2-6-4 چگونه سرویسها طراحی می شوند……………..19

2-6-5 توصیفات سرویسها…………….. 20

2-7 ویژگی های معماری سرویس گرا ……………..20

2-8 تعریف گذرگاه سرویس…………….. 22

2-8-1 مسیریابی و مقیاس پذیری……………..23

2-8-2 تبدیل پروتکل انتقال……………..24

2-8-3 تبدیل پیام……………..25

2-8-4 ویژگی ها و مزایای گذرگاه سرویس……………..26

2-8-5 اجزای گذرگاه سرویس……………..27

2-9 انگیزه ی حرکت سیستم های تولیدی به سمت معماری سرویس گرا……..29

2 -10 تعریف برون سپاری…………….. 31

2-10-1 عوامل تاثیر گذار بر برون سپاری…………….. 32

2-10-2 دلایل عمده برون سپاری……………..34

2-10-3 معایب برون سپاری……………..35

2-10-4 تعریف برون سپاری استراتژیك…………….. 36

2-10- 5 کارهای انجام شده در ارتباط با برون سپاری…………….. 36

2-11 سیستم اطلاعاتی……………..40

2-12 کارهای انجام شده د ر ارتباط با به کارگیری سیستم اطلاعاتی در یکپارچگی واحد های مختلف تولید…41

2-13 نتیجه گیری……………..45

فصل سوم: روش تحقیق……………..46

3-1 مقدمه……………..47

3-2 نگاه کلی و هدف از ارائه مدل پیشنهادی……………..47

3-3 رویکرد کنترلی برای تعامل سرویس های استخراج شده در سیستم اطلاعاتی پیشنهادی….49

3 -4 متدولوژی SOMA در طراحی سیستم اطلاعاتی سرویس گرا……………..53

3-4-1 فاز شناسایی سرویس ها در متدولوژی SOMA……………..

3-4-1-1 تکنیک سرویس – هدف…………….. 54

3–4- 1-2 تکنیک تجزیه دامنه……………..55

3–4- 1-3 تجزیه و تحلیل دارایی های موجود…………….. 55

3-5 راهکارپیشنهادی: طراحی سیستم اطلاعاتی سرویس گرا…..56

3-5-1 شناسایی سرویس های سیستم اطلاعاتی با استفاده ازمتدولوژیSOMA……………..

3-5-2روند جریان اطلاعات در سیستم اطلاعاتی سرویس گرا……………..60

3-6 مدلسازی سیستم اطلاعاتی سرویس گرا با استفاده از زبان UML……………..

3 -7 الگوی راه حل پیشنهادی متدولوژی SOMAبرای استفاده در سیستم های اطلاعاتی…..81

3-8 برنامه ریزی استراتژیک سیستم اطلاعاتی……………..85

3-9 نتیجه گیری…………….. 88

فصل چهارم: محاسبات و یافته های تحقیق……………..89

4-1 مقدمه……………..90

4-2 مطالعه موردی –شرکت ایران خودرو……………..90

4-3 طراحی سیستم اطلاعاتی سرویس گرا برای شرکتایران خودرو……93

4 – 3- 1 مدل فرایند ورود کاربران ایران خودرو به سیستم اطلاعاتی خودرو……94

4 -3- 2مدل فرایند نظارت واحد تدارکات ایران خودرو برموجودی انبار(مواد اولیه)…..96

4 -3- 3 مدل فرایند درخواست قطعه از انبار ایران خودرو……………..97

4 -3- 4 مدل فرایند اجرای محصول درخواستی مشتری ایران خودرو……………..99

4 -3- 5 مدل فرایند پرداخت مشتری…………….. 101

4 -3- 6 مدل فرایند تحویل محصولات به مشتریان ایران خودرو…………….. 102

4 -3-7 مدل فرایند خدمات پس از فروش مشتریان ایران خودرو ……………..102

4 – 4 مشخصه سرویس ها در سیستم اطلاعاتی سرویس گرا…………….. 104

4 – 5 تدوین راهبردها در راستای سیستم اطلاعاتی، با استفاده ازماتریس SWOT……………..

4 – 6 تحلیل استراتژیک سیستم اطلاعاتی سرویس گرا برای شرکت ایران خودرو…………107

4-7 فرآیند تحلیل سلسه مراتبی AHP……………..

4-8 نتیجه گیری……………..116

فصل پنجم: نتیجه گیری و پیشنهادات117……………..

