بخش بندی کاربران بانکداری بر اساس فناوری های جدید (موبایل بانک) بر مبنای  …

بخش بندی کاربران بانکداری بر اساس فناوری های جدید (موبایل بانک) بر مبنای …

طبق گفته چارلز دبلیو لامب [۱۳]و همکاران در سال ۲۰۱۱ هدف از بخش بندی بازار، تشخیص فرصت های بازار برای هر دو بازار تجاری و مصرفی است. بر این اساس گام ای یا مراحل بخش بندی بازار به صورت زیر است:
گام اول: اولین گام در بخش بندی بازار، انتخاب یک بازار یا دسته ای از محصولات برای مطالعه است. این ممکن است بازاری باشد که در آن نه تنها شرکت ها به دنبال تسخیر یک رده جدید هستند بلکه به دنبال بازار های مرتبط، دسته ای از محصولات یا یک محصول کاملا جدید هستند.
گام دوم: انتخاب یک پایه یا مبناهایی برای بخش بندی بازار است. این گام نیاز به بینش مدیریتی، خلاقیت و دانش بازاریابی دارد.
گام سوم: در این فرایند انتخاب توصیف کننده بخش بندی است. بعد از انتخاب مبنا یا معیار های بیشتر، بازاریاب باید یک توصیف گر بخش بندی انتخاب کند. توصیف گر متغیر های بخش بندی خاص که باید مورد استفاده قرار گیرد را شناسایی می کند.
گام چهارم: مشخصات و تجزیه و تحلیل بخش هاست. این تجزیه و تحلیل شامل: اندازه بخش هاف رشد مورد انتظار، دفعات خرید، نام تجاری در حال استفاده، وفاداری به نام تجاری و فروش بلند مدت و سود بالقوه باشد. این اطلاعات به منظور رتبه بندی بخش های بالقوه بازار بوسیله فرصت های سود، ریسک سازگاری با اهداف و وظایف سازمانی و دیگر انتظاراتی که برای شرکت ها اهمیت دارند، می تواند مورد استفاده قرار گیرد.
گام پنجم: انتخاب بازار هدف است. این قسمت شامل فرایند بخش بندی بازار نیست بلکه یک نتیجه طبیعی از بخش بندی بازار است. انتخاب بازار هدف یک تصمیم گیری کلی است که اغلب به طور مستقیم آمیخته بازاریابی شرکت را تعیین می کند.
گام ششم: طراحی، اجرا و نگه داری آمیخته بازاریابی مناسب است. آمیخته بازاریابی به عنوان استراتژی های محصول،توزیع، ترفیع وقیمت گذاری تشریح می شود که مورد استفاده قرار گیرد و موجب روابط رضایت بخش دو طرفه با بازار های هدف شود.
نمودار ۱٫۲ : گام های بخش بندی بازار از دیدگاه لامب و همکاران ۲۰۱۱
۵٫۱٫۲- تکنیک های بخشبندی
یکی از روش های بخشبندی، بخشبندی داده محور است که با استفاده از تکنیکهای مختلف آماری و دادهکاوی صورت میگیرد. داده کاوی یکی از ابزار های بنیادی در آشکارسازی جمعیت شناختی مشتریان است که از تکنیکهای آن می توان برای کسب دامنه وسیعی از اهداف صنایع مختلف استفاده کرد. عبارت داده کاوی مترادف با یکی از عبار تهای استخراج دانش، برداشت اطلاعات، وارسی داد ه ها و حتی لایروبی کردن داد ه ها است که در حقیقت کشف دانش در پایگاه داده را توصیف میکند. بنابراین
ایده ای که مبنای داده کاوی است یک فرآیند با اهمیت از شناخت الگوهای بالقوه مفید، جدید و درنهایت قابل درک در داده هاست. همه روش های داده کاوی برای بخشبندی مناسب نیستند و مدلهای صحیحی را ایجاد نمیکنند و معمولا روشهای درخت تصمیم گیری و خوشه بندی از سایرروش ها برای بخش بندی مناسب تر است (غضنفری و همکاران،۱۳۸۷).
روشهای اصلی داده کاوی به دو دسته توصیفی (Descriptive) و پیشبینانه (Predictive) تقسیم میشوند. برخی از این روشها عبارتند از: مدلسازی برای پیش بینی (مثل دسته بندی و رگرسیون)، بخش بندی یا تقطیع (خوشه بندی)، مدلسازی وابستگی (مانند مدلهای تصویری یا تخمین چگالی)، تلخیص (خلاصه سازی) پیداکردن رابطه بین فیلدها، تلازم یا انجمنی، مصورسازی و مدلسازی یافتن تغییر و انحراف در داده و دانش.
