نشریه تخصصی مهندسی صنایع، دوره 48، شماره 2، مهر ماه 1393، از صفحه 257 تا 280
توسعة یک سی تم پیشنهاددهندة محصول طراحی مدلی ترکیبی با بهره گیری از روش های فیلترینگ مشارکت محور، کشف قوانی انجمنی، و بخش بندی مشتریان

عباس کرامتی1 و روشنک خالقی2 *
دانشیار دانشکدة مهندسی صنایع پردیم دانشکده های فنی دانشگاه تهران
کارشناس ارشد مهندسی صنایع پردیم دانشکده های فنی دانشگاه تهران

)تاریخ دریافت 8/7/91 ـ تاریخ دریافت روایت اصلاح شده 29/4/1393 ـ تاریخ تصویب 11/5/1393( چکیده
توسعة روزافزون اینترنت نحوة تعاملات مشتریان و سازمان ها را دستخوش تحولات وشمگیری کرده اسـت. یکـی از پیامـدهای مهـم ایـنپدیده پیدایش و گسترش وبگاه های تجارت الکترونیکی و افزایش گرایش کاربران به بهره گیری از خدمات خریدوفروش برخو است. تنـوعخدمات و اقلام عرضه شده در این وبگاه ها می تواند انتخاب محصولات مناسب را برای مشتریان به فرایندی پیچیده و زمان بـر مبـدب کنـد.سیستم های پیشنهاددهنده، با شناسایی ترجیحات مشتریان، آنان را در مواجهه با انبوه ا لاعـات یـاری و محصـولات و خـدماتی منطبـقسلایقشان به آن ها ارائه می کند. هدا این پژوهش ارائة مـدلی بـرای توسـعة یـک سیسـتم پیشـنهاددهندة محصـوب بـه مشـتریان یـکخرده فروشی برخو، با بهره گیری از مجموعه ای از روش های داده کاوی، است. با استناد به وارووب پیشنهادی مدب، نخسـت مشـتریان بـاتکیه بر رویکرد بخش بندی مبتنی بر ارزش وب عمر و با لحا کردن نسبی ترجیحات، بر اساس مشخصه هـای مـدبRFM ، خوشـه بنـدیمی شوند. سنم با بهره گیری از ساختار پیشنهاددهی دومرحله ای پیشنهادهای گوناگون در دو سطح متمایز از رده بندی محصوب به هر یک از مشتریان هدا ارائه می شود. در مرحلة نخست، با بهره گیری از روش کشف قوانین انجمنی، تراکنش های مشتریان هر خوشـه در سـطحکلاس محصولات بررسی و با شناسایی الگوها و وابستگی های پنهان در داده ها قوانین پیشنهاددهی معتبر اسـتخراا و لیسـتی متشـکل ازکلاس محصولات پیشنهادی به هر یک از مشتریان هدا ارائه می شود. در مرحلة دوم با بهره گیری از رویکرد فیلترینگ مشارکت محور و بـااستناد به خروجی های مرحلة پیش ترجیحات خرید مشتریان در سطح اقلام کلاس محصولات پیشنهادی شناسایی و لیسـت نهـایی اقـلاممحصوب به هر یک از مشتریان هدا پیشنهاد می شود. نتایج اجرای مدب حاکی از آن است که مدب پیشنهادی با بهره گیری از یک رویکرد ترکیبی پیشنهاددهی و با کاهش معضلات ناشی از دو پدیدة عدم تراکم و مقیاس پایری، در قیاس با مدب هـای مشـابهی کـه بـا تکیـه بـررویکرد سنتی فیلترینگ مشارکت محور توسعه می یابند، عملکرد مطلوب تری دارد.

واژه های کلیدی: ارزش وب عمر ،خوشه بندی، داده کاوی فیلترینگ مشارکت محور، قوانین انجمنی.