5-1 خلاصه تحقیق……………..118

5-2 بررسی مزایای رهیافت پیشنهادی……………..118

5-3 محدودیت ها و زوایای پوشش داده نشده……………..119

5-4 اقدامات آتی……………..120

ضمائم و پیوست ه…………….. 121

ضمیمه 1- کدهایWSDL مربوط به مشخصه سرویس احراز هویت…….. 122

ضمیمه 2- کدهای WSDL مربوط به مشخصه سرویس پرداخت آنلاین …….126

ضمیمه 3- کدهای WSDL مربوط به مشخصه سرویس صدور فاکتور…..129

ضمیمه 4- کدهای WSDL مربوط به مشخصه سرویس رفع مشکل فراموش کردن رمز عبور….. 134

ضمیمه 5- کدهای WSDL مربوط به مشخصه سرویس بررسی وضعیت پرداخت صورتحساب….. 138

منابع و مآخذ……………..142

چکیده:

در سازمان بزرگ مقیاس به دلیل گستردگی حیطه مسئله، با واحد ها و ارتباطات زیادی مواجهه هستیم. به کارگیری نظام مبادلات پیمانکاری فرعی(spx) به ارتقای این واحدها کمک میکند و با کاهش هزینه های سرمایه گذاری و جلوگیری از گسترش بی رویه واحدها و بعضاً با تعطیل کردن پاره ای از بخش­های خط تولید و سپردن کار تولید قطعه ها و حتی بخش طراحی و مونتاژ کالا به واحدهای دیگر، حجم تولید را تا چند برابر افزایش می­دهند و می توانند بیشترین نوآوری و تنوع را به تولیدات خود بدهند. این سازمان ها امروزه به سمت معماری سرویس گرا روی آورده اند، که رویکردی برای سرعت بخشیدن در انجام فرآیندهای سیستم اطلاعاتی و بهبود یکپارچگی می باشد. در این تحقیق،یک چارچوب استراتژیک برای نظام مبادلات پیمانکاری فرعی درسازمان بزرگ مقیاس سرویس گرا که ارتباط واحدها از طریق سرویس می باشد ارائه شده است تا برنامه ریزی و مدیریت واحدها تسهیل یابد و بدین ترتیب کار سازمان سریع تر و دقیق تر انجام شود.

فصل اول: مقدمه و کلیات تحقیق

1-1- مقدمه

سازمان بزرگ مقیاس از واحدها، محصولات و سرویس های متنوع زیادی تشکیل شده است. این واحدها زیر ساخت مختلف دارند که دارای سرویس های مختلفی هستند. به منظور ارتقای کیفیت کالاها و افزایش میزان تنوع کالا و نو آوری سازمان های بزرگ مقیاس می توانند از پیمانکاری فرعی صنعتی، به عنوان یکی از روشهای تامین سفارشهای تولیدی از بیرون، استفاده کنند. هدایت و کنترل سازمان بزرگ مقیاس و پیچیده نیاز به پیروی از یک چارچوب و برنامه منسجم دارد. امروزه سیستم های سرویس گرا با توجه به امکان استفاده در محیط های مختلف و عدم وابستگی به فناوری خاص، وجود سیستم های بزرگ مقیاس پویا با نیازهای متغیر، بسیار مورد توجه قرار گرفته اند. معماری سرویس گرا به دلیل سرعت در پیاده سازی برنامه کاربردی سازمان را به سمت توزیع شدگی و مدیریت صحیح منابع پیش می برد. معماری سرویس گرا امکان ایجاد یکپارچگی بین برنامه واحدها بدون وابستگی به سکو و فناوری پیاده سازی را فراهم می کند. ایجاد زیرساخت های مورد نیاز برای این رویکرد به دلیل نیاز به زمان و هزینه زیاد، برای سازمان هایی مناسب است که ناهمگن بوده و دارای توزیع شدگی زیاد هستند.معماری سازمانیمجموعه ای ازفراورده ها است كه عناصر زیرساختی سازمان و روابط این عناصر با هم را معرفی می كند و سازمان را از ابعاد مختلف مورد بررسی قرار میدهد.

