منابع و ماخذ پایان نامه سودآوری، ارزش مشتری، ارزش مسافران، حفظ مشتری

دانلود پایان نامه ارشد

در این مقاله استفاده شده است.
Ratio= average cost non-grain foods / average cost staple
[100]
RF*M*
در این مطالعه که با هدف تعیین مشتریان باارزش بانک صورت گرفته است، عنوان گردیده که مدل RFM به‌تنهایی نمیتواند در صنعت بانکداری پاسخگویی مناسبی به همراه داشته باشد؛ لذا پیشنهاد شده است که بجای مدل RFM از RF*M* استفاده شود. متغیرهای مدل RF*M* بصورت زیر محاسبه میگردند:
R= Recency
D= Duration
F*= Number of transactions per day(F/D)
M*= Monetary value per transaction(M/F)
در این مقاله از K-means برای خوشهبندی مشتریان استفاده شده است.
[101]
RFM
در این مقاله با استفاده از مدل WRFM، مشتریان به 4 دسته تقسیم شدهاند. سپس با استفاده از سریهای زمانی میزان ارزشی که هر مشتری در آینده میتواند برای شرکت بوجود آورد، تخمین زده شده است. دادههای مورد استفاده در این مقاله شامل نوع سپرده، میزان سپرده، میزان معامله و تاریخ هر معامله میشود.
از تکنیک AHP برای تعیین اوزان متغیرها استفاده شده است.
[102]
در صنعت حملونقل نیز از مدل RFM برای تعیین ارزش مسافران استفاده شده است. در مقاله [103] با استفاده از مدل RFM ساده و با استفاده از الگوریتم K-means مسافران الکترونیکی در شرکت مسافربری رجا خوشهبندی و تعیین ارزش شدهاند. در این تحقیق تراکنشهای 71436 مشتری در یک بازه 2 ساله مورد بررسی قرار گرفته است. نویسندگان این مقاله، مسافران را به 5 خوشه تقسیمبندی کردند و برای هر خوشه استراتژیهای مناسبی ارائه کردند. نکته جالب در این مقاله، شناسایی و تفکیک آژانسهای مسافربری از سایر مسافران میباشد. این دسته از مشتریان به دلیل بالا بودن حجم تراکنشها و متغیر بودن مبدأ و مقصد مسافرتشان در هر دوره، شناسایی شدند. در [104] نیز از مدل RFM و درخت تصمیم C4.5 برای تعیین ارزش مسافران باارزش در صنعت هواپیمایی تایوان استفاده شده است.
یکی دیگر از مطالعات انجام‌شده در این حوزه، تحقیق انجام‌شده توسط چیانگ95 در سال 2012 در [105] بوده است. در این پژوهش بر مبنای مدل RFM، مدل FPDN برای تعیین ارزش مسافران در صنعت حملونقل هوایی ارائه‌شده است. متغیرهای این مدل عبارتند از:
جدول2- 9 متغیرهای مدل FPDN
Frequency(F)
تعداد دفعات سفر توسط مشتری.
Destination(D)
مجموع فاصله طی شده توسط مسافر.
No‐Show(N)
مدت زمان سپری‌شده از آخرین خرید مشتری.
Price Discount(P)
میزان تخفیف داده شده به مشتری.
متغیرهای F و D متغیرهای مثبت مدل بوده که با افزایش آن‌ها ارزش مشتری نیز بیشتر میشود و متغیرهای N و P متغیرهای منفی مدل هستند که هرچه کمتر باشند ارزش مشتری بیشتر میشود. متغیر D بیانگر میزان فاصله طی شده(برحسب قاره مقصد) توسط مشتری در طول یک دوره زمانی است. مقادیری که این متغیر میپذیرد در بازه 1 تا 5 است. ازآنجاکه این مطالعه در تایوان صورت گرفته لذا پیشنهاد شده است که مقادیر ارائه شده در جدول2- 10 برای متغیر D لحاظ گردد.

جدول2- 10 مقادیر مختلف D در مدل FPDN
آسیا
1
استرالیا
2
آمریکا
3
اروپا
4
آفریقا
5
برای جمعآوری اطلاعات، در پژوهش [105] از روش پرسشنامه استفاده شده است. همچنین در سال 2014 در [106] مدل جدیدی برای تعیین ارزش مسافران شرکتهای هواپیمایی ارائه شد. در این مطالعه، مدل FMCN معرفی شده است. متغیرهای این مدل در جدول2- 11 معرفی شدهاند.
جدول2- 11 متغیرهای مدل FMCN
Frequency(F)
تعداد سفر در سال
Monetary(M)
حجم پولی صرف شده
Cancelations(C)
تعداد بلیتهای ابطال کرده
Number of family members(N)
تعداد اعضای خانواده
از آن جهت که این پژوهش در زمینه سفرهای هوایی خانوادگی صورت گرفته است لذا متغیر “تعداد اعضای خانواده(N)” به‌عنوان یک عامل تأثیرگذار بر ارزش مسافران در نظر گرفته شده است.
ارزش دوره عمر مشتری(LTV)
تمامی مدلهای بحث شده در تعیین ارزش مشتریان، با ملاک قرار دادن پیشینه مشتری، اقدام به تعیین ارزش وی مینمایند. پیشینه فعالیتهای مشتریان، اگرچه بسیار دقیق و قابل اطمینان است اما به‌تنهایی نمیتواند در تعیین استراتژیهای شرکت مبنا قرار گیرد. در مدلهایی که بر اساس پیشینه مشتریان عمل میکنند هیچ‌گونه توجهی به آینده مشتری و اینکه آیا تمایل به داشتن ارتباط با شرکت در آینده دارد یا نه، وجود ندارد. ازاین‌رو و بر پایه همین مشکلات، مدلهای معرفی گردیدند که به بررسی ارزش مشتری در طول دوره عمر وی، میپردازند. مفهوم ارزش دوره عمر96 مشتری از مدیریت ارتباط با مشتری سرچشمه میگیرد و در مواردی هدف اصلی فعالیتهای مدیریت روابط با مشتریان بر ارزش مشتری شناخته شده است. ارزش عمر مشتری، مجموع بهره سازمان از مشتری در طول مدت ارتباط با او است. این ارزش در موارد زیادی به‌عنوان مبنای ارزیابیهای مدیریت ارتباط با مشتریان مورد استفاده قرار میگیرد و در گزینش مشتریان بکار میرود. تعاریف مختلفی برای مفهوم ارزش دوره عمر مشتری، در مطالعات مختلف، بیان‌شده است. ازجمله این تعاریف میتوان به موارد زیر اشاره کرد:
ارزش فعلی تمام سودی که مشتری در آینده برای سازمان تولید خواهد کرد.
ارزش خالص تمام پرداخـتیهایی که مشتـری از لحظه شروع تـلاشهای بازاریابی تا لحظه خاتمه رابطهاش با سازمان دارد.
میزان ارزش مالی تخمین زده شدهای که مشتری در طول ارتباط تجاریاش با سازمان عاید سازمان خواهد کرد؛ با احتساب ارزش پولی امروزی(شکل2- 20).

شکل2- 20 شمای کلی مدل LTV
علیرغم وجود تعاریف بالا، کومار [79]، عنوان میکند که در محاسبه ارزش دوره عمر مشتری معیارهای دیگری نظیر نرخ تنزیل و طول دوره حیات مشتری نیز بایستی در کنار ارزش مالی در نظر گرفته شوند تا ارزش محاسبه شده، ارزش واقعی مشتری در آینـده باشد. نظـریه کومـار در شکل2- 21 نشان داده شده است.

شکل2- 21 اصول محاسبه LTV (منبع:[10])
تمام مدلهای متفاوتی که برای محاسبه ارزش دوره عمر مشتـری بیان‌شده است از رابطه 2-7 مشتق شدهاند.
(2-7)
Customer Value= Amount * GM% * SC% * PW%
97GM بیان‌کننده حاشیه سود سازمان از مشتری است، 98SC بیان‌کننده احتمال رویگردانی مشتری از شرکت فعلی و 99PW بیان‌کننده احتمال مراجعه مشتری به شرکت موردنظر است.
با توجه به اهمیت تعیین ارزش دوره عمر مشتـری، در ادامه تعدادی از مطالعات انجام‌شده در این زمینه مورد بررسی قرار خواهد گرفت.
سـادهترین روش در محاسبه LTV، مدل ارائه‌شده در رابطه 2-8 است که بر مبنای تعریف کلی LTV و شکل2- 20 طراحی شده است.
(2-8)
LTV=∑_(t=1)^T▒〖CM_t*〖(1/(1+δ))〗^t 〗
در رابطه 2-8، CM_t حاشیه مشارکت در دوره t، δ نرخ بهره و T دوره حیات آینده مشتری است. در رابطه 2-8 حاشیه مشارکت بصورت ثابت در نظر گرفته شده است؛ این در حالیست که حاشیه مشارکت میتواند در دورههای مختلف متفاوت باشد. درصورتی‌که حاشیه مشارکت متغیر در نظر گرفته شود، آنگاه رابطه 2-8 به صورت زیر درخواهد آمد[79].
(2-9)
LTV=∑_(t=1)^T▒〖((S_it-DC_it )-MC_it ) 〖(1/(1+δ))〗^t 〗
در رابطه 2-9، S_it فروش صورت گرفته به مشتری i در دوره t است، DC_it هزینه مستقیم محصول فروخته شده به مشتری i در دوره t و MC_it هزینه بازاریابی است.
با توجه به آنکه این امکان وجود دارد که مشتری پس از مدتی شرکت را رها نماید، لذا باید نرخ حفظ مشتری را نیز مدنظر قرار داد. در این صورت رابطه 2-9 به رابطه 2-10 تبدیل خواهد شد.
(2-10)
LTV=∑_(t=1)^T▒〖(∏_(r=1)^t▒R_r ) CM_t (1/(1+δ))^t-AC〗
در رابطه 2-10، R_r نرخ حفظ مشتری در دوره t و AC هزینه کلی اکتساب مشتریان است.
در سال 1989، دائر100 [107] مدل ارائه‌شده در رابطه 2-11 را برای محاسبه ارزش آینده مشتری معرفی کرد.
(2-11)
LTV=(GC* ∑_(i=0)^n▒r^i⁄〖(1+δ)〗^i )- (M* ∑_(i=1)^n▒r^i⁄〖(1+δ)〗^(i-0.5) )
در رابطه 2-11، متغیر GC مقدار سود سالانه مورد انتظار از مشتری را نشان میدهد، متغیر M بیانگر هزینه تبلیغاتی است که در طول سال برای حفظ مشتری انجام‌شده و r نرخ حفظ مشتری است. متغیر δ نیز، نرخ بهره در نظر گرفته شده است.
در مدلهای پیشین حاشیه سود مورد انتظار از مشتری در سالهای مختلف ثابت در نظر گرفته شده است؛ این در حالیست که سودآوری مشتری در سالیـان مختلف و تحت تأثیر عوامل مختلـف، تغییـر مینماید. برگر و نصر101 در سال 1989، با تکیه بر همین مشکل، مدلی نوین در تعیین ارزش مشتریان ارائه نمودند. در مدل ارائه‌شده توسط برگر و نصر حاشیه مشارکت و سودآوری مشتری در دورههای زمانی مختلف متغیر در نظر گرفته شده است. این مدل در رابطه 2-12 نشان داده شده است.
(2-12)
LTV= ∑_(t=0)^T▒〖π(t)*〗 (1⁄(1+δ))^t
نکته اساسی در رابطه 2-12، محاسبه تابع سوددهی مشتری در زمان t (π_t) است. برگر و نصر معتقدند که سودآوری مشتری در دورههای ابتدایی با سرعت بالاتری رشد کرده و سپس با رسیدن به یک نقطه عطف سرعت این سودآوری افت کرده و تقریباً ثابت میشود(Error! Reference source not found.)؛ ازاین‌رو آن‌ها برای محاسبه سوددهی مشتری در طول زمان، آن را به دو بخش تقسیم کرده و میزان سودآوری مشتری را در هر بخش به‌طور مجزا محاسبه میکنند. روش محاسبه سودآوری مشتری در هر بخش در رابطه 2-13 نشان داده شده است.
(2-13)
π(t)= {█(π_1 (t)=π_0+ht^2 :tدر رابطه 2-13، h نمایانگر نرخ رشد سود، g زمان رسیدن به نقطه عطف و π_0 حداقل درآمد قابل حصول در نقطه شروع ارتباط با مشتری است. متغیر ξ نیز، همان‌گونه که در شکل2- 22 نشان داده شده است فاصله بین درآمد در نقطه عطف و بیشترین مقدار درآمد است.

شکل2- 22 تابع سودآوری مشتریان(منبع:[74])
رابطه 2-12زمانی کاربرد دارد که سودآوری مشتری بصورت گسسته باشد، این درحالیست که معمولاً سودآوری مشتریان بصورت پیوسته میباشد. زمانی که سودآوری مشتریان بصورت پیوسته باشد رابطه 2-12 کارایی نداشته و بجای آن از رابطه 2-14 استفاده میشود.
(2-14)
LTV= ∫_t^T▒〖π_t*R^t*(1⁄(1+δ))^t dt〗
یکی از مباحث مهم در بررسی ارزش مشتریان، بحث مهاجرت مشتریان است. مهاجرت مشتری به دوران پس از رویگردانی مشتری اشاره دارد. تعدادی از مشتریان پس از آنکه رضایتشان برآورده نمیشود، شرکت فعلی را ترک کرده و به شرکت رقیب جذب میشوند. تعدادی از این مشتریان رویگردان، با مقایسه شرایط جدید و شرایط پیشین، شرایط پیشین را بهتر دیده و مجدداً جذب شرکت اول میشوند. در مدلهای پیشین تعیین ارزش مشتری، این مشتریان مهاجرت کرده به‌عنوان مشتریان جدید در نظر گرفته میشوند. در سال 1997، دائر مدل جدیدی در تعیین ارزش مشتریان ارائه کرد که در آن مشتریان مهاجرت کرده به‌عنوان مشتریان جدید شناخته نمیشوند. این مدل در رابطه 2-15 آمده است.
(2-15)
C_i= ∑_(j=1)^i▒(C_(i-j)*P_(i-j)*∏_(k=1)^j▒(1-P_(i-j+k) ) )
در [108]، از زنجیره مارکوف102 برای تعیین ارزش مشتری استفاده شده است. در زنجیره مارکوف حالتهای ممکنی که احتمال دارد در آینده برای مشتری به وقوع بپیوندد، نمایش داده میشود. احتمال حرکت از یک وضعیت به وضعیت دیگر با ماتریس احتمال(P) نمایش داده میشود. اگر n وضعیت برای آینده مشتری وجود داشته باشد، آنگاه ماتریس P یک ماتریس n*n است که احتمال انتقال مشتری بین این وضعیتها را نشان میدهد.
ماتریس P تنها احتمالات گذار یک مرحلهای مشتری را نشان میدهد؛ لذا برای تعیین برای محاسبه احتمال انتقال مشتری از یک وضعیت به وضعیت دیگر در t دوره، بایستی ماتریس P را t بار در خودش ضرب کرد. مدل زنجیره مارکوف نهایتاً به یک ماتریس n*1 ختم خواهد شد(ماتریس V^T) که ارزش فعلی سودآوری آتی مشتری در t دوره را نشان میدهد. نحوه محاسبه V^T در رابطه 2-16 نشان داده شده است.
(2-16)
V^T= ∑_(t=0)^T▒〖((1+δ)^(-1) P)^t R〗
در رابطه 2-16، P ماتریس گذار و R یک ماتریس t*1 است که نشان‌دهنده سود و زیان حاصل از ارتباط شـرکت با مشتـری است(شکل2- 23). در ماتریس R، NC سـود دریـافتی شـرکت و M میزان هـزینههای است که شرکت برای مشتری صرف کرده است.

