بخشی از مقاله
چکیده:
هدف از این مقاله، ارزیابی کاربرد شبکه عصبی خود سازمانده1، برای بخش بندی بازار است. برنامه های کاربردی مبتنی بر نگاشت خود سازمانده، در کنار برنامه های کاربردی مبتنی بر شبکه های عصبی، در بخش بندی بازار بیشترین توجه تحقیقات را در این حوزه به خود اختصاص داده اند. مدل های متداول استفاده شده در بخش بندی بازار، سیستم های هوشمند مانند الگوریتم شبکه های عصبی مصنوعی(2 (ANN، الگوریتمهای محاسبات تکاملی، داده کاوی و غیره می باشند. در این مقاله، تحقیقاتی که در بخش بندی بازار، از تکنیک نگاشت خود سازمانده استفاده کردهاند، بررسی میشوند.
کلمات کلیدی: بخش بندی بازار، نگاشت خود سازمانده، شبکه های عصبی.
-1 مقدمه
مساله بخش بندی بازار شامل دسته بندی با استفاده از بخش بندی خریداران بر طبق برخی شباهت های میان آن ها از روی معیارهایی از قبیل رفتاری، روان شناختی یا اجتماعی و یا جمعیتی می باشد (گرین3، 1971؛ ویند4، .(1978 تعداد دستهها، اندازه آنها و ویژگیهای هر یک از آنها تا قبل از اتمام کار تحلیل و آنالیز مشخص نخواهد بود . استراتژیست های بازاریابی سازمان ها و نهادهای مقصد اغلب با این مسئله مواجه هستند که چگونه می توان برای بخش های هدف، بازار و بسته بندی محصولات و خدمات مختلف را به نحو شایسته ای انجام داد. دسته بندی یک فرآیند روششناسی از تقسیم بازار به گروه های مشخص است که
ممکناستنیازمندتجاربمختلفیاترکیبیازخدماتبازاریابیباشد(ونیوگوپالوباتس . 1994 )دستهبندیمشترییکیاز
مهمترینروشهایمورداستفادهبرایشناساییبخشهاییادشدهاست(سارنویرتا. 1998 )روشهایخوشهبندیمختلفیبرای شناسایی دسته ها مورد استفاده قرار می گیرد . مبنای همه ی این ها به طور کلی شامل شناسایی و ارزیابی ویژگی های مختلف مشتریان (مانند جمعیتی، فاکتورهای اجتماعی، موقعیت جغرافیایی ) و ویژگی های رفتاری مربوط به محصول (مانند رفتار
خرید، رفتار مصرف، نگرش و اولویت برای جذب، تجارب و خدمات) بازار هدف، یک استراتژی است که هدف از آن بخش بندی یک بازار به بخش هایی است که بتوان محصولات و برنامه های بازاریابی را بهتر به هر دسته ارائه نمود (کاتلر.( 2001 1
بخش بندی ناکافی و مشکلات خوشه بندی می تواند موجب از دست رفتن یک فرصت استراتژی بازاریابی یا باخت در عرصه ی رقابت برای سازمان گردد. بخش بندی بازار به منظور شناسایی بخش های هدف با انگیزه ی کمک به دانستن روابط مشتریان با مقصد صورت می گیرد. هدف این مقاله بررسی کاربرد شبکه ی عصبی خود سازمانده برای بخش بندی بازار میباشد.
