مریم بهبودی - دانشجوی کارشناسی ارشد نرم افزار، دانشگاه آزاد اسلامی واحد اراک
بهروز مینایی بیدگلی - استادیار گروه مهندسی کامپیوتر ، دانشگاه علم و صنعت، تهران
حسین ابراهیم پورکومله - استادیار گروه مهندسی کامپیوتر - دانشکده مهندسی - دانشگاه کاشان

در سالهای اخیر تکنیکهای دادهکاوی همچون خوشهبندی به منظور بخش بندی و شناخت مشخصات و نیازهای گروههای مختلف مشتریان بسیار مورد توجه مدیران هر سازمان و بازاریابها قرار گرفته است. متداولترین الگوریتم خوشهبندی که برای مجموعه داده های مشتریان یک سازمان به کار می رود الگوریتمK-meansمیباشد. در این مقاله ابتدا مشتریان بر اساس مشخصه های دموگرافیک بخشبندی شده سپس جهت خوشهبندی هر گروه دموگرافیک بر اساس رفتارهای خریدRFM)از الگوریتم بهینه سازیPSO برای کاهش اثر ناشی از حساسیت الگوریتم K-means به مراکز اولیه خوشهها و در نتیجه، بهبود بخشبندی مشتریان استفاده میشود سپس مشخصات مشتریان تحلیل می شود و در نهایت برای پیشبینی مشخصه مشتریان جدید ازچند الگوریتم درخت تصمیم استفاده و از لحاظ دقت پیشبینی مقایسه میشود. عملکرد الگوریتم ترکیبی با استفاده از مجموعه دادههایی از فروشگاه زنجیرهای مواد غذایی ماندرین ارزیابی میشود. نتایج ارزیابی بیانگر کاهش خطا و افزایش همگرایی دربخشبندی مشتریان میباشد.

بخشبندی مشتریانRFMدادهکاوی، الگوریتم K-means الگوریتم بهینه سازیPSO درخت تصمیم