مقدمه
در سالیان اخیر گسترش روزافزون اینترنت سازمان هـا ومشتریان را به بهره گیری از خدمات تجارت الکترونیکی1 متمایل سـاخته و سـهولت برقـراری تعـاملات مجـازیسبب ترویج و رونق فرایند خریدوفروش بـرخو 2 میـانمشتریان شده است. در فضای رقـابتی کسـبوکارهـایبرخو، ابقا یا حفظ مشتریان از محورهای مهمـی اسـتکـه در تـدوین برنامـه هـای حـوزة مـدیریت ارتبـاط ب ا

نویسندة مسسوب: تلفن: 82084194، فاکم: 82084194
مش تری م د نظر م دیران ق رار م ی گی رد. زی را حف ظ مشتریان سازمان می تواند بـه مراتـب از بـه دسـت آوردن مشتریان جدید دشوارتر باشد ]1[. از ارکان مهم ابقـا ی مشتریان می توان به بازاریابی تک بـه تـک 3 اشـاره کـر د .
بازاریابی تک به تک به کمنین های بازاریابی شخصی، کـهاز ریق تحلیل و شناسـایی و پـیش بینـی تلییـرات دررفتار مشتریان توسـعه مـی یابـد، اشـاره مـی کنـد ]2[.
Email: [email protected]
بــه کــارگیری سیســتم هــای پیشــنهاددهنده4 یکــی از شیوه های تحقق و اجرای بازاریابی تک به تک در محـیووبگاه های تجارت الکترونیکی است ]3 ـ 6[.
سیستم های پیشنهاددهنده کسب وکارهای برخو را قادر می سـازد بـا بهـره گیـری از تاریخچـة ا لاعـاتی وداده های کاربران و با شناسایی ترجیحات آنـان اقـلام وخدمات شخصی سازی شده5 را به مشـتریان خـود ارائـهکنند ]7ـ 10[. منظور از شخصی سـازی ارائـة خـدمات ف ردی ب ه ه ر ی ک از مش تریان در جه ت شناس ایی ترجیحات فردی و رفع نیازمندی های آنان اسـت ]11[.
ارائة سـرویم هـای شخصـی سـازی شـده بـه مشـتریان وبگاه های تجارت الکترونیکی این امکان را مـی دهـد تـاویژگی های اقلام گوناگون را به سهولت بررسی و مقایسه و در قیاس با روش های سنتی خرید نیازمندی های خود را با صرا مدت زمان کمتری بر را کننـد . عـلاوه بـراین، سیستم های پیشنهاددهنده ابزارهـایی سـودمند دربهب ود کیفی ت فراین د تص میم گی ری در مح یو ه ای پیچیده اند و بـا فـراهم آوردن ا لاعـات و پیشـنهادهای مفید کـاربران را در انتخـاب کالاهـایی کـه منطبـق بـاسلایق و نیازمندی های آنان است یاری می کننـد ]12[.
به کارگیری این سیستم ها در بستر وبگـاه هـای تجـارتالکترونیکی بدون شک در افـزایش سـطح رضـایتمندیمشتریان و ارتقای میزان وفاداری آنان در قباب سـازمانمؤثر است و در نهایت تأثیری مطلوب بر سودآوری ایـنکسب وکارها خواهد داشت ]13[.
ه دا ای ن پ ژوهش ب ه ک ارگیری مجموع ه ای از روش های داده کاوی6 در زمینة راحی و توسـع ة مـدلیجدید بـرای ارا ئـ ة پیشـنهاد های کارآمـد و منطبـق بـرترجیحات به کـاربران یـک وبگـاه تجـارت الکترونیکـیاست. در این مدب رویکرد بخش بندی مبتنی بـر ارزش 7 در کنار ترکیبی از رویکردهای پیشنهاددهی برای ارائـ ة پیشنهاد در دو سطح گوناگون رده بندی محصوب مـورد نظــر بــه کــار رفــت. نخســتْ مشــتریان، بــر اســاس مشخص ه ه ای ارزش وب عم ر و ب ا م د نظرقراردادن ترجیحــات خریــد، خوشــه بنــدی شــد ند و در ادامــه پیشنهاددهی در دو مرحله انجام گرفت. در مرحلـ ة اوب ،با بهره گیری از روش کشف قـوانین انجمنـی8 الگوهـایخرید کاربران هر خوشـه در سـطح کـلاس محصـولاتگوناگون شناسایی و استخراا شـد و در مرحلـ ة دوم بـااستناد به خروجی های مرحلة قبلی و بـا بهـره گیـری ازرویکرد فیلترینگ مشارکت محور9 لیسـت نهـایی اقـلامپیشنهادی به هر یک از مشتریان هدا ارائه شد.