-2شبکه های عصبی و بخش بندی بازار
روش های مختلفی برای تقسیم بندی بازار وجود دارد، از عناصر درصد بندی و چارک تا روش های چندمتغیره ی پیچیده مانند تحلیل فاکتور، اجزای اصلی و تحلیل خوشه (گالوی2002 2؛ موریسون و اولیری 2002 3؛ ماک و آیورس ون.( 2000 4 متودولوژی های تقسیم بندی و روش های خوشه بندی کنونی شامل کاربرد شبکه های عصبی مصنوعی برای بخش بندی بازارها هستند. مثال هایی از مطالعات در استفاده از شبکه های عصبی مصنوعی شامل مازانک (1992) 5 است که از یک شبکه ی عصبی خود سازمانده برای انجام تقسیم بندی بازار استفاده کرده است . علاوه برآن یک دسته بندی از مشتریان با استفاده از نگاشت های خود سازمانده اجرا شده است (کیم6، وی 7 و رایس.( 2003 8 یک شبکهی عصبی خود سازمانده مدل ساده شده ای از نگاشت ویژگی ویژگی به منطقه می باشد که نام خود را هم از آن می گیرد . معماری آن تقریبا ساده است. این شبکه شامل گروهی از سلول های عصبی شکل یافته در یک، دو، سه و حتی ابعاد بالاتر است . یکی از جنبه های مسئله ی حالت یادگیری شبکه ، این است که هیچ بازخوردی از محیط در طول یادگیری ارائه نمی شود . شبکه باید خود ویژگی های توپولوژیکی علایق خود ر ا که ممکن است در داده ورودی باشد کشف کند. معیار اندازه ی شباهت فاصله ی اقلیدسی بین سلول های عصبی مخاطب چیده شده در یک آرایه ی هندسی منظم می باشد . مثال هایی از این نوع از یادگیری نظریه ی تطبیقی رزونانس و نگاشتهای خود سازمانده کوهونان9 هستند (کاهونن .(1997 نگاشتهای خود سازمانده کوهونان مربوط به ANN بدون ناظر در خوشه بندی داد ه های گسترده و پیچیده بکار گرفته شد. SOM قادر است فضای ورودی با ابعاد زیاد را روی توپولوژی با ابعاد کم تصویر نموده و اجازه بدهد تا افراد به صورت چشمی بتوانند تعداد خوشه ها را تشخیص بده ند (لی10 و دیگران -1977 پیکت.(1978 11 یک شبکه ی عصبی معمولی شامل یک تعداد از عناصر فرآیندی ساده به نام سلول های عصبی یا نرون ها است . هر سلول عصبی به شکل مستقیم با سایر سلول ها در ارتباطی وزن دار است . وزن ها اطلاعاتی را ارائه می دهند که توسط شبکه برای حل یک مسئله ی نگاشت مورداستفاده قرار می گیرد. شکل 1 مثالی از ساختار نگاشت برای یک شبکه ی عصبی خود سازمانده را نشان می دهد (کاهونن .(1997 معماری آن بر اساس دانستن این است که نمونه ی ویژگی های داده ، ممکن است با شکل یک نگاشت ویژگی خود سازمانده برابر باشد. در شکل خالص و محض، مدل مورد نظر یک شبکه ی کشسانی از نقاطی تعریف می کند که برای تقریب زدن تابع چگالی آن به شکلی منظم در فضای داده ی ورودی گنجانده شده اند . این الگوریتم مجموعه ای از اشیاء n بعدی را به عنوان ورودی دریافت می کند و آن ها را به گره های از یک ناحیه ی دو بعدی نگاشت می کند و در پایان یک نگاشت ویژگی منظم همانند شکل 1 نتیجه می شود (کاهونن .(1997 یادگیری غیر نظارتی تنها قادر است با داده ی ورودی زائد پیاده سازی شود.
