Generic selectors
Exact matches only
Search in title
Search in content
Menu
شرایط دریافت هدیه نوروزی متمم: دوره صوتی آموزش هدف‌گذاری (کلیک کنید)


بخش بندی بازار بر اساس داده‌ها: روش خوشه بندی K-Means


اهداف و انتظارات آموزشی متمم در این درس
کد درس: ۲۷۷۹۶
پیش نیازهای مطالعه این درس: از دوستان عزیز متممی انتظار می‌رود در پایان این درس:
  • بتوانند مراحل الگوریتم K-Means‌ را برای خوشه بندی اطلاعات شرح دهند.
  • بتوانند نقاط ضعف الگوریتم K-Means را فهرست کنند.
  • پیچیدگی مفهوم خوشه بندی بر اساس داده‌ها را درک کرده باشند.
روش K-means در بخش بندی داده ها

ما در درس‌های قبلی بحث بخش بندی بازار، به این نکته اشاره کردیم که کلیه روش‌های بخش بندی بازار را می‌توان به دو دسته تقسیم کرد.

دسته‌‌ی اول، روشهای بخش بندی هستند که بر پایه‌ی مفروضات مدیران بازاریابی یا به طور کلی، مدیران کسب و کارها انجام می‌شوند.

دسته‌ی دوم روش‌هایی هستند که می‌کوشند تا حد امکان، پیش‌فرض‌ها را کمتر دخیل کنند و با استفاده از داده‌های بیشتر و روش‌های آماری و ریاضی، خطای قضاوت انسانی را در بخش بندی بازار کاهش دهند.

در مورد روش اول بحث‌ها و توضیحات مختلفی داشته‌ایم. اما به روش‌های دسته‌ی دوم،‌ اشاره‌ی مستقیم نکرده‌ایم.

این درس به معرفی روش K-Means می‌پردازد.

البته در این درس مختصر انتظار نداریم که بعد از به پایان رسیدن این درس، به سادگی بتوانید با هر برنامه‌ای مانند Matlab یا Excel یا SPSS به بخش بندی بپردازید. اما انتظار داریم تصویر شفاف‌تری از روش‌های آماری خوشه بندی به دست بیاورید.

اگر چه در صورتی که کمی حوصله و علاقه برای بازی با برنامه‌هایی مانند Excel داشته باشید، بدون نرم افزارهای تخصصی و با ترکیب روش‌های اتوماتیک و کمی هم بازی با اعداد و دستکاری جدول‌های Excel، می‌توانید این روش را برای کارهای ساده به کار بگیرید.

اما مهم‌تر از اینها:

برای متمم مهم است که لااقل اگر یک متخصص ریاضی یا آمار یا یک کاربر حرفه‌ای نرم افزار، برای شما از روش های ریاضی خوشه بندی استفاده کرد، بتوانید تا حدی در ذهن خود تصور کنید که در پشت این الگوریتم‌ها چه چیزی روی می‌دهد.

محدودیت در دسترسی کامل به این درس

دوست عزیز. مطالعه مجموعه درس‌های مدیریت بازاریابی، صرفاً برای کسانی امکان پذیر است که از هر دو ویژگی زیر برخوردار باشند:

به همین علت  در حال حاضر صرفاً‌ بخش کوچکی از این درس برای شما نمایش داده می‌شود. 

البته اگر کاربر ویژه متمم باشید، به درس‌های بسیار بیشتری دسترسی پیدا می‌کنید که فهرست آن‌ها را می‌توانید در این‌جا ببینید:

 فهرست درس‌های مختص کاربران ویژه متمم

البته از میان درس‌ها و مطالب مطرح شده، ما فکر می‌کنیم شاید بهتر باشد درس‌های دوره مدیریت کسب و کار (MBA) متمم را به شکل منظم بخوانید؛ یا لااقل ابتدا مطالعه‌ی مباحث زیر را در اولویت قرار دهید:

  تفکر سیستمی

  دیجیتال مارکتینگ

  ارزش آفرینی

  تصمیم گیری

تمرین (در متمم انجام ندهید)

بهترین روش برای درک الگوریتم K-Means این است که آن را به صورت دستی و تخمینی در فضای دو بعدی انجام دهید.

روی یک برگه نموداری شبیه تصویر زیر را ترسیم کنید:

k-means-example

سعی کنید به صورت چشمی و بدون محاسبه‌ی دقیق، الگوریتم را برای K=2 روی آن اجرا کنید.

یعنی اول دو مرکز تصادفی انتخاب کنید و بعد نقطه‌ها را بر اساس فاصله به یکی از دو مرکز تخصیص دهید و سپس مرکز جدید را محاسبه کنید و روند را تکرار کنید.