ب سظ پیشینة موضوع
در این بخش پژوهش های مـرتبو بـا پیشـینة موضـوعبررسی می شود و پم از معرفی اجمـالی سیسـتم هـایپیشــنهاددهنده و نحــوة عملکــرد آن هــا، رویکردهــای بخ ش بن دی مبتن ی ب ر ارزش، رویک رد پیش نهاددهی مبتنی بر کشف قوانین انجمنـی ، و رویکـرد فیلترینـگمشارکت محور، به منزلة اصلی ترین رویکردهایی کـه درتوسعة مدب پیشنهادی از آن ها اسـتفاده شـده، معرفـیمی شود.
سیستم ه پیشنه ددهنده
کاهش پیوسـت ة هزینـه هـای اخیـره سـازی و پـردازش داده ها ]9[ موجب شده کسب وکارهای برخو بتوانند به یف گسـترده ای از ا لاعـات ، کـه از ریـق تعـاملاتمجازی یا گونـه هـای مخت لـف داده هـای تـراکنش هـایمشتریان قابل استخراا اسـت، دسـت یابنـد. از رفـیتوس عة روزاف زون اینترن ت مش تریان را ب ا انب وهی ازا لاعات مرتبو با محصولات و خدمات گوناگون مواجـهکرده است. این در حـالی اسـت کـه مواجهـه بـا انبـوها لاعات موجود می تواند کاربران را هنگام تصمیم گیری در انتخاب محصولات مورد نیازشـان بـا دشـواری هـاییروبه رو کند .در ونین وضعیتی ارائة ا لاعات مختصـر ودر عــین حــاب ســودمند بــه کــاربران مــی توانــد بــه تصمیم گیری رضایت بخش آن ها منجر شود و به تبع آن سازمان ها نیز علاوه بـر افـزایش سـودآوری خـود قـادرخواهند بود روابو بلندمدت خود را با کاربرانشان ادامـهدهند ]14[.
یکی از فناوری های رایج در مواجهه بـا وـالش هـایناشی از حجم بالای ا لاعاتْ فیلترینگ ا لاعات اسـت،که بر بقـه بنـدی جریـان محتویـات جدیـد در قالـبگروه هـا تمرکـز مـی کنـد ]15[. روش هـای فیلترینـگا لاع ات ترجیح ات ک اربران را تجزی ه وتحلی ل و ب ه کاربران وبگاه های تجارت الکترونیکی در فرایند انتخـابمحصولات مناسب کمک می کنند. در واقع این روش ها ،با فیلترکردن ا لاعاتی که مشـتریان فـراهم کـرده انـد ، می کوشند رفتار خریـد کـاربران را دنبـاب و محصـولات مناســبی را بــه آنــان پیشــنهاد کننــد. سیســتم هــای فیلترینــگ ا لاعــات بــه پروفــایلی از نیازمنــدی هــا و ترجیحات کاربران احتیـاا دارنـد و نقـش عمـده ای در توسعة سیستم هـای پیشـنهاددهنده ایفـا مـی کننـد. از اواسو دهة 1990 میلادی، که نخستین پـژوهش هـا در حوزة روش های فیلترینگ مشـارکت محـور انجـام شـد، پژوهش در حوزة سیستم های پیشنهاددهنده به یکی از زمینه های تحقیقاتی پر رفدار تبدیل شد ]10 ، 12[. از سیستم های پیشنهاددهندة معروا و موفق می توان بـهسایت آمازون10 برای پیشنهاددهی کتاب و اقلام دیگـر،گروپ لنز11 برای پیشنهاددهی مقالات خبری، رینگـو 12 ب رای پیش نهاددهی موس یقی، ن ت فل یکم 13 ب رای پیشنهاددهی انواع دی وی دی، فب14 برای پیشنهاددهی صفحات وب، و نیوزویدر15 که نمونهای از یـک سیسـتمپیشنهاددهندة متون است اشاره کرد ]12، 16، 17[.
