تعداد نشریات | 161 |
تعداد شمارهها | 6,532 |
تعداد مقالات | 70,502 |
تعداد مشاهده مقاله | 124,117,360 |
تعداد دریافت فایل اصل مقاله | 97,222,901 |
خوشهبندی مشتریان بانک با استفاده از شبکههای عصبی رقابتی | ||
مدیریت بازرگانی | ||
مقاله 10، دوره 6، شماره 1، فروردین 1393، صفحه 187-206 اصل مقاله (1.07 M) | ||
نوع مقاله: مقاله علمی پژوهشی | ||
شناسه دیجیتال (DOI): 10.22059/jibm.2014.51611 | ||
نویسنده | ||
علی مروتی شریف آبادی* | ||
استادیار گروه مدیریت صنعتی دانشکده اقتصاد، مدیریت و حسابداری، دانشگاه یزد | ||
چکیده | ||
بخشبندی مشتریان، فرصتی برای توجه به نیازهایی است که در پرتو بازاریابی انبوه مجالی برای ابرازشان نبوده است. هدف اولیهی بخشبندی یافتن و حفظ مشتریانی است که قصد ارائهی خدمت به آنها را داریم. در این پژوهش خوشهبندی مشتریان بانک با استفاده از شبکههای عصبی مصنوعی رقابتی و روشهای آماری سنتی با یکدیگر مقایسه شدهاند. برای خوشهبندی مشتریان، 7 مشخصهی کلیدی 600 مشتری از مشتریان یک بانک استخراج شده است. با استفاده از یک شبکهی عصبی رقابتی و همچنین روش آماری وارد خوشهبندی مشتریان انجام گرفته و نتایج حاصل با استفاده از روش تحلیل تمایزات و شاخصهای MAPE و RMSE با یکدیگر مقایسه شده است. مقایسهی خوشهبندیهای انجام شده، برتری قابل توجه شبکهی عصبی رقابتی بر روش آماری وارد را نشان میدهد. خوشهبندی با استفاده از شبکههای عصبی رقابتی نقطهی قوت و نوآوری این مقاله است. به خصوص که رفع نرون مرده در شبکههای عصبی رقابتی مورد تأکید قرار گرفته است. این مهم با استفاده از ترم بایاس در شبکهی عصبی رقابتی، قابل دستیابی است که در این مقاله بر آن تأکید شده است. | ||
کلیدواژهها | ||
خوشهبندی مشتریان؛ شبکهی همینگ؛ نرون مرده؛ روش وارد؛ تحلیل تمایزات | ||
عنوان مقاله [English] | ||
Clustering Bank's Customers Using Artificial Neural Networks | ||
نویسندگان [English] | ||
Ali Morovati Sharifabadi | ||
Assistant Professor of industrial management, Yazd University | ||
چکیده [English] | ||
Customer's Clustering is an instrument for considering the needs which were not allowed to be expressed due to mass marketing. The primary goal of market segmentation is to find and retain those customers we want to serve. In this paper, we present the experimental results of clustering bank's customers using artificial neural networks (ANN) compared with traditional statistical methods. To cluster the customers, 7 key distinctive characteristics of 600 customers of a bank were extracted. Customers’ clustering was performed using ANN and a powerful statistical method: Ward Method. The results were compared using discriminant analysis, MAPE and RMSE. The comparisions indicate the superiority of ANN output over WARD. Clustering by ANN indicates the strength and innovation of this study. Furthermore, focusing on importance of solving the death neuron problem in artificial neural networks by BIAS term is a contribution of this paper. | ||
کلیدواژهها [English] | ||
Customer's Clustering, Dead unit, Discriminant Analysis, Haming, Ward Method | ||
مراجع | ||