شکل2- 23 ماتریس R
در رابطه 2-16، فرمول ارائه‌شده برای محاسبه ارزش مشتری تا یک زمان خاص(T) کاربرد دارد. چنانچه T معنی نداشته باشد و بخواهیم مدت زمان بررسی را نامحدود در نظر بگیریم، آنگاه ماتریس V بصورت ارائه‌شده در رابطه 2-17 خواهد شد:
(2-17)
V=lim┬(T→∞)⁡〖V^T 〗= (I-(1+δ)^(-1) P)^(-1) R
در رابطه 2-17، I ماتریس یگانی103 است.
در سال 2014 در [109]، مدل 2-18 ارائه شد. هدف این مقاله ارائه مدلی در تعیین ارزش مشتریان در هر دسته است.
(2-18)
CLV= ∑_(t=1)^n▒((P_t (S_t*M_t ))⁄d^t ) -∑_(t=1)^n▒(((P_t*D_t )+(R_t ))⁄d^t )
متغیر P_t احتمال ماندگاری(نرخ وفاداری) مشتری است، که بر اساس رابطه (1-Churn Rate) محاسبه میشود. S_t مقدار متوسط حساب مشتری و M_t حاشیه سود حاصله میباشد. D_t هزینههای مستقیم بازاریابی و R_t هزینههای غیرمستقیم بازاریابی نظیر هزینههای کارکنان، اداری و… است.
در سال 2010، رزمی و همکارش با در نظر گرفتن احتمال عقد قراردادهای آتی توسط مشتری و احتمال رویگردانی وی مدلی جدید در محاسبه CLV ارائه کردند. آن‌ها برای محاسبه دو شاخص جدیدی که معرفی شد، بصورت زیر عمل کردند:
شاخص قراردادی(α): این شاخص احتمال خرید مشتری در دورهی آتی را نشان میدهد. برای محاسبه این شاخص میتوان از رابطه 2-19 استفاده کرد.
(2-19)
α= T_1⁄T_2
در رابطه 2-19، T_1 زمان سپری‌شده بین جذب مشتری و آخرین خرید وی و T_2 زمان سپری‌شده بین جذب مشتری و دوره تخمـینی رویگـردانی وی مـیباشد. بـا توجه به ایـن رابطـه 10≤α≤ میباشد.
شاخص وفاداری(β): این شاخص نیز احتمال رویگردانی مشتری در آینده را نشان میدهد. روش محاسبه این شاخص در رابطه 2-20 آمده است.
(2-20)
β= n⁄N
در رابطه 2-20، n تعداد دوره‌هایی است که مشتـری خرید انجام داده است و N تعداد کـل دورههاست. محدوده β نیز بین صفر و یک میباشد.
با در نظرگیری دو شاخص α و β، مدل CLV ارائه‌شده در رابطه 2-21 برای تعیین ارزش مشتریان در [110] ارائه گردید.
(2-21)
CLV_ik=∑_(j=1)^k▒〖(∏_(j=1)^k▒α_ij +∏_(j=1)^k▒β_ij )[P_i⁄n_i (∑_(m=1)^∞▒C_m *N_m )] 1⁄(1+δ)^(j-1) 〗
در رابطه 2-20، متغیر α_ij احتمال خرید مشتری i در دوره j، β_ij شاخص وفاداري مشتري i در دوره j، P_i ارزش فعلي سود حاصل از مشتري i، C_m هزينه واحد بازاریابی به‌وسیله‌ی كانال ارتباطي m و N_m تعداد دفعات بازاریابی به‌وسیله‌ی كانال ارتباطي m است.
در تمامی مدلهای پیشین بحث شده، پیشبینیهای انجام‌شده در مورد آینده مشتری به‌عنوان معیاری برای تعیین ارزش وی در نظر گرفته میشوند. هوانگ و همکاران در سال 2004 در [111]، مفهوم ارزش دوره عمر مشتری را گسترش دادند. آن‌ها معتقد بودند که ارزش مشتری تنها وابسته به پیشبینیهای آینده نیست؛ بلکه به ارزش فعلی وی نیز وابسته است. بر همین اساس آن‌ها مدلی نوین را که ترکیبی از ارزش حال و آینده مشتری است، ارائه کردند. شمای کلی مدل ارائه‌شده توسط هوانگ و همکاران در شکل2- 24 نشان داده شده است.

شکل2- 24 تعیین ارزش بر اساس گذشته و پیش بینی آینده
همان‌گونه که در شکل2- 24 نشان داده شده است، در این دسته از مدلهای تعیین ارزش مشتری علاوه بر پیشبینی آینده، گذشته و فعالیتهای پیشین مشتری نیز در نظر گرفته شده و به زمان حال آورده میشود.
مدل ارائه‌شده توسط هوانگ و همکاران در رابطه 2-22 نشان داده شده است.
(2-22)
CLV_i=∑_(t_i=0)^(N_i)▒〖π_p (t_i ) (1+δ)^(N_i-t_i )+ ∑_(t_i=N_i+1)^(N_i+E(i)+1)▒(π_f (t_i )+B(t_i ))⁄(1+δ)^(t_i-N_i ) 〗
در رابطه 2-22، ابتدا ارزش گذشته مشتری محاسبه گردیده و سپس ارزش پیشبینی شده برای آینده مشتری محاسبه میگردد؛ سپس این دو مقدار باهم ترکیب شده و ارزش مشتری تعیین میگردد. متغیرهای این مدل عبارتند از:
t_i: دوره خدمت‌دهی به مشتری i
N_i: کل دوره خدمت‌دهی به مشتری i
E(i): دوره مورد انتظار خدمت‌دهی به مشتری i
π_p: سهم سوددهی گذشته مشتری
π_f: سهم سوددهی آینده مشتری
B: سود بالقوه مشتری i، منظور از سود بالقوه سودی است که از طریق فروش متقاطع و فروش بیشتر به مشتری حاصل میشود.
در [112] مدل دیگری در تعیین ارزش مشتریان ارائه شد. در این مدل علاوه بر محاسبه ارزش پیشین و آینده مشتری، ارزش بازاریابی زبانی نیز در تعیین ارزش وی دخالت داده شده است. مدل ارائه‌شده در [112] در رابطه 2-23 نشان داده شده است.
(2-23)
CLV_i=∑_(t_i=0)^(N_i)▒〖π_p (t_i ) (1+δ)^(N_i-t_i )+∑_(t_i=0)^(N_i)▒〖S_p (t_i ) (1+δ)^(N_i-t_i ) 〗〗+∑_(t_i=N_i+1)^(N_i+E(i)+1)▒〖(π_f (t_i )+B(t_i ))⁄(1+δ)^(t_i-N_i ) +∑_(t_i=N_i+1)^(N_i+E(i)+1)▒(S_f (t_i))⁄(1+δ)^(t_i-N_i ) 〗

با مقایسه رابطه 2-22 و 2-23، مشخص است که در رابطه 2-23 دو رابطه جدید وجود دارد. رابطه اول(∑_(t_i=0)^(N_i)▒〖S_p (t_i ) (1+δ)^(N_i-t_i ) 〗) تعیین‌کننده میزان توانایی مشتری در تبلیغ زبانی شرکت در گذشته بوده و رابطه دوم(∑_(t_i=N_i+1)^(N_i+E(i)+1)▒(S_f (t_i))⁄(1+δ)^(t_i-N_i ) ) نیز نشان‌دهنده میزان توانایی مشتری برای تبلیغ زبانی شرکت در آینده است.
در سال 2012، چنگ104 و همکاران [113] برای تعیین ارزش مشتری از زنجیره مارکوف استفاده نمودند. مدل ارائه‌شده توسط چنگ و همکاران در ادامه مورد بررسی قرار گرفته است.
(2-24)
LTV_k= CV_k+FV_k
در رابطه 2-24، CV_k ارزش فعلی مشتری kام و FV_k ارزش مشتری در آینده است. برای محاسبه ارزش فعلی مشتری (CV_k) میتوان از رابطه 2-25 استفاده نمود.
(2-25)
CV_k= ∑_(t=-m)^(-1)▒〖π_k (t) ∏_(d=t)^(-1)▒(1+r(d)) 〗
برخلاف روش محاسبه ارزش فعلی مشتریآن‌که ساده به نظر میرسد، اما محاسبه ارزش آتی مشتریان راحت نیست. محاسبه ارزش آتی مشتری تحت تأثیر 2 بُعد است. بُعد اول سودی است که مشتری در دوره آینده برای شرکت دارد و بُعد دوم آن، طول زمانی است که مشتری در شرکت به‌عنوان مشتری باقی خواهند ماند. بر همین اساس میتوان FV_k را مطابق رابطه 2-26 محاسبه نمود.
(2-26)
FV_k= ∑_(t=1)^(n_k)▒〖I_k P^t π_k (t)〗
در رابطه 2-25، m تعداد دورههای پیشین است که در تعیین ارزش مورد بررسی قرار میگیرد و در رابطه 2-26، n_k طول مورد انتظار دوره خدمات در آینده، I_k بردار حالت اولیه که نشان‌دهنده وقوع یک وضعیت در هر زمان است و P ماتریس احتمال انتقال وضعیت مشتری است. π_k (t) نیز یک بردار از سودهای حاصل مشتری kام است که در زمان t و از تمامی وضعیتها بدست میآید.
بر طبق نظر چنگ و همکاران، n_k را میتوان بر اساس اطلاعات دموگرافیک و تراکنشهای مشتری و با استفاده از تکنیکهای درخت تصمیم و شبکههای عصبی تخمین زد. n_k با احتمال رویگردانی مشتریان، ارتباط عکس دارد. روش محاسبه n_k در رابطه 2-27 نشان داده شده است.
(2-27)
n_k=1/(P_k^c )
P_k^c احتمال رویگردانی مشتری kام است.
ما105 و همکاران [114]، تأثیر انجام خریدهای متوالی در تعیین ارزش مشتری را مدنظر قرار دادند. آن‌ها معتقد بودند که چنانچه مشتری در چند بازه متوالی از زمان، خریدی را انجام ندهد و با شرکت در تعامل نباشد آنگاه مقدار CLV وی بر اساس آخرین مقدار CLV که در آن خرید متوالی داشته محاسبه خواهد گردید. آن‌ها برای کنترل بازههای متوالی عدم خرید، متغیر d را معرفی کردند که بیانگر حداکثر بازه زمانی است که مشتری میتواند بصورت متوالی با شرکت تراکنشی نداشته باشد. چنانچه بازههای زمانی عدم تراکنش مشتری با شرکت بیشتر از d باشد، آنگاه ادامه ارتباط مشتری با شرکت مقرون‌به‌صرفه نمیباشد. بر همین اساس، مدل CLV جدیدی ارائه شد که در رابطه 2-28 آمده است.
(2-28)
CLV= ∑_(k=0)^(T_d)▒(W_k-C)⁄(1+δ)^k
T_d=inf⁡〖ϑ= {█(min⁡〖ϑ ,if ϑ≠∅〗@∞ ,if ϑ=∅)┤〗
ϑ={n:Y_n=Y_(n-1)=…=Y_(n-d+1)=0}
در رابطه 2-28، W_k سود دریافتی از مشتری و C بیانگر هزینه مستقیم کالای ارائه‌شده به مشتری است. T_d نیز همان متغیر d است که بیانگر حداکثر بازه زمانی است که مشتری میتواند بصورت متوالی با شرکت تراکنشی نداشته باشد. Y_n نیز یک متغیر دودویی است که برای نشان دادن خرید/عدم خرید مشتری؛ چنانچه مشتری خرید نماید Y_n=1 و در غیر اینصورت Y_n=0.
در سال 2014 در [115] برای دستهبندی مشتریان، مدلی بر مبنای ترکیب CLV و ارزش بدست آمده از مشتری و وفاداری وی پیشنهاد کردند. آن‌ها در این مدل پیشنهاد کردند که برای دستهبندی مشتریان بایستی یک ماتریس n*3 تشکیل شود؛ که در آن N بیانگر تعداد مشتریان است. به ازای هر مشتری نیز باید میزان CLV، ارزش بدست آمده از وی و میزان وفاداری وی محاسبه شود. کوادورز106 و همکاران برای محاسبه ارزش دوره عمر مشتری از رابطه 2-29 استفاده کردند.
(2-29)
“CLV=” ∑_”i=1″ ^”n” ▒(“(” “R” _”i” “-” “C” _”i” “)” )⁄〖”(1+δ)” 〗^”i-0.5″
در رابطه 2-29، “R” _”i” بیانگر درآمد ناخالص، “C” _”i” بیانگر مجموع هزینهها برای ارتباط با مشتری است. آن‌ها همچنین برای تعیین میزان ارزش بدست آمده از مشتری از رابطه 2-30 استفاده کردند. ارزش بدست آمده از مشتری بیان‌کننده مقایسه درآمد ناخالص حاصل از وی و میزان بدهیهای او در یک دوره مشخص میباشد.
(2-30)
“Customer earned value=” “(gross sales- arrears)” ⁄”time of analysis”
کوادورز و همکاران برای محاسبه میزان وفاداری مشتری از رابطه نشان داده شده در 2-31 استفاده کردند. همان‌گونه که در این رابطه نشان داده شده است، برای محاسبه وفاداری، میزان خریدهای یک مشتری در یک دوره را ملاکی برای تعیین وفاداری وی در نظر گرفتهاند.
(2-31)
∑_”j=1″ ^”n” ▒”Transation number of Cij”
در رابطه 2-31، i اندیس مشتری iام و j نشان‌دهنده دوره j و n بیانگر تعداد دورههاست.
کوادورز و همکاران برای تست کردن مدل خود، آن را بر روی یک کارخانه نیشکر در کلمبیا آزمایش کردند. آن‌ها با جمعآوری اطلاعات مربوط به 71 مشتری این کارخانه، یک ماتریس 71*3 تشکیل دادند. هر سطر این ماتریس همانند X=[CLV ,Earned ,Loyalty] بود. آن‌ها سپس با استفاده از الگوریتم SOM مشتریان را به 9 دسته تقسیم کردند.
در سال 2010 در [116] از ترکیب ارزش فعلی و آینده مشتری برای تعیین ارزش مسافران یک شرکت هواپیمایی در چین استفاده کردند. در این مقاله، ارزش فعلی مشتری بر اساس کسر هزینههای صورت گرفته برای مشتری توسط شرکت از مجموع پرداختیهای وی محاسبه میشود(رابطه 2-32). همچنین برای تعیین ارزش آینده مشتری از ترکیب مدل AHP و RF استفاده شده است. نحوه استفاده از AHP در تعیین ارزش آینده مشتریان بدین گونه است که در گام اول فرکانس و تازگی خرید دستهبندی شده و سپس ضرایب هر یک از این دو عامل و وزن هریک از دستهها با استفاده از ماتریس مقایسات زوجی تعیین میشود. سپس تراکنشهای گذشته مشتری ملاک قرار گرفته و آینده وی بر اساس وزن دستهای که در آن قرار میگیرد تعیین میشود.
(2-32)
CV_k=∑_(i=1)^m▒〖(R_i-C_i)〗
در رابطه 2-32، m تعداد سفرهای انجام‌شده توسط مشتری در طول یک سال گذشته و R_i پرداختی مشتری در هر سفر و C_i هزینههای صورت گرفته برای جذب، حفظ و ارتقاء مشتری است.
همانگونه که پیشتر عنوان گردید، تعیین ارزش مشتریان به تنهایی نمیتواند کارایی بالایی برای کسبوکارها بدنبال داشته باشد. علت این امر، علاقه مدیران و طراحان استراتژیهای کسبوکار به تدوین تعداد محدودی استراتژی است. از اینرو مدلهای تعیین ارزش در کنار خوشهبندی مشتریان تکامل یافته و کاربرد دارند. بنابراین در بخش بعد مباحث مربوط به خوشهبندی بحث خواهند شد.
خوشه بندي
خوشهبندی یکی از تکنیکهای دادهکاوی است. در ادبیات موضوع به فرآیند گروهبندی اشیاء مشابه، خوشهبندی گفته میشود. در این فرآیند سعی میشود اشیائی که شباهت بیشتری نسبت به هم دارند در یک گروه قرار گیرند. به‌طورکلی 2 روش برای خوشهبندی اشیاء و دادهها وجود دارد، روشهای بدون نظارت107 و روشهای با نظارت108. در روش با نظارت از ابتدا تعداد خوشههای مورد نیاز مشخص میشود، اما در روشهای بدون نظارت از ابتدا هیچ اطلاعات خاصی در اختیار الگوریتم قرار نمیگیرد. در روشهای بدون نظارت تنها اطلاعاتی که در اختیار الگوریتم قرار میگیرد، مجموعه دادههاست و این خود الگوریتم است که بایستی از این مجموعه و ویژگیهای آن یاد گرفته و آن را گروهبندی کند. از معروفترین روشهای با نظارت الگوریتم k-means بوده و معروفترین روش بدون نظارت SOM است. از فرآیند خوشهبندی در زمینههای بسیاری استفاده شده است؛ یکی از این زمینهها مدیریت ارتباط با مشتری است.
خوشهبندی مشتریان یکی از معـروفترین روشهـا برای تعیین مشتـریان باارزش است[12]. در بسیـاری از مطالعـات انجام‌شده در زمینه بازاریـابی، از روشهـای خوشهبندی برای تعیین مشتریان هـدف استفاده میشود[117]. تعیین مشتریان هدف به سازمانها این امکان را میدهد تا با ارائه خدمات مناسب به آن‌ها، ارزش و سودآوری مشتریان را افزایش دهند[76, 117].
با توجه به اهمیت موضوع، در این بخش الگوریتمهای خوشهبندی مورد بررسی قرار گرفته است. ابتدا به بررسی الگوریتم k-means پرداخته شده و مشکلات آن مطرح شده است. در قسمت بعد تعدادی از الگوریتمهای تکاملی معرفی و مطالعاتی که در آن‌ها از الگوریتمهای تکاملی برای خوشهبندی استفاده شده، بررسی گردیدهاند.
الگوریتم K-means
الگوریتم k-means یکی از الگوریتمهای خوشهبندی مسطح است که به دلیل قدرت بالا و سادگی، به‌طور گسترده در خوشهبندی دادهها مورد استفاده قرار میگیرد[118]. هدف اصلی این الگوریتم آنست که مجموع عدم تشابه بين تمام اشياء يك خوشه از مراكز خوشههاي متناظرشان كمترين باشد؛ به‌عبارت‌دیگر فاصله هر داده تا مرکز خوشه خود کمتر از فاصله آن داده تا سایر مراکز خوشهها باشد.
الگوریتم k-means بدنبال خوشهبندی پایگاه داده موردنظر به تعداد معینی خوشـه است بطـوریکه میانگین توان دوم خطاهـا(109MSE) حداقل باشد[119]. رابطـه 2-33، نحوه محاسبه MSE را نشان میدهد.
(2-33)
MSE= ∑_(j=1)^k▒∑_(i=1)^n▒‖x_i^((j))-c_j ‖^2
در رابطه بالا، ‖x_i^((j))-c_j ‖^2 بیانگر تعیین میزان فاصله هر داده نسبت به مرکز خوشه موردنظر میباشد.
مراحل الگوریتم k-means بصورت زیر است:
گام اول: الگوریتم، دادهها و تعداد خوشهها (k)را به‌عنوان ورودی دریافت میکند.
گام دوم: الگوریتم، تعداد k آیتم از دادهها را بصورت تصادفی به‌عنوان مراکز اولیه خوشهها انتخاب مینماید.
گام سوم: سایر آیتمهای دادهها، برحسب میزان فاصله با مراکز خوشهها، به یکی از خوشهها نسبت داده میشوند. معیار تخصیص داده به هر خوشه، نزدیکی به مرکز خوشه است.
گام چهارم: میانگین هر خوشه مجدداً محاسبه شده و به‌عنوان مرکز جدید آن خوشه انتخاب میگردد.
گامهای سوم و چهارم تا زمانی که چیدمان داده در خوشهها تغییر نکرده و یا میزان تغییر بسیار ناچیز باشد، ادامه مییابد[120].
همان‌گونه که در بالا نشان داده شده است، این الگوریتم با تعیین مراکز اولیه شروع میشود. این مراکز بایستی به‌گونه‌ای انتخاب شوند که به میزان کافی از یکدیگر فاصله داشته تا نتایج حاصله، نتایج مناسبی باشد[119]. بنابراین میتوان بیان داشت که، موفقیت الگوریتم k-means به انتخاب صحیح مراکز خوشههای اولیه و تعداد خوشهها وابسته است.
الگوریتم K-means علیرغم سادگی و قدرت بالا، از مشکلات اساسی زیر رنج میبرد:
جواب نهايي الگوریتم به انتخاب مراکز اوليه وابسته است(همگرایی به بهینه محلی)؛ چنانچه در مجموعه دادهها، دادههای پِرت وجود داشته باشد و یا مراکز خوشهها به‌خوبی انتخاب نشوند آنگاه الگوریتم به پاسخی میرسد که پاسخ درستی نیست. برای حل این مشکل میتوان الگوریتم را چندین مرتبه بر روی دادههای موردنظر پیادهسازی کرد.
روشی دقیقی برای تعیین مراکز اولیه وجود ندارد.
چنانچه در طی فرآیند پیادهسازی الگوریتم، تعداد دادههای متعلق به یک خوشه صفر شود، هیچ راهی برای بهبود و تصحیح روند وجود ندارد.
با توجه به ایـن مشکلـات، امـروزه از الگوریتـمهای تکامـلی در کنار K-means بسیـار استفاده میشـود. الگوریتمهای تکاملی با توجه به ماهیت تکمیل شوندهای که دارند، میتوانند مشکلات الگوریتم K-means را به‌خوبی برطرف نمایند. در ادامه الگوریتمهای تکاملی معرفی و نحوه تعامل آن‌ها با الگوریتم K-means شرح داده شده است.
الگوریتم های تکاملی
قانون انتخاب طبيعي به اين صورت است كه تنها گونه‌هایی از يك جمعيت ادامه نسل می‌دهند كه بهترين خصوصيات را داشته باشند و آن‌هایی كه اين خصوصيات را نداشته باشند به‌تدریج و در طي زمان از بين می‌روند. مبنای کار الگوریتمهای تکاملی نیز به همین‌گونه است. الگوریتمهای تکاملی دستهای از الگوریتمهای موجود هستند که با ایجاد یک جمعیت اولیه شروع کرده و به‌مرورزمان سعی میکنند تا جوابها را بهبود بخشیده و بهینهترین پاسخ را تولید کنند. الگوریتمهای تکاملی این توانایی را دارند که با کمترین دانش موجود، بیشترین کارایی و بهترین جوابها را ایجاد کنند.
در هر الگوریتم تکاملی دو مفهوم بسیار مهم وجود دارد:
جستجو110: مفهوم جستجو به معنای توانایی الگوریتم در تولید پاسخهای جدید و ناشناخته در فضای جستجو است. مفهوم جستجو از به دام افتادن الگوریتم در بهینههای محلی جلوگیری میکند. بهترین الگوریتم در جستجوی فضاهای جدید الگوریتم جستجوی تصادفی111 است. به‌منظور پیادهسازی این مفهوم در هر الگوریتم تکاملی یک گام برای جستجوی فضاهای ناشناخته در نظر گرفته شده است.
بهرهبرداری112: مفهوم بهرهبرداری به معنای بهبود پاسخهای موجود برای دستیابی به یک بهینه محلی است. این مفهوم این امکان را بوجود میآورد تا پاسخهای ایجاد شده تا حد امکان بهبود یافته و بهینه شوند. این امکان نیز بایستی در الگوریتمهای تکاملی وجود داشته باشد.
الگوریتمی مناسبتر است که از این 2 مفهوم به‌طور مناسب و در کنار هم استفاده شود.
یکی از کاربردهای الگوریتمهای تکاملی، خوشهبندی اسناد، مدارک، مشتریان و… است. در ادامه تعدادی از این الگوریتمها و مطالعات انجام‌شده با استفاده از آن‌ها در خوشهبندی مورد بررسی قرار گرفته است.
الگوریتم ژنتیک
الگوریتم ژنتیک یکی از معروفترین و پرکاربردترین الگوریتمهای تکاملی است که در سال 1962 توسط هالند113 معرفی گردید. الگوریتم ژنتیک با استفاده از اصول انتخاب طبیعی، برای یافتن فرمول بهینه جهت پیش‌بینی یا تطبیق الگو استفاده می‌شـوند. این الگوریتـم با بکارگیری عملگرهای ویـژه، بر روی مجمـوعهای از راهحلهای مسئله، به‌گونه‌ای استفاده میشود که جمعیت جدید در مقایسه با جمعیت قبلی و مطابق با تابع معیار از پیش تعریف شده، اصلاح شود. خروجی الگوریتم بهترین راهحلی است که در طول تکامل الگوریتم یافت شده است[121]. الگوریتم ژنتیک با کدگذاری راهحلهای یک مسئله، بهترین جواب را برای مسئله پیدا میکنند. روشی که طبق آن راهحلها کدگذاری میشوند، نقش بسزایی در کارایی الگوریتم دارد. کدگذاری نامنـاسب، میتواند منجر به کـارایی ضعیف الگوریتم شود. عملگرهای کلی الگوریتم ژنتیک عبارتند از:
انتخاب(Selection)
ترکیب(Crossover)
جهش(Mutation)
شمای کلـی الگوریتم ژنتیک در شکل2- 25 آمده است.

