پوياسازي خوشه بندي مشتريان با استفاده از روش DEA-DA در بستر شبكه عصبي مصنوعي SOM

Dynamic Clustering of Customers by Data Envelopment Analysis (DEA) - Discriminant Analysis (DA) and Artificial Neural Network (SOM)

امروزه ارزيابي مشتريان براي ارايه خدمات مناسب يكي از مهم ترين چالش هاي مديران و تصميم گيرنددگان در سازمانهاي مختلف است. در سازمانهاي مختلف گاه با توجه به حجم سنگين تقاضاي مشتريان پاسخ گويي به نيازهاي تمامي آنان امكان پذير نيست و از سوي ديگر اين مشدتريان به عنوان سرمايه هاي سازمان ها قلمداد مي شوند. اين موضوع هدفمند نمودن مطالعه بر روي گروه هاي مختلف مشتريان در بازارهاي رقابتي را با اهميت كرده است. يكي از شيوه هاي كارآمد براي مطالعه مشتريان و ارايه خدمات بهيه به آنان، گروه بندي بازار و خوشه بندي مشتريان در آن است. در اين پژوهش به منظور هدفمند نمودن ارايه خدمات به مشتريان ابتدا به كمك تكنيك شبكه عصبي SOM مشتريان در خوشه هايي متناسب دسته بندي مي شوند تا بتوان براي هر مشتري با توجه به خوشه آن به ارايه خدمات مناسب پرداخت. سپس بد مدل ارايه داده شده در اين مقاله مي توان عضويت مشتري جديد در خوشه متناسب را با استفاده از تكنيدك DEA-DA پديش بيني كرد. اين مدل، فرآيند خوشه بندي پويا را براي سازمان رقم مي زند تا به وسيله آن در هر لحظه بتوان مشدتريان جديد را ارزيابي نموده و خوشه متناسب آنها را با دقت مناسبي تعيين كرد.

Today evaluation of customers to classify the quality of providing services is one of the main challenges of Decision-Makers in different organizations. It is difficult to respond to all customers’ demands because of Increasing Volume of Them. On the other hand, in current competitive markets, customers are considered as capital of organizations. This issue results in purposefully study on different groups of customers in competitive markets. One of the effective ways to study the customers and provide the optimism service to them is grouping the market and clustering the customers. In this Research First customers classified in appropriate clusters using neural network techniques SOM in order to provide purposefully service , so each customer can deliver proper service according to its cluster. Then by the proposed model in the paper the membership of each client in the appropriate cluster can be predicted by using DEA-DA technique. This model has provided dynamic clustering process for organizations so that by which new customers will be assessed at any moment and their proper cluster is determined with rasonable accuracy.