـهبنـدي هرمـي، در صـورت خوشهبندي پنجتايي، سه دستة پرتراكم از فضا را افراز ميكند كه 97 درصد از بردارهـ اي فضـا راپوشش مي دهد. دو دستة ديگر هر يك فقط 1 عضو دارند كه در مقايسه با خروجي الگوريتم هاي SOM و ميانگين كا مي توان نتيجه گرفت اين تكنيك نسـبت بـه دو تكنيـك ديگـر، بـا وجـودشاخص 2/2 دون، توان افراز فضا به خوشه ها ي پنجتايي را كمتر دارد و فضا را به سه خوشه تميز ميدهد.
با در نظر گرفتن اين نكته كه خروجي خوشهها ي پنج تايي به دستآمده از روش SOM داراي يك خوشة سه عضوي است، فرايند خوشه بندي و كدنويسي مجدد بـا هـر سـه تكنيـكSOM ، ميانگين كا و هرمي، اين



قیمت: تومان


پاسخ دهید