خوشه بندي فروشگاه هاي آنلاين از نگاه تأمين كننده با كمك بهينه يابي تعداد خوشه ها در الگوريتم دو مرحله اي SOM

Clustering of Online Stores from Supplier's point of view: Using Clusters Number Optimization in Two-Level SOM

با گسترش فناوري اطلاعات و ظهور بازارهاي مجازي، برنامه ريزي و تحليل اين بازارها و اجزاي آنها به اولويت سازمان هاي ذي نفع تبديل شده است. يكي از مهم ترين بازارهاي مجازي كنوني در كشور، بازار فروش آنلاين خدمات شارژ اپراتورهاي مختلف تلفن همراه در قالب فروشگاه هاي اينترنتي است. با توجه به تعداد انبوه و در حال رشد اين فروشگاه ها، دسته بندي آنها از ديد تأمين كننده به منظور ارائه امتيازات و آينده نگري در همكاري ضروري است. در اين پژوهش، با استفاده از داده هاي يكي از مهم ترين تأمين كنندگان اين محصولات، قريب به سه هزار فروشگاه مجازي مورد تحليل قرار گرفته و بر اساس شاخص هاي مورد نظر تأمين كننده خوشه بندي شده است. فرآيند خوشه بندي با استفاده از شبكه عصبي مصنوعي SOM و در قالب روش دو مرحله اي آن با الگوريتم k-means انجام شده است كه تحليل خوشه هاي حاصل از شبكه عصبي را تسهيل مي كند. اگرچه به منظور تعيين بهترين تعداد خوشه ها، شاخص هاي اعتبارسنجي مختلفي گسترش پيدا كرده است اما در اين پژوهش با تركيب روش تصميم گيري چندشاخصه در مدل و تجميع شاخص هاي مختلف، به ارائه يك مدل بهينه يابي با رويكرد جبراني نسبت به شاخص ها پرداخته شده است.

By developing information technology and emerging online markets, Planning for these markets and analyzing their details has been became a priority for beneficiary organizations. One of most important online markets in Iran is SIM card credit services that are considered as online stores. Regarding to numerous and increasing number of online malls, grouping and classification of online malls from supplier's point of view in order to forecasting cooperation is essential. In this paper, around three thousand online stores has been studied and analyzed by using one of famous supplier data and it has been clustered according to supplier's indexes. Clustering process has been done by using SOM Neural Network in two levels by K-means algorithm since it facilitates analyzing of clusters. Although various validation indicators has been developed to determine the best number of clusters but in this paper, an optimizing model of compensatory approach to indexes is presented by using combination multi criteria decision making and aggregation of various indexes