در پیشینة موضوع بقه بندی های متفاوتی از ابعـاد گونــاگون سیســتم هــای پیشــنهاددهنده، کاربردهــا ، و روش های توسـع ة آن هـا ارائـه شـده اسـت. سـه مؤلفـة عمـــده ای کـــه در تشـــریح پیکـــر ة سیســـتم هـــای پیشنهاددهنده دربارة آن هـا بحـث شـده عبـارت انـد ازمنــابع ورودی سیســتم، فر اینــد تولیــد پیشــنهاد، وخروجی های سیسـتم ]8، 13، 18، 19[ . منـابع ورودی عموماً ا لاعاتی از قبیل ترجیحـات مشـتریان در قبـاب اقلام گوناگون، ویژگی ها یـا رتبـه دهـی هـای اقـلام16، و ســوابق خریــد آنــان را شــامل مــی شــود. سیســتم پیشنهاددهنده از ایـن ا لاعـات در شناسـایی علایـق وترجیحـ ات مشـ تریان اسـ تفاده مـ ی کنـ د. فراینـ د پیشنهاددهی، با بهـره گیـ ری از روش هـا و رویکردهـایمشخص، داده های ورودی بـه سیسـتم را جهـت تولیـد لیست نهـایی پیشـنهادها بـه کـار مـی گیـرد. ایـن فـازمهم ترین نقش را در مسیر توسعة سیسـتم پیشـنهادگرایفا می کند. در نهایت، خروجـی هـای سیسـتم، کـه درقال ب ی ف گس ترده ای از زمین ه ه ای کــاربردی، از موسیقی و فیلم گرفته تـا محتویـات صـفحات وب، بـهص ورت ه ای گون اگون ب ه ک اربران ارائ ه م ی ش ود. از شیوه های رایج ارائة این خروجی ها بـه کـاربران تنظـیملیستی از Top-N قلم پیشنهادی است ]3ـ 5[.
به ور کلی، رویکرد های پیشنهاددهی در قالب سه گــروه اصــلی قابــل دســته بنــدی انــد ]7[؛ فیلترینــگ مشارکت محـور، فیلترینـگ محتوامحـور17، رویکردهـای پیشنهاددهی تلفیقی18. سیستم های مبتنی بـر رویکـردفیلترینگ محتوامحور از ریق تطبیق پروفایل مشتریان )علاقه مندی های آنان( با ویژگی هـای محتـوایی، ماننـدویژگی های محصولات، محصوب مناسب را بـه مشـتریپیشنهاد می کند ]4، 20، 21[. مهم ترین محدودیت این رویکرد معضل تجزیه وتحلیـل محـدود محتـوایی اسـت.
زیرا این رویکرد محدود به ویژگی های اقلامی است کـهپیشنهاد داده می شود. به عبـارتی، ایـن روش بـرای آندســته از کالاهــایی کــه محتــوای آن هــا بــه صــورت الکترونیکی قابـل دسترسـی نیسـت یـا محتـوای آن هـامبتنی بر فاکتورهای اهنی 19، از قبیل کیفیـت و مـد وپس ند اف راد اس ت، ک ارایی ن دارد ]22[. ام ا رویک رد فیلترین گ مش ارکت مح ور ب ر اس اس نظ ر و ت رجیح کاربرانی که با استناد به الگوی سبد خریدشان بیشترین مشابهت را بـ ا کـاربر مـورد هـدا دارنـد پیشـنهادهای مناسب را به وی ارائه مـی کنـد ]5، 23ــ 25[. در ایـنروش به منظور تعیین تشـابهات اهنـی میـان کـاربرانمعیاره ای تش ابه20 ب ین رتب ه بن دی ترجیح ات آن ان محاسبه می شود ]26[ و در ادامـه سیسـتم مـی کوشـدهمتایان 21 هر یک از کاربران هـدا را شناسـایی کنـد.