شکل2- 25 شمای کلی الگوریتم ژنتیک
در ادامه تعدادی از مطالعاتی که از الگوریتم ژنتیک در فرآیند خوشهبندی استفاده کردهاند مورد بررسی قرار گرفته است.
در سال 2011، هان114 و دوستان [121]، با استفاده از یک فرآیند 2 مرحلهای اقدام به دستهبندی مشتریان صنعت تلفن همراه در کره جنوبی نمودند. در مرحله اول آن‌ها بر روی دادههای دموگرافیک و الگوی خریدهای پیشین مشتریان حاضر در بازار تلفنهای همراه، الگوریتمهای شبکه عصبی، درخت تصمیم و رگرسیون منطقی را اجرا نموده و پتانسیل خرید آینده هر یک از مشتریان را تعیین نمودند. در مرحله دوم، آن‌ها با استفاده از الگوریتم ژنتیک به بررسی میزان شباهت نتایج بوجود آمده از هر الگوریتم پرداختند. هدف آن‌ها یافتن مشتریان هدف در صنعت تلفن همراه برای افزایش متوسط درآمد از هر کاربر115 بر اساس فروش متقاطع116 بود. آن‌ها با استفاده از GA توانستند مشتریان هدف را تعیین کردند.
در سال 2008، چان117 و دوستان [12]، برای انتخاب مشتریان هدف و تشکیل کمپین مشتریان روشی نوین برای دستهبندی مشتریان بر اساس ترکیب الگوریتمهای RFM و LTV و GA ارائه کردند. برای استفاده از این مدل، چان و دوستان ابتدا مقادیر مربوط به هر یک از متغیرهای RFM را به قالب دودویی تبدیل کردند. ازآنجاکه LTV پتانسیل خرید مشتری در آینده را مشخص میکند، لذا آن‌ها مدل LTV را به‌عنوان تابع برازش در الگوریتم ژنتیک در نظر گرفتند. با استفاده از الگوریتم ژنتیک و ورودیهای آن‌که ارزش مشتریان هستند(RFM و LTV)، مشتریان به خوشههای مختلف دستهبندی میشوند. این مدل در سال 2008 بر روی مشتریان شرکت خودروسازی نیسان پیادهسازی گردید و مشتریان را به 8 خوشه تقسیمبندی کرده و استراتژیهای بازاریابی برای هر خوشه تعیین گردید.
در سال 2012، هو118 و همکاران [122]، با تمرکز بر مشکلات الگوریتم k-means در خوشهبندی، مدل جدیدی بر مبنای الگوریتم ژنتیک ارائه کردند. شمای کلی این مدل در شکل2- 26 نشان داده شده است.

شکل2- 26 ترکیب GA و K-means (منبع:[122])
با استفاده از مدل ارائه‌شده در شکل2- 26، مشکلات الگوریتم k-means(وابستگی به نحوه انتخاب مراکز اولیه و تعیین تعداد خوشهها) برطرف شده و خوشهبندی مشتریان نتیجه بهتری بدنبال خواهد داشت.
در سال 2014 در [123]، برای محاسبه نرخ وفاداری مشتریان و تشخیص مشتریان وفادار از غیر وفادار از الگوریتم ژنتیک در کنار RFM استفاده شده است. در این مطالعه ابتدا با استفاده از الگوریتم ژنتیک خصوصیات و ویژگیهای مشتریان وفادار در هر خوشه شناسایی شده، سپس میزان اهمیت هر یک از این ویژگیها با استفاده از ضریب همبستگی اسپیرمن119 تعیین شده و در انتها با استفاده از الگوریتم RFM نرخ وفاداری هریک از مشتریان تعیین میگردد. روند محاسبه نرخ وفاداری مشتریان در این مطالعه در ادامه شرح داده شده است:
خوشهبندی مشتریان با استفاده از الگوریتم k-means.
محاسبه ضریب همبستگی اسپیرمن برای تمامی ویژگیها.
تعیین ویژگیهای تأثیرگذار بر وفاداری مشتریان هر خوشه با استفاده از الگوریتم ژنتیک.
تعیین نرخ وفاداری مشتریان با استفاده از مدل RFM.
در [124] نیز یک تکنیک رده‏بندی بیزین120 برای مدل‏سازی پاسخ مشتریان، بر پایه یک الگوریتم نوین ژنتیک ارائه‌شده است. در این مطالعه، برای تجزیه‌وتحلیل ساختار، از الگوریتم ژنتیک استفاده شده تا بتوان شبکه‏ای بهینه به‌عنوان ورودی شبکه‏ی بیزین آموزش داد.
الگوریتم رقابت استعماری
الگوریتم رقابت استعماری(ICA121)122 یکی از انواع الگوریتمهای تکاملی است که در سال 2007 توسط آقای آتشپز و همکارش در [126] معرفی گردید. ICA الهام گرفته شده از فرآیند اجتماعی-سیاسی جهان واقعی است. این الگوریتم با تقلید از روند تکامل اجتماعی، اقتصادی و سیاسی کشورها و با مدلسازی ریاضی بخشهایی از این فرآیند، عملگرهایی را در قالب منظم به صورت الگوریتم ارائه می‌دهد که می‌توانند به حل مسائل پیچیده بهینه سازی کمک کنند. همانند سایر الگوریتمهای تکاملی، الگوریتم ICA نیز با تشکیل مجموعهای از جوابهای احتمالی اولیه، فعالیت خود را آغاز میکند. در ICA به هر یک از این جوابهای اولیه یک “کشور123” میگویند. هدف الگوریتم رقابت استعماری بهبود این کشورها و یافتن بهینهترین جواب است، که برای دستیابی به این هدف روندی خاص در این الگوریتم طی میشود. الگوریتم با روندهاي خاصی که در طبیعت خود نهفته است به آرامی به بهبود کشورها(جوابهاي مسئله) میپردازد و درنهایت، جواب مناسب(کشورمطلوب) مسئله بهینهسازي را تعیین میکند[127]. عملگرهای اصلی این الگوریتم را سیاست همسانسازی124، رقابت استعماری125 و انقلاب126 تشکیل می‌دهند. مراحل الگوریتم رقابت استعماری عبارتند از:
ایجاد کشورهای اولیه
انتخاب بهترین کشورها به‌عنوان استعمارگر
تخصیص سایر کشورها به‌عنوان مستعمره به استعمارگرها(ایجاد امپراتوری‌های(Emperialist) اولیه)
اعمال سیاست جذب(Assimilation)
اعمال سیاست انقلاب(Revolution)
مقایسه مستعمرات با استعمارگرها و جابجایی موقعیت مستعمره و استعمارگر در صورت لزوم
ارزیابی امپراتوری‌ها
رقابت استعماری
سقوط امپراتوری‌های ضعیف
بازگشت به مرحله 4 درصورت محقق نشدن شرایط خاتمه
پایان
روند موجود در ICA و عملکرد هریک از عملگرها در ادامه توضیح داده شده است.
فاز اول: شکلدهی امپراتوری‌های اولیه
همان‌گونه که پیشتر بیان گردید، الگوریتم ICA با تشکیل کشورهای اولیه فرآیند خود را آغاز میکند. هر کشور بصورت یک آرایه N_var*1 است که در آن var مجموعه ویژگیهای کشور است. شکل2- 27 شمای کلی یک کشور را نشان میدهد.

