منابع پایان نامه درباره خوشه‌بندی، ارتباط با مشتری، فناوری اطلاعات

دانلود پایان نامه

این رویکرد می‌تواند تا حد زیادی با مقدار اولیه وزن، کیفیت خوشه‌ای را تحت تأثیر قرار دهد. پس از آماده سازی داده‌ها، وزن داده‌ها برای ارائه اطلاعات بیشتر برای الگوریتم W-K-Means در جهت بهبود دقت طراحی می‌شوند.
مراحل انجام کار در این الگوریتم مانند الگوریتم K-Means است. تنها تفاوت آن‌ها در محاسبه میانگین می‌باشد. در الگوریتم W-K-Means میانگین به صورت زیر محاسبه می‌گردد.
(3-6)
x ̅ = (∑_1^k▒〖Wi*Xi〗)/n
که در آن Xi داده‌های ورودی، K، تعداد خوشه‌ها و Wi وزن هر یک از این داده‌ها می‌باشد. با این فرمول مرکز خوشه‌ها مشخص می‌شود و داده‌ها در خوشه‌ای قرار می‌گیرد که کمتری فاصله را تا مرکز خوشه‌ها دارد، بقیه مراحل مانند الگوریتم K-Means تکرار می‌شود.
   
الگوریتم خوشه‌بندی به روش w-K-means
Compute Xi* Wi for all points
Select K points as the inintial centroids.
repeat
From K clusters by assigning all points to the closest centroid
Recompute the centroid of each cluster (the new centroid is calculated by the formula: x ̅ = (∑_1^k▒〖Wi*Xi〗)/n).
until the centroids don’t change

3-2-5-3- خوشه‌بندی به روش A-H-Means148
خوشه‌بندی K-Means یک روش ساده و سریع است که به دلیل پیاده‌سازی آسان و تعداد تکرار کم، عموماً مورد استفاده قرار می‌گیرد. الگوریتم K-Means در تلاش برای یافتن مراکز خوشه‌های (c1,c2,…,ck) به گونه‌ای عمل می‌کند که مجموع مربعات فاصله‌ی هر نقطه xi تا نزدیک‌ترین مرکز خوشه (cj) کمترین شود. وابستگی کارایی K-Means روی مقداردهی اولیه مراکز، یک مشکل اصلی این الگوریتم می‌باشد. در این الگوریتم ارتباطی قوی بین نقاط داده و نزدیک‌ترین مراکز خوشه برقرار شده و باعث می‌شود مراکز خوشه‌ها از محدوده‌ی تراکم محلی داده‌ها خارج نشوند. روش K-harmonic means این مشکل عمده را از طریق جایگزینی کمترین فاصله یک نقطه از مراکز که در K-Means استفاده می‌شود با میانگین هارمونیک149 فاصله هر نقطه تا تمامی مراکز برطرف می‌کند. میانگین هارمونیک یک امتیاز مناسبی را به هر نقطه‌ی داده بر اساس نزدیکی آن به هر مرکز می‌دهد که این امر را به عنوان یک ویژگی میانگین هارمونیک در نظر می‌گیرند.
روش A-H-Means، یک روش میانگین‌گیری بسط یافته است که به ازای مقادیر مختلف Q سایر روش‌های محاسبه میانگین را نیز نتیجه خواهد داد.
نمادهای زیر برای فرمول‌بندی الگوریتم A-harmonic means استفاده می‌شود:
X= {x1,x2,…,xn}: دادهای که باید خوشه‌بندی شود.
C={c1,c2,…,cK}: مجموعه مراکز خوشه‌ها.
Q: متغیر توان که میتواند از بازه R انتخاب میشود.
الگوریتم پایه برای خوشه‌بندی A–harmonic means مشابه الگوریتم K-Means میباشد با این تفاوت که در این روش میانگین توسط فرمول —– محاسبه میگردد.
(3-7)
AHM(X,C)= ( ∑_(i=1)^n▒■( ⁡〖‖x_i-c_j ‖^(Q+1) 〗@jϵ{1…k}))/( ∑_(i=1)^n▒■( ⁡〖‖x_i-c_j ‖^Q 〗@jϵ{1…k}))
در فرمول بالا در صورتی که Q=0 فرمول ( ∑_(i=1)^n▒■( ⁡〖‖x_i-c_j ‖^ 〗@jϵ{1…k}))/n که همان میانگین حسابی است حاصل خواهد شد و اگر Q=-1 میانگین هارمونیک را نتیجه خواهد داد.
   