منظور از همتایان یک کاربر هداْ سایر کاربرانی اند کـهسلایقی مشابه با وی دارند یا افرادی که رتبه دهـی هـایاختصاد یافته از جانب آن ها به اقلام گوناگون بیشترین مشابهت را با رتبه دهی های کاربر مورد نظر دارد .معضل شــروع ســرد 22 از محــدودیت هــای مهمــی اســت کــهسیستم های مبتنی بر رویکرد فیلترینگ مشارکت محور با آن مواجه اند. این معضل، که با نام کاربران جدید یا اقـلامجدید نیز شناخته مـی شـود، زمـانی بـروز مـی کنـ د کـهمحصوب یا فردی جدید به سایت وارد می شـود ]7، 24[. زمانی که محصولی جدید معرفی می شـود تـا زمـانی کـهتعداد مشخصی از کـاربران بـه آن رتبـه ندهنـد یـا آن را نخرند امکان پیشـنهاددهی آن از جانـب سیسـتم وجـودندارد. از را دیگر، فرایند پیشنهاددهی برای مشـتریانجدید که تعداد اقلام خریداری شده یا رتبـه دهـی شـده ازسوی آن ها محدود یا ناموجود اسـت نـاممکن یـا دشـواراست. به علاوه، معضل مقیاس پایری23 و عـدم تـراکم24 از و الش ه ای مهم ی اس ت ک ه توس ع ة سیس تم ه ای پیشنهاددهنده را با محدودیت های فراوان مواجه می کنـد]8، 9[. در بسیاری موارد، تعـداد کـاربران و تنـوع اقـلامعرضه شده در وبگاه های برخو بسیار بالاسـت. در ونـینمواردی، بـروز هزینـه هـای بـالای محاسـباتی در توسـعة سیستم های پیشنهاددهنده امـ ری اجتنـاب ناپـایر اسـت. زیرا محاسبات الگوریتم های پیشنهاددهی با افزایش تعداد مشتریان و اقلام موجود در پایگـاه داده بـه صـورت ییـر خط ی اف زایش م ی یاب د ]7[. از آنج ا ک ه ی ف اق لام ارائه شـده در وبگـاه هـای بـرخو بسـیار گسـترده اسـت،همنوشانی ترجیحات میان کاربران در ایلب موارد بسـیارناویز و در مـواردی نـاموجود اسـت. در ونـین مـواردیماتریم های کاربر ـ قلم25، که یالباً اسـتخراا ترج یحـاتبه کمک آن ها انجام می گیرد، با معضل عدم تراکم روبه رو می شود و این محدودیت فرایند تولید پیشـنهاد را دشـوارمی کند.
توسعه و راحی رویکردهای پیشنهاددهی مبتنی بر روش های تلفیقی راهکاری رایـج جهـت رفـع نقـایص ومحدودیت های سیستم های پیشنهاددهنده و نیز بهبـودسطح کیفیت پیشنهادهای ارائه شده بـه کـاربران اسـت]4، 21، 25[. بــه منظــور کــا هش معضــلات ناشــی ازمقیاس پایری و عدم تراکم، در راحی مدب این تحقیـقیک رویکرد پیشنهاددهی سلسله مراتبی به کار رفـت کـهدر آن از ترکیب روش هـای فیلترینـگ مشـارکت محـور وپیشنهاددهی مبتنی بر کشف قوانین انجمنی برای تولیـدلیست نهـایی پیشـنهادها اسـتفاده مـی شـود. وـارووب تفصیلی مـدب پیشـنهادی تحقیـق در بخـش هـای آتـیمی آید.

بخش بند مبتنظ ب ا زش و ک ب د آن د توسعة سیستم ه پیشنه ددهنده
بخ ش بن دی ب ازار، ک ه در آن مش تریانی ب ا نیازه ا و مشخصه های مشابه کنار یک دیگر و در قالب دسته هایی همگ ن گ روه بن دی م ی ش وند ،م ی توان د در اج رای موفقیت آمیز برنامه های مـدیریت ارتبـاط بـا مشـتریان،ارزیابی وفاداری مشتریان، و توسعة استراتژی های بهینة کسب وکار در قباب هر یک از گروه های مشتریان نقشـ ی کلیدی ایفا کند ]27ــ 29[. بخـش بنـدی مشـتریان ازرویکردهــایی اســت کــه بارهــا محققــان در توســعة سیستم های پیشنهاددهنده به کار برده اند ]5، 21، 23، 25[. انتخاب مشخصه های بخـش بنـدی در یـک مـدب پیش نهادگر اهمی ت ب الایی دارد. در حـوزة پژوهش ی سیستم های پیشنهادگر یف گوناگونی از مشخصه هایی که از ریق پروفایل کاربری مشتریان قابل استخراا اند، اعم از داده های تصریحی یـا تلـویحی، در بخـش بنـدیکاربران این سیستم ها به کـار رفتـه اسـت ]3، 5، 23[.