2-1- طرح مسئله

سازمان بزرگ مقیاس به دلیل داشتن واحدهای گوناگون، تعداد و تنوع زیاد محصول و سرویس ها و ارتباط پیچیده و محیط پویا و رقابتی نیاز به برنامه ریزی استراتژیک دارد زیرا برنامه ریزی استراتژیک یکی از عوامل اصلی یكپارچگی كسب و كار و فناوری اطلاعات وحصول مزیت رقابتی می باشد تا براساس برنامه تهیه شده بسوی اهداف مورد نظر به پیش رود وهمواره ناظر برحرکت خودباشد تا انحرافات احتمالی راشناسایی وتعدیل کند. مدل عملی برنامه ریزی استراتژیک برای سازمانهایی است که ارتباط واحدها از طریق سرویس گرایی می باشد. سازمانها به منظور حفظ خود در بازارهای رقابتی همواره در حال رشد و تغییر کسب و کار خود هستند. بنابراین بایستی سیستم های اطلاعاتی خود را به گونه ای انتقال و ارتقا دهند تا بتوانند پاسخگوی نیازهای بازار و تغییرات زیاد فناوری باشند. این مدل دو دیدگاه فنی و استراتژیک را در خود هماهنگ و یکپارچه می سازد. استفاده از چارچوب و معماری سازمانی راهکار مفیدی برای برنامه ریزی، مدیریت و یکپارچگی واحدها می باشد.برنامه ریزی استراتژیک موجب می شود تا کار واحدها و سازمان سریع تر انجام شود و پیش برود. این برنامه باید آینده نگر و محیط گرا باشد بطوری که ضمن شناسایی عوامل وتحولات محیطی، در یک افق زمانی بلند مدت تأثیرآنها بر سازمان ونحوهتعامل سازمانباآنها را مشخص کند. چارچوب استراتژیک موجب تسهیل فرایند برنامه ریزی استراتژیک و شناسایی رقبا، مشتریان، تأمین كنندگان، محصولات و موجب شناسایی سطوح کیفی و رقابتی رقبا و بهبود عملکرد می شود.

2-5-1-3-4 ساخت ویژگی………………………………………………………………………. 21

2-5-1-3-5 نرمال سازی………………………………………………………………………….. 21

2-5-1-4 کاهش داده ها……………………………………………………………………………… 21

2-5-1-4-1 تجمیع مکعبی داده…………………………………………………………………. 23

2-5-1-4-2 انتخاب زیر مجموعه مشخصه ها……………………………………………….. 23

2-5-1-4-3 کاهش تعدد نقاط…………………………………………………………………… 24

2-5-1-5 تصویر کردن برای کاهش بعد………………………………………………………….. 24

2-6 روش های ارزیابی دسته بندی……………………………………………………………………….. 25

2-6-1 ارزیابی صحت روشهای دسته بندی………………………………………………………….. 27

2-7 تکنیک حداقل مربعات……………………………………………………………………………….. 30

2-7-1 تقریب کمترین مربعات گسسته چند جمله ای……………………………………………. 31

2-8 ماشین بردار پشتیبان……………………………………………………………………………………. 33

2-8-1مقدمه……………………………………………………………………………………………….. 33

2-8-2دلایل استفاده از SVM…………………………………………………………………………….

2-8-3 کاربردهای SVM…………………………………………………………………………………..

2-8-4 مزایا و معایب SVM……………………………………………………………………………….

2-8-5 تعاریف کلی……………………………………………………………………………………….. 36

2-8-5-1تابع تصمیم مسائل دو کلاسی……………………………………………………………. 36

2-8-5-2 تعیین تابع تصمیم(ابر صفحه جداکننده)………………………………………………. 38

2-8-5-3 بعد VC……………………………………………………………………………………… 39

2-8-5-4حداقل سازی ریسک تجربی…………………………………………………………….. 40

2-8-5-5حداقل سازی ریسک ساختاری…………………………………………………………. 42

2-8-6 ماشین بردار پشتیبان طبقه بندی کننده خطی با داده های جدا شدنی به طور خطی 44

2-8-7ماشین بردار پشتیبان طبقه بندی کننده خطی با داده های جدا نشدنی به طور خطی ( 49

