عنوان پایان‌نامه

خوشه بندی مشتریان با استفاده از روش C میانگین



    دانشجو در تاریخ ۱۵ بهمن ۱۳۹۳ ، به راهنمایی ، پایان نامه با عنوان "خوشه بندی مشتریان با استفاده از روش C میانگین" را دفاع نموده است.


    رشته تحصیلی
    مدیریت صنعتی
    مقطع تحصیلی
    کارشناسی ارشد
    محل دفاع
    کتابخانه پردیس البرز شماره ثبت: 424;کتابخانه مرکزی -تالار اطلاع رسانی شماره ثبت: 68123
    تاریخ دفاع
    ۱۵ بهمن ۱۳۹۳
    دانشجو
    سحر یزدانی
    استاد راهنما
    منصور مومنی
    چکیده
    لینک فایل چکیده
    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. تاکنون برای شناسایی مشتریان و به خصوص شناسایی رفتار آن ها روش هایی استفاده شده که از جمله می توان روش های آماری را معرفی کرد. این پژوهش از طریق روش خوشه بندی فازی سعی در بخش بندی و رتبه بندی مشتریان شرکت گلستان و سپس شناسایی نیازها و خواسته های آنان می کند تا از این طریق خدمات متناسب با هر مشتری ارائه گردد. این تحقیق برروی تعداد 1589 نمونه از مشتریان شرکت گلستان استان کرمان انجام گرفته و تعداد دوخوشه از مشتریان از طریق ضریب نیمرخ شناسایی شده، سپس درجه عضویت هر خوشه برای کل مشتریان و به تفکیک مشتریان نقدی و غیر نقدی به کمک نرم افزار matlab نشان داده شده است. در این مقاله در انتها ویژگی آماری هر خوشه با استفاده از نرم افزار spss تعیین شده است.
    Abstract
    Today costumers have been shifted as an important and critical factor to lead investors, producers and even researchers and innovators. Because the organizations need to know their costumers and plan for them. It has already been used some methods to identify customers and especially their behavior which the statistics methods can be introduced . the method tries to classify and rank customers of Golestan company with the use of phase clustering and then identify their needs and wants, so that they can offer the suitable services for customers. The research was done on 1589 sample individuals of Golestan company customers in Kerman and identified two clusters among customers by profile coefficient, then it has been shown the membership degree of every cluster for the total matlab software. In the paper, the statistics special feature of every cluster has been determined by using spss software.