الگوریتم خوشه‌بندی به روش A-H-means
Select K points as the inintial centroids.
for Q=-1 to 5
repeat
From K clusters by assigning all points to the closest centroid
Recompute the centroid of each cluster (the new centroid is calculated by the formula: AHM(X,C)= ( ∑_(i=1)^n▒■( ⁡〖‖x_i-c_j ‖^(Q+1) 〗@jϵ{1…k}))/( ∑_(i=1)^n▒■( ⁡〖‖x_i-c_j ‖^Q 〗@jϵ{1…k}))).
until the centroids don’t change

3-2-6- ارزیابی خوشه‌ها به روش مجموع مربع خطاها150 و انتخاب بهترین روش
پس از اینکه خوشه‌بندی با روش‌های K-Means، WK-Means و A-H-Means انجام گرفت لازم است نتایج حاصل از هر یک از سه روش مقایسه گردد تا از نتایج بهترین الگوریتم استفاده گردد. هدف از اعتبارسنجی خوشه‌ها یافتن خوشه‌هایی ست که بهترین تناسب را با داده‌های مورد نظر داشته باشند.
برای سنجش همگنی درون خوشه‌ای و ناهمگنی بین خوشه‌ای تعاریف متفاوتی بر اساس فاصله اعضا وجود دارد که در زیر به تفصیل بررسی گردیده است. سپس با در نظر گرفتن این تعاریف معیارهایی برای سنجش کیفیت خوشه‌بندی تعریف شده است.
یکی از رایجترین معیارهای ارزیابی خوشه‌ها مجموع مربع خطاهاست. روش محاسبه SSE به صورت زیر است:
برای هر نقطه خطا فاصله آن تا نزدیکترین خوشه است.
برای محاسبه SSE، مربع فاصله هر نقطه را حساب کرده و باهم جمع مینماییم.
(3-8)
SSE= ∑_(i=1)^K▒∑_(xϵC_i)▒∑_(j=1)^n▒〖(m_j^i-x_j)〗^2