2-8-8 ماشین بردار پشتیبان غیر خطی……………………………………………………………… 52

2-8-9 انواع کرنل ها……………………………………………………………………………………… 55

2-8-9-1 کرنل چند جمله ای……………………………………………………………………….. 55

2-8-9-2 کرنل های شبکه عصبی………………………………………………………………….. 55

2-8-9-3 کرنل های گوسی…………………………………………………………………………. 56

2-9 تکنیک های پیش پردازش نامتوازن…………………………………………………………………. 58

2-9-1 ماشین بردار پشتیبان و مشکل عدم توازن کلاس…………………………………………. 58

2-9-1-1 عیب مشکل بهینه سازی با ناحیه مرزی نرم………………………………………… 59

2-9-1-2 نسبت بردار پشتیبان نامتوازن……………………………………………………………. 60

2-9-2 روشهای یادگیری عدم توازن خارجی برای SVM (روشهای پیش پردازش داده) 61

2-9-2-1 روشهای نمونه برداری دوباره………………………………………………………….. 61

2-9-2-1-1زیر نمونه برداری…………………………………………………………………….. 61

2-9-2-1-2بیش نمونه برداری…………………………………………………………………… 62

2-9-2-1-3 SCM……………………………………………………………………………………

2-9-2-1-4 نمونه برداری پیشرفته……………………………………………………………… 63

2-9-2-1-5 تکنیک بیش نمونه برداری اقلیت مصنوعی……………………………………. 64

2-9-2-1-6 نزدیک ترین همسایه فشرده(CNN)……………………………………………..

2-9-2-1-7 نزدیک ترین همسایه تغییر یافته(ENN)………………………………………….

2-9-2-1-8 Tomek-Link…………………………………………………………………………

2-9-2-2 روشهای یادگیری جمعی………………………………………………………………… 68

2-9-2-2-1الگوریتم آموزشی Bagging…………………………………………………………

2-9-2-2-2 الگوریتم آموزشی Boosting………………………………………………………

2-9-3 روشهای یادگیری عدم تعادل داخلی برای ماشین بردار پشتیبان………………..71

2-9-3-1 هزینه خطای متفاوت……………………………………………………………………… 71

2-9-3-2 یادگیری یک کلاس………………………………………………………………………. 73

2-9-3-3zSVM………………………………………………………………………………………….

2-9-3-4 روشهای اصلاح کرنل……………………………………………………………………. 74

2-9-3-5 یادگیری فعال………………………………………………………………………………. 75

2-9-3-6 روش های ترکیبی………………………………………………………………………… 75

فصل سوم:روش تحقیق

3-1مقدمه……………………………………………………………………………………………………….. 77

3-2 ماشین بردار پشتیبان فازی برای یادگیری عدم توازن کلاس…………………………………… 77

3-2-1 روش SVMFuzzy………………………………………………………………………………..

3-2-2متد FSVM-CIL…………………………………………………………………………………..

3-3 ماشین بردار پشتیبان حداقل مربعات (LS-SVM)…………………………………………………

3-4 الگوریتم پیشنهادی……………………………………………………………………………………… 87

فصل چهارم: محاسبات و یافته های تحقیق

4-1 مقدمه………………………………………………………………………………………………………. 90

4-2 مجموعه داده ها………………………………………………………………………………………… 90

4-3 نتایج کارایی روش های مختلف بر روی مجموعه داده ها…………………………………….. 91

فصل پنجم:نتیجه گیری و پیشنهادات

5-1 جمع بندی و نتیجه گیری……………………………………………………………………………… 94

5-2 کارهای آتی………………………………………………………………………………………………. 96

منابع و مآخذ :………………………………………………………………………………………. 97

چکیده انگلیسی…………………………………………………………………………………………….102

چکیده:

برای دست یابی به نتایج مطلوب در داده کاوی نیاز به پیش پردازش داده ها داریم.پیش پردازش داده ها یکی از اجزای مهم در فرایند کشف دانش است.روش های بسیاری برای پیش پردازش داده وجود دارد که می­توان از آنها استفاده کرد.اما این روش ها برای داده های نامتوازن مناسب نیستند. اصطلاح “مجموعه داده نامتوازن” عموما به مجموعه داده ای گفته می شود که در آن تعداد نمونه هایی که نمایانگر یک کلاس هستند از نمونه های دیگر در کلاس های متفاوت کمتر است مشکل عدم توازن کلاس در بسیاری از برنامه های کاربردی جهان واقعی به رسمیت شناخته شده است و موضوع تحقیقات یادگیری مبتنی بر ماشین قرار گرفته است از این رو اخیراً مشكل نامتوازن بودن كلاسها مورد توجه محققان در زمینه ی داده كاوی قرار گرفته است.آنها به دنبال کشف روش هایی بودند که با اعمال بر روی داده های نامتوازن به نتایج مطلوبی دست یابند.

در این پروژه روش های گوناگون پیش پردازش داده های نامتوازن مورد بحث قرار گرفته و الگوریتم جدیدی برای بهبود نتایج طبقه بندی ارائه می­شود، به گونه ای که کارایی و دقت آن مورد توجه باشد.

فصل اول: مقدمه و کلیات تحقیق

1-1- مقدمه

کشف دانش و داده کاوی یک حوزه جدید میان رشته ای و در حال رشد است که حوزه های مختلفی همچون پایگاه داده، آمار، یادگیری ماشین و سایر زمینه های مرتبط را با هم تلفیق کرده تا اطلاعات و دانش ارزشمند نهفته در حجم بزرگی از داده ها را استخراج کند.هدف کشف دانش و داده کاوی یافتن الگوها در پایگاه داده است که در میان حجم عظیمی از داده ها مخفی هستند]1[ .کشف دانش شامل مراحل متعددی است که در این تحقیق به مرحله پیش پردازش توجه می­کنیم.

4-1 : پایگاه داده هدف ……………………………………………………………………………. 62

4-2 : آماده سازی مجموعه داده ……………………………………………………………….. 63

4-3 : استخراج اطلاعات جهت تعیین معیارهای RFM …………………………………… 78

4-4 : داده کاوی ……………………………………………………………………………………. 82

4-5 : ارائه تبلیغات مناسب به مشتری ……………………………………………………….. 117

4-6 : ارزیابی مدل …………………………………………………………………………………. 119

فصل پنجم : نتیجه گیری و کار آینده

5-1 : نتیجه گیری …………………………………………………………………………………. 126

5-2 : پیشنهادها و کار آینده ………………………………………………………………….. 128

منابع …………………………………………………………………………………………………. 131

چکیده:

به دلیل بازار رقابتی شدیدی که امروزه در تجارت الکترونیک وجود دارد شرکت های تجاری در تلاش هستند تا شرایط مدیریت ارتباط با مشتری را هرچه بیشتر بهبود بخشند تا بتوانند مشتریان فعلی را حفظ و دیگر مشتریان را هم جذب کنند.به همین خاطر است که شرکت هایی که کالاهای خود را بصورت اینترنتی به فروش می رسانند به دنبال این هستند تا تبلیغات کالاهایشان بر اساس ترجیحات فردی مشتریان باشد، یعنی تبلیغات را برای هر مشتری شخصی سازی کنند.

برای شخصی سازی تبلیغات شرکت ها باید اطلاعاتی در مورد رفتار خرید پیشین مشتریانشان کسب کنند و بعد از آن این اطلاعات را تجزیه و تحلیل کنند تا بتوانند رفتار خرید آتی مشتریان را پیش بینی کنند. تکنیک داده کاوی ابزاری است که می تواند به شرکت ها کمک کند تا بتوانند اطلاعات رفتار خریدهای پیشین مشتری را تجزیه و تحلیل کرده و قوانینی را استنتاج کنند که برای پیش بینی رفتار خرید آتی مشتری مفید باشند و بر طبق آن بتوانند راهبردهای شخصی سازی تبلیغات برای مشتریان را برپا کنند.

ما در تحقیق خود از داده های جمع آوری شده از مشتری، که رفتار خریدهای پیشین مشتری هستند، استفاده کرده و با بکارگیری روش تاخر، تناوب و مالی ارزش مشتریان را برای شرکت مشخص کردیم.سپس برای خوشه بندی مشتریان بر اساس ارزش آنها، بصورت موازی از الگوریتم خوشه بندی K-Means و K-Harmonic Means استفاده کردیم سپس از الگوریتم استقرایی که یکی از الگوریتم های کشف قوانین وابستگی است استفاده کردیم و تکنیک قوانین وابستگی را بر روی داده های مربوط به هر یک از خوشه هایی که توسط K-Means مشخص شده اند بکار گرفتیم. با استفاده از قوانین بدست آمده از هر خوشه راهبردهای شخصی سازی تبلیغات برای هر خوشه از مشتریان را مشخص کردیم. برای هر مشتری علاوه بر قوانین مربوط به خوشه اصلی که به آن تعلق دارد از قوانین خوشه های دیگری که درجه تعلق مناسبی نسبت به آنها دارد نیز برای تعیین راهبردهای شخصی سازی تبلیغات استفاده کردیم تا بدین ترتیب تعداد تبلیغات پیشنهادی که مطابق با علایق مشتری است را بیشتر کنیم.

فصل اول: مقدمه و کلیات تحقیق

1-1- مقدمه

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 کاوی¹می باشد.

با استفاده از تکنیک خوشه بندی²و تکنیک قوانین انجمنی³که 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 مشتری¹را 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 سازی²کنند.

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 وب¹می 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 استقرایی¹روی 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.