تبيين الگوي خوشه‌بندي بازار هدف

(Market Clustering with Ant Colony Optimization (Comparative approach with k-means

امروزه توانمندي سازمان‌ها در شناسايي بازارهاي هدف به كمك روش‌هاي داده كاوي بيش از پيش افزايش يافته است. بخش‌بندي بازار، هدف‌گيري شركت‌ها را به سمت بازارهاي مشخص‌تري هدايت مي‌كنند تا ارتباط موثرتري با مشتريان صورت پذيرد. خوشه­ بندي يكي از پر استفاده‌ترين و مهمترين تكنيك‌هاي داده كاوي و شاخه‌اي از تحليل آماري چند متغيره بوده و روشي براي گروه‌بندي داده‌هاي مشابه در خوشه‌هاي يكسان است .با بزرگ‌تر شدن بانك‌هاي اطلاعاتي، تلاش محققان بر روي پيدا كردن روش‌هاي خوشه‌بندي كارا و مؤثر متمركز شده است تا از اين راه بتوانند زمينه تصميم‌گيري سريع و منطبق با واقعيت را فراهم آورند. در اين تحقيق با استفاده از الگوريتم بهينه‌سازي مورچگان و داده‌هاي در دسترس به خوشه‌بندي بازار يك شركت توليدكننده كاشي در ايران پرداخته شده تا تمايزات موجود در بخش‌هاي مختلف نمايان گردد. نتايج حاصل، نشان از دقت بالاي اين الگوريتم در خوشه‌بندي داده‌ها دارد. همچنين به منظور بررسي بيشتر دقت عملكرد مدل طراحي شده، نتايج آن با نتايج حاصل از بخش‌بندي داده‌ها با يك روش خوشه‌بندي كلاسيك ديگر (k- ميانگين) مورد سنجش و ارزيابي قرار گرفته است.

Nowadays the ability of organization increased to identify target markets with data mining techniques. Clustering is a method in which we make cluster of objects that are some how similar in characteristics. In market segmentation process, customers are segmented as such customers placed in the same group, and various groups have minimal affinity. Then, fitness marketing strategy in accordance with the specification that these groups are used .With larger databases, researcher’s attempt to focus on finding effective clustering methods in order to effectively decision. In this paper we clustering the trail market in Iran with ant colony optimization and to further investigate the accuracy of this model we compared the results with a classic clustering K-Mean. This paper presents an ant colony optimization methodology for optimally clustering N objects into K clusters. The results show, the higher accuracy of the ant colony optimization.Keywords: market segmentation, clustering, Meta heuristic algorithm, ant colony optimization (ACO)