رویکرد بخش بندی مبتنی بـر ارزش روشـی کارآمـد درتجزیه وتحلیل و کشف ویژگی هـای ارزشـی مشـتریان وشناسایی مشتریان ارزشـمند سـازمان اسـت. منظـور ازویژگی های ارزشی مشخصه هایی است که در ارزیـابی وتعی ین ارزش مش تریان ی ک س ازمان اثرگ اار اس ت.
برخلاا بسیاری از رویکردهای سنتی بخش بنـدی ، کـهدر آن هــ ا شــ اخص هــ ایی از قبیــ ل متلیرهــ ای جمعیــت ش ناختی و روان ش ناختی یــا رفت اری بــرایگروه بندی مشتریان به کار می رود، رویکرد بخش بنـدی مبتنی بر ارزشْ مشتریان را بر اساس ارزش وب عمر26 و میزان سودآوری آنان گروه بندی می کند ]5، 27، 30، 31[. از دیدگاه سازمان، ارزش وب عمر مشتری عبارت است از مجموعه ای از معاملات انجام گرفته بین سـازمانو مشتریان در وب مدت زمانی که یک فرد در جایگـاه مشتری با سازمان مربو ـه ارتبـاط تجـاری دارد ]32[. مدب RFM از مدب هـایی اسـت کـه در محاسـب ة ارزش وب عمر و اجرای بخش بندی مبتنی بـر ارزش کـاربرد فراوان دارد ]5، 28، 33[. متلیرهای این مدب عبارت اند از 1. تازگی27، که به مدت زمـان سـنری شـده از زمـانآخرین خرید مشتری اشاره می کند. هر وـه ایـن زمـانکوتاه تر باشد احتمـاب خریـد مجـدد از جانـب مشـتریبیشتر است؛ 2. فراوانی28، که به تعداد خریدها یا تعـدادمعاملات انجام شده از سوی مشتری در یک دورة زمـانی مش خص اش اره م یکن د. مق ادیر بیش تر ای ن متلی ر نشان دهنـدة وفـاداری بیشـتر مشـتری اسـت؛ 3. ارزش پولی29، که بیانگر میزان پوب خرا شده از جانب مشتری در یک دورة زمانی مشخص اسـت . مقـادیر بـالای ایـنمتلیر نشان دهندة آن اسـت کـه سـازمان بایـد تمرکـزبیشتری بر مشتری مورد نظر داشته باشد.
در سالیان اخیر مقالات متعددی در زمینـة بررسـی کاربرد مفهوم ارزش وب عمر در توسعة سیسـتم هـایپیشنهادگر و تجزیه وتحلیل نقش مدب های ارزش ـوبعمر در نحوة عملکرد این سیستم ها نگاشته شده اند ]5، 23، 34[. لیو و شیه متدولوژی جدیدی بـرای پیشـنهادمحصوب به مشتریان ارائه کردند که در آن از روش هـایداده ک اوی و روش 30AHP اس تفاده ش ده اس ت ]35[. اوزان متلیرهــای مــدب بــا بهــره گیــری از روش AHP اســتخراا و روش خوشــه بنــدی بــرای بخــشبنــدی مشــتریانی کــه بــر اســاس مقــادیر متلیرهــای مــدب 31WRFM رفتاری مشابه داشته انـد اجـرا مـی شـود . در نهایـ ت وابسـ تگی هـ ا و ارتبا ـ ات مجموعـ ه اقـ لام خریداریشده از سوی مشتریان هر یک از خوشه هـا بـا بهـرهگی ری از روش کش ف ق وانین انجمن ی اس تخراا می شود. قوانین استخراا شده از هر خوشـه بـرای ارائـة پیشنهاد مناسب به مشـتری هـدا آن خوشـه بـه کـارمــی رود. نتــایج بــه دســت آمــده برتــری ایــن رویکــرد