در پایان، حتماً یک بار دیگر اهداف درس را در قسمت بالای این مطلب بخوانید.

قرارمان فقط این بود و هست که در این درس خاص، نسبت به یکی از کلاسیک‌ترین شیوه‌های خوشه بندی، کمی دید پیدا کنیم.

همین و نه بیشتر.

      شما تاکنون در این بحث مشارکت نداشته‌اید.  

     تعدادی از دوستان علاقه‌مند به این مطلب:    پوپک جهانشاهی ، بابک یزدی ، مریم بازرگان ، علی افخمی ، وحید قاسمی

ترتیبی که متمم برای خواندن مطالب سری بخش بندی بازار به شما پیشنهاد می‌کند:

سری مطالب حوزه بخش بندی بازار
 

برخی از سوالهای متداول درباره متمم (روی هر سوال کلیک کنید)

متمم چیست و چه می‌کند؟ (+ دانلود فایل PDF معرفی متمم)
چه درس‌هایی در متمم ارائه می‌شوند؟
هزینه ثبت‌نام در متمم چقدر است؟
آیا در متمم فایل‌های صوتی رایگان هم برای دانلود وجود دارد؟

۷ نظر برای بخش بندی بازار بر اساس داده‌ها: روش خوشه بندی K-Means

    پرطرفدارترین دیدگاه به انتخاب متممی‌ها در این بحث

    نویسنده‌ی دیدگاه : محمد رمضانی

    با سلام
    خیلی ممنون از درس خیلی خیلی خوبتون
    بعد اتمام درس، فقط ی نکته که فکر میکنم خیلی کاربردی باشه رو خواستم عنوان کنم.
    من برای پروژه های دانشگاهی و کاری و ... خودم و خیلی از دوستان و همکلاسی ها و ... خیلی از برنامه های مدل کردن و تحلیل اماری و ... استفاده کرده ایم.
    وقتی بچه های برای بارهای نخست ازین روش ها استفاده میکنند، خیلی وقت ها گمراه می شوند و اشتباه تو نتایج حاصله پیش میاد.
    بعد از بررسی ها در چندین مورد، فهمیدم که علتش "عدم استفاده از هوشیاری" هستش.
    مشکل از اینجا صورت میگرفت که دوستان همه داده ها رو وارد دیتا بیس برنامه می کردند و برنامه هم شروع می کرد به ارزیابی و خروجی دادن بر اساس اون دیتاهای خام اولیه.
    در حالی که اون دیتاها، استاندارد و غربال شده نبودند و نیاز به اماده سازی داشتند و ایراد کار، همین عدم غربال گری و اماده سازی داده خام بود.
    این امر استاندارد سازی و غربال گری داده های خام، به قدری مهم و با اهمیت هستند که کلی شیوه و روش و برنامه و .... براش درست و تالیف شده است.
    لذا در چپایان این درس، مناسب دونستم که این نکته رو یاداور دوستان خوبم بشم که همیشه قبل از استفاده از چنین برنامه ها و روش ها و نرم افزارهایی، نسبت به غربال گری و اماده سازی دیتای اولیه خودتون هوشیار باشید.
    نکته دیگه ای هم که باید متذکر بشم، اینه که ما یک جهت گیری مثبت نسبت به خروجی های برنامه های نرم افزاری و ... مثل مورد ارائه شده در این درس داریم.
    در بسیاری موارد این جهت گیری درست است، اما در مواردی همین جهت  گیری و عدم بررسی مجدد بر روی خروجی ها، منجر به اشتباهات و بعضا خطاهای بسیار عظیم و بزرگ می شود.
    لذا این مطلب رو هرگز فراموش نکنیم که این برنامه ها، در عین کاربردی و مفید بودن، هوشیاری ندارند و در نهایت این هوشیاری رو ما باید به این مجموعه بیافزاییم و تنها در اون صورت هستش که نتایج قابل اتکا و کاربردی و قابل اطمینان می شوند.
    این هوشیاری چه در مرحله های اولیه (مثل استاندارد سازی داده های خام و اولیه) و چه در مراحل پایانی، ارزیابی و بررسی و تحلیل داده های خروجی برنامه ها و نرم افزارها، بسیار مهم و تاثیرگذار هستند و بی توجهی به این مطالب، میتونه مکا رو بشدت با خطا و ضرر مواجه کنه.
     
    موفق و شادکام باشید.

     
    تمرین‌ها و نظرات ثبت شده روی این درس صرفاً برای اعضای متمم نمایش داده می‌شود.
    .