(۳-۱)

با دقت در رابطه ۳-۱، می­توان اظهار داشت که متغیر M بطور کامل حذف نگردیده، بلکه تاثیر آن کاهش یافته است؛ چراکه متغیر کلاس سفر© دربرگیرنده سودآوری پولی شرکت از مسافر می­باشد.
شکل۳- ۳ تأثیر در نظر گرفتن معیار Dc در تعیین ارزش مسافران را نشان می­دهد. همان‌گونه که در شکل نشان داده شده است، ۲ مسافر با R و F مساوی و Dc متفاوت وجود دارند. مدل RF که در مرحله قبل تعیین شد، ارزش این ۲ مسافر را یکسان در نظر می­گیرد درحالی‌که در دنیای واقع ارزش این دو برابر نمی ­باشد. با اضافه شدن Dc ارزش­ها بصورت مناسب­تری تخصیص یافته و نشان داده شده است.

شکل۳- ۳ مقایسه مدل RF و DFR

به‌عنوان نتیجه این گام، می­توان عنوان کرد که مدل DcFR نتایج بهتری نسبت به سایر روش­ها تا به این مرحله تولید کرده است.

گام سوم: اثبات وجود معیار L:

یکی از مشکلات مدل RFM اینست که نمی ­تواند مشتریان باسابقه را از مشتریان جدید تشخیص دهد[۱۵۲]. عدم در نظر گرفتن طول مدت زمان[۱۴۶](L) ارتباط مشتری با سازمان می ­تواند در نتایج بدست آمده در تعیین ارزش مشتریان اشکالاتی ایجاد کند. همان‌گونه که پیش از این بیان شد، وفاداری مشتری، وابسته به ارتباط بین سازمان و مشتری است و واضـح است که کلید وفـاداری مشتری، داشتن یک ارتباط طولانی مـدت با وی است[۷۷, ۱۵۲]. ازاین‌رو در مقاله [۱۵۲] مدل RFM توسعه داده شد و مدل LRFM مطرح گردید. در مدل LRFM تأثیر طول مدت زمان ارتباط مشتری با سازمان نیز در نظر گرفته شده است. طول مدت زمان(L) ارتباط مشتری با سازمان را می­توان بصوت زیر تعریف کرد:
مدت زمان سپری‌شده از اولین خرید تا آخرین خرید صورت گرفته توسط مشتری[۱۵۲].
با توجه به شرایط خاص موجود در صنعت حمل­ونقل، می­توان نتیجه گرفت که وجود معیار L می ­تواند تأثیر بسزایی در تعیین ارزش مسافران داشته باشد. همان‌گونه که در تعریف سفر عنوان شد، سفر یک پدیده دائمی نیست. بسیاری از مسافران تعـداد معـدودی سفـر را در طـول یک دوره زمـانی خـاص انجام می­دهند(دسته اول) و از سوی دیگر، تعداد معدودی از مسافران، مسافرت­های زیادی را در طول یک دوره زمانی خاص انجام می­دهند(دسته دوم). مسافران کثیرالسفر در اکثر مواقع، R بهتری نسبت به مسافران دسته اول دارند؛ و این در حالیست که در بین مسافران دسته اول احتمالاً مسافران وفاداری بوده که تعداد مسافرت­های کمی داشته و در نتیجه میزان R آن‌ ها پایین است. صرف در نظرگیری معیار R می ­تواند شرکت­های هوایی را از توجه و برنامه ­ریزی برای مسافران وفادار دسته اول بازدارد؛ لذا پیشنهاد می­ شود به‌منظور جلوگیری از تأثیرات نامطلوب این تنوع در نتایج تحلیل، از متغیر L و R در کنار هم استفاده شود.
نکته قابل توجه در بحث متغیرهای L و R آنست که این دو متغیر در کنار یکدیگر قرار دارند و نه در مقابل هم. معیار L به بررسی میزان وفاداری مشتری از ابتدای تعامل با سازمان می ­پردازد و معیار R به میزان وفاداری مشتری نسبت به سازمان در دوره زمانی اخیر.
در شکل۳- ۴ تأثیر در نظرگیری متغیر L بر تعیین ارزش مسافران مورد بررسی قرار گرفته شده است.

شکل۳- ۴ مقایسه مدل LDFR و DFR
همان‌گونه که در شکل۳- ۴ نشان داده شده است، مدل LDcFR توانسته تفکیک پذیری بهتری را بدنبال داشته باشد؛ لذا می­توان ادعا کرد که مدل LDcFR مدل جامع­تر و مناسب­تری در تعیین ارزش مسافران نسبت به سایر مدل­های موجود می­باشد.
به‌منظور ارزیابی مدل LDcFR، مجموعه ­ای شامل تراکنش­های ۲۰۰ مسافر شرکت هواپیمایی ماهان مورد بررسی قرار گرفته است. در این مجموعه علاوه بر داده ­های مربوط به متغیرهای LDcFR به ازای هر مسافر، ارزش مسافر از منظر شرکت نیز موجود می­باشد؛ ازاین‌رو پس از تعیین ارزش مسافران با بهره گرفتن از مدل LDcFR، نتایج بدست آمده باارزش موجود مقایسه شده تا کیفیت مدل مشخص شود. نتایج حاصل از ارزش مشتریان در هواپیمایی ماهان و ارزش تعیین شده توسط مدل LDcFR، نشان از موفقیت ۸۰ درصدی مدل دارد.

