پیشرفت فناوری های اطلاعات و ارتباطات، حجم وسیعی از اطلاعات و داده های مفید را در دسترس قرار داده است.با توجه به رشد روز افزون بازار خرید اینترنتی و رقابت شدید بین شرکت ها و سایت های فروش اینترنتی، استفاده بهینه از اطلاعات بازار و مشتری اهمیت ویژه ای پیدا کرده است.

ایده ها و راه حل های گوناگونی برای استفاده از اطلاعات بدست آمده از بازار و مشتریان جهت جذب مشتری و مهمتر از آن جهت نگهداری مشتریان فعلی پدید می آیند که یکی از این ایده ها، استفاده از اطلاعات مشتری برای بدست آوردن و پیش بینی کردن علایق آن است.فرایندهای زیادی را می توان برای بدست آوردن علایق مشتریان متصور شد، اما یکی از این فرایندها که امروزه با استقبال زیادی از سوی شرکت های تجاری و صاحبان سایت های فروش اینترنتی مواجه شده است، استفاده از تکنیک های داده کاوی1 می باشد.

با استفاده از تکنیک خوشه بندی2 و تکنیک قوانین انجمنی3 که از تکنیک های داده کاوی به شمار می آیند و بر روی داده های مربوط به رفتار خرید پیشین مشتری اعمال می شوند، می توان اطلاعات مفیدی جهت پیش بینی رفتار خرید آتی مشتری کسب نمود.شرکت ها از این اطلاعات استفاده می کنند تا بتوانند کالاهای مورد علاقه مشتریان را در مکان و زمان مناسب به آنها پیشنهاد دهند و بدین ترتیب در جهت سیاست نگهداری و حفظ مشتریان گام بردارند.

2-1- بیان مسئله

به خاطر بازار رقابتی شدیدی که امروزه در تجارت الکترونیک وجود دارد شرکت های تجاری در تلاش هستند تا شرایط مدیریت ارتباط با مشتری1 را هرچه بیشتر بهبود بخشند تا بتوانند هرچه بیشتر مشتریان فعلی را حفظ کنند و همچنین دیگر مشتریان را هم جذب کنند.

یکی از راه هایی که برای این اهداف شرکت ها و صاحبان کالا مصور است تبلیغ کالاها یا خدماتی است که مشتریان علاقه بیشتری به خرید یا دریافت آنها دارند. بنابراین شرکت ها باید به دنبال این باشند تا تبلیغاتشان بر اساس ترجیحات فردی مشتریان باشد، یعنی تبلیغات را برای هر مشتری شخصی سازی2 کنند.

شرکت های تجاری برای اینکه بتوانند تبلیغات را برای مشتریان خود شخصی سازی کنند نیاز دارند تا اطلاعاتی در مورد علایق این مشتریان بدست آورند. بعضی از آنها برای بدست آوردن این اطلاعات از روش پرسشنامه استفاده می کنند و در ابتدای ارتباط با مشتری پرسش هایی در مورد شخص مشتری از قبیل سن و جنسیت و … از او می پرسند. بعلاوه همچنین ممکن است سوالاتی در مورد علایق خرید مشتری نیز

 از او پرسیده شود.این روش می تواند برای مشتری آزاردهنده و وقت گیر باشد، از این رو ممکن است مشتری عملیات خرید خود از سایت را متوقف کند.روش دیگری که برای جمع آوری اطلاعات مورد نیاز درباره علایق مشتری وجود دارد استفاده از داده های مورد استفاده پیشین کاربر از وب1 می باشد که با استفاده از این داده ها و بررسی آنها شرکت ها می توانند اطلاعاتی در مورد رفتار خرید کاربران بدست آورند.

داده کاوی ابزاری است که به شرکت ها کمک می کند تا ترجیحات و علایق فردی کاربران و مشتریان را بر اساس داده های به جای گذاشته شده از آنها استخراج کنند و بر این اساس استراتژی های بازاریابی خود را برقرار کنند و به شخصی سازی تبلیغات بپردازند. شرکت ها با استفاده از ابزارهای داده کاوی ابتدا داده های مورد نیاز برای کاوش رفتار خرید مشتری را آماده می کنند و با استفاده از الگوریتم های متعدد خوشه بندی می توانند مشتریان خود را بخش بندی کنند.بعد از آن می توانند با استفاده از الگوریتم های کاوش قوانین وابستگی، قوانینی برای پیش بینی رفتار خرید آتی مشتری بدست آورند و با استفاده از این قوانین، راهبردها و روش های شخصی سازی تبلیغات برای مشتری را مشخص کنند.

ما درصدد هستیم تا با استفاده از تکنیک های داده کاوی، مشتریان را بر اساس ارزش آنها که از رفتار خرید گذشته آنها بدست می آید دسته بندی و گروه بندی کنیم و علایق و رفتار خرید آینده هر دسته از این گروه ها را پیش بینی و مشخص کنیم تا با استفاده از این بتوانیم تبلیغات کالا را برای هر مشتری شخصی سازی کنیم.

1-3 هدف تحقیق:

در تحقیقاتی که تا به حال انجام گرفته با خوشه بندی مشتریان را به گروه هایی تقسیم می کنند و بر روی هر یک از این گروه ها تکنیک قوانین انجمنی را بکار می برند تا رفتار خرید آینده هر مشتری را پیش بینی کنند.برخی از این تحقیقات از الگوریتم k-means برای خوشه بندی مشتریان استفاده کردند و برخی دیگر به دلیل اشکالاتی که در این الگوریتم وجود دارد از الگوریتم هایی دیگر یا بهبودی از این الگوریتم استفاده کردند.