احمدی، پ.؛ آذر، ع. و صمصامی، ف. ( 1389 ). بخش بندی بازار دارو با رویکرد شبکه های عصبی (مطالعة .1-20 :(6) موردی: بازار دارو در ایران)، مدیریت بازرگانی، 2 خوشه بندی مشتریان بانک با استفاده از شبکه های عصبی رقابتی 203 راکعی، ب.؛ خام هچیان ، م.؛ عبدالملکی، پ . و گیاهچی، پ . ( 1386 ). کاربرد سیستم شبکة عصبی مصنوعی در پهنه بندی خطر زمین لغزش، مطالعة موردی: ناحیة سفیدار گله در استان سمنان . .57-64 :(1) مجله علوم دانشگاه تهران، 33 شم آبادی، م.ع. و خدادادحسینی، س.ح. ( 1386 ). بازاریابی صادراتی فرش دستبافت ایران: بررسی عوامل .1-34 :(11) مؤثر و آسی بشناسی، فصلنامة پژوهشنامة بازرگانی، 43 مرتضوی، س.؛ کفا شپور، آ.؛ حبیب یراد، آ. و آسمان دره، ی. ( 1388 ). بخش بندی بازار بانک های مشهد بر .126 -161 :(29) مبنای مزایای مورد انتظار مشتریان، دانش و توسعه، 17 مرتضوی، س. آسمان دره، ی.؛ نجفی سیاهرودی، م. و علوی، س.م. ( 1390 ). بخش بندی بازار گوشی .115 -132 :(8) تلفن همراه بر مبنای مزایای مورد انتظارمشتریان، مدیریت بازرگانی، 3 ملاحسینی، ع. و علی میرزایی، غ. ( 1389 ). بخش بندی و شناسایی ویژگی های مشتریان گروه های ایران .135 -146 :(6) خودرو و سایپا در شهر کرمان، مدیریت بازرگانی، 2 منهاج، م.ب. ( 1384 ). مبانی شبک ههای عصبی، چاپ سوم. تهران: انتشارات دانشگاه صنعتی امیرکبیر. میرغفوری، س. ح.؛ طاهری دمنه، م. و زارع احمدآبادی، ح. ( 1388 ). ارزیابی روش های سنجش کیفیت .63-79 :(8) خدمات به وسیلة شبکه های عصبی مصنوعی. چش مانداز مدیریت، 31 نبی زاده شهربابکی، ف.؛ صفرنیا، ح. و عباسی، ع. ( 1390 ). بررسی نقش و جایگاه عوامل مؤثر در کیفیت خدمات بر روی رضایتمندی مشتریان کلیدی بانک های دولتی شهرستان کرج، مدیریت بازرگانی، .161 -176 :(7)3 Balakrishnan, P.V., Cooper, M.C., Jacob, V.S., Lewis, P.A. (1996). Comparative Performance of the FSCL Neural Network & K-Means Algorithm for Market Segmentation, European Journal of Operational Research, 93 (2): 346-357. Bloom, J.Z. (2005). Market segmentation: A neural net work application, Annals of Tourism Research, 32 (1): 43-111. Boone, D., Rochm, M. (2002). Retail Segmentation using Artificial Neural Networks, International Journal of Research in Marketing, 19(3): 287-301. Cohen, R. (2001). Latent Segmentation Models: New Tools to Assist Researchers in Market Segmentation, Marketing Research, 10 (2): 15-21. ی، دورة 6، شمارة 1، بهار 1393 بازرگا د 204 Curry, B., Mutinho, L. (1993). Neural Networks in in Marketing: Modeling Consumer Responses to Advertizing. European Journal of Marketing, 27 (7): 5-20. Danneels, E. (1996). Market Segmentation: Normative models versus Business reality. European Journal of Marketing, 30 (6): 36-51. Davis, F., Geode, M., Mazanec, J. (1999). Lisrel & Neural Network Modeling two Comparison Studies, Journal of Retailing & Consumer Services, 6 (4): 242-261. Fish, K.E., Barnes, J.H. Aiken. (1995). Artificial Neural Networks: a New Methodology for Industrial Market Segmentation, Industrial Marketing Management, 24 (5): 431-438. Gorr, W. L., Nagin, D. (1994). Comparative Study of Artificial Neural Network and Statistical Models for Predicting Student Grade Point Averages. International Journal of Forecasting, 10 (1): 17-34. Grover, R., Srinivasan, V. (1989). An Approach for Tracking within- Segment Shifts in Market Shares, Journal of Marketing Research, 26 (2): 230-236. Hornik, K., Stinchcombt, M., White, H. (1989). Multilayer Feed Forward Networks are universal Approximators, Neural Networks, 2 (5): 359- 366. Hruschka, H. (1993). Determining Markets Response Functions by Neural Network Modeling: a Comparison to Econometric Techniques. European Journal of Operational Research, 66 (1- 2): 27-35. Kadambi R. (2005). Analysis of data mining techniques for customer segmentation and predictive modeling. Thesis for Master of Science, State University of New York, Binghamton. Kalafatis, S.P.K, Tsogas, M.H. (1998). Congruence of Adopted Segmentation Strategies and Perceived Effectiveness of Segmentation Bases, Journal of Segmentation in Marketing, 2: 36-63. Kim, J., Wey