بخش بندی مشتریان سازمان بنادر و دریانوردی با به کارگیری شبکه عصبی خودسازمانده و الگوریتم K-Means

حریفی, رخساره; نعیمی صدیق, علی; مظفری, مرضیه

doi:10.22034/bs.2022.254024

بخش بندی مشتریان سازمان بنادر و دریانوردی با به کارگیری شبکه عصبی خودسازمانده و الگوریتم K-Means

نوع مقاله : پژوهشی

نویسندگان

¹ کارشناس ارشد مهندسی صنایع-صنایع، دانشکده مهندسی صنایع، واحد الکترونیکی، دانشگاه آزاد اسلامی، تهران، ایران

² استادیار مهندسی صنایع، گروه پژوهشی کسب و کار الکترونیک، پژوهشکده فناوری اطلاعات پژوهشگاه علوم و فناوری اطلاعات ایران، تهران، ایران

³ استادیار مهندسی صنایع، دانشکده مهندسی صنایع، واحد الکترونیکی، دانشگاه آزاد اسلامی، تهران، ایران

10.22034/bs.2022.254024

چکیده

با توجه به اینکه در سال‌‌های اخیر ارتباط دو طرفه سازمان‌ها با مشتریانشان به‌صورت محسوسی تغییر کرده، تداوم کسب و کار هیچ‌گونه تضمین بلند‌مدت ندارد. لذا سازمان‌ها به‌جهت حفظ توانایی رقابت در این بازار نامطمئن، میبایست مشتریان خود را به‌خوبی شناسایی، نیاز‌ها و خواسته‌های آن‌ها را پیش‌بینی نموده و با مجهز شدن به این اطلاعات و ارائه استراتژی‌های بازاریابی کارآمد در جهت حفظ و بقای خود تلاش نمایند. با توجه به اهمیت و سهم بالای درآمد بنادر ایران در اقتصاد داخلی و وجود رقابت شدید بین بنادر منطقه، ضرورت شناسایی مشتریان کلیدی و تعیین نیازها و خواسته‌های آنها برای سازمان بنادر و دریانوردی بیشتر از گذشته احساس می‌گردد.از سوی دیگر داده‌کاوی که علم تجزیه و تحلیل داده‌‌ها است به عنوان پل ارتباطی بین قسمت‌‌هایی از داده معرفی می‌‌شود. در همین خصوص ابزارهایی در داده‌‌کاوی مانند خوشه‌‌بندی و طبقه‌‌بندی وجود دارند که شرایط لازم برای ارائه خدمت مورد‌‌نظر به مشتریان خوشه هدف و برقراری ارتباط تنگاتنگ با آن‌ها را برای سازمان‌‌ ایجاد می‌‌نماید. در این پژوهش تحلیل RFM روی داده‌‌های پردازش شده 595 مشتری سازمان بنادر در طول یکسال انجام و فرایند خوشه‌‌بندی با استفاده از خروجی تحلیل RFM و دو الگوریتم خوشه‌بندی K-means و SOM انجام می‌‌گردد که به منظور تعیین تعداد بهینه خوشه‌‌ها از شاخص سیلوئت استفاده می‌‌گردد (12 خوشه تعیین گردید). در انتها کیفیت خوشه‌ها با استفاده از معیار انحراف معیار داده‌‌های درون خوشه‌ها ارزیابی و نتایج به‌‌دست آمده از دو روش مقایسه می‌‌گردد. با توجه به اینکه کیفیت خوشه‌‌‌‌های حاصل از الگوریتم SOM بهتر از k-means می‌‌باشد بر اساس خوشه‌های به دست آمده از الگوریتم SOM بدین ترتیب مشتریان کلیدی و با ارزش مشخص می‌‌گردد. بر اساس تجزیه و تحلیل نتایج مشخص گردید مشتریان خوشه‌‌های 9 و 12 منتج از الگوریتم SOM با دارا بودن الگوی ↑ M ↑F ↑R بیشترین ارزش و وفاداری را برای سازمان بنادر دارند و مهمترین مشتریان سازمان بنادر محسوب می‌‌شوند و مشتریان خوشه‌ نخست منتج از الگوریتم SOM با دارا بودن الگوی↓M↓F↓R کمترین میزان ارزش و وفاداری را برای سازمان بنادر دارند.

