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

با توجه به اینکه در سال‌‌های اخیر ارتباط دو طرفه سازمان‌ها با مشتریانشان به صورت محسوسی تغییر کرده، تداوم کسب و کار هیچ‌گونه تضمین بلندمدت ندارد. لذا سازمان‌ها به جهت حفظ توانایی رقابت در این بازار نامطمئن، می‌بایست مشتریان خود را به خوبی 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 یک سال انجام و فرایند خوشه‌‌بندی با استفاده از خروجی تحلیل RFM و دو الگوریتم خوشه‌بندی K-Meansو 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 به‌‌ دست 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.