منابع پایان نامه درباره خوشه‌بندی، ارتباط با مشتری، فناوری اطلاعات

دانلود پایان نامه ارشد

این رویکرد می‌تواند تا حد زیادی با مقدار اولیه وزن، کیفیت خوشه‌ای را تحت تأثیر قرار دهد. پس از آماده سازی داده‌ها، وزن داده‌ها برای ارائه اطلاعات بیشتر برای الگوریتم W-K-Means در جهت بهبود دقت طراحی می‌شوند.
مراحل انجام کار در این الگوریتم مانند الگوریتم K-Means است. تنها تفاوت آن‌ها در محاسبه میانگین می‌باشد. در الگوریتم W-K-Means میانگین به صورت زیر محاسبه می‌گردد.
(3-6)
x ̅ = (∑_1^k▒〖Wi*Xi〗)/n
که در آن Xi داده‌های ورودی، K، تعداد خوشه‌ها و Wi وزن هر یک از این داده‌ها می‌باشد. با این فرمول مرکز خوشه‌ها مشخص می‌شود و داده‌ها در خوشه‌ای قرار می‌گیرد که کمتری فاصله را تا مرکز خوشه‌ها دارد، بقیه مراحل مانند الگوریتم K-Means تکرار می‌شود.
   
الگوریتم خوشه‌بندی به روش w-K-means
Compute Xi* Wi for all points
Select K points as the inintial centroids.
repeat
From K clusters by assigning all points to the closest centroid
Recompute the centroid of each cluster (the new centroid is calculated by the formula: x ̅ = (∑_1^k▒〖Wi*Xi〗)/n).
until the centroids don’t change

3-2-5-3- خوشه‌بندی به روش A-H-Means148
خوشه‌بندی K-Means يك روش ساده و سريع است كه به دليل پیاده‌سازی آسان و تعداد تكرار كم، عموماً مورد استفاده قرار می‌گیرد. الگوريتم K-Means در تلاش براي يافتن مراكز خوشه‌های (c1,c2,…,ck) به گونه‌ای عمل می‌کند كه مجموع مربعات فاصله‌ی هر نقطه xi تا نزدیک‌ترین مركز خوشه (cj) كمترين شود. وابستگي كارايي K-Means روي مقداردهي اوليه مراكز، يك مشكل اصلي اين الگوريتم می‌باشد. در اين الگوريتم ارتباطی قوي بين نقاط داده و نزدیک‌ترین مراكز خوشه برقرار شده و باعث می‌شود مراكز خوشه‌ها از محدوده‌ی تراكم محلي داده‌ها خارج نشوند. روش K-harmonic means اين مشكل عمده را از طريق جايگزيني كمترين فاصله يك نقطه از مراكز كه در K-Means استفاده می‌شود با ميانگين هارمونيك149 فاصله هر نقطه تا تمامي مراكز برطرف می‌کند. ميانگين هارمونيك يك امتياز مناسبي را به هر نقطه‌ی داده بر اساس نزديكي آن به هر مركز می‌دهد كه اين امر را به عنوان يك ويژگي ميانگين هارمونيك در نظر می‌گیرند.
روش A-H-Means، یک روش میانگین‌گیری بسط یافته است که به ازای مقادیر مختلف Q سایر روش‌های محاسبه میانگین را نیز نتیجه خواهد داد.
نمادهاي زير براي فرمول‌بندی الگوريتم A-harmonic means استفاده می‌شود:
X= {x1,x2,…,xn}: دادهای که باید خوشه‌بندی شود.
C={c1,c2,…,cK}: مجموعه مراکز خوشه‌ها.
Q: متغیر توان که میتواند از بازه R انتخاب میشود.
الگوریتم پایه برای خوشه‌بندی A–harmonic means مشابه الگوریتم K-Means میباشد با این تفاوت که در این روش میانگین توسط فرمول —– محاسبه میگردد.
(3-7)
AHM(X,C)= ( ∑_(i=1)^n▒■( ⁡〖‖x_i-c_j ‖^(Q+1) 〗@jϵ{1…k}))/( ∑_(i=1)^n▒■( ⁡〖‖x_i-c_j ‖^Q 〗@jϵ{1…k}))
در فرمول بالا در صورتی که Q=0 فرمول ( ∑_(i=1)^n▒■( ⁡〖‖x_i-c_j ‖^ 〗@jϵ{1…k}))/n که همان میانگین حسابی است حاصل خواهد شد و اگر Q=-1 میانگین هارمونیک را نتیجه خواهد داد.
   
