تقسیم بندی مشتریان بر اساس تمایل به خرید کالای سبز در بازار …

0 Comments

کل

۳۹

۸۵/۰

 
روش های آماری مورد استفاده
در این پژوهش با استفاده از نرم افزار (SPSS, Version16) از دو نوع آمار توصیفی و استنباطی برای تحلیل دادهها استفاده شده است. به این ترتیب با استفاده از روشهای آمار توصیفی، اعم از جداول توزیع فراوانی، درصدها و رسم نمودارها به بررسی متغیرهای زمینهای تحقیق و توزیع نرمال آنها پرداخته شد. همچنین با استفاده از آمار استنباطی متناسب با سطح سنجش دادهها و مفروضات اساسی آزمونهای آماری از آزمونهای تحلیل خوشهای[۱۵۲]؛ تحلیل ممیزی[۱۵۳]؛ تجریه و تحلیل عاملی[۱۵۴] با چرخش واریمکس[۱۵۵]؛ آزمون کفایت اندازه نمونه((KMO[156]؛ آزمون کرویت بارتلت[۱۵۷]؛ تحلیل واریانس ((ANOVA[158]؛ آزمون t مستقل[۱۵۹] و آزمون پیرسون کای اسکور[۱۶۰] استفاده شد و معنادار بودن آزمونها در سطح ۰۵/۰ p˂در نظرگرفته شد.
 
 
آزمون تحلیل خوشه ای به منظور طبقه بندی مشتریان
اﺻﻄﻼح ﺗﺤﻠﻴﻞ ﺧﻮﺷﻪای اوﻟﻴﻦ ﺑﺎر ﺗﻮﺳﻂ تریان[۱۶۱](۱۹۳۹) ﺑﺮای روشﻫﺎی ﮔﺮوهﺑﻨﺪی اﺷﻴﺎﺋﻲ ﻛﻪ ﺷﺒﻴﻪ به هم ﺑﻮدﻧﺪ ﻣﻮرد اﺳﺘﻔﺎده ﻗﺮار ﮔﺮﻓﺖ. ﺗﺠﺰﻳﻪ و تحلیل ﺧﻮﺷﻪای، اﺑﺰار ﻣﻴﺎﻧﺒﺮ ﺗﺤﻠﻴﻞ دادهﻫﺎ اﺳﺖ ﻛﻪ ﻫﺪف آن ﻧﻈﻢ دادن ﺑﻪ اﺷﻴﺎء ﻣﺨﺘﻠﻒ ﺑﻪ ﮔﺮوهﻫﺎﻳﻲ ‫ﻛﻪ درﺟﻪ ارﺗﺒﺎط ﺑﻴﻦ دو ﺷﻲء، اﮔﺮ آﻧﻬﺎ ﺑﻪ ﻳﻚ ﮔﺮوه ﺗﻌﻠﻖ داﺷﺘﻪ ﺑﺎﺷﻨﺪ، ﺣﺪاﻛﺜﺮ و در ﻏﻴﺮ اﻳﻦ ﺻﻮرت ﺣﺪاﻗﻞ اﺳﺖ. ﺑﻪ ﻋﺒﺎرت ‫دﻳﮕﺮ ﺗﺤﻠﻴﻞ ﺧﻮﺷﻪای ﺳﺎﺧﺘﺎر دادهﻫﺎ را ﺑﺪون ﺗﻮﺿﻴﺢ اﻳﻨﻜﻪ ﭼﻪ وﺟﻮد دارد ﻧﺸﺎن ﻣﻲدﻫﺪ.
