الگوریتم K میانگین

توجه و تمرکز بر مشتری در بازارهای کاملاً رقابتی امروز، عامل حیاتی موفقیت شرکت هاست و تقسیم بندی بازار به بخش های مختلف و ارائه کالاها و خدمات به مناسب ترین بخش ها مهمترین فعالیتی است که منجر به تمرکز بیشتر شرکت ها بر مشتریانشان می گردد. در این پژوهش با استفاده از تکنیک شبکه های عصبی مصنوعی بازار شامپو در منطقه 8 تهران بخش بندی شد. بدین منظور پس از بررسی ادبیات تحقیق 26 شاخص شناسایی شده و با استفاده از شبکه های عصبی خودسازمان ده بخش بندی صورت گرفت و از میان حالت های مختلف خوشه بندی، حالتی انتخاب شد که اعضاء درون هر بخش بازار شباهت حداکثر به هم و اعضاء بین بخشهای مختلف بازار تفاوت معنی داری نسبت به هم داشته باشند. نتایج نشان داد که بخش بندی با 9 خوشه بهترین حالت می باشد. این روش با روش Kمیانگین مقایسه و برتری روش شبکه های عصبی مصنوعی نشان داده شد. در ادامه با استفاده از روش پیشنهادی مبتنی بر روش تاگوچی مهمترین ویژگی هر بخش جهت استخراج اقدامات بازاریابی متناظر استخراج شده است.

امروزه پدیده پول شویی به تهدیدی جدی برای اقتصاد جهانی تبدیل شده است. روش های سنتی مقابله با پول شویی هزینه بر و ناکارآمد هستند. اخیراً تکنیک های داده کاوی گسترش پیدا کرده اند و به عنوان روش های مناسب برای کشف فعالیت های پول شویی مورد توجه قرار گرفته اند. هدف این تحقیق، استفاده از الگوریتم های داده کاوی در کشف موارد مشکوک به پول شویی با استفاده از داده های واقعی تراکنش های بانکی است که ممکن است نیاز به بررسی های بیشتر داشته باشند. تحلیل داده ها با استفاده از فرآیند CRISP-DM انجام شده است. جامعه آماری تراکنش های بانک و نمونه آماری تراکنش های مربوط به یکی از شعب بانک است. داده ها از بانک اطلاعاتی بانک مورد مطالعه جمع آوری شده است. برای انجام این کار از دو رویکرد استفاده شده است. در رویکرد اول با استفاده از الگوریتم k-میانگین ابتدا تراکنش های بانکی افراد خوشه بندی شده اند، سپس با استفاده از به کارگیری الگوریتم های کشف موارد مشکوک، تراکنش هایی که ممکن است مشکوک به پول شویی باشند مشخص گردیده اند. در رویکرد دوم، روشی نوین با به کارگیری قانون بنفورد و روش GANs برای کشف حساب هایی که در تراکنش های آن ها از ارقام ساختگی استفاده شده است و ممکن است مشکوک به پول شویی باشند معرفی شده است. رویکرد اول می تواند حساب هایی که در تراکنش های آن ها موارد پرت وجود دارد را با دقتی حدود ۹۳٪ درصد، و رویکرد دوم می تواند حساب های مشکوکی که در پنهان نمودن ارقام ساختگی در تراکنش های آن ها، از روش های حرفه ای استفاده نشده است را با دقتی حدود ۶۰٪ به درستی تشخیص دهد.