به‏كارگيري الگوريتم بهينه سازي ازدحام ذرات براي خوشه بندي مشتريان

Application of the Particle Swarm Optimization Algorithm for Clustering Customers

بازاريابي مدرن بر پايه بخش بندي مشتريان استوار است. چرا كه ديدگاه محصول محوري جاي خود را به مشتري محوري داده است؛ لذا براي حفظ مشتريان كليدي موجود، مهارت در ايجاد ارتباط صحيح با مشتري ضروري است. بخش بندي يكي از مباحث مطرح در حوزه ي مديريت ارتباط با مشتري است. بدين منظور، استفاده از الگوي مناسب بخش بندي مشتريان، به سازمان اين فرصت را مي دهد كه پيشنهادات ارزشمند خود را متناسب با نيازها و خواسته هاي بخش هاي هدف-گيري شده طراحي و ارايه نموده و در نتيجه عملكرد خود را از ديدگاه‏هاي مختلف بهبود بخشد. هدف اين مطالعه به‏كارگيري مدل مناسبي جهت بخش‏بندي مشتريان بر اساس شاخص هايي مانند طول ارتباط مشتري، تازگي مبادله، تعداد دفعات مبادله و ارزش پولي مبادله مي‏باشد. جهت خوشه‏بندي داده ها در اين مقاله، از تلفيق الگوريتم هاي بهينه سازي ازدحام ذرات با كاي ميانگين جهت غلبه بر مشكلاتي مانند حساس بودن به مقدار اوليه و گرفتار شدن در دام بهينه ي محلي استفاده گرديده است. يافته هاي تحقيق نشان مي‏دهد كه مشتريان متعلق به خوشه ي اول در شاخص هاي"طول ارتباط با مشتري" و "تازگي خريد" داراي ميانگيني بالا و در شاخص هاي "فركانس خريد" و "مبلغ فروش" داراي ميانگيني كم‏تر از سطح متوسط كل مشتريان و همچنين مشتريان متعلق به خوشه ي دوم در شاخص "تازگي خريد" داراي ميانگيني بالا و در شاخص هاي"طول ارتباط با مشتري"، "فركانس خريد" و "مبلغ فروش" داراي ميانگيني كم‏تر از سطح متوسط كل مشتريان مي باشند؛ لذا مشتريان خوشه ي اول از نظر وفاداري جز مشتريان وفادار و از لحاظ ارزش جز مشتريان نامطمين و نيز مشتريان متعلق به خوشه ي دوم از نظر ماتريس وفاداري جز مشتريان جديد و از لحاظ ارزش جز مشتريان نامطمين مي-باشند. در پايان نيز مشخص مي گردد كه الگوريتم طراحي شده براي دستيابي به خوشه بندي دقيق تر مشتريان از كارايي بالاتري نسبت به الگوريتم كاي ميانگين برخوردار است.

Modern marketing is based on customer segmentation; this is because the product-centric view has been in its place to the customer orientation. So, proficiency in establishing proper communication with the customer is essential to retain the key existing customers. Segmentation is one of the issues in the area of customer relationship management. For this purpose, using a model of customer segmentation is the opportunity for organizations to design and provide their valuable suggestions that fit the needs and wants of targeted sectors and thus improve their performance from a different perspective. The purpose of this study is to use an appropriate model for customers segmenting based on criteria such as the length of the customer relationship, recent exchanges, exchange frequency and monetary value of exchange. For clustering data in this article, combining particle swarm optimization algorithm with k-mean to overcome the problems as being sensitive to initial value has been used to trap in local optimum. Research findings show that customers who belong to the first cluster have high mean indicators of “the length customer relationship" and "just buy" and have less than the total customers’ average in indicators of "frequency of purchase" and "sale price", and also customers who belong to the second cluster have high mean indicators of “just buy “and have less than the total customers’ average indicators of “length customer relationship", "frequency of purchase" and "sale price". Therefore, in terms of loyalty matrix, the first cluster customers are loyal customers, and in terms of the values matrix are uncertain customers, and so the second cluster customer in terms of loyalty matrix are new customers and in terms of the values matrix are uncertain customers. In the end it is clear that the algorithm designed to achieve more accurate clustering of customers is more performance than k-mean algorithm.