K-means

ارزش مشتری به تعامل بالقوه مشتریان با شرکت در طول دوره های زمانی مشخص اشاره می- کند. هنگامی که شرکت ها ارزش مشتری را درک کنند و به این موضوع پی ببرند که ارزش مشتری می تواند خدمات سفارشی سازی شده را برای مشتریان مختلف ارائه کند، آنگاه به مدیریت روابط مشتری موثر دست می یابند. این پژوهش بر صنعت بانکداری متمرکز بوده و به طور سیستماتیک تکنیک داده کاوی و مباحث مدیریتی را جهت تجزیه و تحلیل ارزش مشتریان، یکپارچه سازی می کند. در گام نخست روش تحلیل سلسله مراتبی فازی برای وزن-دهی به متغیرهای موجود مورد بررسی قرار می گیرد تا میزان تاثیر هر یک از معیارهای مدل DFMT در فرآیند ارزش گذاری مشتریان مشخص گردد. سپس مدل DFMT به عنوان ورودی به تکنیک داده کاوی k-means اعمال می گردد. با استفاده از مدل امتیازدهی پیشنهادی، هرم ارزش مشتری تشکیل می شود که مشتریان را در 4 طیف ارزشی دسته بندی می کند. در هرم ارزش مشتری بدست آمده از جامعه آماری 285 مشتری شعب بانک تجارت زنجان، طیف اول؛ مشتریان پلاتینیومی هستند که ردیف های ارزشی H1 و H2را شامل می شوند که از سطح سودآوری بالایی، برخوردار هستند. طیف دوم؛ مشتریان طلایی که ردیف های ارزشی H3 ، H4 و H5 را شامل می شود. طیف سوم؛ مشتریان نقره ای هستند که ردیف های ارزشی H6 ، H7 و H8 را شامل می شود. طیف چهارم؛ مشتریان سربی که ردیف های ارزشی H9 و H10 را شامل می شود. در واقع این طیف منابع دریافتی از بانک را به هدر داده و بانک باید برای کار با آنها میزان ریسک بالایی را بپذیرد.

هدف : امروزه مشتریان به عامل بسیار مهم و حیاتی در هدایت سرمایه گذاران، تولیدکنندگان و حتی محققان و نوآوران مبدل گشته اند. به همین دلیل، سازمان ها نیاز دارند مشتریان خود را بشناسند و برای آنان برنامه ریزی کنند. در این پژوهش، تلاش شده تا به یکی از اساسی ترین سؤالات سازمان های بیمه ای، یعنی پیش بینی سطح خسارت مشتریان، پاسخ داده شود. روش تحقیق : در پژوهش حاضر از ابزار داده کاوی برای داده های مشتریان صنعت بیمه، بخش بیمه بدنه خودرو از سال 1394 تا 1396 استفاده شده است. تعداد کل داده ها که از ابتدا در این پژوهش مورد استفاده قرار می گیرد بیش از 19356 بوده که در ادامه و در طی آماده سازی آن ها با استفاده از نرم افزار Rapidminer 7.1 تعداد داده هایی که در نرم افزار لحاظ می شود 19356 است. پس از پردازش اولیه تلاش می شود، از بین ۱۵ متغیر موجود در پایگاه داده ویژگی استخراج شود که ملموس باشد و این پژوهش را در هدف خود یاری دهد. بدین منظور با به کارگیری خوشه بندی، رانندگان بر اساس میزان مبلغ خسارت به خوشه های مجزا تقسیم می شوند و ویژگی های هر خوشه بیان می شود. در قسمت خوشه بندی، ابتدا الگوریتم های k-means،  k-medoidsو DBSCAN استفاده شده است. سپس الگوریتم های بکار رفته به جهت زمان انجام محاسبات و میزان صحت با یکدیگر مقایسه شدند. یافته ها : در نهایت الگوریتم k-means به عنوان الگوریتم بهینه برای این مجموعه داده انتخاب شد. در انتها به کمک درخت تصمیم مدلی پیش بینی ارایه می شود که شرکت های بیمه را در جهت سودآوری بیشتر و کشف مشتریان سودآور کمک می کند و برای برنامه ریزی و تصمیم گیری های آتی سازمان قابل استفاده است. نتیجه گیری : برای پیش بینی، درخت تصمیم، با میزان صحت 21/86% بهترین مدلی بود که در این پژوهش به آن رسیدیم و در مدل درخت تصمیم ارایه شده معیار درآمد بیمه گذار به عنوان گره ریشه درنظرگرفته می شود که همین نکته نشان دهنده آن است روش بکار رفته می تواند به شرکت های بیمه کمک کند تا با تمرکز بر مشتریان سودآور به درآمد بیشتری برسند.   طبقه بندی موضوعی : B31, C38, C22, D12  