الگوریتم خوشه‌بندی به روش A-H-means
Select K points as the inintial centroids.
for Q=-1 to 5
repeat
From K clusters by assigning all points to the closest centroid
Recompute the centroid of each cluster (the new centroid is calculated by the formula: AHM(X,C)= ( ∑_(i=1)^n▒■( ⁡〖‖x_i-c_j ‖^(Q+1) 〗@jϵ{1…k}))/( ∑_(i=1)^n▒■( ⁡〖‖x_i-c_j ‖^Q 〗@jϵ{1…k}))).
until the centroids don’t change

3-2-6- ارزیابی خوشه‌ها به روش مجموع مربع خطاها150 و انتخاب بهترین روش
پس از اینکه خوشه‌بندی با روش‌های K-Means، WK-Means و A-H-Means انجام گرفت لازم است نتایج حاصل از هر یک از سه روش مقایسه گردد تا از نتایج بهترین الگوریتم استفاده گردد. هدف از اعتبارسنجی خوشه‌ها یافتن خوشه‌هایی ست که بهترین تناسب را با داده‌های مورد نظر داشته باشند.
براي سنجش همگنی درون خوشه‌ای و ناهمگنی بین خوشه‌ای تعاریف متفاوتی بر اساس فاصله اعضا وجود دارد که در زیر به تفصیل بررسی گردیده است. سپس با در نظر گرفتن این تعاریف معیارهایی براي سنجش کیفیت خوشه‌بندی تعریف شده است.
یکی از رایجترین معیارهای ارزیابی خوشه‌ها مجموع مربع خطاهاست. روش محاسبه SSE به صورت زیر است:
برای هر نقطه خطا فاصله آن تا نزدیکترین خوشه است.
برای محاسبه SSE، مربع فاصله هر نقطه را حساب کرده و باهم جمع مینماییم.
(3-8)
SSE= ∑_(i=1)^K▒∑_(xϵC_i)▒∑_(j=1)^n▒〖(m_j^i-x_j)〗^2