ﻫﺪف از ﺧﻮﺷﻪﺑﻨﺪی دادهﻫﺎ آن اﺳﺖ ﻛﻪ ﻣﺸﺎﻫﺪات را ﺑﻪ ﮔﺮوهﻫﺎی ﻣﺘﺠﺎﻧﺲ ﺗﻘﺴﻴﻢ ﻛﻨﻴﻢ، ﺑﻪﻃﻮری ﻛﻪ ﻣﺸﺎﻫﺪات ﻫﺮ ﮔﺮوه ﺑﻴﺸﺘﺮﻳﻦ ﺷﺒﺎﻫﺖ و ﻣﺸﺎﻫﺪات ﮔﺮوهﻫﺎی ﻣﺨﺘﻠﻒ ﻛﻤﺘﺮﻳﻦ ﺷﺒﺎﻫﺖ را ﺑﺎ ﻫﻢ داﺷﺘﻪ ﺑﺎﺷﻨﺪ. ﺗﺤﻠﻴﻞ ﺧﻮﺷﻪای ﻳﻚ اﺑﺰار اﻛﺘﺸﺎف اﺳﺖ و ﻧﺘﺎﻳﺞ آن ﻣﻤﻜﻦ اﺳﺖ:
۱) در ﺗﻌﺮﻳﻒ ﻳﻚ ﻃﺮح ﻃﺒﻘﻪﺑﻨﺪی ﻣﺎﻧﻨﺪ ردهﺑﻨﺪی ﺣﻴﻮاﻧﺎت، ‫ﺣﺸﺮات ﻳﺎ ﮔﻴﺎﻫﺎن ﻣﻔﻴﺪ ﺑﺎﺷﺪ.
۲) ﻗﻮاﻋﺪی ﺑﺮای اﺧﺘﺼﺎص ﻣﻮارد ﺟﺪﻳﺪ ﺑﻪ ﻃﺒﻘﻪﻫﺎ ﺑﻪ ﻣﻨﻈﻮر ﺷﻨﺎﺳﺎﻳﻲ و ﺗﺸﺨﻴﺺ ﺑﻪدﺳﺖ ‫دﻫﺪ.
۳) ﺣﺪود ﺗﻌﺮﻳﻒ، اﻧﺪازه و ﺗﻨﻮع و ﺗﻌﺮﻳﻒ ﺑﺮای آﻧﭽﻪ ﻗﺒﻼَ ﺑﻪ ﺷﻜﻞ ﻣﻔﺎﻫﻴﻢ وﺳﻴﻌﻲ ﺑﻮده اﺳﺖ، ﻓﺮاﻫﻢ آورد.
۴) ﻧﻤﻮﻧﻪﻫﺎﻳﻲ ‫ﺑﺮای ﻣﻌﺮﻓﻲ ﻃﺒﻘﻪﻫﺎ ﺑﻴﺎﻳﺪ.
۵) ﻣﺪلﻫﺎی آﻣﺎری ﺑﺮای ﺗﻮﺻﻴﻒ ﺟﺎﻣﻌﻪﻫﺎ اراﺋﻪ دﻫﺪ.
ﻣﻔﺎﻫﻴﻢ ﻓﺎﺻﻠﻪ[۱۶۲] و ﺗﺸﺎﺑﻪ[۱۶۳] از ﻣﻔﺎﻫﻴﻢ اﺳﺎﺳﻲ ﺗﺤﻠﻴﻞ ﺧﻮﺷﻪای اﺳﺖ. ﻓﺎﺻﻠﻪ اﻧﺪازهای اﺳﺖ ﻛﻪ ﻧﺸﺎن ﻣﻲدﻫﺪ دو ﻣﺸﺎﻫﺪه ﺗﺎ ﭼﻪ ‫ﺣﺪ ﺟﺪا از ﻳﻜﺪﻳﮕﺮﻧﺪ، در ﺣﺎﻟﻲ ﻛﻪ ﺗﺸﺎﺑﻪ ﺷﺎﺧﺺ ﻧﺰدﻳﻜﻲ آﻧﻬﺎ ﺑﺎ ﻳﻜﺪﻳﮕﺮ اﺳﺖ. ﭘﮋوﻫﺸﮕﺮ ﻗﺒﻞ از ﺗﺤﻠﻴﻞ، ﻧﺨﺴﺖ ﺑﺎﻳﺪ ﻳﻚ ‫ﻣﻘﻴﺎس ﻛﻤﻲ را ﻛﻪ ﺑﺮ ﭘﺎﻳﻪ ﻫﻤﺨﻮاﻧﻲ(ﺗﺸﺎﺑﻪ) ﺑﻴﻦ ﻣﺸﺎﻫﺪهﻫﺎ اﻧﺪازه ﮔﺮﻓﺘﻪ ﻣﻲﺷﻮد، اﻧﺘﺨﺎب نماید. اﻳﻦ ﺷﺎﺧﺺﻫﺎ ﺑﺎ ﺗﻮﺟﻪ ﺑﻪ ‫اﻟﮕﻮرﻳﺘﻢ ﺗﺸﻜﻴﻞ ﺧﻮﺷﻪﻫﺎ، ﻣﺎﻫﻴﺖ ﻣﺘﻐﻴﺮﻫﺎ (ﭘﻴﻮﺳﺘﻪ، ﮔﺴﺴﺘﻪ ﻳﺎ دو ارزﺷﻲ) و ﻣﻘﻴﺎس اﻧﺪازهﮔﻴﺮی اﻧﺘﺨﺎب ﻣﻲﺷﻮﻧﺪ. ﺑﺮای ﻃﺒﻘﻪﺑﻨﺪی روشﻫﺎی زﻳﺮ وﺟﻮد دارد:
‫۱-  ﺧﻮﺷﻪای دو ﻣﺮﺣﻠﻪای[۱۶۴]؛
‫۲- ‪ﺧﻮﺷﻪای‪ k ﻣﻴﺎﻧﮕﻴﻦ[۱۶۵]؛
‫۳- ﺧﻮﺷﻪای ﺳﻠﺴﻠﻪ ﻣﺮاﺗﺒﻲ[۱۶۶]؛
‫۴- ﻣﻤﻴﺰی[۱۶۷]؛
‫۵- ﺳﺎﺧﺘﺎر درﺧﺘﻲ [۱۶۸]؛
‫ در این پژوهش از روش سلسله مراتبی و تحلیل ممیزی استفاده شده است.
 
 
تحلیل ممیزی
ﺗﺤﻠﻴﻞ ﻣﻤﻴﺰی ﻳﺎ آﻧﺎﻟﻴﺰ ﺗﺸﺨﻴﺺ ﺗﻮﺳﻂ ﻓﻴﺸﺮ[۱۶۹] (۱۹۶۳) اﺑﺪاع ﺷﺪ و ﺑﺮ ﭘﺎﻳﻪ روشﺷﻨﺎﺳﻲ ﻣﻮرد اﺳﺘﻔﺎده در رﮔﺮﺳﻴﻮن ‫ﺧﻄﻲ ﭼﻨﺪ ﻣﺘﻐﻴﺮه ﺗﻮﺳﻌﻪ ﻳﺎﻓﺖ. ﺗﺤﻠﻴﻞ ﻣﻤﻴﺰی ﻣﺸﺎﺑﻪ رﮔﺮﺳﻴﻮن ﺧﻄﻲ ﭼﻨﺪﮔﺎﻧﻪ اﺳﺖ ﺑﺎ اﻳﻦ ﺗﻔﺎوت ﻛﻪ ﻣﺘﻐﻴﺮ واﺑﺴﺘﻪ ﻧﻪ ﺗﻨﻬﺎ ‫ﺗﻮزﻳﻊ ﻧﺮﻣﺎل ﻧﺪارد، ﺑﻠﻜﻪ ﻳﻚ ﻣﺘﻐﻴﺮ ﻛﻴﻔﻲ ﺑﺎ ﺗﻌﺪاد ﻣﻘﺎدﻳﺮ اﻧﺪک اﺳﺖ. اﻳﻦ روش زﻣﺎﻧﻲ ﻣﻔﻴﺪ اﺳﺖ ﻛﻪ ﻳﻚ ﻣﺘﻐﻴﺮ ﮔﺮوهﺑﻨﺪی)ﻛﻴﻔﻲ(و ﭼﻨﺪﻳﻦ ﻣﺘﻐﻴﺮ ﻣﺴﺘﻘﻞ ﻛﻤﻲ وﺟﻮد داﺷﺘﻪ ﺑﺎﺷﺪ و ﻫﺪف ﭘﮋوﻫﺸﮕﺮ ﺑﻪدﺳﺖ آوردن راﺑﻄﻪای اﺳﺖ ﺗﺎ ﺑﺘﻮاﻧﺪ ﺑﺎ ﺗﻮﺟﻪ ﺑﻪ ‫ﻣﺘﻐﻴﺮﻫﺎی ﻣﺴﺘﻘﻞ ﻋﻀﻮﻳﺖ را در ﻣﺘﻐﻴﺮ ﮔﺮوهﺑﻨﺪی ﻣﺸﺨﺺ ﻛﻨﺪ. ﺗﺎﺑﻊ ﺗﺸﺨﻴﺺ ﻣﻌﺎدﻟﻪای اﺳﺖ ﻛﻪ ﺑﺎ داﺷﺘﻦ ﻣﺸﺨﺼﺎت ﻫﺮ ‫ﻓﺮد ﺟﺎﻣﻌﻪ، ﻣﻲﺗﻮاند ﺑﺎ ﻗﺮار دادن اﻳﻦ ﻣﺸﺨﺼﺎت در آن ﻣﻌﺎدﻟﻪ ﭘﻴﺶﺑﻴﻨﻲ ﻛند ﻛﻪ ﻓﺮد ﺟﺎﻣﻌﻪ ﻣﻮرد ﻧﻈﺮ ﺑﻪ ﻛﺪام ﮔﺮوه ﺗﻌﻠﻖ ‫دارد. اﻳﻦ روش در ﻣﻮاﻗﻌﻲ اﺳﺘﻔﺎده ﻣﻲﺷﻮد ﻛﻪ ﺑﺨﻮاﻫﻴﻢ ﺑﺮ اﺳﺎس ﺻﻔﺎت ﻳﺎ ﻣﺘﻐﻴﺮﻫﺎی ﻣﺸﺎﻫﺪه ﺷﺪه ﻣﺪﻟﻲ ﺑﺮای ﭘﻴﺶﺑﻴﻨﻲ ‫ﻋﻀﻮﻳﺖ ﮔﺮوﻫﻲ ﺑﺴﺎزﻳﻢ
‫در ﺻﻮرﺗﻲ ﻛﻪ ﻣﺘﻐﻴﺮﻫﺎیxk,…,x3,x2,x1 در ﮔﺮوهﻫﺎی ﻣﺨﺘﻠﻒ اﻧﺪازهﮔﻴﺮی ﺷﺪه ﺑﺎﺷﻨﺪ، ﺷﻜﻞ ﻛﻠﻲ ﺗﺎﺑﻊ ﺗﺸﺨﻴﺺ ‪XD ‫ ﺑﻪﺻﻮرت زﻳﺮ اﺳﺖ:
XD = b1x1 + b2x2+ …. +bkxk + b
‫اﻳﻦ روش ﻣﺎﻧﻨﺪ رﮔﺮﺳﻴﻮن ﭼﻨﺪﻣﺘﻐﻴﺮه ﻳﻚ ﻣﺪل ﺧﻄﻲ ﺑﻪ دﺳﺖ ﻣﻲدﻫﺪ ﻛﻪ در آن ﻣﺘﻐﻴﺮﻫﺎی ﺗﻌﻴﻴﻦ ﻛﻨﻨﺪه و ﻣﻬﻢ وارد ‫ﻣﺪل ﺷﺪه و ﻣﺘﻐﻴﺮﻫﺎی ﻧﺎﻣﻨﺎﺳﺐ از آن ﺧﺎرج ﺷﺪه اﻧﺪ. ‫ﺑﺎ اﻧﺠﺎم ﺗﺤﻠﻴﻞ ﻣﻤﻴﺰی ﻳﻚ ﺗﺎﺑﻊ ﻳﺎ ﻣﺠﻤﻮﻋﻪای از ﺗﻮاﺑﻊ ﺳﺎﺧﺘﻪ ﻣﻲﺷﻮد. ﺑﺮای ‪ k ﮔﺮوه ۱-‪ k ﺗﺎﺑﻊ ﺗﺸﺨﻴﺺ ﺳﺎﺧﺘﻪ ﻣﻲﺷﻮد. ‫اوﻟﻴﻦ ﺗﺎﺑﻊ ﺑﻬﺘﺮﻳﻦ ﺗﺮﻛﻴﺐ ﺧﻄﻲ ﺑﺮای ﭘﻴﺶﺑﻴﻨﻲ ﻋﻀﻮﻳﺖ در ﮔﺮوهﻫﺎ را ﺑﻪ دﺳﺖ ﻣﻲدﻫﺪ. ﺑﺮای ﺗﻌﻴﻴﻦ ﺑﻬﺘﺮﻳﻦ ﺗﺎﺑﻊ از ﺷﺎﺧﺺ ‫ﻻﻣﺒﺪای وﻳﻠﻜﺲ اﺳﺘﻔﺎده ﻣﻲﺷﻮد. ﻣﻘﺪار اﻳﻦ ﺷﺎﺧﺺ ﺑﻴﻦ ﺻﻔﺮ و ﻳﻚ ﻣﺘﻐﻴﺮ اﺳﺖ. ﻫﺮ ﭼﻪ ﻣﻘﺪار ﺑﺮای ﻳﻚ ﺗﺎﺑﻊ ﻛﻮﭼﻜﺘﺮ ﺑﺎﺷﺪ، ‫آن ﺗﺎﺑﻊ ﺗﻔﻜﻴﻚ ﻛﻨﻨﺪه ﺧﻮﺑﻲ اﺳﺖ. از آﻧﺠﺎ ﻛﻪ ﺗﻮزﻳﻊ اﻳﻦ ﺷﺎﺧﺺ ﺑﻪ ﻛﺎی اﺳﻜﻮر ﺷﺒﻴﻪ اﺳﺖ، از اﻳﻦرو از ﻃﺮﻳﻖ اﻳﻦ آﻣﺎره ﺗﻌﺒﻴﺮ ‫ﻣﻲﺷﻮد(زارع چاهوکی، ۱۳۸۹ ، ص ۳).
 
 
آزمون تحلیل عاملی
‫‫ﻳﻜﻲ از روشﻫﺎی آﻣﺎری ﺑﺮای ﺗﺠﺰﻳه اﻃﻼﻋﺎت ﻣﻮﺟﻮد در ﻣﺠﻤﻮﻋه دادهﻫﺎ، روش ﺗﺠﺰﻳﻪ ﻋﺎﻣﻞﻫﺎ ﻳﺎ ﺗﺤﻠﻴﻞ ﻋﺎﻣﻠﻲ اﺳﺖ. اﻳﻦ روش ﺗﻮﺳﻂ ﻛﺎرل ﭘﻴﺮﺳﻮن[۱۷۰] (۱۹۰۱) و ﭼﺎرﻟﺰ اﺳﭙﻴﺮﻣﻦ[۱۷۱] (۱۹۰۴) ﺑﺮای اوﻟﻴﻦ ﺑﺎر ﻫﻨﮕﺎم اﻧﺪازهﮔﻴﺮی ﻫﻮش ﻣﻄﺮح ﺷﺪ و ﺑﺮای ﺗﻌﻴﻴﻦ ﺗﺄﺛﻴﺮﮔﺬارﺗﺮﻳﻦ ﻣﺘﻐﻴﺮﻫﺎ در زﻣﺎﻧﻴﻜﻪ ﺗﻌﺪاد ﻣﺘﻐﻴﺮﻫﺎی ﻣﻮرد ﺑﺮرﺳﻲ زﻳﺎد و رواﺑﻂ ﺑﻴﻦ آﻧﻬﺎ ﻧﺎﺷﻨﺎﺧﺘﻪ ﺑﺎﺷﺪ، اﺳﺘﻔﺎده ﻣﻲﺷﻮد. در اﻳﻦ روش ﻣﺘﻐﻴﺮﻫﺎ در ﻋﺎﻣﻞﻫﺎ به صورتی ﻗﺮار ﻣﻲﮔﻴﺮﻧﺪ که از ﻋﺎﻣﻞ اول ﺑﻪ ﻋﺎﻣﻞﻫﺎی ﺑﻌﺪی درﺻﺪ وارﻳﺎﻧﺲ ﻛﺎﻫﺶ ﻣﻲﻳﺎﺑﺪ، از اﻳﻦ رو ﻣﺘﻐﻴﺮﻫﺎﻳﻲ ﻛﻪ در ﻋﺎﻣﻞﻫﺎی اوﻟﻲ ﻗﺮار ﻣﻲﮔﻴﺮﻧﺪ، ﺗﺄﺛﻴﺮﮔﺬارﺗﺮﻳﻦ ﻫﺴﺘﻨﺪ.