کلیدواژه‌ها

عنوان مقاله [English]

Customer Segmentation of the Ports and Maritime Organization using Self Organization Map and K-Means algorithm

نویسندگان [English]

Rokhsareh Harifi ¹
Ali Naimi-Sadigh ²
Marzieh Mozafari ³

¹ Islamic Azad University

² Iranian Research Institute for Information Science and Technology (IranDoc)

³ Islamic Azad University

چکیده [English]

Given that organizations' two-way relationships with their customers have changed significantly over the past few years, there is no long-term guarantee of business continuity. Therefore, in order to maintain competitiveness in this uncertain market, organizations should identify their customers well, anticipate their needs and wants, and equip themselves with this information and provide effective marketing strategies to maintain their survival.
Given the importance and high share of Iranian port revenues in the domestic economy and the existence of fierce competition between ports in the region, the need to identify key customers and determine their needs and wants for the Ports and Maritime Organization is felt more than ever.
On the other hand, data mining, which is the science of data analysis, is introduced as a bridge between parts of data. In this regard, there are tools in data mining such as clustering and classification that create the necessary conditions for the organization to provide the desired service to the customers of the target cluster and to establish a close relationship with them for the organization.
Therefore, in this dissertation, RFM analysis is performed on the processed data of 595 customers of the Ports Organization during one year and the clustering process is performed using RFM analysis output and two clustering algorithms, K-means and SOM, in order to determine the optimal number of clusters is used from the silhouette index. The C4.5 tree algorithm is then implemented on the results of the two algorithms K-means and SOM and customer behavioral characteristics are identified. Finally, the quality of the clusters is evaluated using the standard deviation of the data within the clusters and the results obtained from the two methods are compared.
Due to the fact that the quality of the clusters obtained from the SOM algorithm is better than k-means, based on the clusters obtained from the SOM algorithm, key and valuable customers are identified.
Based on the analysis of the results, it was found that the customers of clusters 9 and 12 resulting from the SOM algorithm with the ↑ M ↑ F ↑ R model have the highest value and loyalty for the ports organization and are the most important customers of the ports organization and the customers of clusters 1 resulting from SOM algorithms with ↓ M ↓ F ↓ R model have the lowest value and loyalty for the port organization. In this way, key and valuable customers are identified.

کلیدواژه‌ها [English]

Ports and Maritime Organization Customers / Customers Clustering / K
Means Algorithm / SOM Algorithm / Data Mining / RFM Analysis

مراجع

اشترابه، حمیدرضا. (1398). «نقش بازاریابی بندر در توسعه اقتصادی». وب‌سایت بازار به آدرس https://www.tahlilbazaar.com/، کد خبر: 3899.

امین، محمد و مرتضی زلف پور آرخلو. ( ۱۳۹۷). «داده‌کاوی بر اساس الگوی خرید مشتریان و خوشه‌بندی اطلاعات مشتریان بر حسب شیوه زندگی آنها». دومین کنفرانس ملی دانش و تکنولوژی علوم مهندسی ایران، تهران، موسسه برگزار‌کننده همایش‌های توسعه محور دانش و تکنولوژی سام ایرانیان.

باباییان، حمیده و ریحانه حسین‌پور. (1397). «داده‌کاوی و مدیریت ارتباط با مشتری». دومین کنفرانس ملی، اولین کنفرانس بین‌المللی محاسبات نرم، دانشگاه گیلان.

جانکی، سعید و علی شیخ ابومسعودی. (1399). «خوشه‌بندی مشتریان بر اساس ارزش عمر مشتری(CLV) مطابق با روش LRFM و بررسی تاثیر آن روی افزایش وفاداری مشتریان»، اولین کنفرانس بین‌المللی چالش‌ها و راه‌کارهای نوین در مهندسی صنایع و مدیریت و حسابداری، ساری، https://civilica.com/doc/1045737

جندقی، غلامرضا؛ یاسر سیف و یاسر شجاعی. (1397). «بازاریابی مستقیم با استفاده از خوشه‌بندی فازی مشتریان (مطالعه موردی: یکی از شرکتهای تلفن همراه)». فصلنامه مدیریت بازرگانی، شماره10(4 )، صص 870-855

دوستی، فاطمه. (1395). «تاثیر خدمات پس از فروش بر قصد خرید مجدد مشتریان در محصولات لوازم خانگی(مورد مطالعه: شرکت گلدیران)». پایان‌نامه کارشناسی ارشد، رشته مدیریت بازرگانی، دانشگاه شهید باهنر کرمان.

رضایی، محمد صادق. (1397). «بررسی نقش فناوری CRM مبتنی بر فروش و استفاده از رسانه‌های اجتماعی در رفتارهای مشتری نسبت به خدمات پس از فروش در موسسه ثامن در شهر شیراز». پایان‌نامه کارشناسی ارشد، رشته مدیریت بازرگانی، دانشگاه آزاد اسلامی واحد زرقان.