نمادهای بکار رفته در رابطه 3-8 به شرح زیر میباشد:
x: یک نقطه در خوشه Ci
xj: jاُمین ویژگی x
mij: jاُمین ویژگی نقطه نماینده خوشه Ci
میتوان نشان داد که mij، با مرکز خوشه متناسب است.
از بین دو خوشه، خوشهای که SSE کمتری دارد انتخاب میشود. یک راه ساده جهت کاهش SSE، افزایش تعداد خوشه‌ها (K) است. که البته خوشه‌بندی خوب خوشه‌بندی‌ای است که با K کوچک‌تر بتواند SSE کمتری از یک خوشه‌بندی ضعیف با K بالاتر داشته باشد [31].
کیفیت خوشه‌ها و میزان خطای خوشه‌بندی در این روش تا حد زیادی به انتخاب مراکز اولیه وابسته است.
در مورد انتخاب مراکز اولیه مشکلاتی وجود دارد. در صورتی که K خوشه واقعی داشته باشیم شانس انتخاب یک مرکز از هر خوشه بسیار کم است و هر چقدر K بزرگتر باشد این احتمال کمتر است. اگر خوشه‌ها اندازههای مساوی و برابر n داشته باشند، در این صورت این احتمال از فرمول –3-9 محاسبه خواهد شد:
(3-9)
p=(number of ways to select one centroid from each cluster)/(number of ways to select K centroids)=(K!n^K)/(Kn)^K =K!/K^K
برای مثال اگر K=10 باشد این احتمال برابر است با: 10!⁄〖10〗^10 =0.00036. گاهی اوقات نقاط مرکز خود را در مسیر درست اصلاح میکنند و گاهی خیر.
پیشنهاداتی برای حل مشکل مراکز اولیه:
اجرای چند باره: این روش گاهی اوقات میتواند نتیجه‌بخش باشد اما همیشه این‌طور نخواهد بود.
نمونهبرداری و استفاده از خوشه‌بندی سلسلهمراتبی برای تشخیص نقاط مرکزی.
انتخاب بیش از K مرکز اولیه در بازهی گسترده‌تر و سپس انتخاب بهترین نقاط از بین نقاط انتخابی.
انجام عملیات پس پردازش [31]
3-2-7- به‌کارگیری دانش حاصل از خوشه‌بندی
پس از بخش‌بندی مشتریان میتوان با بررسی خوشههای حاصل و با کمک نظرات خبرگان بانک و با استفاده از پروفایل مشتریان بانک مهر اقتصاد میتوان به مطالعه و استخراج دانش این خوشه‌ها پرداخت و یا به رتبهبندی خوشههای مشتریان اقدام نمود. دانش حاصل از این مرحله راهنمای بسیار خوبی جهت اتخاذ راهبُردهای بهینه متناسب با هر خوشه برای مدیریت هر چه بهتر ارتباط با مشتریان خواهد بود.
به طور معمول مشتریانی که در یک خوشه قرار میگیرند دارای ویژگی‌های رفتاری مشابهی خواهند بود.
3-3- روش‌های جمع آوری اطلاعات
منابع مورد استفاده در این تحقیق شامل بررسي تحقيقات و پاياننامههاي موجود و مرتبط با موضوع، مطالعه مقالات و كتب فارسي و انگليسي، جستجوي موضوعات مرتبط در پايگاههاي داده علمي و اينترنت می‌باشد. در اين تحقيق براي جمع آوری داده‌ها از دادههاي موجود در پايگاه اطلاعاتي بانك مهر اقتصاد استفاده شده است.
3-4- جمع‌بندی مطالب فصل
در این فصل چارچوب کلی طرح پیشنهادی مطرح شده و جزئیات گامها و روش‌های مورد استفاده در هر گام مورد بررسی قرار گرفت. برای مثال روش‌های K-Means، WK-Means و Anti Harmonic Means جهت خوشه‌بندی داده‌ها انتخاب شده و معیار SSE به عنوان ملاکی جهت مقایسه نتایج حاصل از اجرای هر یک از این الگوریتمها بر روی مجموعه داده‌های مورد نظر خواهد استفاده خواهد شد. هر چه میزان SSE خوشه‌ها کمتر باشد نشان‌دهنده عملکرد بهتر الگوریتم خواهد بود.
در نهایت، دانش موجود در خوشههای حاصل از بهترین روش انتخابی، در مسیر مطالعه و اخذ تصمیماتی جهت مدیریت هر چه بهتر ارتباط با مشتری، به کمک مدیران سازمان خواهد شتافت.