‫ﺗحلیل ﻋﺎﻣﻠﻲ در واﻗﻊ ﮔﺴﺘﺮش ﺗﺠﺰﻳه ﻣﺆﻟﻔﻪﻫﺎی اﺻﻠﻲ اﺳﺖ. در این روش ﺗﻼش ﺑﺮ آن اﺳﺖ ﻛﻪ ﻣﺎﺗﺮﻳﺲ ﻛﻮوارﻳﺎﻧﺲ ﺗﻘﺮﻳﺐ زده ﺷﻮد، اﻳﻦ ﺗﻘﺮﻳﺐ در ﻣﺪل ﺗﺤﻠﻴﻞ ﻋﺎﻣﻠﻲ از دﻗﺖ و ﻇﺮاﻓﺖ ﺑﻴﺸﺘﺮی ﺑﺮﺧﻮردار اﺳﺖ. ﺑﻪﻃﻮر ﻛﻠﻲ ﻫﺪف از ﺗﺠﺰﻳه ﻋﺎﻣﻞﻫﺎ ﺑﻪ ﺷﺮح زﻳﺮ ﺧﻼﺻﻪ ﻣﻲﺷﻮد:
‫اﻟﻒ) ﺗﻔﺴﻴﺮ وﺟﻮد ﻫﻤﺒﺴﺘﮕﻲ دروﻧﻲ ﺑﻴﻦ ﺗﻌﺪادی ﺻﻔﺖ ﻗﺎﺑﻞ ﻣﺸﺎﻫﺪه از ﻃﺮﻳﻖ ﻋﻮاﻣﻠﻲ ﻛﻪ ﻗﺎﺑﻞ ﻣﺸﺎﻫﺪه ﻧﻴﺴﺘﻨﺪ و آﻧﻬﺎ را ﻋﺎﻣﻞ ﮔﻮﻳﻨﺪ. در واﻗﻊ اﻳﻦ ﻋﻮاﻣﻞ ﻏﻴﺮﻗﺎﺑﻞ ﻣﺸﺎﻫﺪه دﻟﻴﻞ ﻣﺸﺘﺮک ﻫﻤﺒﺴﺘﮕﻲ ﺑﻴﻦ ﻣﺘﻐﻴﺮﻫﺎی اﺻﻠﻲ ﻫﺴﺘﻨﺪ.
‫ب) اراﺋﻪ روش ﺗﺮﻛﻴﺐ و ﺧﻼﺻﻪ ﻛﺮدن ﺗﻌﺪاد زﻳﺎدی از ﻣﺘﻐﻴﺮﻫﺎ در ﺗﻌﺪادی ﮔﺮوه ﻣﺘﻤﺎﻳﺰ؛

این را هم حتما بخوانید :   متن کامل - تقسیم بندی مشتریان بر اساس تمایل به خرید کالای سبز در ...

برای دانلود متن کامل پایان نامه به سایت  jemo.ir  مراجعه نمایید.