جهت دانلود متن کامل این پایان نامه به سایت abisho.ir مراجعه نمایید.

خوشه­بندی

تعیین متغیرهای L، Dc، F و R برای هر مشتری، چندان نمی ­تواند کمکی به ایرلاین مربوطه کند. شرکت­ها بدنبال شناسایی دسته مشتریان هدف بوده تا بتوانند خدمات مناسب به آن‌ ها ارائه دهند. برای دستیابی به این هدف، خوشه­بندی مشتریان یکی از تکنیک­های مؤثر و پرکاربرد می­باشد. همان‌گونه که در فصل قبل بیان شد، الگوریتم­های گوناگونی برای خوشه­بندی مشتریان توسعه داده شده است که معروف­ترین و پرکاربردترین آن‌ ها، الگوریتم k-means می­باشد. الگوریتم k-means علیرغم سادگی ذاتی، دارای دو مشکل عمده می­باشد:

وابسته بودن به انتخاب مراکز اولیه

تاثیرپذیری از داده ­های پِرت

این مشکـل­ها سبب شده تا از روش­های دیگری در کنار الگـوریتم k-means استفاده شود تا ضمن حفـظ ویـژگی­های این الگوریتم، مشکلات آن نیز برطرف شود. یکی از روش­های رایج برای حل مشکل k-means و بهبود آن، ترکیب این الگوریتم با الگوریتم­های تکاملی است. الگوریتم­های تکاملی با توجه به خاصـیت تکراشونده­ای که داشته می­توانند نقاط بهینه­ای را به‌عنوان مراکز خوشه ­ها یافته و از به دام افتادن الگوریتم k-means در بهینه محلی جلوگیری کنند.
یکی از الگوریتم­های تکاملی جدید که به دلیل سرعت و دقت بالا، در فرایند خوشه­بندی بسیار مورد استفاده قرار می­گیرد، الگوریتم رقابت استعماری می­باشد. با توجه به سرعت و دقت بالای این الگوریتم در این تحقیق، از ICA به‌منظور خوشه­بندی مسافران استفاده خواهد شد. الگوریتم رقابت استعماری الهام گرفته شده از فرایند اجتمـاعی-سیاسی جهـان واقعی بوده که شرح کامل آن در بخش ‏۲-۴-۲-۲-۲ ارائه گردید. علیرغم سرعت بالای این الگوریتم در دستیابی به بهینه­ترین جواب، ICA دارای نقاط ضعفی نیز بوده که در بخش بعد شرح داده شده است.

نارسایی الگوریتم رقابت استعماری

همان‌گونه که در فصل قبل اشاره شد، ۲ مفهوم اساسی در جستجوهای الگوریتم­های تکاملی وجود دارد؛ جستجو(Exploration) و بهره­برداری(Exploitation). در الگوریتم رقابت استعماری، این دو مفهوم در فرایند جذب پیاده­سازی می­شوند. یکی از مشکلات موجود در پیاده­سازی سیاست جذب، استفاده از زاویه Ɵ است. اگرچه در تئوری الگوریتم رقابت استعماری، وجود زاویه Ɵ یک نقطه قوت بحساب می­آید، اما وجود این زاویه در پیاده­سازی، مشکلاتی را بوجود می­آورد. در شکل۲- ۲۹، به دلیل ۲ بُعدی بودن فضا مفهوم زاویه Ɵ به‌خوبی نشان داده شده است. قاعده کلی آنست که در فضای جستجو n بُعدی(n>2)، نیاز به تعریف n-1 زاویه Ɵ است؛ که پیاده­سازی آن می ­تواند مشکلاتی را بوجود آورد. از سوی دیگر، با توجه به آنکه سیاست جذب با مفهوم بردار سروکار دارد، لذا در پیاده­سازی نیاز به پیاده­سازی مفاهیم هندسه برداری بوده که گاها سخت بوده و می ­تواند باعث کاهش سرعت الگوریتم نیز شود. ازاین‌رو در بخش‏۳-۲-۲-۲-۲ روش جدیدی برای پیاده­سازی سیاست جذب، مستقل از مفهوم بردار و Ɵ ارائه‌شده و در فصل بعد این روش ارزیابی شده است.