مقدمه: حدود 15-10 درصد از زوجین نابارور هستند. ناباروری علل متفاوتی دارد و تشخیص روش درمان بیماران بر اساس نوع عامل ناباروری آن ها انجام می شود. در این تحقیق مدلی ارائه شده است که بر اساس ویژگی های اولیه و نتایج آزمایشات ساده علل ناباروری افراد را پیش بینی می کند که می تواند به پزشکان در تشخیص زودهنگام علت ناباروری و تصمیم گیری بهینه کمک کند. روش کار: داده های این تحقیق برگرفته از داده های ناباروری بیمارستان صارم تهران می باشد. در این تحقیق از روش های دادهکاوی استفاده شده است. ابتدا روش خوشه بندی k-means و سپس روش های دسته بندی ماشین بردار پشتیبان (SVM: Support Vector Machine) و شبکه های عصبی مصنوعی به منظور پیش بینی نوع علل ناباروری، اجرا و نتایج دو الگوریتم دسته بندی با هم مقایسه شدند. همچنین برای تحلیل داده ها و اجرای الگوریتم های بخش مدل، از نرم افزار SPSS Clementine 12.0 استفاده شده است. یافته ها: در بخش خوشه بندی بر اساس الگوریتم K-means داده ها به پنج خوشه تقسیم شدند. در هر گروه یک یا چند علت ناباروری مشاهده شد. در ادامه و با اجرای الگوریتم های دسته بندی SVM و شبکه عصبی مصنوعی، مشخص شد که الگوریتم SVM با نوع کرنل چندجمله ای بالاترین کارایی را به دست آورد. نتیجه گیری: انجام این تحقیق علاوه بر اینکه منجر به شناخت بهتر ویژگی های بیماران ناباروری شد، می تواند زمینه ای برای انجام تحقیقات آتی باشد. از آنجائی که با تشخیص علل ناباروری افراد قبل از مراحل ثانویه و آزمایشات سنگین، به مقدار قابل توجهی در هزینه و زمان صرفه جویی و از اثرات جسمی که بر بیماران می گذارد کاسته خواهد شد، می توان در مطالعات آینده با استفاده از نتایج این تحقیق سیستمی را جهت اجرای این مدل پیاده سازی نمود.

انتخاب فناوری مناسب، مسئله مهمی است که بنگاه های تولیدی و صنعتی با آن مواجه هستند. این درحالی است که، دسترسی به فناوری های جدید، مجموعه انتخاب را وسیع کرده است بطوریکه حل مسئله انتخاب فناوری با وجود معیارهای تصمیم متعدد، بیش از پیش مشکل و پیچیده شده است. از طرفی فناوری مناسب می تواند مزایای رقابتی قابل توجه ای را برای یک شرکت در یک محیط پیچیده کسب و کار ایجاد نماید. تاکنون روش های مختلفی جهت حل مسئله انتخاب فناوری ارائه گردیده است که هر یک دارای مزایا و معایبی هستند ولی هیج یک از روش های پیشنهادی به طور واحد کلیه قابلیت های لازم را ندارند. در این مقاله با بکارگیری روش تحلیل مولف های اصلی، روش ترکیبی خوشه بندی و تحلیل مولف های اصلی به همراه تئوری فازی، الگوریتم ترکیبی KMPCA در حل مسئله انتخاب فناوری توسعه داده شده است. تعداد متغیرهای انتخاب فناوری از 6 به 14 متغیر با پوشش کامل تری از ابعاد تصمیم ارتقاء یافت و داده ها از 49 فناوری رایج صنعت سنگ ایران جمع آوری و در مدل آزمون گردید. نتایج این تحقیق ضمن بهبود حل، کاهش ابعاد مسئله و کاهش روابط چند همخطی میان داده ها را در فرآیند انتخاب فناوری نشان می دهد.