در غیاب مخاطبان هدف یا دستورالعمل ها، شبکه می تواند کار طبقه بندی، تشخیص یا نگاشت داده ی ورودی در طول یک فرآیند یادگیری رقابتی را انجام دهد. تیم کیم (2003) نشان می دهد که تنها گره خروجی، جایزه ای را طی مدت یادگیری به شکل یک تنظیم وزن دریافت می کند . کل فرآیند تنها با نمایندگی بردارهای ورودی و قانون یادگیری به کار رفته ، اجرا می شود. فرآیند با وزن هایی که مقادیر کوچک تصادفی دارند آغاز می شود . کار آموزش توسط نشان دادن شبکه به کل مجموعه ی بردارهای و رودی به صورت مکرر، به پیش می رود . لایه ی کاهونن فواصل بین بردارهای وزنی برای هر سلول عصبی و الگوهای ورودی را محاسبه می کند. سلولی که نزدیکترین است (حداقل فاصله را دارد) سلول "برنده" خواهد بود. ادامه ی ارائه ی سلول های عصبی ورودی به شبکه در هر تکرار به شکل زیر نمایش داده می شود:
در اینجا t + 1 تکرار بعدی خواهد بود؛ N تعداد گره های شبکه است؛ α نرخ یادگیری را نشان می دهد (غالبا یک تابع خطی نزولی در واحد زمان است؛ hci یک هسته ی همسایه در اطراف واحد برنده mi و χ(t) بردار ورودی برای تکرار آتی می باشد . بردار ورودی ممکن است از داده ی آموزشی در یک مد سیستماتیک یا تصادفی ناشی شود . بک1، گراسبال-پولسن2 و کریستفرسن3 (2002) و تیم کیم (2003) اطلاعات زیر را درباره ی الگوریتم و رویه ی به کار رفته در فرآیند آموزش کاهونن ارائه می دهند.
-3 کارهای انجام شده
کاربرد شبکه های عصبی در حوزه بازاریابی نسبتا جدید می باشد اما به خاطر قابلیت آن در حصول روابط غیر خطی بین متغیرها مورد اقبال قرار می گیرد. کاربردهای زیادی از مدل های شبکه های عصبی در رشته علمی بازاریابی موجودند که چندی از آنها عبارتند از بخش بندی بازار، پیش بینی پاسخ بازار , جا انداختن محصول جدید، پیش بینی فروش، پیش بینی انتخاب مشتریان و غیره. مدل سازی بازار موضوعی بسیار مهم در بازاریابی بشمار می رود. در مجموع، مدل های سهم بازار در بازاریابی به دلایلی زیاد استفاده می شوند. این دلایل شامل مواردی از قبیل :
• تخمین قیمت
• کشش تبلیغاتی
• و همچنین به طور کلی پیش بینی تاثیر تغییرات در متغیرهای بازاریابی
می باشد. آنالیز خوشه ها ابزاری رایج در بخش بندی بازار محسوب می شود . تحقیقات متداول معمولا از روش های آنالیز چند متغیره استفاده می کنند. کو و دیگران 2002)و (2006 سه روش خوشه بندی را با یکدیگر مقایسه نمودند و نتیجه گرفتند که نگاشت خود سازمانده نسبت به دیگر روش های متداول بهتر عمل می کند.
