بهبود الگوریتم خوشه بندی مشتریان برای توزیع قطعات یدکی با رویکرد داده کاوی (k-means)
نویسندگان
چکیده
خوشه بندی مشتریان با رویکرد داده کاوی برای بهینه سازی برنامه حمل ونقل یکی از مباحث مطرح در حوزه مدیریت ارتباط با مشتریان است. در این مقاله داده ها و اطلاعات واقعی توزیع قطعات یدکی شرکت ایساکو در طی 36 ماه گذسته مورد بررسی قرارگرفته است و به کمک ابزار داده کاوی شباهت رفتار تقاضای قطعات یدکی توسط مشتریان درمناطق مختلف کشور ایران سنجیده شده است. تابع سنجش شباهت رفتار مشتریان در مناطق مختلف براساس ترکیب قواعد تعریف گردیده است . براساس این تابع و به کمک الگوریتم k-means عملیات خوشه بندی انجام گرفته و مشتریان مشابه در یک خوشه قرارگرفته اند. تابع سنجش شباهت رفتار مشتریان در پنج مرحله تشکیل شده است. تابع شباهت مشتریان براساس فواصل اقلیدسی (مکان استقرارآنها) , زمان تقاضای مشتریان و مقدار ارزش حجمی تقاضای مشتریان به صورت جداگانه تعریف شده است. سپس این سه عامل با هم ترکیب شده و تابع dcb به وجود آمده است. در مرحله نهایی با درنظر گرفتن وزن های مختلف برای سال ها و فصول گوناگون تابع bcd بهبود داده شده است. عملیات خوشه بندی به وسیله سه تابع فاصله اقلیدسی، تابع dcb و تابع bcd بهبود یافته در نرم افزار r انجام و تابعbcd بهبود یافته به عنوان بهترین تابع برای خوشه بندی انتخاب شده است . سپس با استفاده از مدل dtm رفتار هر بخش تحلیل شده و سیاست های توزیع مناسب برای آن بخش تبیین شده است . نتایج حاصل بیانگر کاهش 32 درصد هزینه های توزیع در شرکت ایساکو می باشد.
منابع مشابه
خوشه بندی تصاویر پوشاک با استفاده از پردازش تصویر و الگوریتم K-means
امروزه صنعت پوشاک و مد صنعتی جهانی است و اکثر کشورها روی این صنعت سرمایه گذاری می کنند. در سالهای اخیر با گسترش تجارت الکترونیک و با توجه به مزیت های آن مثل قابل استفاده بودن کالاها با هزینه کمتر، انتخاب گسترده تر و صرفه جویی در زمان، انبوه مردم مایحتاج خود را از وبگاه ها و فروشگاه های اینترنتی به جای مغازه ها تهیه می کنند. این موضوع، نیاز به سامانه ای را ایجاد کرده که بتواند پوشاک را شناسایی و...
متن کاملاصلاح خوشه بندی k-means توسط الگوریتم ژنتیک بهبودیافته
خوشه بندی تکنیکی از داده¬کاوی است که تعدادی آیتم را می¬گیرد و آنها را براساس ویژگیها¬یشان درون خوشه¬ها قرار می¬دهد. آیتمهای درون هر خوشه بیشترین میزان شباهت را در ویژگی بخصوصی که از پیش مشخص شده است،با هم دارند و آیتمهای خوشه¬های مختلف بیشترین تفاوت را در آن ویژگی، نسبت به هم دارند. خوشه¬بندی انواع مختلفی دارد که k-means یکی از بهترین و ساده¬ترین آنهاست. این خوشه¬بندی به این دلیل که پایه¬ی برخی...
یافتن مرکز بهینه برای خوشه ها در الگوریتم k-means
چکیده داده کاوی به فرایند استخراج الگوهای پنهان و یا ویژگی های جالب و مفید از مجموعه داده ها گفته می شود که با استفاده از آن می توان به تصمیم گیری و پیش بینی رفتار آینده پرداخت. خوشه بندی در داده کاوی یکی از عملیات مهم در نتیجه گیری داده-کاوی بر روی داده ها به حساب می آید. خوشه بندی افراز بندی یک گروه متنوع به تعدادی زیر گروه مشابه یا گروه بندی مجموعه-ای از اشیاء به کلاسی از اشیاء مشابه می با...
15 صفحه اولتصحیح سیستم طبقه بندی امتیاز توده سنگ با استفاده از الگوریتم های خوشه بندی k-means و fuzzy c-means
با توجه به اهمیت و کاربرد سیستم طبقه بندی امتیاز توده سنگ در مهندسی سنگ، هدف از این مقاله تصحیح کلاس های نهایی این سیستم طبقه بندی با استفاده از الگوریتم های خوشه بندی k-means و fuzzy c-means (fcm) است. در سیستم طبقه بندی امتیاز توده سنگ داده ها توسط یک سری از اطلاعات اولیه بر مبنای نظریات و قضاوت های تجربی طبقه بندی می شوند ولی با کاربرد الگوریتم های خوشه بندی در این سیستم طبقه بندی، کلاس بندی...
متن کاملخوشه بندی مشتریان بر اساس مدل rfm و رویکرد داده کاوی برای افزایش وفاداری مشتریان بانک
در بازار به شدت رقابتی امروز و به طور خاص در زمینه بانکداری حفظ و نگهداری مشتریان از اهمیت بالایی برخوردار است. پس از شناسایی مشتریان، سازمانها باید در پی افزایش میزان رضایت و وفاداری آنها باشند. ارزش دوره عمر مشتری ، مفهومی است که میتواند به بانکها کمک فراوانی نماید. این مفهوم بیانگر ارزشی است که مشتری در طول دوره عمرش برای بانک ایجاد میکند و هدف اصلی از محاسبه آن، ایجاد یک برداشت از مشتریان ب...
منابع من
با ذخیره ی این منبع در منابع من، دسترسی به آن را برای استفاده های بعدی آسان تر کنید
عنوان ژورنال:
بین المللی مهندسی صنایع و مدیریت تولیدجلد ۲۳، شماره ۲، صفحات ۲۳۹-۲۴۹
میزبانی شده توسط پلتفرم ابری doprax.com
copyright © 2015-2023