نوع مقاله : مقاله پژوهشی

نویسندگان

1 دانشجوی دکتری مدیریت تحقیق در عملیات، دانشکده علوم اداری و اقتصاد، دانشگاه فردوسی،

2 دانشیار گروه مدیریت، دانشکده علوم اداری و اقتصاد، دانشگاه فردوسی، مشهد،

چکیده

با گسترش فناوری اطلاعات و ظهور بازارهای مجازی، برنامه ریزی و تحلیل این بازارها و اجزای آنها به اولویت
سازمان های ذی نفع تبدیل شده است. یکی از مهم ترین بازارهای مجازی کنونی در کشور، بازار فروش آنلاین
خدمات شارژ اپراتورهای مختلف تلفن همراه در قالب فروشگاه های اینترنتی است. با توجه به تعداد انبوه و در
حال رشد این فروشگاه ها، دسته بندی آنها از دید تأمین کننده به منظور ارائه امتیازات و آینده نگری در همکاری
ضروری است. در این پژوهش، با استفاده از داده های یکی از مهم ترین تأمین کنندگان این محصولات، قریب به
سه هزار فروشگاه مجازی مورد تحلیل قرار گرفته و بر اساس شاخص های مورد نظر تأمین کننده خوشه بندی
شده است. فرآیند خوشه بندی با استفاده از شبکه عصبی مصنوعی SOM و در قالب روش دو مرحله ای آن با
الگوریتم k-means انجام شده است که تحلیل خوشه های حاصل از شبکه عصبی را تسهیل می کند. اگرچه به
منظور تعیین بهترین تعداد خوشه ها، شاخص های اعتبارسنجی مختلفی گسترش پیدا کرده است اما در این
پژوهش با ترکیب روش تصمیم گیری چندشاخصه در مدل و تجمیع شاخص های مختلف، به ارائه یک مدل
بهینه یابی با رویکرد جبرانی نسبت به شاخص ها پرداخته شده است.

کلیدواژه‌ها

عنوان مقاله [English]

Clustering of Online Stores from Supplier's point of view: Using Clusters Number Optimization in Two-Level SOM

نویسندگان [English]

  • Mohammad Ali Faezi-Rad 1
  • Alireza Pooya 2

چکیده [English]

By developing information technology and emerging online markets,
Planning for these markets and analyzing their details has been became a priority for beneficiary organizations. One of most important online markets in Iran is SIM card credit services that are considered as online stores. Regarding to numerous and increasing number of online malls, grouping and classification of online malls from supplier's point of view in order to forecasting cooperation is essential. In this paper, around three thousand online stores has been studied and analyzed by using one of famous supplier data and it has been clustered according to supplier's indexes. Clustering process has been done by using SOM Neural Network in two levels by K-means algorithm since it facilitates analyzing of clusters. Although various validation indicators has been developed to determine the best number of clusters but in this paper, an optimizing model of compensatory approach to indexes is presented by using combination multi criteria decision making and aggregation of various indexes