سمیع‌زاده، رضا و رکسانا طاهری. (۱۳۹۷). «ارزیابی میزان وفاداری مشتریان در ساختار مدیریت روابط مشتریان (CRM) با استفاده از خوشه‌بندی K-Means و روش آنالیز RFM و ارزیابی اعتبار خوشه‌بندی با استفاده از شاخص دیویس بولدن». کنفرانس بین‌المللی یافته‌های نوین در حسابداری، مدیریت اقتصاد و بانکداری، تهران، سازمان همایش آروین البرز.

علمباز نمار، مریم. (1397). «ارائه مدلی جهت خوشه‌بندی مشتریان و شخصی‌سازی تبلیغات اینترنتی با استفاده از تکنیک داده‌کاوی». پایان‌نامه کارشناسی ارشد، فناوری اطلاعات-مدیریت سیستم‌های اطلاعاتی، موسسه آموزش عالی غیر دولتی- غیر انتفاعی پویندگان دانش.

علی دوست، علی و فارس جلیلیان. (1393). «اهمیت بازاریابی در بنادر». شبکه اطلاع رسانی روابط عمومی ایران (شارا)، کد خبر: 18497.

فتحیان، محمد و الناز نصیرزاده. (1398). «بخش‌بندی مشتریان بانکی بر اساس عوامل نگرشی و رفتار مالی به منظور ارتقا، تعامل بانک با مشتریان». فصلنامه مدیریت نوآوری در سازمان‌های دفاعی، سال دوم،شماره 4، تابستان 98، صص 56-29

قنبری، مهدی. (۱۳۹۷). «ارائه روش ترکیبی در خوشه‌بندی مشتریان سازمان با استفاده از الگوریتم دو مرحله‌ای k-means و تحلیل عاملی». اولین کنفرانس علمی تحقیقی دستاوردهای نوین در مطالعات علوم مدیریت، حسابداری و اقتصاد ایران، ایلام، موسسه آسو سیستم آرمون

قیصری، ثریا و حمید حمیدی. (1392). «بازاریابی بنادر». انتشارات سازمان بنادر و دریانوردی، تهران.

مختاری هراتی، عباس؛ سیدجعفر سجادی پارسا و الهام الهیاری. (1396). «شناسایی و اولویت‌بندی عوامل مؤثر بر بازاریابی خدمات بندر امیرآباد با استفاده از روش AHP». اقیانوس‌شناسی، سال هشتم، شماره 31، پاییز 1396 ،صص52-43

نوذری، مرتضی؛ ایرج مهدوی و احمد خلیلی. ( ۱۳۹۶). «کشف رفتار خرید مشتریان سازمان تولید سسهای خوراکی با استفاده از RFM و مدلی مبتنی بر تکنیک‌های خوشه‌بندی داده‌کاوی». اولین کنفرانس بین‌المللی بهینه‌‌‌سازی سامانه‌ها و مدیریت سازمان، بابل، دانشگاه صنعتی نوشیروانی - انجمن ایرانی تحقیق در عملیات.

یوسفی‌زاد، امیر و علی ثریایی. (1397). «بررسی و خوشه‌بندی مشتریان، بر اساس مدلRFM و طراحی الگویی برای ارائه خدمات به مشتریان کلیدی». پژوهشنامه علمی-پژوهشی مدیریت اجرایی، سال دهم، شماره 20، صص 175-198.

Ashtrabeh, Hamidreza. (2018). The role of port marketing in economic development. Bazaar website at https://www.tahlilbazaar.com/, news code: 3899

Amin, Mohammad and Zolfpour Arkhlou, Morteza. (2017). Data mining based on customers’ purchase patterns and customer information clustering according to their lifestyle. The Second National Conference of Knowledge and Technology of Engineering Sciences of Iran, Tehran, Sam Iranian Institute for Organizing Conferences on the Development of Knowledge and Technology.

Babaiyan, Hamideh and Hosseinpour, Reyhaneh. (2017). Data mining and customer relationship management. The second National Conference, The First International Conference on Soft Computing, Gilan University.

Janki, Saeed and Sheikh Abu Masoudi, Ali (2019). Clustering of customers based on customer lifetime value (CLV) according to the LRFM method and investigating its effect on increasing customer loyalty. The First International Conference on Challenges and New Solutions in Industrial Engineering, Management and Accounting, Sari, Iran.

Jandaghi, Gholamreza; Saif, Yasser; Shojaei, Yasser. (2017). Direct marketing using fuzzy clustering of customers (case study: a mobile phone company). Business Management Quarterly, No. 10(4), pp. 855-870.

Doosti, Fatemeh. (2015). The effect of after-sales service on customers’ repurchase intention in home appliance products (case study: Goldiran company). Master’s Thesis, Business Management, Shahid Bahonar University, Kerman.