شکل2- 27 شکل دهی کشورهای اولیه
پس از تعیین ویژگیهای مورد نیاز برای تشکیل هر کشور، به تعداد N_Country کشور ایجاد میگردد. هر یک از کشورهای ایجاد شده دارای ویژگیهای مورد نیاز میباشند. پس از تشکیل کشورها، با در نظر گرفتن تابع محاسبه هزینه، هزینه هر کشور محاسبه شده و بر اساس هزینهها، کشورها مرتب میشوند. بـا شـروع از ابتـدای لیست مرتب شده کشورها، به تعـداد N_imp از کشورها، که دارای بهتـرین هـزینه مـیباشند، انتخـاب شده و به‌عنوان کشـورهای استعمارگر انتخاب مـیشـوند. سـایر کشـورهـا (N_col=N_Country-N_imp) نیز به‌عنوان مستعمره(colony) شناخته شده و با استفاده از الگوریتمهای نظیر چرخ رولت127، انتخاب مسابقهای128 و … به امپراتوری‌ها تخصیص داده میشوند. این تخصیص معمولاً بصورتی است که به هر استعمارگر متناسب با قدرتش، تعداد معینی مستعمره اختصاص داده میشود. در شکل2- 28 شمای کلی تشکیل امپراطوری بصورت نمادین نشان داده شده است.

شکل2- 28 نحوه تقسیم مستعمرات، میان کشورهای استعمارگر
همان‌گونه که در شکل2- 28 نشان داده شده است، استعمارگر 1 قویترین استعمارگر بوده و بیشترین مستعمرات را دارا میباشد.
فاز دوم: سیاست جذب
در دنیای واقعی، کشورهای استعمارگر، برای افزایش نفوذ خود شروع به ایجاد عمران (ایجاد زیرساخت‌های حمل و نقل، تاسیس دانشگاه و …) کردند. به‌عنوان‌مثال کشورهایی نظیر انگلیس و فرانسه با تعقیب سیاست همگون‌سازی در مستعمرات خود در فکر ایجاد انگیس نو و فرانسه نو در مستعمرات خویش بودند. با در نظر گرفتن شیوه نمایش یک کشور در حل مسلئه بهینه‌سازی، در حقیقت این حکومت مرکزی با اعمال سیاست جذب سعی داشت تا کشور مستعمره را در راستای ابعاد مختلف اجتماعی سیاسی به خود نزدیک کند. این بخش از فرایند استعمار در الگوریتم بهینه‌سازی، به صورت حرکت مستعمرات به سمت کشور استعمارگر، مدل شده‌است[125].
همان‌گونه که در شکل2- 29 نشان داده شده است برای پیادهسازی این سیاست، کشور مستعمره، به اندازه x واحد در جهت خط واصل مستعمره به استعمارگر، حرکت کرده و به موقعیت جدید (New Position of Colony)، کشانده می‌شود. x عددی تصادفی با توزیع یکنواخت می‌باشد. اگر فاصله میان استعمارگر و مستعمره با d نشان داده شود، طبق رابطه 2-34، برای d داریم:
(2-34)
x ~ U(0,ß*d)
در رابطه 2-34، ß عددی بزرگ‌تر از یک و نزدیک به ۲ می‌باشد. یک انتخاب مناسب می‌تواند 2ß= باشد. وجود ضریب 1ß≥ باعث می‌شود تا کشور مستعمره در حین حرکت به سمت کشور استعمارگر، از جهت‌های مختلف به آن نزدیک شود.

شکل2- 29 اعمال سیاست جذب در الگوریتم رقابت استعماری
در سیاست جذب، به‌منظور جستجوی بیشتر فضا مسئله و یافتن جوابهای بهتر(افزایش exploration)، یک انحراف زاویه‌ای کوچک(Ɵ) نیز با توزیع یکنواخت به مسیر حرکت افزوده می‌شود؛ این انحراف سبب میشود که مستعمره در مستقیم به سمت استعمارگر حرکت نکند و با یک انحراف کوچک فضای بیشتری را برای دستیابی به جواب بهینه جستجو کند. توزیع یکنواخت Ɵ در رابطه 2-35 نشان داده شده است.
(2-35)
θ=U(-γ,γ)
در رابطه 2-35، γ پارامتری است برای تنظیم شعاع جستوجو؛ هر چه این مقدار کوچکتر باشد، جستوجوها به خط واصل بین کلونی و امپراطوری نزدیکتر است. با در نظر گرفتن واحد رادیان برای Ɵ، معمولاً مقدار π⁄4 برای Ɵ در نظر گرفته میشود.
فاز سوم: انقلاب
بروز انقلاب، تغییرات ناگهانی را در ویژگیهای اجتماعی-سیاسی یک کشور ایجاد میکند. در الگوریتم رقابت استعماری، انقلاب با جابجایی تصادفی یک کشور مستعمره به یک موقعیت تصادفی جدید مدلسازی میشود. این عملگر شبیه عملگر Mutation در الگوریتم ژنتیک میباشد.
انقلاب از دیدگاه الگوریتمی باعث میشود کلیت حرکت تکاملی از گیر کردن در درههای محلی بهینگی نجات یابد. این عامل در بعضی موارد باعث بهبود موقعیت یک کشور شده و آن را به یک محدوده بهینگی بهتری میبرد[125]. در شکل2- 30 شمای کلی نحوه اعمال سیاست انقلاب نشان داده شده است.

شکل2- 30 اعمال سیاست انقلاب
فاز چهارم: رقابت درون امپراطوری
پس از اعمال سیاست جذب و انقلاب، ممکن است بعضی از مستعمرات به خودباوری رسیده و موقعیتی بهتر از استعمارگر خود کسب کنند(میزان تابع هزینه آن‌ها در موقعیت جدید بهتر از میزان تابع هزینه استعمارگر باشد). در این حالت، کشور استعمارگر و کشور مستعمره، جای خود را باهمدیگر عوض کرده و الگوریتم با کشور استعمارگر در موقعیت جدید ادامه یافته و این بار این کشور امپریالیست جدید است که شروع به اعمال سیاست همگون‌سازی بر مستعمرات خود می‌کند[125]. نحوه جابجایی موقعیت مستعمره و استعمارگر در شکل2- 31 نشان داده شده است.

شکل2- 31 جابجایی موقعیت استعمارگر و مستعمره
فاز پنجم: رقابت استعماری(بین امپراطوری)
این فاز اصلیترین مرحله در ICA است. همان‌گونه كه قبلاً نيز بيان شد، هر امپراطوري كه نتواند بر قدرت خود بيفزايد و قدرت رقابت خود را از دست بدهد، در جريان رقابتهاي امپرياليستي، حذف خواهد شد. اين حذف شدن، به صورت تدریجی اتفاق میافتد. بدین معنی که به‌مرورزمان، امپراطوری‌های ضعیف، مستعمرات خود را از دست داده و امپراطوری‌های قویتر، این مستعمرات را تصاحب کرده و بر قدرت خویش می‌افزایند. قدرت یک امپراطوری به صورت قدرت کشور استعمارگر، به اضافه درصدی از قدرت کل مستعمرات آن تعریف می‌شود(رابطه 2-36)[125].
(2-36)
F(Emp)= F(Imperilalist)+ ξmean(F(colony))
در الگوریتم رقابت استعماری، امپراطوری در حال حذف، ضعیف‌ترین امپراطوری موجود است. بدین ترتیب، در تکرار الگوریتم، یک یا چند مورد از ضعیف‌ترین مستعمرات ضعیف‌ترین امپراطوری انتخاب شده و برای تصاحب این مستعمرات، رقابتی میان کلیه امپراطوری‌ها ایجاد میشود. مستعمرات مذکور، لزوماً توسط قویترین امپراطوری، تصاحب نخواهند شـد، بلکه امپراطـوری‌های قـویتر، احتمـال تصاحـب بیشتـری دارند[125]. فرآیند تخصیص مستعمرات یک امپراطوری بین سایر امپراتوری‌ها به‌وسیله الگوریتمهایی نظیر چرخ رولت و انتخاب مسابقهای قابل پیادهسازی است.

شکل2- 32 رقابت استعماری
همان‌گونه که در شکل2- 32 نشان داده شده است، امپراطوری 1 ضعیفترین امپراطوری بوده و سایر امپراتوری‌ها بدنبال جذب مستعمرات آن میباشند. احتمال تصاحب مستعمرات، متناسب با قدرت هر امپراطوری است.
فاز ششم: سقوط امپراتوری‌های ضعیف
در جریان رقابت‌های امپریالیستی، خواه ناخواه، امپراتوری‌های ضعیف به تدریج ضعیف و ضعیفتر شده تا جاییکه دیگر هیچ مستعمرهای نداشته باشد و سقوط میکند. در نسخه ابتدایی الگوریتم رقابت استعماری پیشنهاد شده است که با سقوط یک استعمارگر، آن استعمارگر حذف شود(شکل2- 33)؛ امّا در نسخههای پیشرفته ICA پیشنهاد شده است که استعمارگر سقوط کرده نیز به‌عنوان یک مستعمره نگاشت شود که سایر امپراتوری‌ها قادر به جذب آن میباشند.