لوییس و دیگران ( (2001 به صورت موفقیت آمیزی شبکه عصبی مبتنی بر نگاشت خود سازمانده را برای شناسایی خرده بازارهای املاک مسکونی بکار گرفتند. یک مدل تصمیگیری مبتنی بر نگاشت خود سازمانده بر روی یک نمونه از رکوردهای فروش پایگاه داده جهت بخش بندی بازار توسعه یافته و پیاده سازی شد ( چانگچین و لو.( 2001 4 مزانک (2001) 5 روش برداری حساس به همبندی6 را برای آنالیز ساختار بازار بکار برد. کاکو7 و دیگران (2002) با استفاده از نگاشت خود سازمانده و بردار یادگیری 8 و بکارگیری آنها در بازار مسکن هلسینکی فنلاند روی مدل های شبکه عصبی تحقیق کردند که نشان دهنده چگونه شکل گیری ابعاد مختلف خرده بازارهای مسکن با آشکار کردن الگوها در مجموعه داده و قابلیت های طبقه بندی در دو تکینیک شبکه عصبی
بود یک رویکرد الگوریتم ژنتیک1 اتخاذ شد تا اطمینان بدهد که مشتریان یک خوشه ی نزدیکترین الگوهای خرید را دارند(سای و چو.( 2004 2 یک روش دو مرحله ای متشکل از نگاشت خود سازمانده و الگوریتم ژنتیک برای بخش بندی بازار صنعت ارتباطات دوربرد بیسیم پیاده شده است که نتایج آن نشان می دهد که روش ارائه شده خروجی بهتری در بخش بندی بازار از خود نشان میدهد( کو و دیگران .(2004 کیانگ3 و دیگران شبکه های نگاشت خود سازمانده را برای مجموعه داده های مشتریان شرکت تلفن و تلگراف آمریکا4 پیاده کرد و نتایج بررسی ها نشان داد که شبکه نگاشت خود سازمانده نسبت به روش دو مرحله ای که از آنالیز عامل نوع Q و آنالیز میانگین K برای خوشه بندی و کشف بخش های بازار استفاده می کند , بهتر عمل می کند . ریوترر 5 و دیگران (2006) عملا اثرات چشمگیر و مثبت بازاریابی مستقیم متناسب سازی شده بخش های ویژه را روی فروش و سودآوری ، اثبات نموده اند. هوآنک6 و دیگران ( (2007 خوشه بندی بردار حامی7 ، نگاشت خود سازمانده و میانگین K را در یک مطالعه موردی یک شرکت تولید نوشیدنی پیاده نمودند . نگاشت خود سازمانده نشان داد که بخش های مهمی با ویژگی های ویژه تولید میشوند که در بازارهای کلان به چشم می خورند ( بیگنه8 و دیگران .(2010 همچنین می توان بازار کوچکتری را به وسیله بخش بخش بندی بازار , هدف قرار داد چراکه این امر برای تصمیم گیران جهت رسیدگی به همه مشتریان به طور موثر به وسیله یک آمیزه بازاریابی مفید می باشد. هانگ و سای (2008) به صورت موفقیت آمیزی به وسیله مدل بخش بندی سلسله مراتبی خود سازمان ده9 یک رویکرد جدید در خوشه بندی بازار به منظور بخش بندی بازارهای چند رسانه ای از لحاظ درخواست مشتریان برای رویارویی با یک مجموعه داده در دنیای واقعی در کشور تایوان پیاده نمودند. روش فازی دلفی، نگاشت خود سازمانده و یک روش تصویرسازی توسعه و با موفقیت پیاده شد تا مشتریان را مطابق با متغیرهای ویژگی های مختلفشان خوشه بندی و بخش ها را به کمک تولید نقشه های رنگی از وضعیت بازار به تصویر بکشد ( حنفی زاده و میرزازاده .(2011 شرکتی که در نواحی مختلف جغرافیایی کار می کند، با استفاده از یک روش بخش بندی بازار (که می تواند داده های نواحی مختلف را یکپارچه نماید تا یک مجموعه کلی از قوانین برای بخش بندی بازار بدست آورد ) می تواند به طور گسترده ای در رقابتی کردن شرکت موثر باشد . مو10 و دیگران (2010) تکنیک شبکه نگاشت خود سازمانده را به منظور کاهش ابعاد و همچنین به عنوان ابزاری جهت خوشه بندی برای بخش بند ی بازار با استفاده از داده ی یک ی از بزرگترین بانک های صادر کننده کارت های اعتباری در چین بکار بست که راجع به بررسی هایی در رابطه با ویژگی های رضایت مشتری و سوابق تراکنش های کارت اعتباری بود که نشان می داد نگاشت خود سازمانده برای بخش بندی نواحی چندگانه جغرافیایی در مقایسه با دیگر رویکردها موثرتر و کاراتر عمل می نماید.
در جدول 1، تحقیقاتی که در بخش بندی بازار، از تکنیک نگاشت خود سازمانده استفاده کردهاند، نمایش داده شده است