فصل چهارم
محاسبات و یافتههای تحقیق

4-1- مقدمه
جایگاه مشتری در فضای رقابتی کسب‌وکار بر کسی پوشیده نیست. به ویژه در نظام بانکی مشتری، نقش بسیار مؤثری در مسیر نیل به اهداف سازمان ایفا میکند. این نقش در بانکهای خصوصی بسیار مورد توجه قرار گرفته و این بانکها مطالعات و فعالیت‌های ویژهای را در این زمینه اختصاص دادهاند. در این تحقیق سعی شده تا با استفاده از روش‌های داده‌کاوی دانش نهفته در اطلاعات موجود در پایگاه داده‌های حاصل از تعاملات بانک و مشتری را استخراج نموده و از آن در جهت اخذ راهبُردهای مدیریت ارتباط با مشتری بهرهگیری نماییم.
در فصل سوم چارچوب کلی روش پیشنهادی و الگوریتم‌های انتخابی برای پیادهسازی گام‌های این روش تشریح گردید.
در این فصل بر طبق چارچوب ارائه شده در فصل قبل، سعی شده تا با اعمال الگوریتمها بر روی پایگاه داده‌های مشتریان بانک مهر اقتصاد، در جهت حصول اهداف تحقیق که همان بخش‌بندی مشتریان و استخراج راهبُردهای متناسب با هر بخش و به‌کارگیری راهبُردها و دانش حاصل در چرخه مدیریت دانشی سازمان میباشد، گام برداریم.
در این تحقیق روش Min-Max برای نرمال سازی داده‌ها، روش‌های K-Means، WK-Means، A-Harmonic means جهت خوشه‌بندی داده‌ها و شاخص مجموع مربع خطاها برای ارزیابی و اعتبارسنجی خوشه‌ها به کار گرفته خواهند شد.
مورد مطالعه در این تحقیق مشتریان بانک مهر اقتصاد میباشند.
4-2- معرفی بانک مهر اقتصاد
موسسه مالي و اعتباري مهر (موسسه قرض الحسنه بسيجيان سابق) با ايجاد زمينه هاي مساعد جهت رشد اقتصادي جامعه و ارتقاء سطح رفاه اجتماعي و رفع نياز آحاد ملت به ويژه بسيجيان در تاريخ 23/9/1372 با سرمايه اي به ارزش ده ميليون ريال آغاز به كار كرد و از شروع فعاليت با توجه به نياز مبرم كشور به تحول در زمينه سيستم بانكداري سنتي، ارايه خدمات بانكداري الكترونيكي را سرلوحه فعاليت بانكي و پولي خود قرار داده است. موسسه مالي و اعتباري مهر اولين موسسه مالي و پولي در كشور در زمينه ارايه سرويس‌هاي بانكداري مدرن، چون اينترنت بانك، موبايل بانك، دستگاه خودپرداز151، تلفن بانك، خدمات پايانه‌هاي فروش152، كارت هوشمند و ارايه سيستم‌هاي برخط153 بانكي و پولي مي‌باشد.
4-3- موضوع و فعالیت بانک
موسسه مالي و اعتباري مهر با عنايت به مسووليت اجتماعي خود و حضور موثر در عرصه‌هاي اقتصادي (پولي و بانكي) ضمن توسعه شعب خود در اقصي نقاط كشور (نزدیک به هفتصد شعبه) خدمات گوناگوني در حمايت از پروژه‌هاي مولد و اشتغال‌زا، ازدواج، درمان، تحصيل و … ارايه نموده و همچنين در توسعه خدمات الكترونيك گام‌هاي اساسي برداشته است. همچنين خدمات ديگري شامل افتتاح انواع سپرده‌هاي سرمايه‌گذاري و سود مناسب، اعطاي تسهيلات در بخش‌هاي صنعتي و توليدي، مسكن، خريد خودرو و لوازم خانگي و خدمات اعتباري به مشتريان خود ارايه مي‌نمايد. موسسه مالي و اعتباري مهر در راستاي توسعه فناوری اطلاعات اقداماتي از قبيل راه‌اندازي سايت مركزي، ايجاد بستر فناوری اطلاعات براي هفتصد شعبه تحت پوشش، ايجاد بانکداری یکپارچه154 با ظرفيت بالا و ايمن، راه‌اندازي سايت اطلاع رساني و تجهيز دویست و شانزده شعبه به دستگاه خودپرداز را انجام داده است. سيستم جامع اتوماسيون بانكي موسسه در حال حاضر بزرگترين شعبه اتوماسيون در بين بانك‌هاي خصوصي محسوب شده و قابليت‌هاي فراواني از قبيل: اينترنت بانك، موبايل بانك، اس ام اس بانك، تلفن بانك، ايميل بانك و

پایان نامه
Previous Entries منابع پایان نامه درباره خوشه‌بندی، مشتریان کلیدی، سلسله‌مراتب Next Entries منابع پایان نامه درباره خوشه‌بندی، استان مازندران، ارتباط با مشتری