شکل2- 33 سقوط امپراطوری ها در روند چرخه الگوریتم رقابت استعماری
در ادامه تعدادی از مطالعاتی که از الگوریتم رقابت استعماری در فرآیند خوشهبندی استفاده کردهاند مورد بررسی قرار گرفته است.
در [128] روش جدیدی در خوشهبندی با استفاده از ICA ارائه‌شده است. هدف این الگوریتم غلبه بر مشکـل به دام افتـادن در بهینه محلی در الگوریتم k-means است. در این مقـاله پس از تشکیـل امپراتوری‌های اولیه الگوریتم k-means بر روی هر یک از امپراتوری‌ها اجرا میشود. در این قسمت، دو روش متفاوت برای اجرای k-means پیشنهاد شده است:
MICA-k: در این روش ابتدا جمعيت اوليه به صورت تصادفي توليد ميگردد؛ سپس الگوريتم رقابت استعماري بر روي اين جمعيت توليد شده، اجرا شده و تا جايي ادامه مييابد كه تنها يك عضو باقي بماند، این عضو بهترین پاسخ ممکن است. جواب نهايي، به‌عنوان مقدار ورودی الگوريتم K-means در نظر گرفته ميشود.
K-MICA: در اين روش بعد از توليد جمعيت اوليه، الگوريتم k-means بر روی دادههاي موجود اجرا ميگردد. با استفاده ازاین‌روش، در تكرارهاي متوالي مراكز خوشه بدست خواهد آمد؛ كه به‌عنوان جمعيت اوليه الگوريتم رقابت كشورهاي استعماري توسعه يافته در نظر گرفته خواهد شد.
پس از این مرحله، فرآیند ICA اجرا شده تا جایی که تعداد بهینه خوشهها تعیین شود.
قنواتی و همکاران در سال 2011 در [129]، از الگوریتم رقابت استعماری برای تعیین تعداد بهینه خوشهها در فرآیند خوشهبندی استفاده کردند. در این مطالعه، 6 گام برای تعیین تعداد خوشهها معرفی شده است؛ این 6 گام عبارتند از:
ایجاد کشورهای اولیه: تعداد 1*(N*K+1) کشور اولیه بایستی ایجاد شود، که در آن N تعداد ویژگیهای هر کشور و K حداکثر تعداد خوشههاست. در اولین درایه آرایه(کشور) تعداد خوشهها قرار داده میشود و در سایر درایهها یک عدد تصادفی بین 0 و 1.
ایجاد امپراتوریهای اولیه: برای ایجاد امپراتوری‌های اولیه بایستی ابتدا کشورهای قوی تعیین شوند. برای تعیین ارزش هر یک از کشورها و تعیین استعمارگرها و تشکیل امپراتوری‌های اولیه از K-means استفاده شده است. بدین صورت که با توجه به ویژگیهای هر کشور، خوشهبندی صورت گرفته و سپس با استفاده از رابطه 2-37 قدرت هر یک از کشورها تعیین شده است.
(2-37)
Cost=(k⁄E_1 )*(1- D_k⁄E_k )
اعمال سیاست جذب.
انقلاب.
ارزیابی هزینههای جدید.
رقابت استعماری.
الگوریتم کلونی مورچگان
زندگی اجتماعی مورچهها یکی از جالبترین و جذابترین زندگی موجودات است. هدف مورچهها در زندگی اجتماعی حفظ و توسعه تمام جنبههای لانه(کلونی) موجود است. یکی از مهم‌ترین و جالبترین رفتار مورچهها، عملکرد آن‌ها در یافتن غذا است. در این فرآیند مورچهها بدنبال یافتن غذا با کوتاهترین مسیر میروند. در ابتدای کار، تعدادی از مورچهها به‌طور تصادفی شروع به جستوجو میکنند. اولین مورچهای که غذا را پیدا کند به سمت کلونی برمی‌گردد و در طی مسیر برگشت ردّی از خود برجای میگذارد. این ردّ با استفاده از مادهای از جنس  فرومون129 ایجاد میگردد. مورچه‌های دیگر وقتی این مسیر را می‌یابند آن را دنبال کرده و به سمت مکان غذا حرکت میکنند. این مورچهها نیز درصورتی‌که غذایی را پیدا کنند آن را برداشته و به سمت کلونی حرکت کرده و فرومون از خود بجای میگذارند. با انجام این عمل، فرومون موجود در مسیر تقویت شده و احتمال انتخاب مسیر بیشتر میشود. . لذا مورچهها معمولاً به مسیری خواهند رفت که، تعداد بیشتری مورچه قبلاً در آن مسیر تردد کرده باشند.
الگوریتم کلونی مورچه(ACO130) الهام گرفته شده از مطالعات و مشاهدات بر روی کلونی مورچههاست. هدف این الگوریتم، یافتن پاسخهای نزدیک به پاسخ اصلی میباشد که در این راه از تولید فرمونهای مصنوعی و شبیهسازی رفتار گروهی مورچهها و ارتباطات غیرمستقیم آن‌ها استفاده میکنند.
در سال 2009 در [130]، ژو و همکاران از ACO به‌منظور حل مشکلات الگوریتم k-means استفاده کردند. الگوریتم ترکیبی ACO و K-means در ادامه شرح داده شده است:
مقداردهی اولیه پارامترها: تعیین تعداد خوشهها و مراکز اولیه.
قرار دادن مقدار فرومون برابر در هر مسیر.
هر یک از k مورچه با احتمال P به یکی از مراکز اولیه نزدیک میشوند؛ رابطه 2-38 نشان‌دهنده روش محاسبه احتمال P است.
(2-38)
P_ij^k=(τ_ij^α.ŋ_ij^β)/(∑_c^nc▒〖τ_ic^α.ŋ_ic^β 〗)
در رابطه بالا، i نقطه شروع و j مرکز موردنظر و nc تعداد مراکز است.
بروز رسانی فرومون با استفاده از رابطه 2-39.
(2-39)
τ_ij=τ_ij+Q/TWCV
محاسبه TWCV. اگر مقدار TWCV تغییر کرد، آنگاه بازگشت به مرحله 3؛ در غیر اینصورت چنانچه مقدار TWCV کوچکتر از کوچک‌ترین TWCV است با آن جانشین میشود.
ایجاد اختلال به‌منظور جلوگیری از به دام افتادن در بهینه محلی.
اگر به جواب بهینه نرسیده بازگشت به مرحله 3 و در غیر اینصورت توقف.
ژو و همکاران [130]، با استفاده از الگوریتم بالا اقدام به خوشهبندی مشتریان یک شرکت ارائه‌دهنده خدمات بیسیم کردند.در این مطالعه از دادههای رفتاری، جمعیتی، جغرافیایی و نگرشی مشتریان استفاده شده است.
یکی دیگر از مطالعات انجام‌شده در این زمینه، در سال 2011 در [131] است. وربک 131و همکاران با استفاده از +AntMiner و ترکیب آن با روش ALBA مشتریان را خوشهبندی کرده و سپس احتمال رویگردانی آن‌ها را مورد بررسی قرار دادند.
الگوریتم بهینه سازی ازدحام ذرات
الگوریتم بهینهسازی ازدحام ذرات(PSO132) یک الگوريتم محاسبهاي تکاملي الهام گرفته از طبيعت و بر اساس تکرار مي‌باشد که توسط کندي و ابرهارت در سال 1995 مطرح شد. منبع الهام اين الگوريتم، رفتار اجتماعي حيوانات، همانند حرکت دسته جمعي پرندگان و ماهي‌ها است. الگوريتم PSO از تعداد مشخصي از ذرات تشکيل ميشود که در شروع فرآیند، به‌طور تصادفي، مقدار اوليه ميگيرند. هر یک از ذرات تعریف شده دارای دو مقدار وضعيت و سرعت میباشند که به ترتيب با يک بردار مکان و يک بردار سرعت، مدل مي‌شوند. اين ذرات، بصورت تکرار شوندهاي در فضاي چند‌ ‌بعدي مسئله حرکت کرده تا با محاسبه مقدار بهينگي به‌عنوان يک ملاک سنجش، به بهینهترین جواب دست یابند. در هر بار تکرار، همه ذرات در فضـاي چند ‌بعدي مسئله حرکت مـيکنند تا درنهایت بهینهترین مکان، پيدا شـود. يک حافظه به ذخيره بهترين موقعيت هر ذره در گذشته و يک حافظه به ذخيره بهترين موقعيت پيش آمده در ميان همه ذرات، اختصاص مي‌يابد. با استفاده از اين حافظهها، ذرات تصميم ميگيرند که در نوبت بعدي، چگونه حرکت کنند. ذرات، سرعت‌هايشان و موقعیتشان را برحسب بهترين جواب‌هاي مطلق و محلي بروز مي‌کنند. الگوريتم PSO، بردار سرعت هر ذره را بروز کرده و سپس مقدار سرعت جديد را به موقعيت و يا مقدار ذره مي‌افزايد. بروز کردن‌هاي سرعت، تحت تأثير هر دو مقدار بهترين جواب محلي و بهترين جواب مطلق است. بهترين جواب محلي و بهترين جواب مطلق، بهترين جوابهايي هستند که تا لحظه‌ي جاري اجراي الگوريتم، به ترتيب توسط يک ذره و در کل جمعيت به دست آمده‌اند[132].
نویسندگان مقاله [133]، به‌منظور حل مشکلات خوشهبندی به روش K-means یک الگوریتم ترکیبی با نام PSO-Km ارائه کردند که ترکیبی از الگوریتم تکاملی بهینهسازی ذرات و الگوریتم K-means میباشد. این الگوریتم با استفاده از مزایای هر دو الگوریتم PSO و K-means عمل کرده و نتایج بهتری در فرآیند خوشهبندی ارائه میکند. روند فعالیت PSO-Km بدین صورت است که ابتدا فرآیند با PSO آغاز شده و تا زمانی که بهینهترین جواب عمومی یافت شود ادامه مییابد. پس از یافتن این جواب، جواب موردنظر به الگوریتم K-means سپرده شده تا با سرعت بالاتری اقدام به خوشهبندی نماید.
در [134] یک مکانیزم هوشمند برای مدیریت انتظارات مشتریان با بهرهگیری از الگوریتم PSO ارائه‌شده است. این مکانیزم به‌گونه‌ای میباشد که با مدیریت انتظارات مشتریان، ارزش ارائه‌شده به مشتریان را حداکثر کرده و هزینههای شرکت را کاهش میدهد.
در مطالعه دیگری که در سال 2009 در [135] انجام شد، یک روش بخشبندی بازار بر اساس ترکیب PSO و K-means توسعه داده شد. مدل بخشبندی ترکیبی در بخشبندی مشتریان یک شرکت ارائهدهنده تجهیزات کامپیوتری استفاده شد و نتایج حاصل از خوشهبندی توسط مدل ترکیبی، نشان از بهبود نتایج دارد.
در مقاله [136] نیز یک الگوریتم خوشهبندی جدید را بر مبنای الگوریتم PSO معرفی شده، که از شباهت میان ذرات به‌جای فاصله اقلیدسی استفاده میکرد. این الگوریتم MEPSO نامیده میشود و برای دادههای بزرگ، پیچیده و غیرقابل‌تفکیک مناسب میباشد.
در [137] نیز، ادنان133 و همکاران از الگوریتم PSO برای پیشبینی رویگردانی مشتریان در صنعت مخابرات استفاده کردند.
الگوریتم کلونی زنبورعسل
الگوریتمهای مختلفی بر اساس شبیهسازی زندگی زنبورعسل طراحی شده است. دستهای از الگوریتمها بر اساس رفتار جستجوی غذای گروه‌های زنبورعسل طراحی شده است. یک کلونی زنبورعسل می‌تواند در مسافت زیادی و نیز در جهت‌های گوناگون پخش شود تا از منابع غذایی استفاده کند. این الگوریتم نوعی از جستجوی محلی انجام می‌دهد که با جستجوی تصادفی ترکیب شده و می‌تواند برای بهینهسازی ترکیبی یا بهینه‌سازی تابعی به کار رود. دسته دیگر از الگوریتمها بر اساس فرآیند آمیزش زنبورعسل(HBMO134) طراحی شدهاند. هر کلونی زنبورعسل دارای یک ملکه بوده که وظیفه اصلی آن تخمگذاری میباشد. در هر کلونی، علاوه بر ملکه چندین هزار زنبور نر و بین 10 تا 60 هزار زنبور کارگر نیز وجود دارد. زنبورهای نر درواقع پدرهای یک کلونی بوده، این درحالیست که وظیفه اصلی کارگرهای نر نیز مراقبت از نوزادان و تخمها میباشد. الگوریتم HBMO از 5 مرحله اصلی تشکیل شده است:
الگوریتم با پرواز آغاز میگردد، که در آن ملکه(بهترین جواب) بصورت احتمالی با زنبورهای نر آمیزش کرده و اسپرم آن‌ها را در اسپرم دان خود ذخیره میکند. سپس یک زنبور نر بصورت تصادفی برای ایجاد نوزاد از لیست انتخاب میشود.
ایجاد نوزادهای جدید از طریق ترکیب ژن زنبورهای نر با ژن ملکه.
استفاده از زنبورهای کارگر برای انجام جستجوی محلی بر روی نوزادان.
بهنگام کردن میزان برازش کارگرها مطابق با میزان بهبود ایجاد شده در نوزادان.
جایگزینی ملکه ضعیفتر با نوزاد قویتر.
فتحیان و همکاران [138]، از الگوریتم آمیزش زنبورعسل برای حل مشکل همگرایی k-means به نقاط محلی، استفاده کردند. آن‌ها با پیادهسازی این الگوریتم بر روی دادههای Iris، wine و Breast Cancer و مقایسه نتایج بدست آمده با نتایج سایر الگوریتمها نظیر(ACO، GA، TS و SA)، عنوان کردند که خوشهبندی با الگوریتـم HBMO میتواند نتـایج بهتـری نسبت به سایر الگوریتـمهـا تولید میکند.
یکی دیگر از مطالعات انجام‌شده با استفاده از الگوریتم زنبورعسل، [139] است که در آن ابتدا با استفاده از الگوریتم SOM تعداد بهینهها خوشهها تعیین شـده و سپس با استفاده از HBMO فرآینـد خوشهبندی انجام میشود.
الگوریتم های ترکیبی
در تعدادی از مطالعات انجام‌شده در سالیان اخیر، پژوهشگران برای خوشهبندی مشتریان، اسناد و… از ترکیبی از الگوریتمهای تکاملی استفاده کردهاند. هدف آن‌ها از ترکیب این الگوریتمها بهبود پاسخهای تولید شده، بهبود در زمان اجرا و افزایش دقت بوده است. در ادامه تعدادی ازاین‌دست از مطالعات مورد بررسی قرار گرفته است.
در سال 2010، مدلی نوین FAPSO-ACO–K که ترکیبی از روشهای ACO و PSO فازی و K-means است در[118] ارائه‌شده است. نتایج حاصل از ترکیب این الگوریتمها نشان میدهد که الگوریتم ترکیبی ارائه‌شده سرعت و دقت بهتری نسبت به سایر روشهای خوشهبندی دارد. این الگوریتم در یک کتاب فروشی اینترنتی پیادهسازی گردید و نتایج مناسبی تولید کرد.
[140] یکی دیگر از مطالعاتی است که در آن از ترکیب الگوریتمها استفاده شده است. در این مطالعه، از مدل ترکیبی PSO و HBMO برای خوشهبندی تراکنشهای مشتریان بر مبنای مدل RFM استفاده شده است. روش کار بدین صورت است که ابتدا با استفاده از PSO جمعیت اولیه(ملکه و زنبورهای نر) تولید شده و سپس با استفاده از HBMO خوشهبندی صورت میگیرد.
مباحث تکمیلی
فرآیند تحلیل سلسله مراتبی
فرآیند تحلیل سلسله مراتبی(AHP) یکی از روش‌های تصمیم‌گیری است که برگرفته از واژه Analytical Hierarchy process میباشد. این تکنیک اولين بار توسط توماس ال ساعتي135 در سال 1980 مطرح شد. AHP با ایجاد ماتریس مقایسات زوجی، وزن هر یک از معیارهای تعیین شده را با توجه به نظر خبرگان و مدیران تعیین نموده و امکان بررسي سناريوهاي مختلف را بوجود ميآورد. فرآیند تعیین وزن هر یک از معیارها با استفاده از روش AHP، از 5 مرحله تشکیل گردیده است؛ این مراحل عبارتند از:
ساخت درخت سلسله مراتبي
مقايسههاي زوجي
ترکيب وزنها
تعیین وزن
تحليل حساسيت(سازگاری)
در مرحله اول، درخت سلسله مراتبی موردنظر ترسیم و روابط بین معیارها مشخص میشود. این درخت از سه سطح هدف، معیارها و گزینهها(آلترناتیوها) تشکیل شده است. در بالاترین سطح درخت، هدف یا پرسش اصلی که بایستی پاسخ داده شود قرار میگیرد. در سطح دوم، معیارهای تأثیرگذار که درواقع وسایل اندازهگیری برازندگی آلترناتیوها هستند، قرار میگیرد. در سطح آخر نیز گزینههای موجود برای پاسخگویی و دستیابی به هدف قرار گرفته که قرار است میزان برازندگی و وزن هریک توسط AHP مشخص شود. برای تعیین این اوزان با استفاده از فرآیند سلسله مراتبی، نیاز به تشکیل ماتریس مقایسات زوجی میباشد.
در مرحله دوم از روش AHP، ماتریس مقایسات زوجی تشکیل شده و عناصر بصورت زوجی باهم مقایسه میشوند. روش تشکیل این ماتریس بدین گونه میباشد که معیارها در سطر و ستون یک ماتریس تکرار شده و سپس خبرگان هر 2 معیار را بصورت جداگانه باهم مقایسه کرده و نظر میدهند(رابطه 2-40).
(2-40)
A= [■(a_11&…&a_1m@⋮&a_ij&⋮@a_m1&…&a_mm )]

در رابطه 2-40، a_ij ترجیح نسبی معیار i نسبت به معیار j است و m تعداد معیارها میباشد.
هدف اصلی در فرآیند AHP اینست که خبرگان و مدیران مختلف نظر خود را درمورد برتری هر معیار نسبت به معیار دیگر بیان کرده و سپس این وزنها با یکدیگر ترکیب شده و وزنهای نهایی مشخص شود شود. لذا در گام سوم بایستی وزنهای ارائه‌شده توسط خبرگان و مدیران باهم ترکیب شوند. روش رایج برای ترکیب ماتریس مقایسات زوجی مختلف، استفاده از روش میانگین هندسی میباشد(رابطه2-41). همان‌گونه که در رابطه 2-41 نشان داده شده است، هدف ترکیب وزنهای a_ij میباشد. در این رابطه، N نشان‌دهنده تعداد خبرگان و مدیران و〖a_ij〗^k نشان‌دهنده نظر شخص kام در مقایسه معیار i از j است.
(2-41)
a ̅_ij= √(N&∏_(k=1)^N▒〖a_ij〗^k )
پس از ترکیب وزنهای مختلف، نوبت به تعیین وزن هر یک از معیارها میرسد. برای تعیین وزن معیارها روشهای مختلفی نظیر “حداقل مربعات136″، “روش بردار ویژه137” و “روشهای تقریبی138” وجود دارد. از بین این روشها، روشهای تقریبی به دلیل دقت قابل قبول، محاسبات کمتر و سادگی بیشتر از محبوبیت بالاتری برخوردارند. روشهای تقریبی شامل روشهایی نظیر مجموع سطری، مجموع ستونی، میانگین هندسی و میانگین حسابی میباشد. در صورت سازگار بودن ماتریس مقایسات زوجی، نتیجه هر 4 روش یکسان خواهد بود؛ اما در صورت ناسازگاری، دقت روش میانگین هندسی از سایر روشها بیشتر است. در روش میانگین هندسی، ابتدا میانگین هندسی هر یک از سطرها با استفاده از رابطه 2-42 محاسبه شده و سپس نتایج حاصل نرمال شده و وزنهای مورد نیاز تعیین میشوند.
(2-42)
A_n=√(n&a_n1*a_n2*…*a_nn )
گاهی اوقات در ماتریس مقایسات زوجی، امکان بروز ناسازگاری وجود دارد. ناسازگاری را میتوان عدم تطابق مقایسات دانست. به‌عنوان‌مثال، ممکن است یکی از خبرگان/مدیران میزان برتری معیار اول را نسبت به معیار دوم 3 در نظر گرفته و میزان برتری معیار دوم نسبت به معیار سوم را 2 در نظر گرفته باشد. بدین ترتیب انتظار میرود که نظر وی در مورد برتری معیار اول نسبت به معیار سوم برابر 6(3*2) باشد؛ در این صورت چنانچه نظر وی مقداری غیر از 6 باشد، ناسازگاری رخ داده است. مرحله پنجم در فرآیند تحلیل سلسله مراتبی، مرحله سازگاری بوده که هدف آن اعتبارسنجی پاسخها میباشد. این مرحله به پژوهشگران کمک میکند تا میزان صحت فرآیند را بررسی کرده و به‌درستی آن اعتماد کنند. روشهای مختلفی برای محاسبه ناسازگاری معرفی شده که معروفترین و پرکاربردترین آن‌ها روش بردار ویژه است. مراحل محاسبه ناسازگاری با استفاده از بردار ویژه در ادامه شرح داده شده است:
وزن هر یک از معیارهای موجود در هر یک از مولفهها با استفاده از روشهای نرمالسازی و میانگین موزون تعیین میشود.
بردار مجموع وزنی139 از طریق ضرب کردن مقادیر اصلی مقایسات در وزن معیارها و جمع کردن آن‌ها محاسبه میشود.
(2-43)
WSV=زوجی مقایسات ماتریس(D)*نسبی بردار وزنهای(W)

