ورود
مقالات فارسیISIکنفرانسهاژورنالها

بهبود بخشبندی مشتریان یک سازمان با ترکیب الگوریتم بهینه سازی K-means و PSO

محل انتشار: همایش ملی کامپیوتر و فناوری اطلاعات
سال انتشار: 1390
نوع سند: مقاله کنفرانسی
زبان: فارسی
مشاهده: 1,667

فایل این مقاله در 7 صفحه با فرمت PDF قابل دریافت می باشد

این مقاله در بخشهای موضوعی زیر دسته بندی شده است:

استخراج به نرم افزارهای پژوهشی:

لینک ثابت به این مقاله:
https://civilica.com/doc/141985

شناسه ملی سند علمی:

NCCIT01_037

تاریخ نمایه سازی: 17 اردیبهشت 1391

چکیده مقاله:

در سالهای اخیر تکنیکهای دادهکاوی همچون خوشهبندی به منظور بخش بندی و شناخت مشخصات و نیازهای گروههای مختلف مشتریان بسیار مورد توجه مدیران هر سازمان و بازاریابها قرار گرفته است. متداولترین الگوریتم خوشهبندی که برای مجموعه داده های مشتریان یک سازمان به کار می رود الگوریتمK-meansمیباشد. در این مقاله ابتدا مشتریان بر اساس مشخصه های دموگرافیک بخشبندی شده سپس جهت خوشهبندی هر گروه دموگرافیک بر اساس رفتارهای خریدRFM)از الگوریتم بهینه سازیPSO برای کاهش اثر ناشی از حساسیت الگوریتم K-means به مراکز اولیه خوشهها و در نتیجه، بهبود بخشبندی مشتریان استفاده میشود سپس مشخصات مشتریان تحلیل می شود و در نهایت برای پیشبینی مشخصه مشتریان جدید ازچند الگوریتم درخت تصمیم استفاده و از لحاظ دقت پیشبینی مقایسه میشود. عملکرد الگوریتم ترکیبی با استفاده از مجموعه دادههایی از فروشگاه زنجیرهای مواد غذایی ماندرین ارزیابی میشود. نتایج ارزیابی بیانگر کاهش خطا و افزایش همگرایی دربخشبندی مشتریان میباشد.

کلیدواژه ها:

بخشبندی مشتریانRFMدادهکاوی ، الگوریتم K-means الگوریتم بهینه سازیPSO درخت تصمیم

نویسندگان

مریم بهبودی

دانشجوی کارشناسی ارشد نرم افزار، دانشگاه آزاد اسلامی واحد اراک

بهروز مینایی بیدگلی

استادیار گروه مهندسی کامپیوتر ، دانشگاه علم و صنعت، تهران

حسین ابراهیم پورکومله

استادیار گروه مهندسی کامپیوتر - دانشکده مهندسی - دانشگاه کاشان

مراجع و منابع این مقاله:

لیست زیر مراجع و منابع استفاده شده در این مقاله را نمایش می دهد. این مراجع به صورت کاملا ماشینی و بر اساس هوش مصنوعی استخراج شده اند و لذا ممکن است دارای اشکالاتی باشند که به مرور زمان دقت استخراج این محتوا افزایش می یابد. مراجعی که مقالات مربوط به آنها در سیویلیکا نمایه شده و پیدا شده اند، به خود مقاله لینک شده اند :
  • Huang, J-J., Tzeng, G.-H., Ong, C-S., "Marketing segmentation using support ...
  • Hwang, H., Jung, T., Suh, E . "An LTV model ...
  • Kim, S.-Y., Jung, T.-S., Suh, E.-H., Hwang, H.-S., "Customer segmentation ...
  • Liang, Y.-H. _ Integration of data mining technologies to analyze ...
  • Kim, Y. S . Street, W. N. "An intelligent System ...
  • Battcher, M., Spott, M., Nauck, D. and Kruse, R., "Mining ...
  • Ha, S. H., Bae, S. M ., Park, S. C., ...
  • Kim, K.-j., Ahn, H., "A recommender system using GA K-means ...
  • Hung, C., Tsai, C.-F., "Market segmentation based on hierarchical self-organizing ...
  • McCarty, J. A., Hastak, M., "Segmentation approaches in data-mining: A ...
  • Tsai, C. Y., Chiu, C. C., "A purchase-based market segmentation ...
  • Salazar, M. T, Harrison, T., Ansell, J., "An approach for ...
  • Lim, M. K., Sohn, S. Y., "cluster-based dynamic scoring model", ...
  • Sheu, J.-J., Su, Y.-H., Chu, K-T., "Segmenting online game customers ...
  • Chen, Y.-K., Wang, C-Y. and Feng, Y-Y. "Applications of a ...
  • Selim, S. Z. and Ismail, M. A., "K-means type algorithms: ...
  • Kennedy, J. and Eberhart, R.C. "Particle Swarm Optimization", in Proc ...
  • Shi, Y., Eberhart, R.C. _ modified particle _ optimizer", in ...
  • Eberhart, R.C. and Shi, Y. "Comparing Inertia Weights and Constriction ...
  • http: //WWW _ roobertom archetto. com/fil es/mondrean .zip ...
  • Bolshakova, N., Azuaje, F., _ Improving expression data mining through ...
  • Duda Kanungo, T., Mount, D. M., Netanyahu, N. S., Piatko, ...
  • Ha, S. H., Park, S. C., "Application of data mining ...
    • نمایش کامل مراجع