پیش نهاددهی را ب ر رویک رد س نتی CF نش ان داد. در پژوهشی دیگر لیو و شیه به منظور توسعة یک سیسـتمپیشنهاددهندة محصوب روشی تلفیقی ارائه کردند که به ور هم زمان از مزایای مدب مبتنـی بـرWRFM و CF مبتنی بـر ترجیحـات بهـره مـی گیـرد ]34[. روش CF مبتنی بر ترجیحـات از داده هـای بـاینری خریـد/ عـدم خرید برای شناسایی ترجیحـات اسـتفاده مـی کنـد. درادامه، با بهره گیری از یک ضریب همبسـتگی یکناروـه،مشتریان به ور هم زمـان بـر اسـاس ارزش متلیرهـای مــدب WRFM و ترجیحــات خریدشــان گــروه بنــدی می شوند و رویکردی مشـابه بـا پـژوهش پیشـین بـرای
تولید پیشنهادهای نهایی اسـتفاده مـی شـو د. در ادامـ ة پژوهش قبلـی، شـیه و لیـو بـا بهـره گیـری از تقاضـایمشتریان سیستمی جدید بـرای پیشـنهاد محصـوب بـهمش تریان توس عه دادن د ]25[. سیس تم جدی د، ب رای شناسایی مشتریان مشابه، ترجیحات تعمیم یافته32 را به کار می گیرد که با ترکیب تقاضای مشتریان و ترجیحات خرید آنان تعیین مـی شـود . در پژوهشـی دیگـر، لیـو وهمکاران با ترکیب دو روش فیلترینگ مشارکت محـور وپیشنهاددهی مبتنی بر کشف قـوانین تـوالی 33 سیسـتم پیش نهاددهندة جدی دی توس عه دادن د ]5[. سیس تم پیشــنهادی از مقــادیر متلیرهــای مــدبRFM بــرای خوشه بندی مشتریان در قالب گروه هایی با ارزش ـوبعمر مشابه استفاده می کند. نتایج این پژوهش حاکی از آن بود که بهره گیری از رویکرد بخش بنـدی مبتنـی بـرارزش کیفیت پیشنهادهای رویکرد تلفیقی تحت بررسی را بهبود می دهـد . البـدوی و شـهبازی رویکـردی بـرایپیشنهاد محصوب به مشتریان یک فروشگاه آن لاین ارائه کردند که از مفهوم رده بندی محصـوب 34، تکنیـک هـایوب کاوی، بخش بنـدی مبتنـی بـر ارزش ـوب عمـر، و داده های سبد خرید برای بهبـود کیفیـت پیشـنهادهای تولیدی استفاده می کند ]23[. در این پژوهش تکنیـکرده بنــدی محصــولات بــرای کــاهش حجــم فضــایمحاسباتی و تکنیک وب کاوی بـرای رفـع معضـل عـدمتراکم در مـاتریم هـای کـاربر ـ قلـم بـه کـار رفـت. بـابهره گیری از تکنیک وب کاوی داده های فراوانی کلیـک،فراوانی جای گااری در سبد خرید، و فراوانـی خریـد بـه ازای هر یک از مشتریان اسـتخراا مـی شـود. در ادامـه،این داده ها همراه داده های RFM آنان، با محاسـبة یـکضریب همبستگی ترکیبی، در بخش بندی مشتریان بـهکــار مــی رود. در نهایــت، بــا بهــره گیــری از رویکــرد پیشــنهاددهی مبتنــی بــر کشــف قــوانین انجمنــیپیشنهادهای نهایی تولید می شود.
جمع بندی مطالعات انجام شده حاکی از آن است که به مدب های ارزش وب عمـر در توسـعة سیسـتم هـایپیش نهادگر کمت ر توج ه ش ده اس ت. از هم ین رو در تدوین وارووب مدب پیشنهادی تحقیق تلاش می شـودنقش به کارگیری رویکرد بخش بندی مبتنی بر ارزش در کنار ترکیبی از رویکردهای پیشـنهاددهی مـد نظر قـرارگیرد و تأثیر کاربرد هم زمـان ایـن رویکردهـا در سـطحعملکرد مدب و کیفیت پیشنهادهای تولیدشده آزمـایشو بررسی شود. با استناد بـه پیشـینة پـژوهش، در ایـنتحقیــق نیــز نخســت مشــتریان بــر اســاس مقــادیرمشخصه های RFM خوشـه بنـدی شـدند و در ادامـه بـابررســی داده هــای تراکنشــی مشــتریان هــر خوشــهپیشنهادهای مناسب به مشتریان این خوشه ها ارائه شد ]5، 23، 35[.