بردار سازگاری(C.V) با تقسیم هر یک از مولفههای WSV بر مقدار وزن هر یک از معیارها محاسبه میگردد.
میانگین موزون C.V محاسبه شده و λ_max نامگذاری میشود.
شاخص ناسازگاری(I.I) از طریق رابطه2-44 محاسبه میشود.
(2-44)
I.I=(λ_max-n)/(n-1)
نرخ ناسازگاری(I.R) از طریق رابطه 2-45 محاسبه میشود.
(2-45)
I.R=(I.I)/(I.R.I)
در رابطه 2-45، I.R.I مقدار شاخص تصادفی بوده که از طریق جدول2- 12 استخراج میشود.
جدول2- 12 مقادیر شاخص تصادفی به ازای مقادیر مختلف n
10
9
8
7
6
5
4
3
2
1
n
1/49
1/45
1/41
1/32
1/24
1/12
0/90
0/58
0
0
I.R.I
تجربه ثابت کرده است که نرخ ناسازگاری تا 10/0 قابل تحمل بوده و نتایج را چندان تحت تأثیر قرار نخواهد داد.
زنجیره مارکوف
زنجیره مارکوف140 یک فرآیند تصادفی گسسته در زمان است که دارای خاصیت فراموش شدنی است.  یک فرایند تصافی گسسته در زمان، شامل سیستمی است که در هر مرحله در حالت خاص و مشخصی قرار دارد و به صورت تصادفی در هر مرحله تغییر حالت می‌دهد. خاصیت فراموشی زنجیره مارکوف به این نکته اشاره دارد که پیشبینی حالت بعد در سیستم، فقط به حالت فعلی سیستم بستگی داشته و به حالت‌های قبلتر بستگی ندارد. به‌عنوان‌مثال، اگر زمان زندگی یک فرد را به سه دوره گذشته، حال و آینده تقسیم کنیم، آینده این فرد بستگی به مسیری که در گذشته طی کرده است، نداشته و تنها به موقعیت آن در زمان حال وابسته است. رابطه2-46، خاصیت فراموشی در زنجیره مارکوف را نشان میدهد.
(2-46)
P(X_(n+1) | X_n,X_(n-1),…,X_0 )=P(X_(n+1) |X_n)
یکی از کاربردهای اصلی زنجیره مارکوف، تعیین احتمال گذار از یک مرحله به مرحله بعد در فرآیند موردنظر است. این زنجیره با بررسی حالت پیشین در فرآیند، احتمال وضعیت آینده(Pij) را تخمین زده و نشان میدهد. در این زنجیره، احتمال گذار از هر مرحله به مرحله بعد توسط ماتریس گذار نشان داده میشود.
ماتریس گذار ماتریسی است که عنصر تشکیل دهنده ی آن در سطر i و ستون j مقدار Pij یا همان احتمال تغییر حالت از i به j است. اگر فرض کنیم که تعداد حالتهای سیستم M باشد ماتریس گذار همانند ماتریس P خواهد بود.
P=[■(P_11&⋯&P_1m@⋮&⋱&⋮@P_m1&⋯&P_mm )]
نکته حائز اهمیت در مورد ماتریس P آنست که، تمام عناصر این ماتریس غیر منفی بوده و مجموع عناصر هر سطر برابر با یک است اما مجموع عناصر یک ستون الزاما یک نمیباشد.
با توجه به قدرت و انعطافپذیری بالای زنجیره مارکوف، امروزه از زنجیره مارکوف در تعیین ارزش آینده مشتریان بسیار استفاده میشود. به‌عنوان‌مثال در [141]، از ترکیب زنجیره مارکوف و درخت تصمیم برای پیشبینی آینده متغیرهای RFM استفاده شده است. در [142] نیز از ترکیب زنجیره مارکوف و مدل RFM برای تعیین CLV مشتریان استفاده شده است. در [143] نیز ابتدا مشتریان با استفاده از الگوریتم k-means خوشهبندی شده و مراکز تشکیل شده به‌عنوان گذارهای ماتریس در زنجیره مارکوف مشخص میشوند.
جمع بندی
امروزه حملونقل یکی از اجزاء مهم اقتصاد ملی محسوب میگردد و به دلیل داشتن نقش زیربنایی، تأثیر فراوانی بر فرآیند رشد اقتصادي کشور دارد. این بخش دربرگیرنده فعالیتهایی است که به شکلی گسترده در تمامی زمینههاي جابجایی جریان داشته و در مجموعه فعالیتهاي اقتصادي نقش غیرقابل‌انکاری بر عهـده دارد. بدون وجـود شبـکه حملونقل، تأسیسات و تجهیزات جانبی و ناوگان مطلوب، تصور رشد و توسعه عمومی کشور غیرممکن به نظر میرسد. اساساً در رشد و توسعه اقتصاد و تجارت جهانی در مقطع زمانی فعلی و روند گسترش آن نمیتوان نقش سیستمهاي حملونقل در بهینهسازي هزینهها، زمان سفر، سرعت جابجایی، ایمنی و سطح خدمات ارائه‌شده را انکار نمود. با توجه به این اهمیت، امروزه شرکتهای بسیاری برای ارائه خدمات حملونقل بوجود آمده که باعث ایجاد یک بازار رقابتی گردیده است. در این بازار، بازاریابی صحیح از اهمیت فوقالعادهای برخوردار است. در عصر جديد بازاريابي، هدف برقراري روابط بلندمدت و متقابل با گروههاي ذينفع مشتریان، به‌گونه‌ای ترسيم ميشود كه مشتريان بيشتري را حفظ و مشتريان كمتري را از دست داده و به‌این‌ترتیب در بلندمدت سهم بازار و سودآوري شرکت‌ها افزايش مييابد. تمركز بر نيازهاي مشتري عامل اصلي فلسفه بازاريابي است. تمركز بر نيازهاي مشتريان به معني توجه به كيفيت محصولات توليدي و ارائه خدمت به مشتريان است، بنابراين هر سازماني تلاش ميكند تا مشتريگرا باشد. بازاريابي در سير تكامل خود در مرحلهاي قرار دارد كه بازاريابان تنها در انديشه يافتن مشتريان جديد نيستند؛ امروزه هدف از بازاريابي، مديريت تقاضا از طريق رشد و سوق دادن مشتري به سمت مشتریان راضی و وفادار است. در این فصل پس از بررسی مفاهیم اصلی در حملونقل، مفاهیم اساسی در زمینه رضایت مسافران مورد بررسی قرار گرفت. رضایت مشتری واکنش احساسی وی از تعامل با سازمان عرضهکننده و یا از طریق مصرف محصول حاصل میشود و اختلاف مابین انتظارات مشتری و عملکرد واقعی محصول یا خدمات میباشد. در بخش ‏2-3-1 عوامل مؤثر بر رضایت مسافران مورد بررسی و تحلیل قرار گرفت. خلاصهای از این عوامل در جدول2- 13 آمده است.
جدول2- 13 عوامل تأثیرگذار بر رضایت مسافران
عوامل تأثیرگذار
شرح
منابع
کیفیت ارتباط
سطح درک متقابل شرکت‌کنندگان در ارتباط را کیفیت ارتباطات گویند.
[17]
[2]
قیمت
قیمتگذاری یکی از تکنیکهای کارا در مدیریت ارتباط با مشتریان است. شرایط بازار، میزان تقاضا، ظرفیت و زمان ازجمله عوامل مؤثر بر قیمت تعیین شده است[18].
[18]
[19]
[20]
[21]
کیفیت خدمات
کیفیت خدمات همواره به‌عنوان یک استراتژی بازاریابی رقابتی با محوریت مشتری مداری، نوآوری، خلاقیت و تلاش برای تعالی در صنعت هواپیمایی مطرح بوده است.
[24]
[25]
[26]
[27]
[29]
[30]
کانال خرید
تعامل شرکت با مشتریان از طریق روشهای گوناگونی نظیر وب، آژانسهای فروش و… برقرار میشود.
[37]
[38]
[36]
امروزه فقط جلب رضايتمندي مشتريان كافي نيست و شرکت‌ها نبايد تنها به اين موضوع بسنده كنند، بلكه آن‌ها بايد مطمئن شوند كه مشتريان رضایتمندشان، وفادار هم هستند. وفاداری باعث تکرار خرید مشتری خواهد شد و همین عامل سبب بالا رفتن ارزش مشتری خواهد شد. رضایت نقشی اساسی در وفاداری مسافران ایفا میکند، لذا در این فصل پس از بررسی مفهوم رضایت مسافران، مفهوم وفاداری مسافر مورد بررسی قرار گرفته است. همان‌گونه که ارائه خدمات باکیفیت و منطبق با انتظارات مشتریان، سبب ایجاد حس وفاداری در مشتریان میشود، عدم توجه به انتظارات مشتریان نیز سبب دل‌زدگی و رویگردانی مشتریان خواهد شد. رویگردانی یک مسافر به‌منزله از دست دادن یک جریان درآمدی است که شرکت میتوانسته در طول سالیان آینده از آن بهرهمند گردد. ازاین‌رو در بخش ‏2-3-3 رویگردانی بحث شده و عوامل مؤثر بر آن معرفی شده است.
در بخش چهارم از این فصل، مفاهیم مربوط به ارزش مشتری مورد بررسی قرار گرفته شده است. از میان مشتریانی که سازمانها با آن‌ها مبادله تجاری دارند، عده کمی را میتوان به‌عنوان مشتری باارزش معرفی کرد. این دسته همان مشتریانی هستند که سازمان تلاش میکند روابط خود را با آنان تداوم ببخشد و آن‌ها را حفظ کند. مشتریان باارزش، مشتریانی هستند که سهم بسزایی در دستیابی شرکت به اهدافش داشته باشند. عدهای از پژوهشگران، ارزش مشتری را، ارزش حاصل از فعالیتهای گذشته مشتریان معرفی میکنند و عدهای دیگر آینده مشتری را در تعیین ارزش وی در نظر میگیرند. در جدول2- 14 خلاصهای از تکنیکهای تعیین ارزش مشتریان‌ که در این فصل مورد بررسی قرار گرفت مورد بررسی قرارگرفته‌اند.
جدول2- 14 ارزش مشتریان و مدل های آن
ارزش مشتری
نگرش
مدل
شرح
منابع

Past
SOW
معیار SOW یکی از معیارهای عمومی در تعیین حجم کلی خرید یک مشتری از یک محصول خاص در کل بازار است. هدف این معیار نشان دادن میزان پتانسیل مشتری در خرید یک دسته خاص از محصولات است.
[80]
[79]
[80]

SW
معیار SW با مقایسه میزان خرید صورت گرفته توسط مشتری از شرکت و میزان خرید صورت گرفته توسط وی در کل بازار، میزان وفاداری مشتری نسبت به شرکت یا برند موردنظر را تعیین مینماید.
[81]
[82]
[79]
[83]
[84]

PCV
مبنا عملکرد این روش آنست که عملکرد گذشتهی مشتری را ملاکی بر سطح سودآوری آتی وی در نظر میگیرد.
[79]

RFM
این مدل استراتژیک برای تعیین ارزش مشتریان از ترکیب 3 فاکتور تازگی، فرکانس و مقدار پولی استفاده میکند. متغیر تازگی اشاره به مدت زمان سپری‌شده از آن آخرین خرید مشتری دارد. متغیر فرکانس بیان‌کننده میزان تعاملات مشتری با شرکت در یک دوره زمانی خاص است و متغیر مقدار پولی میزان پول خرج شده توسط مشتری در طول یک دوره زمانی مشخص است.
[85],[86],[10],[88]
[89],[90],[91],[92]
[6],[93],[94],[95]
[96],[97],[98],[99]
, [100, 101],[102]
[103],[104],[105],[106]

Future
LTV
ارزش فعلی تمام سودی که مشتری در آینده برای سازمان تولید خواهد کرد.
میزان ارزش مالی تخمین زده شدهای که مشتری در طول ارتباط تجاریاش با سازمان عاید سازمان خواهد کرد؛ با احتساب ارزش پولی امروزی
هزینه اکتساب
[79],[107],[108],[109]
[110],[111],[112]
[113],[115],[116]

طول دوره عمر

حاشیه مشارکت

نرخ تنزیل

خوشهبندی مشتریان یکی از معروفترین روشها برای تعیین مشتریان باارزش است[12]. در بسیاری از مطالعات انجام‌شده در زمینه بازاریابی، از روشهای خوشهبندی برای تعیین مشتریان هدف استفاده میشود. ازاین‌رو در بخش آخر این فصل به بررسی مفهوم خوشهبندی و الگوریتمهای مختلف مورد استفاده در آن پرداخته شده است. خلاصهای از این بررسی در جدول2- 15 آمده است.
جدول2- 15 تکنیک های خوشه بندی
خوشهبندی
تکنیک
شرح
منابع

K-means
یکی از الگوریتمهای خوشهبندی مسطح است که به دلیل قدرت بالا و سادگی، به‌طور گسترده در خوشهبندی دادهها مورد استفاده قرار میگیرد. هدف اصلی این الگوریتم آنست که مجموع عدم تشابه بين تمام اشياء يك خوشه از مراكز خوشههاي متناظرشان كمترين باشد.
[43]
[119]
[120]

الگوریتمهای تکاملی
ژنتیک
الگوریتم ژنتیک با کدگذاری راهحلهای یک مسئله، بهتـرین جـواب را بـرای مسئله پیـدا مـیکنند. این الگوریتم بر مبنای تولیدمثل و ترکیب ژنهای والدین عمل میکند. از این الگوریتم در خوشهبندی و یافتن بهینهترین مراکز خوشه استفاده میشود.
[121]
[12]
[122]
[123]
[124]

رقابت استعماری
این الگـوریتم با تولـید کشـورهـای اولیه و بـهرهگیری از عملگرهای نظیر جذب، انقلاب و… وضعیت کشورها را تغییر میدهد. در ICA، کشورها بر اساس قدرتشان به دو دسته استعمارگر و مستعمره تقسیم میشوند. کشورهای استعمارگر دائماً در تلاش برای جذب کشورهای مستعمره بوده تا از این طریق قدرت خود را افزایش دهند. هدف الگوریتم رقابت استعماری بهبود این کشورها و یافتن بهینهترین جواب است.
[126]
[128]
[129]

کلونی مورچگان
الگوریتم کلونی مورچه الهام گرفته شده از مطالعات و مشاهدات بر روی کلونی مورچههاست. هدف این الگوریتم، یافتن پاسخهای نزدیک به پاسخ اصلی میباشد که در این راه از تولید فرمونهای مصنوعی و شبیهسازی رفتار گـروهی مورچـهها و ارتبـاطـات غیرمستقیم آن‌ها استفاده میکنند.
[130]
[131]

کلونی زنبورعسل
این الگوریتم بر اساس شبیهسازی زندگی زنبورعسل طراحی شده است. این الگوریتم نوعی از جستجوی محلی انجام می‌دهد که با جستجوی تصادفی ترکیب شده و می‌تواند برای بهینهسازی ترکیبی یا بهینه‌سازی تابعی به کار رود.
[138]
[139]

ازدحام ذرات
منبع الهام اين الگوريتم، رفتار اجتماعي حيوانات، همانند حرکت دسته جمعي پرندگان و ماهي‌ها است. الگوريتم PSO از تعداد مشخصي از ذرات تشکيل ميشود که در شروع فرآیند، به‌طور تصادفي، مقدار اوليه ميگيرند. اين ذرات، بصورت تکرار شوندهاي در فضاي چند‌ ‌بعدي مسئله حرکت کرده تا با محاسبه مقدار بهينگي به‌عنوان يک ملاک سنجش، به بهینهترین جواب دست یابند.
[132]
[134]
[135]
[137]

ترکیبی
در تعدادی از مطالعات الگوریتمهای تکاملی مختلف باهم ترکیب شده و هدف این مطالعات، ترکیب این الگوریتـمها برای بهبود پاسخهای تولید شده در زمان اجرا و افزایش دقت بوده است.
ACO
PSO
K-means
[118]

PSO
HBMO
[140]
خلاء مطالعاتی
علیرغم وجود مدلهای مختلفی که در تعیین ارزش مشتریان به آنها اشاره شد، اما بنظر میرسد که این مدلها در صنعت حملونقل کارایی مناسبی ندارند، چرا که شرکتهای مسافربری کماکان در تعیین ارزش مشتریان خود، از دو مدل ثابت فرکانس و طول سفر استفاده میکنند. از اینرو، هدف از این تحقیق برطرف نمودن این خلاء و ارائه مدلی کاربردی در تعیین ارزش مسافران با توجه به ویژگیهای صنعت حملونقل است.

