بخش‌بندی بازار دارو با رویکرد شبکه‎های عصبی (مطالعه‎ی موردی: بازار دارو در ایران)

نویسندگان

دانشگاه تربیت مدرس

چکیده

امروز بخش‌بندی بازار همگام با بسیاری از علوم دیگر به سوی برآوردن نیازهای منحصربه‌فرد انسان ها در حرکت است. در بازار سلامت نیز شیوه‌های تشخیصی و درمانی شخصی بیش از پیش به‌کار گرفته می‌شود. این امر در حالی است که یکی از ارکان اصلی این بازار یعنی بازار دارو هنوز در زمینه بخش‌بندی بازار نسبت به کالاها و خدمات دیگر چندان پیشرفته نیست. با توجه به پیچیدگی این بازار ضروری است با بهره‌گیری از ابزاری متناسب که قدرت غلبه بر این پیچیدگی را داشته باشد، نسبت به بخش‌بندی این بازار اقدام شود. هدف این مقاله استفاده از رویکردی مبتنی بر شبکه‌های عصبی است که براساس معیارهای چندگانه به‌گونه‌ای اثربخش به بخش‌بندی بازار دارو در ایران بپردازد. برای این منظور با توجه به بافت داده‌ها از میان معماری‌های ممکن برای شبکه SOM معماری با بالاترین کیفیت برای بخش‌بندی بازار دارو برگزیده شد. همچنین عملکرد مدل با مقایسه‎ی نتایج آن با نتایج حاصل از بخش‌بندی داده‎ها با یک روش خوشه‎بندی کلاسیک (k- میانگین) مورد سنجش قرار گرفت.

کلیدواژه‌ها


عنوان مقاله [English]

Market Segmentation using Neural Networks (Case Study: Pharmaceutical Market in Iran)

نویسندگان [English]

  • Parviz Ahmadi
  • adel azar
  • Fardis Samsami
چکیده [English]

Like other sciences, market segmentation, as a science, seeks to realize unique needs of human being. In health market, individual diagnostic and curative methods are practiced more than anytime. However, a foundation of this market, pharmaceutical market, is not as advanced as other products and services markets in terms of segmentation. Regarding the complexity of pharmaceutical market, it is essential to utilize an appropriate technique to segment this market. The research aims to design neural networks-based mathematical model for Iran medicine market that segments it effectively according to multi criteria, and identifies differences among segments. According to data contexts, many possible models were tested for SOM networks and the model with most competencies to segment market was chosen as effective pharmaceutical market segmentation. Such architecture identifies six different segments among medicine market consumers. These segments are distinguishable from the principle segmentation factors point of view. In addition, the performance of the designed model was measured by comparing the results with the results of data segmentation using a classic clustering method (K-means).

کلیدواژه‌ها [English]

  • k-means algorithm
  • Market segmentation
  • medicine market.
  • neural networks
  • pharmaceutical Market
  • Self Organizing Maps