وش خوشه بند
خوشه بندی از روش های رایجی اسـت کـه محققـان بـهمنظور بخش بنـدی مشـتریان بـه کـر ات از آن اسـتفادهکرده اند ]27، 28، 33، 36[. خوشه بندی عبارت است از فرایند بخش بنـدی یـک جمعیـت نـاهمگن35 در قالـب خوش ه ه ایی همگ ن و مش ابه36 ]37[؛ ب ه نح وی ک ه واریانم بین خوشه ای ماکزیمم و در عین حاب واریـانمدرون خوشه ای مینیمم باشد.
روش ه ای متن وعی ب رای توس عة الگ وریتم ه ای خوشه بندی وجود دارد که از آن ها می توان به روش های افـــرازی37، روش مبتنـــی بـــر مـــدب 38، روش هـــای سلسله مراتبی39، و روش مبتنی بر وگالی40 اشاره کـرد]38[. الگ وریتم K-means از الگ وریتم ه ای مع روا و قدیمی است که با تکیه بر رویکرد خوشه بنـدی مبتنـیبر روش های افرازی توسعه یافتـه اسـت. سـهولت اجـرامهم ترین مزیـت ایـن الگـوریتم و از دلایـل اصـلی رواا ک اربرد آن اس ت ]5، 27، 31، 36[. تع داد خوش هه ا پارامتری است که به منزلة ورودی الگـوریتمK-means باید از پیش تعیین شود .در این پژوهش از الگوریتم -Kmeans برای خوشه بندی مشتریان استفاده شد. عملکرد این الگوریتم به ور خلاصه بدین شرح اسـت ]38[: 1. نخست، الگوریتم به ور تصادفی K عدد از مشاهدات را انتخاب می کند و بدین ترتیب خوشه هـای اولیـه شـکلمی گیرند .مقادیر مشخصـه هـای ایـن مشـاهدات مرکـزخوش هه ای اولی ه را تش کیل م یدهن د؛ 2. عملی ات بخش بندی میان سایر مشاهدات ادامه می یابد، به نحوی که هر یک از مشاهدات به خوشه ای اختصاد مـی یابـدکه مرکز آن کمترین فاصله یا به عبارت دیگر بیشـترینمشابهت را با مشاهدة مورد نظر دارد. پـم از تخصـیصهم ة مش اهدات، مشخص ه ه ای مرک ز ه ر خوش ه ب ا میانگین گیری از مشخصه های مشاهدات تخصیص یافتـهبه آن به روز می شود؛ 3. گام دوم تکرار می شـود . و ایـنفرایند تا زمانی ادامه می یابد که تـابع معیـار41 هـم گـراشود. این امر زمانی رخ می دهـد کـه دیگـر تلییـری درمقادیر مراکز خوشه ها به وجود نیاید.
از شاخصهای رایج اعتبارسنجی خوشه ها42، که در تعیین تعداد بهینة خوشه های یا همان پارامتر K کاربرد دارن د، م یت وان ب ه ش اخص دی ویم بول دین43]28[، ش اخص س یلوئت ]39[، روش وارد44]27[، و شـاخص دان45]39[ اشاره کرد. بهعـلاوه در مقـالات متعـددی ازمدب SOM برای تعیین تعداد بهینة خوشه هـا اسـتفادهشده است ]33[. در این تحقیق تعداد بهینة خوشـه هـابا بهره گیری از شاخص دان محاسبه شد.
وش کش قوانین انجمنظ
لعداد

لراکنش های

حاضر

در ???? که???? ∪ ???? را

شامل

می شی د
)2( لعداد کل لراکنش های حاضر در ????????????????????????????(???? ⟹ ????) =

????
لعداد



قیمت: تومان


دیدگاهتان را بنویسید