Rezaei, Mohammad Sadegh. (2017). Investigating the role of sales-based CRM technology and the use of social media in customer behaviors towards after-sales services at Saman Institute in Shiraz. Master’s Thesis, Business Administration, Islamic Azad University, Zarghan Branch.

Samizadeh, Reza and Taheri, Roksana. (2017). Evaluating the level of customer loyalty in the structure of customer relationship management (CRM) using K-Means clustering and RFM analysis method and evaluating the validity of clustering using the Davies Bolden index. International Conference on New Findings in Accounting, Economic Management and Banking, Tehran, Arvin Alborz Conference Organization.

Alambaz Nemar, Maryam. (2017). Presenting a model for clustering customers and personalizing internet ads using data mining techniques. Master’s Thesis, Information Technology, Information Systems Management, Pooyandegane Danesh Non-Governmental-Non-Profit Institute.

AliDoost, Ali and Jalilian, Fars. (2013). The importance of marketing in ports. Iran Public Relations Information Network (Shara), news code: 18497.

Fathian, Mohammad and Nasirzadeh, Elnaz. (2018). Segmentation of bank customers based on attitudinal factors and financial behavior in order to improve the interaction of the bank with customers. Innovation Management Quarterly in Defense Organizations, , second year, number 4, summer 1998, pp. 29-56.

Ghanbari, Mahdi. (2018). Presenting a combined method in clustering the organization’s customers using the two-stage k-means algorithm and factor analysis. The First Scientific Research Conference on New Achievements in the Studies of Management, Accounting and Economic Sciences in Iran, Ilam.

Kayseri, Soraya and Hamidi, Hamid. (2012). Marketing of ports. Publications of Ports and Maritime Organization, Tehran.

Mokhtari Herati, Abbas; Sajjadi Parsa, Seyyedjaafar and Elhiari, Elham. (2016). Identification and prioritization of factors affecting the marketing of Amirabad port services using AHP method. Oceanography, 8th year, number 31, autumn 2016, pp. 52-43.

Nozari, Morteza; Mahdavi, Iraj and Khalili, Ahmed. (1396). Discovering the buying behavior of customers of the food sauces production organization using RFM and a model based on data mining clustering techniques. The first International Conference on Optimization of Systems and Organization Management, Babol, Noshirvani University of Technology.

Yousefizad, Amir and Sorayai, Ali. (2017). Checking and clustering customers, based on the RFM model and designing a model to provide services to key customers.Journal of Exective Management, 10 (20), pp. 175-198.

Aryuni, M., Madyatmadja, E. D., & Miranda, E. (2018). Customer Segmentation in XYZ Bank Using K-Means and K-Medoids Clustering. Paper presented at the 2018 International Conference on Information Management and Technology (ICIMTech).

Choporian, J.A., Witherell, R., Khalil, O.E.M & Ahmed, M. (2001). Mind your business by mining your data, Advanced Management Journal, 66(2), 45.

Zare, H & Emadi, S. (2020). Determination of Customer Satisfaction using Improved K-means algorithm. Soft Comput 24, 16947-16965

Anitha, P., patil, M.M. (2019). RFM model for customer purchase behavior using K-Means algorithm. Journal of King Saud University, Computer and Information Sciences, Available online 25 December 2019

Asadinejad, A ., Varzanehy, M ., Tomsovicz, K ., Chenz, C & Sawhney, R. (2016). Residential Customers Elasticity Estimation and Clustering Based on Their Contribution at Incentive Based Demand Response, Power and Energy Society General Meeting (PESGM)

Ker- Chang Chang, H., Lin, H. & Patankar, N. (2017). “effective CRM enhancement strategies for indlan retail market”, International Journal of Research - granthaalayah, 12- 23.

Farokhi, S., Teimourpour, B., Shekarriz, F., & Masoudi, M. (2016) A new application of clustering for segmentation of banks’ e-payment services based on profitability, Uncertain Supply Chain Management 4 (2016) 55-60

Parola, F., Pallisb, A. Risitanoc, M & Ferretti, M. (2018). Marketing strategies of Port Authorities: A multi-dimensional theorization. Transportation Research Part A: Policy and Practice, Volume 111, May2018 , Page,7

Safari, F., Safari, N. & Gholam, A. (2016).Customer lifetime value determination based on RFM model, Marketing Intelligence & Planning, 34 Iss 4, 446 - 461.

Wang,T, C & Chen,Y, H. (2018).Applying fuzzy linguistic preference relations to the improvement of consistency of fuzzy AHP. Information Sciences, 178, 3755-3765.