داده کاوی توصیفی: خواص عمومی داده ها را مشخص میکنند. هدف از توصیف، یافتن الگوهایی در مورد داده هاست که برایانسان قابل تفسیر باشد. خوشه بندی یکی از متدهای روش توصیفی در داده کاوی است.
داده کاوی پیش بینانه: به منظور پیش بینی رفتارهای آینده استفاده میشود. منظور از پیش بینی، به کارگیری چند متغیر یا فیلد در پایگاه داده برای پیش بینی مقادیر آینده یا ناشناخته دیگر متغیرهای مورد علاقه است.
در شکل زیر روش های داده کاوی نشان داده شده است.
نمودار ۲٫۲: داده کاوی و کشف دانش، غضنفری و همکاران،۱۳۸۷ ، ص ۱۵
خوشه بندی در واقع یافتن ساختار در مجوعه ای از داده هایی است که طبقه بندی نشده اند. به بیان دیگر میتوان گفت که خوشه بندی قراردادن داده ها در گروه هایی است که اعضای هر گروه از زاویه خاصی شباهت دارند. درخوشه بندی سعی می شود تا داده ها به خوشه هایی تقسیم شوند که شباهت بین داده های درون هر خوشه حداکثر و بوده یعنی اشیائی (distance) شباهت بین داده های درون خوشه های متفاوت حداقل شود. معیار شباهت در اینجا فاصله که به همدیگر نزدیکترند در یک خوشه قرار میگیرند. خوشه بندی به معنای تقسیم داده ها به گروه های مشابه است. داده ها بر اساس اصل حداکثر کردن شباهت داخل گروه ها و حداقل کردن شباهت بین گروه ها، تقسیم میشوند. خوشه بندی یک روش متداول توصیفی است که درجستجوی تشخیص تعداد محدودی خوشه برای توصیف داده ها است. (غضنفری و همکاران، ۷۱۳۸).
امروزه خوشه بندی در علوم مختلف به طور شگفت انگیزی وارد شده است و در زمینه های مختلفی کاربرد دارد:
شناسایی متن
تجزیه و تحلیل داده های فضایی
پردازش تصویر
علوم اقتصادی
بازاریابی که خود شامل:
کشف گروهای مشتریان برای توسعه برنامهای بازاریابی
تعیین الگوهای خرید مشتریان
تجزیه و تحلیل سبد خرید بازار
پیشگویی میزان خرید مشتریان
خاکبرداری (شناسایی نقاطی که دارای خاک مشابه هستند)
بیمه (شناسایی مشتریانی که میانگین هزینه بالایی را ادعا میکنند)
برنا مه ریزی شهری (گروه بندی خانه های شهر بر اساس نوع، ارزش و مکان جغرافیایی)
مطالعات زمین لرزه ( گروه بندی مراکز زمین لرزه های مشاهده شده)، (غضنفری و همکاران. ۱۳۸۷، ص ۱۰۶-۱۰۵).
تحلیل خوشه ای برای حل مساله ای طراحی شده است که در آن با در دست داشتن نمونه ای از n فرد و اندازه گیری p متغیر بر روی هر فرد می توان افراد را در کلاس هایی خوشه بندی کرد که افراد مشابه در داخل یک کلاس قرار گیرند. روش ها برای کاهش داده ها مفید است. تحلیل خوشه ای به روش های مختلفی قابل اجرا است اما لزوما نتایج یکسانی را بدست نمی دهد. تحلیل خوشه ای با روش هایی مثل ادغام کردن نزدیک ترین همسایه، ادغام کردن دورترین همسایه ها، ادغام کردن بر حسب متوسط گروه، روش ward و …انجام داد. نتایج حاصل از تحلیل خوشه ای معمولا توسط یک دندوگرام نشان داده می شود. استفاده از تحلیل خوشه ای با داده های استاندارد شده برای شناسایی بخش های بازار برای اولین بار توسط اسچانینگر و باوس [۱۴]در سال ۱۹۸۶ مطرح شده است. تکنیک های تحلیلی که برای بخش بندی بازار مورد استفاده قرار می گیرند در سه دسته زیر جای می گیرند:

این مطلب را هم بخوانید :
بخش بندی کاربران بانکداری بر اساس فناوری های جدید (موبایل بانک) بر مبنای ...

برای دانلود متن کامل پایان نامه به سایت  fotka.ir  مراجعه نمایید.

  1. مرحله آماده سازی داده ها:

این مرحله شامل تحلیل عاملی[۱۵]، تجزیه و تحلیل تناظر [۱۶]و تجزیه و تحلیل توام [۱۷]است.