بخش بندي چند معياره بازار براي مشتريان عمده يك شركت فولاد سازي در ايران با استفاده ازعناصر ارزش پيشنهادي

Multiattribute market segmentation for the major customers of an Iranian steelmaking company using value proposition elements

استراتژي بازار انبوه، معمولا دريك بازار رقابتي شانس كمتري براي موفقيت دارد. با بخشبندي يك بازار ناهمگن به تعدادي بازار كوچكترو همگن مي توان انتظار داشت كه منابع به روشي كاراتر استفاده شود. هدف اين مطالعه مدلسازي رياضي بخشبندي بازار يك شركت فولاد سازي در ايران با استفاده از عناصر ارزش پيشنهادي شركت است.داده هاي مورد استفاده، عناصر ارزش پيشنهادي شركت است كه شامل ارائه محصولات با كيفيت مطلوب، تحويل به موقع، ارائه اطلاعات فني و تجاري، توسعه سبد محصولات، ارائه محصولات با قيمت و شرايط پرداخت رقابتي و تامين پايدار نياز مشتري مي باشد.مدل مذكور جهت تحليل داده هاي 129 مشتري عمده شركت به كار گرفته شده است. اين مدل با نرم افزار GAMS حل گرديده و تعداد بخش بهينه برابر 9 به دست آمده است. در اين پژوهش، علاوه بر مقايسه نتايج حاصله با روشهايي مثل كي مينز و شبكه ها ي عصبي، بدليل چند معياره بودن ماهيت بخش بندي صورت گرفته، تحليل مميزي داده ها، يعد از بخشبندي انجام شده است و درصد موفقيت قاعده رده بندي برابر با 95/3 % بدست آمده است و همچنين معيار شباهت براي تعلق هر مشتري جديد احتمالي محاسبه گرديده است.

The Mass market strategy does not have a big chance for success in a competitive market. Therefore, by segmenting a heterogeneous market into some smaller and homogenous markets in which customers have similar characteristics, it is expected that the resources can be more efficiently utilized for meeting the needs of customers. The purpose of this study  was mathematical modelling of market segmentation of an Iranian steelmaking company using value proposition elements of the company for the customers. The model that mentioned above was used for the analysis of data related to six value proposition elements from 129 major customers of the company. This model was solved using the GAMS software and the number of optimized segments was 9. In this study, the results obtained were compared with those achieved by the conventional segmentation methods such as Kmeans and selforganized neural networks and twostep clustering. Further, for the validation of the mathematical model used, due to the multiattribute nature of the segmentation done, discriminant analysis of research data was done after segmentation and the success percentage of the ranking rule was found to be 95.3 %.  Also, the similarity criterion was computed for each potential new customer to show which group the new customer belonged.