وحید برادران

پس از ورود جدی بانک های خصوصی و موسسات مالی و اعتباری به عرصه بانکداری، رقابت بین موسسات و بانک ها به منظور شناسایی، جذب و حفظ مشتریان از اهمیت بالایی برخودار شده است. تحلیل رفتار مشتریان در سازمان های فعال در این حوزه که با تعداد کثیری از مشتریان در نقاط پراکنده با ویژگی های متفاوت سر و کار دارند، باعث موفقیت آنها در بازار رقابتی و مدیریت ارتباط موثر با مشتریان می شود. بخش بندی مشتریان، از رویکردهای داده کاوی که منجر به کشف گروه های مشابه از مشتریان می شود، اغلب بر اساس مدل ""تاخر خرید، بسامد خرید، و ارزش مالی آن"" ( RFM ) انجام می گردد. در این مقاله، الگوی جدید بخش بندی مشتریان بر پایه مدل توسعه یافته RFM به وسیله افزودن متغیر توالی روزهای انجام تراکنش (C) ارائه شده است. مشتریان بانک بر اساس مدل RFM و مدل پیشنهادی این پژوهش ( RFMC ) و با استفاده از الگوریتم خوشه بندی دو مرحله ای و بکارگیری گام های متدلوژی GRISP-DM بخش بندی شده اند. این پژوهش نشان می دهد، دقت مدل RFMC نسبت به مدل RFM در بخش بندی مشتریان این صنعت به مقدار 5.5% بیشتر است. پس از انجام فرایند خوشه بندی با استفاده از مدل پیشنهادی، مشتریان یکی از بانک های خصوصی کشور به 5 خوشه تقسیم شده اند. ضمن تحلیل رفتار مشتریان هر خوشه، مدلی مبتنی بر شبکه عصبی پیش خوراند برای پیش بینی شماره خوشه مشتریان بر مبنای ویژگی های رفتاری و جمعیت شناختی آنها توسعه داده شده است.

زمان توقف اتوبوسها در ایستگاهها، یکی از پارامترهای تأثیرگذار بر کیفیت برنامه‌ریزی حمل و نقل در سیستم‌ اتوبوسرانی است. شناسایی عوامل موثر بر زمان توقف اتوبوسها و پیش‌بینی دقیق آن علاوه بر ارایه برنامه‌های دقیق تر، منجر به ارایه سیاستهای مناسبی برای کاهش زمان توقف و افزایش رضایت مسافران سوار بر وسیله نقلیه و منتظر در ایستگاه‌ها می‌شود. در این مقاله، با مطالعه سیستم اتوبوسرانی شهر تهران، عوامل بالقوه موثر بر زمان توقف اتوبوسها در ایستگاه‌ها شناسایی شده و با استفاده از تحلیل رگرسیونی، تأثیر بخشی از عوامل شناسایی شده مانند تعداد مسافران سوار و پیاده شده، بر زمان توقف اندازه‌گیری شده است. برازش توابع مختلف بر داده‌های جمع‌آوری شده از سیستم اتوبوسرانی شهر تهران، تابع غیرخطی از تعداد مسافران سوار و پیاده شده، بدون درنظر گرفتن جنسیت مسافر و دری که از آن پیاده یا سوار می‌شوند را به عنوان مناسب ترین تابع برای پیش‌بینی زمان توقف با ضریب تعیین 9/87 درصد نتیجه داده است. همچنین بررسی میکروسکوپی فرآیند توقف و تحلیل آماری پارامترهای موثر بر آن مانند زمان و تعداد مسافران سوار و پیاده شده منجر به توسعه مدل شبیه‌سازی گسسته پیشامدی از فرایند توقف اتوبوسها در ایستگاهها شده است. از مدل شبیه‌سازی طراحی شده برای بررسی تأثیر سیاستها و عوامل دیگری که امکان مطالعه آنها بر اساس داده‌های جمع‌اوری شده نیست، از قبیل نحوه پرداخت کرایه بر زمان توقف استفاده شده است. تحلیل‌ها نشان می‌دهد تغییر در نحوه پرداخت کرایه از سیستم بلیت کاغذی به پرداخت الکترونیکی حدود 23 درصد زمان توقف اتوبوسها را در ایستگاهها کاهش می‌دهد.

"با توسعه سیستم‌های حمل‌ونقل هوشمند، فرآیند برنامه‌ریزی سیستم‌های حمل‌ونقل عمومی مانند اتوبوس و قطار شهری از حالت استاتیک (برنامه‌ریزی بر اساس داده‌های گذشته) به حالت پویا (برنامه‌ریزی براساس داده‌های گذشته و لحظه‌ای) تغییر کرده است. در هر دو فرآیند فوق، زمان سفر به عنوان مهم ترین پارامتر برنامه‌ریزی محسوب می‌شود. در بیشتر مطالعات گذشته حوزه برنامه‌ریزی حمل‌ونقل عمومی، مبنای برآورد زمان سفر، استفاده از رویکرد توزیع‌های احتمالی بوده است. اما پیش‌بینی دقیق و صحیح زمان سفر نیازمند توسعه مدلهای پیش‌بینی متناسب با هر نوع فرآیند برنامه‌ریزی و بر اساس تأثیر متغیرهای مؤثر بر زمان سفر است. در این مقاله با مطالعه سیستم حمل‌ونقل عمومی شهر تهران (اتوبوسرانی)، متغیرهای مؤثر بر زمان سفر، شناسایی شده و میزان تأثیر هر یک از آنها بر زمان سفر اندازه‌گیری شده است. دو مدل پیش‌بینی مبتنی بر رگرسیون خطی و شبکه عصبی پیش‌خوراند جهت پیش‌بینی زمان سفر وسایل نقلیه عمومی بین دو ایستگاه متوالی قابل استفاده در فرآیندهای برنامه‌ریزی استاتیک و پویا طراحی شده است. مقدار ضریب همبستگی بین مقادیر واقعی و پیش‌بینی شده برای متغیر زمان سفر در شبکه اتوبوسرانی شهر تهران، در مدل رگرسیون حدود 75% و در مدلهای شبکه عصبی حدود 94% بوده است. "