S., Ruys, H. (2003). Segmenting the market of west Australian senior tourists using on artificial neural network. Tourism Management, 24 (1): 25-34. خوشه بندی مشتریان بانک با استفاده از شبکه های عصبی رقابتی 205 Kim, J, Ahn, H. (2008). A recommender system using GA K-means clustering in an online shopping market. Expert Systems with Applications, 34 (2): 1200-1209. Kuang, Wei, Kuo, Fang. (2002). Market Segmentation via Structured Click Stream Analysis, Industrial Management & Data Systems, 102 (9): 493 - 502. Kuo R.J, Ho, L.M, Hu C.M. (2002). Integration of self-organizing feature maps and k-means algorithms for market segmentation. Computers & operations research, 29 (11): 1475-1493. Kuo, R. J. (2001). A Sales Forecasting System Based on Fuzzy Neural Network with Initial Weights Generated by Genetic Algorithm. European Journal of Operational Research, 129 (3): 496-517. Kuo, R.J, Wang, H.S, Hu, Tung-L, Chou, S.H. (2005). Application of Ant K-means on clustering analysis. Computer & mathematics with applications, 50 (10-12): 1709-1724. Law, R. (1999). A Neural Network Model to Forecast Japanese Demand for Travel to Hong-Kong. Tourism Management, 20 (1): 81-97. Lee, M.T.H. (2003). A Bayesian neural network model of consumer choice. Dissertation for the degree of Doctor of philosophy, University of Toronto. Linder, R, Geier J, Kolliker, M. (2004). Artificial neural networks, classification trees and regression: which method for which customer base? Journal of Database Marketing & Customer Strategy Management, 11 (4): 344-356. Liu, Y. (2007). Multicriterion market segmentation: A unified model implementation and evaluation. Dissertation for the degree of PHD, The University of Arizona, Arizona. Mahajan, V., Jain, A.K.. (1978). An Approach to Normative Segmentation, Journal of Marketing Research, 15 (3): 338-345. Mazanec, J. (1992). Classifying Tourists into Market Segments: A Neural Network Approach, Journal of Travel and Tourism Marketing, 1 (1): 39–59. ی، دورة 6، شمارة 1، بهار 1393 بازرگا د 206 Mazanec, J.A.. (1999). Simultaneous Positioning & Segmentation Analysis with topologically Ordered Feature Map: a Tour Operator Example, Journal of Retailing & Consumer Services, 6 (4): 212-235. McDonald, M. & Dunbar, I. (1995). Market segmentation: A Step-by-Step Approach to Creating Profitable Market Segments, London: Whitaker. Neal, W. (2001). Multidimensional Segmentation, Journal of Marketing Research, 41: 12-18. Razi, M.A., Athappilly, K. (2005). A comparative predictive analysis of neural networks (NNs), nonlinear regression and classification and regression tree (CART) models. Expert Systems with Applications, 29 (1): 65- 74. Szczypula, J. (2001). Forecasting Aggregate Retail Sales: a Comparison of Artificial Networks can Learn Arbitary Mappings. Neural Networks, 3: 355-542. Venugopal V., Baets, W. (1994). Neural Networks and Statistical Techniques in Marketing Research: A Conceptual Comparison, Marketing Intelligence and Planning, 12(7): 30–38. West, P., Brocket, P.L., Golden, L. (1997). A Comparative Analysis of Neural Networks & Statistical Methods for Predicting Consumer Choice, Marketing Science, 16(4): 370-391. Wind, Y. (1978). Issues and Advances in Segmentation Research, Journal of Marketing Research, 15(3): 317-337. | ||
آمار تعداد مشاهده مقاله: 3,628 تعداد دریافت فایل اصل مقاله: 5,030 |