مطلب مرتبط :   منبع پایان نامه ارشد دربارهاغراض شعری، روشنفکران، ظلم و ستم

نمادهای بکار رفته در رابطه 3-8 به شرح زیر میباشد:
x: یک نقطه در خوشه Ci
xj: jاُمین ویژگی x
mij: jاُمین ویژگی نقطه نماینده خوشه Ci
میتوان نشان داد که mij، با مرکز خوشه متناسب است.
از بین دو خوشه، خوشهای که SSE کمتری دارد انتخاب میشود. یک راه ساده جهت کاهش SSE، افزایش تعداد خوشه‌ها (K) است. که البته خوشه‌بندی خوب خوشه‌بندی‌ای است که با K کوچک‌تر بتواند SSE کمتری از یک خوشه‌بندی ضعیف با K بالاتر داشته باشد [31].
کیفیت خوشه‌ها و میزان خطای خوشه‌بندی در این روش تا حد زیادی به انتخاب مراکز اولیه وابسته است.
در مورد انتخاب مراکز اولیه مشکلاتی وجود دارد. در صورتی که K خوشه واقعی داشته باشیم شانس انتخاب یک مرکز از هر خوشه بسیار کم است و هر چقدر K بزرگتر باشد این احتمال کمتر است. اگر خوشه‌ها اندازههای مساوی و برابر n داشته باشند، در این صورت این احتمال از فرمول –3-9 محاسبه خواهد شد:
(3-9)
p=(number of ways to select one centroid from each cluster)/(number of ways to select K centroids)=(K!n^K)/(Kn)^K =K!/K^K
برای مثال اگر K=10 باشد این احتمال برابر است ب
ا: 10!⁄〖10〗^10 =0.00036. گاهی اوقات نقاط مرکز خود را در مسیر درست اصلاح میکنند و گاهی خیر.
پیشنهاداتی برای حل مشکل مراکز اولیه:
اجرای چند باره: این روش گاهی اوقات میتواند نتیجه‌بخش باشد اما همیشه این‌طور نخواهد بود.
نمونهبرداری و استفاده از خوشه‌بندی سلسلهمراتبی برای تشخیص نقاط مرکزی.
انتخاب بیش از K مرکز اولیه در بازهی گسترده‌تر و سپس انتخاب بهترین نقاط از بین نقاط انتخابی.
انجام عملیات پس پردازش [31]
3-2-7- به‌کارگیری دانش حاصل از خوشه‌بندی
پس از بخش‌بندی مشتریان میتوان با بررسی خوشههای حاصل و با کمک نظرات خبرگان بانک و با استفاده از پروفایل مشتریان بانک مهر اقتصاد میتوان به مطالعه و استخراج دانش این خوشه‌ها پرداخت و یا به رتبهبندی خوشههای مشتریان اقدام نمود. دانش حاصل از این مرحله راهنمای بسیار خوبی جهت اتخاذ راهبُردهای بهینه متناسب با هر خوشه برای مدیریت هر چه بهتر ارتباط با مشتریان خواهد بود.
به طور معمول مشتریانی که در یک خوشه قرار میگیرند دارای ویژگی‌های رفتاری مشابهی خواهند بود.
3-3- روش‌های جمع آوری اطلاعات
منابع مورد استفاده در این تحقیق شامل بررسی تحقیقات و پایاننامههای موجود و مرتبط با موضوع، مطالعه مقالات و کتب فارسی و انگلیسی، جستجوی موضوعات مرتبط در پایگاههای داده علمی و اینترنت می‌باشد. در این تحقیق برای جمع آوری داده‌ها از دادههای موجود در پایگاه اطلاعاتی بانک مهر اقتصاد استفاده شده است.
3-4- جمع‌بندی مطالب فصل
در این فصل چارچوب کلی طرح پیشنهادی مطرح شده و جزئیات گامها و روش‌های مورد استفاده در هر گام مورد بررسی قرار گرفت. برای مثال روش‌های K-Means، WK-Means و Anti Harmonic Means جهت خوشه‌بندی داده‌ها انتخاب شده و معیار SSE به عنوان ملاکی جهت مقایسه نتایج حاصل از اجرای هر یک از این الگوریتمها بر روی مجموعه داده‌های مورد نظر خواهد استفاده خواهد شد. هر چه میزان SSE خوشه‌ها کمتر باشد نشان‌دهنده عملکرد بهتر الگوریتم خواهد بود.
در نهایت، دانش موجود در خوشههای حاصل از بهترین روش انتخابی، در مسیر مطالعه و اخذ تصمیماتی جهت مدیریت هر چه بهتر ارتباط با مشتری، به کمک مدیران سازمان خواهد شتافت.