توسعه ICA

یکی از مفاهیم اساسی در استعمار، مفهوم “اقبال عمومی[۱۴۷]” است. این مفهوم اشاره به تمایل افراد جامعه به مستعمره شدن دارد. در طول تاریخ موارد بسیاری وجود دارد که علیرغم قوی­تر بودن کشور مستعمره از کشور استعمارگر، به دلیل افزایش نارضایتی مردم از سیاست­های موجود، کشور قوی­تر مستعمره شده است. به‌عنوان‌مثال، در جنگ ایران و اعراب در زمان امپراطوری ساسانیان، بسیار از مورخان، عدم حمایت مردم از امپراطوری و تمایل آن‌ ها به اسلام­گرایی را ازجمله عوامل اصلی شکست امپراطوری ساسانی معرفی کرده ­اند. ازاین‌رو، توجه به تمایل افراد جامعه به مستعمره شدن و نارضایتی آن‌ ها از سیاست­های فعلی می ­تواند عاملی مؤثر بر حرکت کشور به سمت استعمارگر و مستعمره شدن آن باشد. از این پس مفهوم اقبال عمومی با It نشان داده می­ شود. مفهوم It همانند مفهوم سرعت در الگوریتم PSO، [۱۴۸]BA و… است. این اقبال عمومی در هر بار تکرار، با توجه به موقعیتی که کشور در آن قرار گرفته است، متفاوت خواهد بود و باید بروزرسانی شود. اگرچه مفهوم “اقبال عمومی” به معنای تمایل افراد جامعه به تغییر نظام موجود و پیروی از یک نظام جدید است، اما این نظام جدید، هر نظامی نمی ­تواند باشد. درواقع، مردم با بررسی شرایط استعمارگرها، به سمت آن استعمارگر که می­­تواند شرایط بهتری را برای آن‌ ها به ارمغان بیاورد تمایل یافته و حاضر به پشتیبانی از آن هستند. این استعمارگر بهترین استعمارگر(impbest) موجود بوده و مردم حاضر به حمایت از آن می­باشند. به‌عنوان نتیجه، می­توان “اقبال عمومی” را عامل تأثیرگذار بر مستعمره شدن یک کشور دانست که تحت تأثیر ۲ عامل می­باشد:

میزان نارضایتی از نظام فعلی

میزان تمایل به یک استعمارگر خاص

گاهی اوقات، مردم به حدی از وضعیت فعلی ناراضی بوده که تنها هدفشان رهایی از وضعیت فعلی است و در شرایطی دیگر، مردم چنان مجذوب یک استعمارگر شده که هدفشان چیزی جز پیروی از آن کشور نیست. در این توسعه، برای کنترل این ۲ عامل از ۲ متغیر و استفاده شده است. در ادامه و در رابطه ۳-۲ نحوه بروزرسانی It و نحوه تعیین موقعیت جدید کشور در فضای جستجو نشان داده شده است.

(۳-۲)

در رابطه ۳-۲، و به ترتیب اقبال عمومی و مکان جدید کشور بوده و مکان فعلی کشور می­باشد.

استخراج ارزش جهت بازاریابی

در ۲ مرحله قبل از فاز تعیین ارزش، مدل RFM برای تعیین ارزش مسافران در صنعت حمل­ونقل توسعه داده شد و روشی برای خوشه­بندی مشتریان ارائه گردید. با اجرای این ۲ مرحله، تعدادی خوشه از مسافران تشکیل می­ شود که در هر خوشه مسافرانی با ویژگی­های L، Dc، F و R شبیه به­هم وجود دارند. سوالی که در اینجا مطرح می­ شود آنست که کدام دسته از مشتریان باارزش­تر می­باشد؟
اگرچه مدل RFM قدرت زیادی در تعیین ارزش مشتریان دارد، اما مبنای این مدل بر اساس نگاه به گذشته مشتریان است. مدل RFM بشرطی می ­تواند یک مدل مناسب در تعیین ارزش مشتریان باشد که، رفتار آینده مشتری شبیه رفتار گذشته وی باشد[۱۵۳]. بر همین اساس، به‌منظور تعیین مشتریان باارزش آینده، بایستی آینده آن‌ ها نیز تعیین شده و ملاکی برای تصمیم ­گیری قرار گیرد. بدین منظور، از روش زنجیره مارکوف برای پیش ­بینی وضعیت آینده مشتریان استفاده خواهد شد. هدف از استفاده از زنجیره مارکوف، پیش ­بینی متغیرهای فاصله(Dc)، فرکانس(F)، تازگی® و طول مدت زمان(L) آینده مشتریان است. در ادامه نحوه استفاده از زنجیره مارکوف در پیش ­بینی ارزش آینده مشتری شرح داده شده است.

الگوریتم استخراج ارزش

روند کلی در تعیین ارزش آینده مشتری با بهره گرفتن از زنجیره مارکوف بصورت زیر است:

خوشه­بندی داده ­های تراکنشی مسافران و تعیین مراکز خوشه ­ها.

تشکیل ماتریس گذار و قرار دادن مقدار هر یک از مراکز خوشه ­ها به‌عنوان گذارهای موجود در ماتریس­.