بخش بندي مشتريان سازمان بنادر و دريانوردي با به كارگيري شبكه عصبي خودسازمانده و الگوريتم K-Means

Customer Segmentation of the Ports and Maritime Organization using Self Organization Map and K-Means algorithm

با توجه به اينكه در سال‌‌هاي اخير ارتباط دو طرفه سازمان‌ها با مشتريانشان به‌صورت محسوسي تغيير كرده، تداوم كسب و كار هيچ‌گونه تضمين بلند‌مدت ندارد. لذا سازمان‌ها به‌جهت حفظ توانايي رقابت در اين بازار نامطمئن، ميبايست مشتريان خود را به‌خوبي شناسايي، نياز‌ها و خواسته‌هاي آن‌ها را پيش‌بيني نموده و با مجهز شدن به اين اطلاعات و ارائه استراتژي‌هاي بازاريابي كارآمد در جهت حفظ و بقاي خود تلاش نمايند. با توجه به اهميت و سهم بالاي درآمد بنادر ايران در اقتصاد داخلي و وجود رقابت شديد بين بنادر منطقه، ضرورت شناسايي مشتريان كليدي و تعيين نيازها و خواسته‌هاي آنها براي سازمان بنادر و دريانوردي بيشتر از گذشته احساس مي‌گردد.از سوي ديگر داده‌كاوي كه علم تجزيه و تحليل داده‌‌ها است به عنوان پل ارتباطي بين قسمت‌‌هايي از داده معرفي مي‌‌شود. در همين خصوص ابزارهايي در داده‌‌كاوي مانند خوشه‌‌بندي و طبقه‌‌بندي وجود دارند كه شرايط لازم براي ارائه خدمت مورد‌‌نظر به مشتريان خوشه هدف و برقراري ارتباط تنگاتنگ با آن‌ها را براي سازمان‌‌ ايجاد مي‌‌نمايد. در اين پژوهش تحليل RFM روي داده‌‌هاي پردازش شده 595 مشتري سازمان بنادر در طول يكسال انجام و فرايند خوشه‌‌بندي با استفاده از خروجي تحليل RFM و دو الگوريتم خوشه‌بندي K-means و SOM انجام مي‌‌گردد كه به منظور تعيين تعداد بهينه خوشه‌‌ها از شاخص سيلوئت استفاده مي‌‌گردد (12 خوشه تعيين گرديد). در انتها كيفيت خوشه‌ها با استفاده از معيار انحراف معيار داده‌‌هاي درون خوشه‌ها ارزيابي و نتايج به‌‌دست آمده از دو روش مقايسه مي‌‌گردد. با توجه به اينكه كيفيت خوشه‌‌‌‌هاي حاصل از الگوريتم SOM بهتر از k-means مي‌‌باشد بر اساس خوشه‌هاي به دست آمده از الگوريتم SOM بدين ترتيب مشتريان كليدي و با ارزش مشخص مي‌‌گردد. بر اساس تجزيه و تحليل نتايج مشخص گرديد مشتريان خوشه‌‌هاي 9 و 12 منتج از الگوريتم SOM با دارا بودن الگوي ↑ M ↑F ↑R بيشترين ارزش و وفاداري را براي سازمان بنادر دارند و مهمترين مشتريان سازمان بنادر محسوب مي‌‌شوند و مشتريان خوشه‌ نخست منتج از الگوريتم SOM با دارا بودن الگوي↓M↓F↓R كمترين ميزان ارزش و وفاداري را براي سازمان بنادر دارند.

Given that organizations' two-way relationships with their customers have changed significantly over the past few years, there is no long-term guarantee of business continuity. Therefore, in order to maintain competitiveness in this uncertain market, organizations should identify their customers well, anticipate their needs and wants, and equip themselves with this information and provide effective marketing strategies to maintain their survival. Given the importance and high share of Iranian port revenues in the domestic economy and the existence of fierce competition between ports in the region, the need to identify key customers and determine their needs and wants for the Ports and Maritime Organization is felt more than ever. On the other hand, data mining, which is the science of data analysis, is introduced as a bridge between parts of data. In this regard, there are tools in data mining such as clustering and classification that create the necessary conditions for the organization to provide the desired service to the customers of the target cluster and to establish a close relationship with them for the organization. Therefore, in this dissertation, RFM analysis is performed on the processed data of 595 customers of the Ports Organization during one year and the clustering process is performed using RFM analysis output and two clustering algorithms, K-means and SOM, in order to determine the optimal number of clusters is used from the silhouette index. The C4.5 tree algorithm is then implemented on the results of the two algorithms K-means and SOM and customer behavioral characteristics are identified. Finally, the quality of the clusters is evaluated using the standard deviation of the data within the clusters and the results obtained from the two methods are compared. Due to the fact that the quality of the clusters obtained from the SOM algorithm is better than k-means, based on the clusters obtained from the SOM algorithm, key and valuable customers are identified. Based on the analysis of the results, it was found that the customers of clusters 9 and 12 resulting from the SOM algorithm with the ↑ M ↑ F ↑ R model have the highest value and loyalty for the ports organization and are the most important customers of the ports organization and the customers of clusters 1 resulting from SOM algorithms with ↓ M ↓ F ↓ R model have the lowest value and loyalty for the port organization. In this way, key and valuable customers are identified.