مطلب مرتبط :   دانلود پایان نامه دربارهبازدارندگی، ثبت اختراعات، اکسیداسیون

فصل چهارم
محاسبات و یافتههای تحقیق

4-1- مقدمه
جایگاه مشتری در فضای رقابتی کسب‌وکار بر کسی پوشیده نیست. به ویژه در نظام بانکی مشتری، نقش بسیار مؤثری در مسیر نیل به اهداف سازمان ایفا میکند. این نقش در بانکهای خصوصی بسیار مورد توجه قرار گرفته و این بانکها مطالعات و فعالیت‌های ویژهای را در این زمینه اختصاص دادهاند. در این تحقیق سعی شده تا با استفاده از روش‌های داده‌کاوی دانش نهفته در اطلاعات موجود در پایگاه داده‌های حاصل از تعاملات بانک و مشتری را استخراج نموده و از آن در جهت اخذ راهبُردهای مدیریت ارتباط با مشتری بهرهگیری نماییم.
در فصل سوم چارچوب کلی روش پیشنهادی و الگوریتم‌های انتخابی برای پیادهسازی گام‌های این روش تشریح گردید.
در این فصل بر طبق چارچوب ارائه شده در فصل قبل، سعی شده تا با اعمال الگوریتمها بر روی پایگاه داده‌های مشتریان بانک مهر اقتصاد، در جهت حصول اهداف تحقیق که همان بخش‌بندی مشتریان و استخراج راهبُردهای متناسب با هر بخش و به‌کارگیری راهبُردها و دانش حاصل در چرخه مدیریت دانشی سازمان میباشد، گام برداریم.
در این تحقیق روش Min-Max برای نرمال سازی داده‌ها، روش‌های K-Means، WK-Means، A-Harmonic means جهت خوشه‌بندی داده‌ها و شاخص مجموع مربع خطاها برای ارزیابی و اعتبارسنجی خوشه‌ها به کار گرفته خواهند شد.
مورد مطالعه در این تحقیق مشتریان بانک مهر اقتصاد میباشند.
4-2- معرفی بانک مهر اقتصاد
موسسه مالی و اعتباری مهر (موسسه قرض الحسنه بسیجیان سابق) با ایجاد زمینه های مساعد جهت رشد اقتصادی جامعه و ارتقاء سطح رفاه اجتماعی و رفع نیاز آحاد ملت به ویژه بسیجیان در تاریخ 23/9/1372 با سرمایه ای به ارزش ده میلیون ریال آغاز به کار کرد و از شروع فعالیت با توجه به نیاز مبرم کشور به تحول در زمینه سیستم بانکداری سنتی، ارایه خدمات بانکداری الکترونیکی را سرلوحه فعالیت بانکی و پولی خود قرار داده است. موسسه مالی و اعتباری مهر اولین موسسه مالی و پولی در کشور در زمینه ارایه سرویس‌های بانکداری مدرن، چون اینترنت بانک، موبایل بانک، دستگاه خودپرداز151، تلفن بانک، خدمات پایانه‌های فروش152، کارت هوشمند و ارایه سیستم‌های برخط153 بانکی و پولی می‌باشد.
4-3- موضوع و فعالیت بانک
موسسه مالی و اعتباری مهر با عنایت به مسوولیت اجتماعی خود و حضور موثر در عرصه‌های اقتصادی (پولی و بانکی) ضمن توسعه شعب خود در اقصی نقاط کشور (نزدیک به هفتصد شعبه) خدمات گوناگونی در حمایت از پروژه‌های مولد و اشتغال‌زا، ازدواج، درمان، تحصیل و … ارایه نموده و همچنین در توسعه خدمات الکترونیک گام‌های اساسی برداشته است. همچنین خدمات دیگری شامل افتتاح انواع سپرده‌های سرمایه‌گذاری و سود مناسب، اعطای تسهیلات در بخش‌های صنعتی و تولیدی، مسکن، خرید خودرو و لوازم خانگی و خدمات اعتباری به مشتریان خود ارایه می‌نماید. موسسه مالی و اعتباری مهر در راستای توسعه فناوری اطلاعات اقداماتی
از قبیل راه‌اندازی سایت مرکزی، ایجاد بستر فناوری اطلاعات برای هفتصد شعبه تحت پوشش، ایجاد بانکداری یکپارچه154 با ظرفیت بالا و ایمن، راه‌اندازی سایت اطلاع رسانی و تجهیز دویست و شانزده شعبه به دستگاه خودپرداز را انجام داده است. سیستم جامع اتوماسیون بانکی موسسه در حال حاضر بزرگترین شعبه اتوماسیون در بین بانک‌های خصوصی محسوب شده و قابلیت‌های فراوانی از قبیل: اینترنت بانک، موبایل بانک، اس ام اس بانک، تلفن بانک، ایمیل بانک و

دیدگاهتان را بنویسید