فصل 3: روش تحقیق
مقدمه
واژه مشتری به فردی اطلاق میشود که خدمات/محصولات یک شرکت را دریافت میکند. مشتری این قدرت را دارد که بین محصولات و تأمین‌کنندگان مختلف جستجو کرده و مناسبترین آن‌ها را انتخاب کند. با ظهور تجارت الکترونیک141 و گسترش آن، گونه جدیدی از مشتریان تحت عنوان “مشتریان الکترونیکی142” بوجـود آمـدند که تفاوتهای اساسی با مشتریان عادی دارند. ازجمله تفاوتهای این 2 دسته مشتریان میتوان به مباحثی نظیر پرداخت، اعتماد، چانهزنی، پشتیبانی، کاتالوگهای معرفی محصولات و… اشاره کرد. یکی از تفاوتهای عمده مشتریان الکترونیکی با مشتریان غیر الکترونیکی، قدرت بالای این مشتریان در انتخاب محصول و تأمین‌کننده است. مشتریان الکترونیکی با بهرهگیری از ویژگیهای شبکههای کامپیوتری و اینترنت، این امکان را داشته تا بجای صرف زمان و هزینه در جستوجوی فروشگاههای فیزیکی، محصولات و تأمین‌کنندگان مختلف در سرتاسر جهان را مقایسه کرده و مناسبترین محصول/خدمت را سفارش دهند. جستجو در مجموعه بزرگتری از تأمین‌کنندگان سبب شده که رضایت مشتریان سختتر حاصل شده و وفاداری آن‌ها متزلزلتر شود. موضوع رضایت و وفاداری مشتریان به دلیل اهمیت فوقالعادهای که در سودآوری شرکتها دارد، مورد توجه بسیاری از پژوهشگران بوده و در سالیان اخیر مقالات متعددی در این زمینه ارائه‌شده است.
مسافر نیز نوعی مشتری است که در صنعت حملونقل تعریف میشود. در این صنعت نیز، به دلیل توسعه اینترنت و توانایی مسافران به رزرو و خرید آنلاین بلیت، مفهوم “مسافر الکترونیکی” بوجود آمده و سبب بوجود آمدن رقابتی شدید بین شرکتهای ارائهدهنده خدمات سفر شده است. ارائه سرویسهای سفر به اکثر نقاط توسط شرکتهای مختلف از یک‌سو و توانایی بالای مسافران الکترونیکی در جستوجو از سوی دیگر سبب ایجاد این بازار رقابتی شدید شده است. در چنین بازاری، شرکتی موفقتر خواهد بود که ارزش مشتریان خود را شناسایی کرده و با شناسایی مسافران باارزش، استراتژیهای خود را طراحی کند. ازاین‌رو هدف از این فصل طراحی مدلی در تعیین ارزش مسافران الکترونیکی است که میتواند در بازار رقابتی موجود، از اهمیت بالایی برخوردار باشد.
مدل تعیین ارزش مسافر
هدف اصلی از این بخش، ارائه مدلی در تعیین ارزش مسافران میباشد. تعیین ارزش مسافران، با توجه به کمبود منابع در شرکتهای ارائهدهنده خدمات سفر و رقابت شدید بین آن‌ها، میتواند یک راهبرد مناسب برای شرکتها باشد. اگرچه امروزه چندین مدل در تعیین ارزش مسافران ارائه‌شده است، اما شرکتها همچنان از همان مدلهای پیشین خود استفاده نموده که این امر میتواند ناشی از مناسب نبودن مدلهای ارائه‌شده باشد. تعدادی از شرکتهای هواپیمایی، ارزش مسافران خود را بر اساس تعداد سفرهای انجام‌شده توسط مسافر در یک دوره زمانی خاص(فرکانس) تعیین کرده و تعدادی دیگر، مسافری را باارزشتر میدانند که مسافت بیشتری را با استفاده از آن شرکت پیموده باشند. لذا با توجه به شرایط موجود، امید است که مدل ارائه‌شده در این بخش بتواند در شرایط فعلی که اقبال به خرید الکترونیکی بلیت بیشتر شده و فاصله شرکتها از هم کم، به شرکتهای موجود در بازار کمک کرده، تا با شناسایی مشتریان هدف، خدمات خود را هدفمندتر به مشتریان ارائه داده و جایگاه خود را بهبود بخشند.
در ادبیات موضوع، روشهای مختلفی برای تعیین ارزش مشتریان ارائه‌شده است که در فصل قبل به معرفی آن‌ها پرداخته شد. همان‌گونه که در فصل دوم عنوان گردید، مدل RFM محبوبترین و درعین‌حال پرکاربردترین مدل در تعیین ارزش مشتریان است، که بدلیل قابلیت تغییر متغیرها و تنظیم آنها بر اساس ویژگیهای خاص هر صنعت، امروزه در تعیین ارزش مشتریان کاربرد بسیاری دارد؛ ازاین‌رو در این بخش مدل RFM به‌عنوان مبنای تعیین ارزش مسافران قرار گرفته و سعی شده است تا با توجه به شرایط ویژه صنعت حملونقل، این مدل توسعه یابد.
ارائه مدل تعیین ارزش مشتریان نیازمند شناسایی دقیق کسبوکار، متغیرهای تأثیرگذار، پاکسازی دادهها و… میباشد؛ لذا در این بخش از چارچوب ارائهشده در شکل3- 1 بمنظور تدوین مدل تعیین ارزش مسافران استفاده شده است. ادامه این فصل بصورت گام به گام بر مبنای چارچوب ارائهشده در شکل3- 1 طرحریزی شده است.

شکل3- 1 چارچوب توسعه مدل تعیین ارزش مسافران
فاز اول: آمادهسازی
این گام یکی از مهم‌ترین و وقتگیرترین گامها در فرآیند دادهکاوی میباشد. هدف این گام ادراک بهتر مسئله و درگیر شدن با جزئیات آن، از طریق کار با دادهها بمنظور تهیه یک پایگاه داده جامع و دقیق میباشد. برای دستیابی به این هدف، در این مطالعه 2 گام برای آمادهسازی دادهها تعیین شده است.
انتخاب دادهها و پیشپردازش آنها
این گام با جمعآوری دادههای اولیه شروع میشود. دادهاي كه ميخواهد كاوش شود، بايستی از کیفیت بالایی برخوردار بوده تا بتواند نتایج مناسبی تولید کند؛ لذا این گام شامل بررسي دقيق دادهها به‌منظور استخراج اطلاعاتي از دادهها، توضيحات آن‌ها و مشخص كردن ميزان مطلوبيت دادهها میباشد.
ارزش مشتری ارتباطی مستقیم با تراکنشهای وی دارد؛ ازاین‌رو در این پژوهش سعی شده که دادههای تراکنشهای مشتریان جمعآوری شده و زیر مجموعههای جذابی از آن‌که میتواند در تعیین ارزش مسافران تأثیرگذار باشد، مشخص شوند.
تشکیل پایگاهداده مشتریان
دادههای خام و جذاب جمعآوری شده در مرحله قبل، برای آنکه بتوانند در قالب مدل تعیین شده مورد استفاده قرار گیرند، نیاز به آمادهسازی و پیش پردازش دارند. فعالیتهای آمادهسازی دادهها در این مرحله انجام میشود. گام آمادهسازي دادهها، شامل چهار قسمت ميشود: سادهسازي دادهها، انتخاب خصوصيات، تبديل دادهها و نرمالسازي دادهها.
در پایان این فاز، یک پایگاه داده باکیفیت از دادههای مورد نیاز تهیه شده و برای تعیین ارزش مشتریان مورد استفاده قرار میگیرد.
فاز دوم: تعیین ارزش
فاز 2، اصلیترین فاز در چارچوب پیشنهادی میباشد. در این مرحله، هدف ارائه مدلی است که بیشترین تطبیق را با ویژگیهای صنعت حملونقل داشته و بتواند بهترین کارایی را با توجه به هدف تعریف شده، داشته باشد. از اینرو، در گامهای ارائه شده در این فاز، مدل تعیین ارزش مسافران توسعه و شرح داده شده است.
توسعه مدل تعیین ارزش
همان‌گونه که در فصل 2 اشاره شد، در سالیان اخیر مدلهای گوناگونی در تعیین ارزش مشتریان ارائه‌شده است. علیرغم وجود این مدلهای متنوع، امروزه بسیاری از شرکتهای هواپیمایی از 2 مدل “فرکانس” و “فاصله143” برای تعیین ارزش مسافران خود استفاده میکنند. به‌عنوان‌مثال شرکت هواپیمایی “آسمان” از روش ” فرکانس” برای تعیین ارزش مشتریان استفاده کرده و به آن‌ها خدمات خاص ارائه میکند. برخلاف شرکت هواپیمایی آسمان، شرکت هواپیمایی ماهان از روش “فاصله” برای تعیین ارزش مشتریان خود استفاده میکند. اگرچه این 2 مدل پرکاربرد بوده و در شرکتهای مختلف مورد استفاده قرار میگیرند، اما به نظر میرسد دقیق نبوده و نمیتواند ارزش واقعی مسافران را نشان دهد. به‌عنوان‌مثال، در شرکتهایی که “فاصله” را مبنای تعیین ارزش خود قرار دادهاند، “مشتری 1” که تنها یکبار سفر بطول 2000 کیلومتر را با استفاده از این شرکت تجربه کرده بسیار باارزشتر از “مشتری 2” بوده که مشتری دائمی شرکت بوده و در طول چندین سفر اخیر خود 1500 کیلومتر را پیموده است.
با توجه به ویژگیهای خاص صنعت حملونقل و مشکلاتی که در مدلهای تعیین ارزش فعلی وجود دارد، در این پژوهش مدل LDcFR معرفی شده است. متغیرهای این مدل در جدول3- 1 معرفی شدهاند.
جدول3- 1 متغیرهای مدل LDFR
Length(L)
مدت زمان سپری‌شده از اولین خرید تا آخرین خرید.
Distance(Dc)
مجموع فاصله طی شده توسط مسافر.
Frequency(F)
تعداد دفعات سفر توسط مشتری.
Recency(R)
مدت زمان سپری‌شده از آخرین خرید مشتری.
سوالی که در اینجا مطرح میشود آنست که چرا مدل LDcFR؟ و متغیرهای آن از کجا آمدهاند؟ پاسخ این سؤالات در بخش ‏3-2-2-1-1 تا بخش ‏3-2-2-1-3 آورده شده است.
گام اول: اثبات عدم وجود معیار M:
قیمتگذاری بلیت در شرکتهای هواپیمایی بصورت پویا صورت میگیرد. پویایی و عدم ثبات قیمت در فروش بلیت در شرکتهای هواپیمایی یکی از استراتژیهای موفق این شرکتها در جذب مشتری و کسب درآمد بیشتر است. این عدم ثبات و پراکندگی قیمتها به دو صورت نمایان میشود:
پراکندگی قیمت در پروازهای همسان: منظور از پروازهای همسان، پروازهایست که مبدأ و مقصد یکسان داشته اما در تاریخهای مختلفی صورت میگیرند. قیمت بلیت در این شرایط تابعی از “قیمت سوخت”، “میزان تقاضا”، “شرایط فصلی”، “شرایط بازار” و… است[144, 145].
پراکندگی قیمت در یک پرواز: منظور از ” پراکندگی قیمت در یک پرواز” عدم یکسان بودن قیمت بلیت برای مسافران مختلف در طول یک پرواز مشخص است. این عدم ثبات قیمت در یک پرواز ناشی از عواملی نظیر “تفاوت در ارزش مسافر”، “محدودیت درظرفیت”، “زمان خرید بلیت” و… است[146-148].
همان‌گونه که بیان شد، پویایی قیمت در فروش بلیت، یک استراتژی جذاب و موفق است که امروزه بسیار مورد استفاده قرار میگیرد. در ادامه تعدادی از استراتژیهای رایج در قیمتگـذاری بلیت در شرکتهای هواپیمایی مورد بررسی قرار گرفته است.
استراتژی عرضه و تقاضا: در این استراتژی، قیمت بلیت تابعی از عرضه و تقاضاست. در این استراتژی قیمت پایه بلیت بر اساس عوامل بیرونی تعیین شده و اعلام میگردد؛ اما این قیمت ثابت نبوده و به‌مرورزمان افزایش مییابد؛ این افزایش قیمت معمولاً ناشی از افزایش تقاضا و کمبود ظرفیت است[146]. این افزایش قیمت بخصوص در 20 تا 30 روز باقیمانده تا پرواز بیشتر خواهد بود[149]. لذا میتوان بیان داشت که هر چه مسافران زودتر اقدام به خرید بلیت نمایند، قیمت بلیت کمتر بوده و به قیمت پایه نزدیکتر است. از سوی دیگر، همانطورکه در فصل قبل بیان گردید، یکی از ویژگیهای خاص صنعت حملونقل فاسدشدنی بودن خدمات است[3]. درصورتی‌که میزان تقاضا کم باشد و از تمام ظرفیت هواپیما به‌درستی استفاده نشود، ظرفیت هدر رفته و شرکت فرصت کسب سود را از دست میدهد. در چنین شرایطی چنانچه ظرفیت تکمیل نشده باشد، شرکت قیمت بلیت را کاهش داده تا جذب مشتری نماید. البته این کاهش قیمت همراه با کاهش سطح خدمات ارائه‌شده در طول پرواز نیز میباشد.
استراتژی رفت و برگشت: این استراتژی مخصوص مسافرانی است که قصد خرید بلیت رفت و برگشت را دارند. این دسته از مسافران دو انتخاب مختلف برای خرید بلیت دارند:
خرید همزمان بلیت رفت و برگشت
خرید بلیت برگشت در طول مدت اقامت: در این حالت مسافر تنها بلیت رفت را خریداری کرده و بلیت برگشت را پیش از برگشت تهیه میکند.
استراتژی رفت و برگشت بدین صورت عمل میکند که اگر مسافر همزمان بلیت رفت و برگشت را تهیه کند از تخفیف خاصی برخوردار خواهد شد، اما چنانچه پیش از بازگشت و در مدت اقامت در مقصد اقدام به خرید بلیت نماید هزینه پرداختی وی بیشتر میشود[146].
استراتژی خدمات: یکی دیگر از استراتژیهای شرکتهای هواپیمایی، ارائه خدمات مختلف غیر یکسان در طول پرواز است. در این شرایط مشتریان بر اساس توان و تمایل خود، خدماتی را انتخاب کرده و هزینه آن‌ها را پرداخت میکند. به‌عنوان‌مثال برخی از مشتریان تمایل دارند در قبال پرداخت بیشتر، خدمات بیشتر، باکیفیتتر و سریعتری دریافت نمایند. از سوی دیگر برخی از مشتریان تمایل دارند برای کاهش هزینههای خود از حداقل امکانات موجود استفاده نمایند. “استراتژی ارائه خدمات” به مشتریان این امکان را میدهد تا بر اساس تمایل خود خدمات را انتخاب کرده و دریافت نمایند.
استراتژیهای دیگری نیز در تعیین قیمت بلیت وجود دارند که شرکتهای مختلف با توجه به شرایط خاص خود آن‌ها را وضع کردهاند. به‌عنوان‌مثال شرکت هواپیمایی سآموا ایر144 قیمت بلیت خود را بر اساس وزن مسافر و بارهایش تعیین میکند145. تعدادی دیگر از شرکتها بر اساس ارزش مشتری به وی تخفیف میدهند و درواقع در این شرکتها، هزینه تابعی از ارزش است و نه ارزش تابعی از هزینه.
همان‌گونه که اشاره شد، قیمتگذاری در صنعت حملونقل بصورت پویا صورت میگیرد؛ در چنین شرایطی، نه‌تنها قیمت شرکتهای مختلف متفاوت میباشد بلکه قیمتهای یک شرکت نیز در شرایط مختلف متفاوت میباشد[150]. لذا با توجه به چنین شرایطی، به نظر میرسد که معیار M نمیتواند عامل مناسبی در تعیین ارزش مسافران باشد؛ چراکه حتی مسافران حـاضر در یک پرواز خاص هم، بعضاً هـزینههای متفاوتی میپردازند. در شکل3- 2 تأثیر حذف M از مدل RFM بررسی شده است.

