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

با توجه به اینکه در سال های اخیر ارتباط دو طرفه سازمان ها با مشتریانشان به صورت محسوسی تغییر کرده، تداوم کسب و کار هیچ گونه تضمین بلند مدت ندارد. لذا سازمان ها به جهت حفظ توانایی رقابت در این بازار نامطمین، میبایست مشتریان خود را به خوبی شناسایی، نیاز ها و خواسته های آن ها را پیش بینی نموده و با مجهز شدن به این اطلاعات و ارایه استراتژی های 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 خواسته های آنها برای سازمان بنادر و دریانوردی بیشتر از گذشته احساس می گردد.از سوی دیگر داده کاوی که علم تجزیه و تحلیل داده ها است به عنوان پل ارتباطی بین قسمت هایی از داده معرفی می شود. در همین خصوص ابزارهایی در داده کاوی مانند خوشه بندی و طبقه بندی وجود دارند که شرایط لازم برای ارایه خدمت مورد نظر به مشتریان خوشه هدف و برقراری ارتباط تنگاتنگ با آن ها را برای سازمان ایجاد می نماید. در این پژوهش تحلیل RFM روی داده های پردازش شده 595 مشتری سازمان بنادر در طول یکسال انجام و فرایند خوشه بندی با استفاده از خروجی تحلیل RFM و دو الگوریتم خوشه بندی K-means و SOM انجام می گردد که به منظور تعیین تعداد بهینه خوشه ها از شاخص سیلویت استفاده می گردد (12 خوشه تعیین گردید). در انتها کیفیت خوشه ها با استفاده از معیار انحراف معیار داده های درون خوشه ها ارزیابی و نتایج به دست آمده از دو روش مقایسه می گردد. با توجه به اینکه کیفیت خوشه های حاصل از الگوریتم SOM بهتر از k-means می باشد بر اساس خوشه های به دست آمده از الگوریتم SOM بدین ترتیب مشتریان کلیدی و با ارزش مشخص می گردد. بر اساس تجزیه و تحلیل نتایج مشخص گردید مشتریان خوشه های 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 می شوند 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.