عنوان پایان‌نامه
استفاده از روش داده کاوی برای بخش بندی استفاده از قواعد انجمنی وتدوین استراتزیهای فروش در صنعت اموزش تخصصی
- رشته تحصیلی
- MBA- مدیریت عملیات
- مقطع تحصیلی
- کارشناسی ارشد
- محل دفاع
- کتابخانه پردیس 2 فنی شماره ثبت: 2029;کتابخانه مرکزی -تالار اطلاع رسانی شماره ثبت: 50892
- تاریخ دفاع
- ۱۳ مهر ۱۳۹۰
- دانشجو
- پیام نورصالحی
- استاد راهنما
- عباس کرامتی
- چکیده
- در این تحقیق تلاش شده است تا مثالی برای نحوه استفاده از روش داده کاوی برای شناسایی بخش های مختلف در بازار صنعت آموزش تخصصی بر اساس ویژگی های شخصی و ویژگی های حرفه ای فرد با استفاده از موردکاوی یک شرکت ارائه دهنده خدمات آموزشی تخصصی ارائه شود. طرح تحقیق/ روش تحقیق: برای انجام این تحقیق از داده های مرتبط با مشتریان موجود در بانک اطلاعاتی این شرکت که در طول مدت 10 سال جمع آوری و بالغ بر تعداد 21,000 مشتری می باشد، استفاده گردیده است. در روند اجرای تحقیق با استفاده از برگزاری جلسات متعدد با خبرگان، عوامل موثر بر بخش بندی بازار شناسایی شده و سپس با استفاده از روش خوشه بندی (به صورت خاص دو الگوریتم دومرحله ای و K-means) مشتریان خوشه بندی شده و ویژگی های هریک از خوشه ها شناسایی گردید. یافته ها: با استفاده از روش داده کاوی تعداد شش خوشه مجزا توسط الگوریتم های دومرحله ای و K-means شناسایی شدند که پس از بحث و بررسی خوشه های ارائه شده توسط گروه خبرگان، نتایج بدست آمده از الگوریتم دو مرحله ای به دلیل محدود مشخص تری که برای هر کدام از بخش ها ایجاد نموده بود به عنوان دسته مناسبتر خوشه ها انتخاب گردید. کاربردهای عملی: در این مطالعه مزایای استفاده از بخش بندی با استفاده از روش داده کاوی نسبت به سایر روش های سنتی بخش بندی بازار بر اساس معیار های از پیش تعیین شده، علی الخصوص هنگامی که تعداد عوامل تاثیر گذار بر نحوه بخش بندی افزایش می یابد، به وضوح قابل رویت است. این توانمندی باعث شناسایی بخش های جدیدی در بازار می شود که پیش از این قابل شناسایی نبوده است.
- Abstract
- Purpose – This research aims to provide an example of how to use data mining techniques to identify customer segments in the professional training industry based on their personal and professional characteristics, using a case study of a company providing professional training services. Methodology: Data were derived from the company customer database, comprising of more than 21,000 customer records which were gathered over a ten-year period. In the process of research two main procedures were selected, using expert panels to identify key probable indicators of different segments and clustering algorithms (two-step and K-means) for coming up with the segments. Findings: both clustering algorithms (two-step and K-means) were used for shaping the six different segments. The both sets of resulted segments were presented to the expert panel and the segments that were created using the two-step process were recognized as the most suitable set of segments. Practical implications: The study reveals, when compared with traditional segmentation methods, that data mining provides an efficient and effective tool for market segmentation. When there are numerous cluster variables involved, data mining can be very useful in identifying segments that could have recognized otherwise.
