بخش بندی بازار شرکت پخش پرنیان مهیار به کمک تکنیک های داده کاوی با استفاده از رویکرد lrfm و شبکه عصبی کوهونن (موردپژوهی)
Abstract(in Persian; no English abstract is available)
امروزه با افزایش رقابت در بازارها و تغییر رویکرد از بازاریابی انبوه به بازاریابی مبتنی بر مشتری، مدیریت ارتباط با مشتری به عنوان مهم ترین استراتژی مدیریتی جهت حفظ و نگهداری مشتری، بقا در بازار و تصمیم گیری در مورد چگونگی تخصیص بهینه منابع مطرح است. برای شناخت بهتر و آگاهی بیش تر از مشتریان باید به مفهوم بخش بندی بازار پرداخت که طی آن تلاش می شود گروه های مشتری با نیازها و الگوهای خرید مشابه که پاسخ مشابهی به برنامه های بازاریابی ارائه می دهند، مشخص شوند. از جمله الزامات یک بخش بندی بازار موفق انتخاب متغیر مناسب است. تلاش های زیادی برای بخش بندی بازار انجام شده و از جمله از مشخصات جمعیت شناختی، مدل ltv و rfm بهره برده اند. در این پژوهش تلاش شده تا رویکرد توسعه یافته lrfm به عنوان اساس بخش بندی بکار رود. در عصر اطلاعات کامپیوتر و فن-آوری های نوین روزانه داده های بسیاری برای شرکت ها فراهم می نمایند و مشکل شرکت ها دیگر جمع آوری داده ها نیست، بلکه نحوه استفاده و استخراج ثروت نهفته در آن هاست. داده کاوی پاسخی مناسب برای این مهم محسوب می شود. این پژوهش ازجهت هدف، کاربردی و به لحاظ روش، توصیفی است. در این پژوهش برای بخش بندی بازار یک شرکت پخش بر اساس معیار lrfm یک رویکرد دو مرحله ای اتخاذ شده که ابتدا به کمک الگوریتم k-means تعداد بهینه خوشه را مشخص می کند و سپس به وسیله شبکه عصبی کوهونن اقدام به بخش بندی بازار می نماید. جامعه آماری در این پژوهش شامل کلیه مشتریان شرکت پرنیان مهیار است که در منطقه 6 شهرداری شهر تهران فعالیت می کنند. در این پژوهش نمونه گیری به روش سرشماری انجام شده و بررسی و تجزیه و تحلیل بر روی کلیه مشتریان شرکت پرنیان مهیار که در منطقه 6 شهرداری مشغول به فعالیت هستند و طی پنج ماه اول سال 1391 از شرکت خرید کرده اند انجام شده است. نتایج این پژوهش نشان می دهد بهترین تعداد خوشه برای بخش بندی بازار شرکت پرنیان مهیار سه خوشه است. همچنین تاثیر شاخص طول مدت همکاری در تفکیک مشتریان خوب و ضعیف ناچیز است و در تفکیک مشتریان متوسط دارای اهمیت است. همچنین با مقایسه نتایج دو الگوریتم مشخص شد که با وجود این که بر اساس شاخص "دیویس بولدین" الگوریتم k-means عملکرد بهتری دارد، اما با توجه به تحلیل پارتو که به نظر می رسد برای اهداف تجاری مهم تر باشد، عملکرد شبکه عصبی کوهونن در تفکیک مشتریان و بخش بندی بازار بهتر ارزیابی شد.