چکیده:
امروزه ارزیابی مشتریان برای ارائه خدمات مناسب یکی از مهمترین چالشهای مدیران و تصمیم گیرندگان در
سازمانهای مختلف است. در سازمانهای مختلف گاه با توجه به حجم سنگین تقاضای مشتریان پاسخ گویی به
نیازهای تمامی آنان امکانپذیر نیست و از سوی دیگر این مشتریان به عنوان سرمایههای سازمانها قلمداد
میشوند. این موضوع هدفمند نمودن مطالعه بر روی گروههای مختلف مشتریان در بازارهای رقابتی را با
اهمیت کرده است. یکی از شیوههای کارآمد برای مطالعه مشتریان و ارائه خدمات بهینه به آنان،گروهبنشدی
بازار و خوشهبندی مشتریان در آن است. در این پژوهش به منظور هدفمند نمودن ارائه خدمات به مشتریان،
ابتدا به کمکک تکنیک شبکه عصبی SOM مشتریان در خوشههایی متناسب دستهبندی میشوند تا بتوان برای
هر مشتری با توجه به خوشه آن به ارائه خدمات مناسب پرداخت. سپس با مدل ارائه داده شده در این مقاله
میتوان عضویت مشتری جدید در خوشه متناسب را با استفاده از DEA-DA پیش بینی کرد. این
مدل» فرآیند خوشهبندی پویا را برای سازمان رقم میزند تا به وسیله آن در هر لحظه بتوان مشتریان جدید را
ارزیابی نموده و خوشه متناسب آنها را با دقت مناسبی تعیین کرد.
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.
خلاصه ماشینی:
"در این پژوهش به منظور هدفمند نمـودن ارائـه خـدمات بـه مشـتریان ، ابتدا به کمک تکنیک شبکه عصبی SOM مشتریان در خوشه هایی متناسب دسته بندی میشوند تا بتـوان بـرای هر مشتری با توجه به خوشه آن به ارائه خدمات مناسب پرداخت .
در مـدل هـایی کـه پـیش از ایـن در رویکـرد ابرکـارایی تحلیل پوششی داده ها ارائه شده بودند، در صورتی که یکی از واحدهای تصـمیم دارای مقـدار صفر در یکی از ورودیها باشد، تکنیـک ابـر کـارایی تـوان رتبـه بنـدی آن واحـدها را نـدارد؛ بنابراین لی و همکاران مدلی ارائه میدهند که توان رتبه بندی را برای این مدلها ایجاد مـیکنـد (لی و ژو، ٢٠١٢).
نوآوری پژوهش به طور خلاصه در عناوین زیر خلاصه میشود: ارائه سیاست های بازاریابی برای مشتریان بـر مبنـای قرارگیـری آنـان در خوشـه هـای مختلف خوشه بندی مشتریان بر مبنای تکنیک شبکه عصبی مصنوعی ارائه مدل پیش بینی DEA-DA برای عضویت در چهار خوشه نکته قابل توجـه ایـن اسـت کـه اساسـا در ایـن مقالـه تحلیـل پوششـی داده هـا بـه خوشـه بنـدی نمی پردازد، بلکه در فرآیند پیش بینی تأثیرگذار است .
نمودار سه مرحله ای در شکل (١)، رویه کلی این پژوهش را نشان میدهد: ورود مشتری جدید و پیش بینی عضویت آن اجرای مدل DEA-DA خوشه بندی به کمک شبکه عصبی مصنوعی SOM شکل (١): رویه کلی پژوهش خوشه بندی باعث میشود واحدهایی کـه دارای شـباهت زیـادی بـه یکـدیگر هسـتند در کنـار یکدیگر در دسته مربوط به خود رتبه بندی شوند."