چکیده:
بخش بندی بازار جهت برآورده شدن نیازهای انسان بسیار حائز اهمیت است. مقاصد گردشگری نیز از این امر مستثنی نبوده و هتل ها که از عناصر مهم هر مقصد گردشگری هستند، نیز باید استراتژی بازاریابی خود را مورد بازبینی قرار دهند که این کار مستلزم توجه به آژانس های مسافرتی است که جهت جذب گردشگران برای هتل ها نقش مهمی را ایفا می نمایند. چراکه وظیفه این آژانس ها است که بر اساس نیاز هر گردشگر، محصول خدماتی را معرفی کرده و وی را ترغیب به استفاده از خدمات هتل نماید. هدف اصلی این مقاله خوشه بندی آژانس های مسافرتی در صنعت هتلداری ایران با تاکید بر هتل های ۵ ستاره تهران است. این مقاله ازنظر هدف، کاربردی و ازنظر نحوه گردآوری داده ها، توصیفی- پیمایشی است. کلیه آژانس های مسافرتی که با هتل های ۵ ستاره تهران همکاری می کنند؛ جامعه آماری پژوهش را تشکیل می دهند. برای دستیابی به اهداف پژوهش، از شبکه های عصبی فرا ابتکاری که یکی از روش های خوشه بندی است؛ استفاده شد. بازه زمانی موردمطالعه ۱۵ دی ۱۳۹۴ لغایت ۱۵ تیر ۱۳۹۸ است. همچنین جهت مقایسه نتایج این روش، با سایر روش های خوشه بندی از الگوریتم میانگین K و روش RFM نیز استفاده شد. نتایج حاصل از خوشه بندی داده ها با سه روش مورد ارزیابی فوق، مقایسه شدند و درنهایت روش شبکه های عصبی به دلیل داشتن ضریب همبستگی بالاتر کوفنتیک و واریانس کمتر به عنوان مدل بهینه انتخاب شد. در این حالت تعداد ۲۵ آژانس مسافرتی فعال در بازه زمانی موردبررسی به چهار دسته خوشه بندی شدند و درنهایت پیشنهاد های لازم در خصوص هر یک از خوشه ها نیز ارائه شد.
خلاصه ماشینی:
ابراهیمی و همکاران (1394) در تحقیق خود با عنوان «گونه شناسی خدمات هتلها برای آژانسهای مسافرتی (مطالعه موردی: هتلهای پنج ستاره شهر مشهد)» به این نتیجه رسیدند وبسایتهای هتل، بازدید از هتل و نظرهای مشتریان آژانس مسافرتی، رایجترین منابع کسب اطلاعات درباره هتلها میباشند.
الف) خوشهبندی با استفاده از شبکههای عصبی با استفاده از نرمافزار و بر اساس الگوی کوهن در شبکههای عصبی، مدل با 4 خوشه با ضریب همبستگی کوفنتیک 8752/0 و واریانس بین خوشهای 1310/0 برترین مدل برای بخشبندی آژانسهای مسافرتی هتلهای 5 ستاره شهر تهران انتخاب شد.
جدول (4): خروجی مدل RFM بر اساس پارامترهای نرمال شده {مراجعه شود به فایل جدول الحاقی} مأخذ: محاسبات تحقیق با استفاده از این روش تعداد بهینه خوشهها 8 و ضریب همبستگی 7251/0 و واریانس بین خوشهای 0125/0 به دست آمد.
جدول (5): خروجی مدل بر اساس مدل RFM {مراجعه شود به فایل جدول الحاقی} مأخذ: محاسبات تحقیق همانطور که مشاهده میشود در بین روشهای انجامشده، ضریب همبستگی کوفنتیک و واریانس بین خوشهای بالاتری دارند، درنتیجه مدل انتخابی برای خوشهبندی آژانسهای مسافرتی، استفاده از شبکههای عصبی بوده که میتوان آژانسهای مسافرتی را در 4 دسته خوشهبندی نمود.
مقایسه نتایج خوشهبندی آژانسهای مسافرتی با استفاده از سه روش شبکههای عصبی، الگوریتم میانگین K و روش RFM نشان میدهد که رویکرد شبکههای عصبی نسبت به دو رویکرد دیگر از ضریب همبستگی و واریانس بهتری برخوردار است.
با استفاده از نرمافزار SPSS و بر اساس الگوی کوهن در شبکههای عصبی، مدل با 4 خوشه با ضریب همبستگی کوفنتیک 8752/0 و واریانس بین خوشهای 1310/0 برترین مدل برای بخشبندی آژانسهای مسافرتی انتخاب شد.