شکل3- 2 مقایسه مدل RFM و RF
3 مشتری مشخص شده در شکل3- 2، در طول سال 6 سفر از مبدای یکسان به مقصدی مشخص داشتهاند. این 3 مسافر علیرغم اینکه مبدأ، مقصد، تازگی و فرکانس یکسانی داشتهاند، اما به دلیل تغییر در نرخ سوخت، هزینه یکسانی پرداخته نکردهاند؛ ازاین‌رو در مدل RFM این 3 مشتری در دستههای مختلفی قرارگرفته‌اند. با توجه به یکسان بودن ارزش این 3 مسافر برای شرکت، به نظر میرسد که مدل RF نتیجهی بهتری را تولید کرده است.
گام دوم: اثبات وجود معیار Dc:
امروزه بسیاری از ایرلاینها نظیر American Airlines، United Airlines، ماهان و… از معیار “فاصله” برای تعیین ارزش مسافران خود استفاده میکنند. مشتریان در این شرکتها، بر اساس مسافت سفر خود، امتیاز دریافت کرده و میتوانند با استفاده از امتیازات خود، از خدمات و مزایایی نظیر: خرید بلیت رایگان، اقامت رایگان در هتلهای طرف قرارداد با شرکت هواپیمایی، خریـد از مراکز خرید و فروشگاههای طرف قرارداد و… استفاده کنند.
نحوه امتیازدهی در این برنامه بدین صورت است که مشتری با توجه به سفری که انجام میدهد برحسب مسافتی که پیموده امتیاز دریافت کرده و میتواند در سفرهای آتی خود از این امتیازها بهرهمند گردد. نکته حائز اهمیت در تعیین مسافت طی شده، تأثیر کلاس پروازی در محاسبه است. کلاسهای سفر اصطلاحا به میزان خدمات ارائه‌شده در طول سفر و میزان راحتی مسافر در طول آن سفر اطلاق میشود. کلاسهای مختلف سفر در میزان فضای صندلی، تعداد مهمانداران، توانایی و تعهد مهمانداران، نوع پذیرایی، ارائه خدمات سرگرمی و… باهم متفاوت میباشند. هرچه میزان خدمات ارائه‌شده بیشتر و باکیفیتتر باشد و راحتی مسافر بیشتر تأمین گردد، قیمت بلیت نیز بالاتر میرود. در جدول3- 2 کلاسهای مختلف پرواز نشان داده شدهاند.
جدول3- 2 انواع کلاس های پرواز(منبع:[151])
کلاس پروازی
ویژگیها
Standard Economy Class
فضای صندلی در این کلاس کم بوده(حدودا 25”) و خدمات ارائه‌شده در سطح معمولی میباشد. بیشتر صندلیهای هواپیما از این نوع بوده و بیشتر توسط مسافرانی که به سفرهای تفریحی میروند خریداری میشوند.
Economy plus Class
این نوع کلاس نسبت به نوع قبل، از فضای بیشتری در طراحی صندلیهای برخوردار بوده و مسافر در آن احساس راحتی بیشتری میکند. Economy plus در شرکتهای هواپیمایی مختلف با نامهای مختلفی نظیر Economy Comfort و Space+ شناخته میشود.
Economy minus Class
از این کلاس بیشتر در پروازهای LCC استفاده میشود. در این نوع کلاس فضای موجود در بین صندلیها، نسبت به کلاس Economy، کاهش‌یافته است؛ دلیل این کاهش فضا نیز اضافه کردن یک صندلی در هر ردیف برای کسب سود بیشتر است.
Premium Economy Class
تفاوت این کلاس با کلاس Economy استاندارد در ارائه مواد غذایی و نوشیدنی بهتر و صندلیهای راحتتر است.
Premium Class
تعداد کمی از LCC ها این نوع کلاس را ارائه میدهند که در آن اگرچه امکانات غذایی و نوشیدنی همانند کلاس قبل نمیباشد، اما دارای صندلیهای راحت مناسب برای خواب است.
Business Class
دارای محیطی ایدهآل جهت استراحت، کار و یا مطالعه میباشد. فضای کافی به همراه تنظیمات صندلی ضمن فراهم نمودن محیطی آرام و راحت جهت آسایش مسافرین از دیگر ویژگیهای این کلاس است. این کلاس به نامهای دیگری نظیر Club Europe و Club World نیز شناخته میشود.
Domestic business Class
این کلاس علاوه بر دارا بودن صندلیهای راحت، مواد غذایی و نوشیدنی مناسب دارای خدمات دیگری نظیر سوار شدن با اولویت، دسترسی راحت به سالن و دریافت سریعتر توشههای سفر است.
Eurobusiness Class
یکی از معروفترین و پرطرفدارترین کلاسهای پروازی است که در آن علاوه بر وجود صندلیهای راحتتر، هیچ دو مسافری در کنار هم قرار نگرفتهاند. درواقع بین هر دو مسافر یک فضای خالی وجود دارد.
Regional business Class
دارای صندلیهای راحتتر و خدماتی نظیر تلویزیون و… است.
International business Class
یکی از مزایای این نوع کلاس که بسیار هم مورد توجه قرار گرفته است، دارا بودن تخت برای استراحت مسافران است.
First Class
گرانترین و درعین‌حال راحتترین صندلیهای موجود در هواپیما هستند. این کلاس دارای امکانات رفاهی مختلف ازجمله تلوزیون خصوصی با ریموت کنترل، لپتاپ، سرویس اینترنت ماهوارهای، صندلیهای اتوماتیک و… میباشد. در این نوع کلاس، انتخاب نوع غذا با خود مسافر میباشد.
Suites Class
در این نوع کلاس هر مسافر دارای یک‌سوئیت مجزا به همراه تمامی امکانات مورد نیاز میباشد.
به‌عنوان‌مثال، در شرکت هواپیمایی ماهان، امتیاز طی شده برای مسافران کلاس First Class، 1.25 برابر امتیاز پایه حساب شده و برای مسـافران کلاس Economy(m و n) نصف امتیاز پایه محاسبه میگردد. با توجه به این نکته، برای یکسانسازی میزان مسافت طی شده مسافران، پیشنهاد میشود که مسافت طی شده با توجه به کلاس سفر تعیین شده و مبنای امتیازدهی قرار گیرد. رابطه 3-1 نشان‌دهنده نحوه محاسبه Dc است.
(3-1)
D_c=Distance*Class Rate
با دقت در رابطه 3-1، میتوان اظهار داشت که متغیر M بطور کامل حذف نگردیده، بلکه تاثیر آن کاهش یافته است؛ چراکه متغیر کلاس سفر(c) دربرگیرنده سودآوری پولی شرکت از مسافر میباشد.
شکل3- 3 تأثیر در نظر گرفتن معیار Dc در تعیین ارزش مسافران را نشان میدهد. همان‌گونه که در شکل نشان داده شده است، 2 مسافر با R و F مساوی و Dc متفاوت وجود دارند. مدل RF که در مرحله قبل تعیین شد، ارزش این 2 مسافر را یکسان در نظر میگیرد درحالی‌که در دنیای واقع ارزش این دو برابر نمیباشد. با اضافه شدن Dc ارزشها بصورت مناسبتری تخصیص یافته و نشان داده شده است.

شکل3- 3 مقایسه مدل RF و DFR
به‌عنوان نتیجه این گام، میتوان عنوان کرد که مدل DcFR نتایج بهتری نسبت به سایر روشها تا به این مرحله تولید کرده است.
گام سوم: اثبات وجود معیار L:
یکی از مشکلات مدل RFM اینست که نمیتواند مشتریان باسابقه را از مشتریان جدید تشخیص دهد[152]. عدم در نظر گرفتن طول مدت زمان146(L) ارتباط مشتری با سازمان میتواند در نتایج بدست آمده در تعیین ارزش مشتریان اشکالاتی ایجاد کند. همان‌گونه که پیش از این بیان شد، وفاداری مشتری، وابسته به ارتباط بین سازمان و مشتری است و واضـح است که کلید وفـاداری مشتری، داشتن یک ارتباط طولانی مـدت با وی است[77, 152]. ازاین‌رو در مقاله [152] مدل RFM توسعه داده شد و مدل LRFM مطرح گردید. در مدل LRFM تأثیر طول مدت زمان ارتباط مشتری با سازمان نیز در نظر گرفته شده است. طول مدت زمان(L) ارتباط مشتری با سازمان را میتوان بصوت زیر تعریف کرد:
مدت زمان سپری‌شده از اولین خرید تا آخرین خرید صورت گرفته توسط مشتری[152].
با توجه به شرایط خاص موجود در صنعت حملونقل، میتوان نتیجه گرفت که وجود معیار L میتواند تأثیر بسزایی در تعیین ارزش مسافران داشته باشد. همان‌گونه که در تعریف سفر عنوان شد، سفر یک پدیده دائمی نیست. بسیاری از مسافران تعـداد معـدودی سفـر را در طـول یک دوره زمـانی خـاص انجام میدهند(دسته اول) و از سوی دیگر، تعداد معدودی از مسافران، مسافرتهای زیادی را در طول یک دوره زمانی خاص انجام میدهند(دسته دوم). مسافران کثیرالسفر در اکثر مواقع، R بهتری نسبت به مسافران دسته اول دارند؛ و این در حالیست که در بین مسافران دسته اول احتمالاً مسافران وفاداری بوده که تعداد مسافرتهای کمی داشته و در نتیجه میزان R آن‌ها پایین است. صرف در نظرگیری معیار R میتواند شرکتهای هوایی را از توجه و برنامهریزی برای مسافران وفادار دسته اول بازدارد؛ لذا پیشنهاد میشود به‌منظور جلوگیری از تأثیرات نامطلوب این تنوع در نتایج تحلیل، از متغیر L و R در کنار هم استفاده شود.
نکته قابل توجه در بحث متغیرهای L و R آنست که این دو متغیر در کنار یکدیگر قرار دارند و نه در مقابل هم. معیار L به بررسی میزان وفاداری مشتری از ابتدای تعامل با سازمان میپردازد و معیار R به میزان وفاداری مشتری نسبت به سازمان در دوره زمانی اخیر.
در شکل3- 4 تأثیر در نظرگیری متغیر L بر تعیین ارزش مسافران مورد بررسی قرار گرفته شده است.

شکل3- 4 مقایسه مدل LDFR و DFR
همان‌گونه که در شکل3- 4 نشان داده شده است، مدل LDcFR توانسته تفکیک پذیری بهتری را بدنبال داشته باشد؛ لذا میتوان ادعا کرد که مدل LDcFR مدل جامعتر و مناسبتری در تعیین ارزش مسافران نسبت به سایر مدلهای موجود میباشد.
به‌منظور ارزیابی مدل LDcFR، مجموعهای شامل تراکنشهای 200 مسافر شرکت هواپیمایی ماهان مورد بررسی قرار گرفته است. در این مجموعه علاوه بر دادههای مربوط به متغیرهای LDcFR به ازای هر مسافر، ارزش مسافر از منظر شرکت نیز موجود میباشد؛ ازاین‌رو پس از تعیین ارزش مسافران با استفاده از مدل LDcFR، نتایج بدست آمده باارزش موجود مقایسه شده تا کیفیت مدل مشخص شود. نتایج حاصل از ارزش مشتریان در هواپیمایی ماهان و ارزش تعیین شده توسط مدل LDcFR، نشان از موفقیت 80 درصدی مدل دارد.
خوشهبندی
تعیین متغیرهای L، Dc، F و R برای هر مشتری، چندان نمیتواند کمکی به ایرلاین مربوطه کند. شرکتها بدنبال شناسایی دسته مشتریان هدف بوده تا بتوانند خدمات مناسب به آن‌ها ارائه دهند. برای دستیابی به این هدف، خوشهبندی مشتریان یکی از تکنیکهای مؤثر و پرکاربرد میباشد. همان‌گونه که در فصل قبل بیان شد، الگوریتمهای گوناگونی برای خوشهبندی مشتریان توسعه داده شده است که معروفترین و پرکاربردترین آن‌ها، الگوریتم k-means میباشد. الگوریتم k-means علیرغم سادگی ذاتی، دارای دو مشکل عمده میباشد:
وابسته بودن به انتخاب مراکز اوليه
تاثیرپذیری از دادههای پِرت
این مشکـلها سبب شده تا از روشهای دیگری در کنار الگـوریتم k-means استفاده شود تا ضمن حفـظ ویـژگیهای این الگوریتم، مشکلات آن نیز برطرف شود. یکی از روشهای رایج برای حل مشکل k-means و بهبود آن، ترکیب این الگوریتم با الگوریتمهای تکاملی است. الگوریتمهای تکاملی با توجه به خاصـیت تکراشوندهای که داشته میتوانند نقاط بهینهای را به‌عنوان مراکز خوشهها یافته و از به دام افتادن الگوریتم k-means در بهینه محلی جلوگیری کنند.
یکی از الگوریتمهای تکاملی جدید که به دلیل سرعت و دقت بالا، در فرآیند خوشهبندی بسیار مورد استفاده قرار میگیرد، الگوریتم رقابت استعماری میباشد. با توجه به سرعت و دقت بالای این الگوریتم در این تحقیق، از ICA به‌منظور خوشهبندی مسافران استفاده خواهد شد. الگوریتم رقابت استعماری الهام گرفته شده از فرآیند اجتمـاعی-سیاسی جهـان واقعی بوده که شرح کامل آن در بخش ‏2-4-2-2-2 ارائه گردید. علیرغم سرعت بالای این الگوریتم در دستیابی به بهینهترین جواب، ICA دارای نقاط ضعفی نیز بوده که در بخش بعد شرح داده شده است.
نارسایی الگوریتم رقابت استعماری
همان‌گونه که در فصل قبل اشاره شد، 2 مفهوم اساسی در جستجوهای الگوریتمهای تکاملی وجود دارد؛ جستجو(Exploration) و بهرهبرداری(Exploitation). در الگوریتم رقابت استعماری، این دو مفهوم در فرآیند جذب پیادهسازی میشوند. یکی از مشکلات موجود در پیادهسازی سیاست جذب، استفاده از زاویه Ɵ است. اگرچه در تئوری الگوریتم رقابت استعماری، وجود زاویه Ɵ یک نقطه قوت بحساب میآید، اما وجود این زاویه در پیادهسازی، مشکلاتی را بوجود میآورد. در شکل2- 29، به دلیل 2 بُعدی بودن فضا مفهوم زاویه Ɵ به‌خوبی نشان داده شده است. قاعده کلی آنست که در فضای جستجو n بُعدی(n>2)، نیاز به تعریف n-1 زاویه Ɵ است؛ که پیادهسازی آن میتواند مشکلاتی را بوجود آورد. از سوی دیگر، با توجه به آنکه سیاست جذب با مفهوم بردار سروکار دارد، لذا در پیادهسازی نیاز به پیادهسازی مفاهیم هندسه برداری بوده که گاها سخت بوده و میتواند باعث کاهش سرعت الگوریتم نیز شود. ازاین‌رو در بخش‏3-2-2-2-2 روش جدیدی برای پیادهسازی سیاست جذب، مستقل از مفهوم بردار و Ɵ ارائه‌شده و در فصل بعد این روش ارزیابی شده است.
توسعه ICA
یکی از مفاهیم اساسی در استعمار، مفهوم “اقبال عمومی147” است. این مفهوم اشاره به تمایل افراد جامعه به مستعمره شدن دارد. در طول تاریخ موارد بسیاری وجود دارد که علیرغم قویتر بودن کشور مستعمره از کشور استعمارگر، به دلیل افزایش نارضایتی مردم از سیاستهای موجود، کشور قویتر مستعمره شده است. به‌عنوان‌مثال، در جنگ ایران و اعراب در زمان امپراطوری ساسانیان، بسیار از مورخان، عدم حمایت مردم از امپراطوری و تمایل آن‌ها به اسلامگرایی را ازجمله عوامل اصلی شکست امپراطوری ساسانی معرفی کردهاند. ازاین‌رو، توجه به تمایل افراد جامعه به مستعمره شدن و نارضایتی آن‌ها از سیاستهای فعلی میتواند عاملی مؤثر بر حرکت کشور به سمت استعمارگر و مستعمره شدن آن باشد. از این پس مفهوم اقبال عمومی با It نشان داده میشود. مفهوم It همانند مفهوم سرعت در الگوریتم PSO، 148BA و… است. این اقبال عمومی در هر بار تکرار، با توجه به موقعیتی که کشور در آن قرار گرفته است، متفاوت خواهد بود و باید بروزرسانی شود. اگرچه مفهوم “اقبال عمومی” به معنای تمایل افراد جامعه به تغییر نظام موجود و پیروی از یک نظام جدید است، اما این نظام جدید، هر نظامی نمیتواند باشد. درواقع، مردم با بررسی شرایط استعمارگرها، به سمت آن استعمارگر که میتواند شرایط بهتری را برای آن‌ها به ارمغان بیاورد تمایل یافته و حاضر به پشتیبانی از آن هستند. این استعمارگر بهترین استعمارگر(impbest) موجود بوده و مردم حاضر به حمایت از آن میباشند. به‌عنوان نتیجه، میتوان “اقبال عمومی” را عامل تأثیرگذار بر مستعمره شدن یک کشور دانست که تحت تأثیر 2 عامل میباشد:
میزان نارضایتی از نظام فعلی
میزان تمایل به یک استعمارگر خاص
گاهی اوقات، مردم به حدی از وضعیت فعلی ناراضی بوده که تنها هدفشان رهایی از وضعیت فعلی است و در شرایطی دیگر، مردم چنان مجذوب یک استعمارگر شده که هدفشان چیزی جز پیروی از آن کشور نیست. در این توسعه، برای کنترل این 2 عامل از 2 متغیر β و W استفاده شده است. در ادامه و در رابطه 3-2 نحوه بروزرسانی It و نحوه تعیین موقعیت جدید کشور در فضای جستجو نشان داده شده است.
(3-2)
I_t= β*I_(t-1)+W*rand*(imp_best-X_old)
X_new= X_old+I_t
در رابطه 3-2، I_t و X_new به

پایان نامه
Previous Entries منابع و ماخذ پایان نامه ارزش مشتری، بیمارستان، تلفن همراه، آموزش الکترونیک Next Entries منابع و ماخذ پایان نامه ارزش مسافران، انحراف معیار، زنجیره مارکوف، ضریب همبستگی