هدف از این تحقیق مشخص کردن ارزش مشتریان برای شرکت ها بر اساس رفتارهای خرید آنان، شخصی سازی تبلیغات اینترنتی برای مشتریان و ارائه حداکثری تبلیغات اینترنتی مطابق با علایق هر مشتری می باشد.برای این منظور از خوشه بندی موازی مشتریان توسط دو الگوریتم k-means و k-harmonic means و بکار گیری الگوریتم استقرایی1 روی هر یک از خوشه های حاصل شده از خوشه بندی k-means استفاده شده است. و بعد از آن از نتایج بدست آمده از بکارگیری الگوریتم استقرایی برای هر یک از مشتریان، با توجه به درجه تعلق آنها به هر خوشه ( که توسط الگوریتم k-harmonic means مشخص شده است ) برای شخصی سازی تبلیغات برای آنان استفاده می شود.

قوانین وابستگی یا انجمنی استخراج شده از هر خوشه برای هر مشتری که درجه عضویت حداقلی مشخص شده از قبل را برای آن خوشه دارد معتبر در نظر گرفته می شود.بنابر این قوانین وابستگی برای یک مشتری تنها به قوانین استخراج شده از خوشه ای که مشتری بیشترین درجه تعلق به آن را دارد محدود نمی شود.با توجه به احتمال تداخل قوانین بین خوشه ها برای مشتری، اولویت با قوانین خوشه ای است که مشتری درجه عضویت بالاتری را برای آن دارد.

بدین ترتیب با افزایش قوانین استخراج شده معتبر مربوط به هر مشتری می توان انتظار داشت که راهبردهای بیشتری برای شخصی سازی تبلیغات برای مشتری بوجود بیاید.این بدین معنا است که می توان کالاهای بیشتری را بر اساس علایق کاربر به او پیشنهاد کرد.

1-4 اهمیت تحقیق:

امروزه کاربران و مشتریان در محیط اینترنت ترجیح می دهند تا کالاها یا خدماتی که به آنها پیشنهاد می شود بر اساس ترجیحات و علایق شخصی آنها باشد.در اغلب تحقیقاتی که در زمینه شخصی سازی تبلیغات اینترنتی برای مشتریان با استفاده از تکنیک های داده کاوی صورت گرفته است، هر مشتری فقط به یک خوشه تعلق پیدا می کند و در نتیجه تنها پیشنهاداتی به او عرضه می شود که در نتیجه بکار بردن تکنیک قوانین انجمنی تنها بر روی همان خوشه ای که به آن تعلق داشته، بدست آمده اند.

تحقیق ما از این نظر نسبت به دیگر تحقیقات از اهمیت بیشتری برخوردار است که هر مشتری تنها به یک خوشه تعلق پیدا نمی کند و قوانین با احتمال زیاد خوشه های دیگر که این مشتری درجه تعلق حداقلی از قبل مشخصی را نسبت به آنها دارد، برای مشتری بکار گرفته می شود. اهمیت و ارزش این کار در این است که نسبت به روش های قبلی می توان پیشنهادات بیشتری بر حسب علایق مشتری به او عرضه کرد.

بطور معمول اگر برای رفتار خرید فعلی مشتری قانون خاصی از قبل استخراج نشده و راهبردی وجود نداشته باشد، یا کالایی به او پیشنهاد نمی شود یا به صورت تصادفی یک کالا به مشتری پیشنهاد می شود. اما اگر قانونی مربوط به یک خوشه دیگر که مشتری درجه تعلق معتبری ( یک درجه تعلق حداقلی از قبل مشخص شده ) نسبت به آن داشته باشد موجود باشد آنگاه می توان پیشنهاد یک کالای مربوط به رفتار خرید فعلی مشتری به او عرضه کرد. هرچند تخصیص درجه تعلق برای هر خوشه به مشتری، توسط الگوریتم معروف Fuzzy C-Means نیز انجام می شود، اما به علت مشکل مهمی که در این الگوریتم وجود دارد که همان حساس بودن به مقدار دهی اولیه مراکز خوشه و در دام مینیمم محلی1 قرار گرفتن است، استفاده از الگوریتم K-Harmonic Means که این مشکل برای آن وجود ندارد را ترجیح داده ام.

1-5 ساختار تحقیق:

ساختار این پایان نامه در فصول بعدی به شرح زیر است:

در فصل دوم، ابتدا برای آشنایی بیشتر با حوزه تحقیق به تعریف و تشریح مدیریت ارتباط با مشتری و تبلیغات اینترنتی و همچنین به تعریف و بررسی داده کاوی و تعریف دو تکنیک مهم آن که در این تحقیق مورد استفاده قرار گرفته است یعنی خوشه بندی و قوانین وابستگی می پردازیم.همچنین شیوه تاخر، تناوب و مالی2 که یک شیوه برای تعیین ارزش و ارزش دهی به مشتری می باشد را تعریف کرده ایم.در انتهای این فصل یک پیشینه تحقیقاتی در مورد حوزه تحقیق آورده شده است.

در فصل سوم شیوه و روش کار و تحقیق این پایان نامه ذکر شده است.فصل چهارم به شرح پیاده سازی و اجرای این کارمی پردازد و در نهایت در فصل پنجم به بررسی نتایج می پردازیم و پیشنهادهایی برای کار آینده ارائه می شود.

***ممکن است هنگام انتقال از فایل اصلی به داخل سایت بعضی متون به هم بریزد یا بعضی نمادها و اشکال درج نشود ولی در فایل دانلودی همه چیز مرتب و کامل و با فرمت ورد موجود است***

متن کامل را می توانید دانلود نمائید

چون فقط تکه هایی از متن پایان نامه در این صفحه درج شده (به طور نمونه)

ولی در فایل دانلودی متن کامل پایان نامه

 با فرمت ورد word که قابل ویرایش و کپی کردن می باشند

موجود است