مقایسه مدلهای مختلف تقسیمبندی مشتری برای بخش مالی در مقابل بخش فاکتورینگ ترکیه و یک پیشنهاد مدل خوشهبندی برای یک شرکت فاکتورینگ متمرکز بر sme
| عنوان | مقایسه مدلهای مختلف تقسیمبندی مشتری برای بخش مالی در مقابل بخش فاکتورینگ ترکیه و یک پیشنهاد مدل خوشهبندی برای یک شرکت فاکتورینگ متمرکز بر sme |
|---|---|
| نویسنده | آکتونا، مهمت |
| تاریخ انتشار: | 2024-08-30T14:21:00Z |
| موضوع | فاکتورینگ (مالی)، ترکیه، مدیریت، پردازش داده، امور مالی، تجارت الکترونیک، سیستم های خبره (علوم کامپیوتر)، روابط با مشتری، بازاریابی رابطه مند، داده کاوی |
| نوع | سند |
| زبان | انگلیسی |
| دیجیتال | بله |
| نسخه خطی | خیر |
| کتابخانه: | دانشگاه اوزیغین |
| شماره ثبت | c334b3b2-e932-4970-ab41-7df63748d308 |
| محل کتابخانه | گروه مهندسی مالی |
| تاریخ | 2024-08-30T14:21:00Z |
| متن نمونه | فاکتورینگ فرآیند انتقال مطالبات آتی ناشی از معاملات تجاری به یک شرکت فاکتورینگ از طریق واگذاری است. شرکت هایی که ترجیح می دهند فاکتورینگ انجام دهند به جای اینکه منتظر موعد وصول مطالبات ناشی از معامله خود باشند، مطالبات خود را با تخفیف معین و با اسنادی مانند چک پس از تاریخ، فاکتورهای تجاری و قراردادهای فاکتورینگ به شرکت فاکتورینگ منتقل می کنند. استفاده از چک در ترکیه به دلیل سررسید پس از سررسید درج شده روی چک با جهان متفاوت است و شرکت های کوچک و متوسط در ترکیه اغلب در تجارت خود با سررسید از چک استفاده می کنند. از نظر تقسیم بندی، مطالعات زیادی برای بانک ها در ادبیات وجود دارد، اما مطالعه ای در بخش فاکتورینگ متمرکز SME وجود ندارد. این مطالعه اولین مطالعه است که در آن یک تقسیم بندی مشتری دو مرحله ای با استفاده از داده های یک شرکت فاکتورینگ ترکیه متمرکز SME اجرا می شود. هنگامی که خوشههای تولید شده توسط مدلهای K-Means و Clustering فضایی برنامههای کاربردی با نویز (DBSCAN) مقایسه میشوند، مشاهده میشود که خوشههای الگوریتم K-Means از نظر توزیع تعداد مشتریان در میان خوشهها متعادلتر هستند. از سوی دیگر، خوشه های تولید شده توسط مدل DBSCAN، به ویژه برای خوشه های پرت، همگن تر هستند. همگنی به معنای یک تقسیم بندی موثر است، که این است که در یک خوشه نقاط پرت کمی وجود دارد که با فاصله Mahalanobis هر مشاهده تعریف می شود. اگر پارامترهای مدل به طور مناسب کالیبره شوند، مدل DBSCAN میتواند چندین خوشه همگن حاوی تعداد کمی مشتری ایجاد کند. برعکس، اگر تعداد کمی از خوشه ها ترجیح داده شوند، همگنی الگوریتم DBSCAN بدتر می شود و مدل K-Means نتایج خوشه بندی متعادل تری را ارائه می دهد. Faktoring yapmayı tercih eden firmalar, yapmış oldukları ticaretlerinden doğan alacaklarının tahsilatının vadesini beklemek yerine, ticarete konu bir ödeme araç olan vadeli çek, ticaret faturası ve faktoring sözleküracımaning belirli bir iskonto karşlığında devretmekte ve nakit akışı ehtiyaçlarını duzenlemeyi amaçlamaktadırlar. تورکیه ده کوبیلر تارافیندان یایگین بیر شکلیلده کولانیلان چک، وزرینده یازان ایلری تاریهلی واده ندنییل دونیادکی جنل کولانیمیندان فارکلیلاسماکتدیر. Literatürde bankalar için yapılmış bir çok segmentasyon çalışması mevcuttur ancak kobi sektörüne yönelik bir faktoring müşterisi segmentasyon çalışması bulunmamaktadır. Bu çalışmada faktoring sektöründe faaliyet gösteren bir Türk faktoring firması datası kullanılarak iki aşamalı bir muşteri segmentasyon çalışması yapılmıştır. Çalışmada kullanılan K-Means ve DBSCAN algoritmaları karşılaştırıldığında، K-Means algoritmasının، kümeler içerisindeki muşteri adetlerinin dağılımı anlamında daha dengeli olduğu gözlemlenmiştir. Öte yandan، DBSCAN modeli tarafından üretilen kümeler، özellikle aykırı kümeler için daha homojendir. هر بیر گوزلمین Mahalanobis mesafesi ile tanımlanan homojenlik, küme içerisinde daha az aykırı gözlem olduğu zaman etkinlik anlamına gelmektedir. DBSCAN modeli, model parametreleri uygun şekilde kalibre edilirse az sayıda müşteri içeren birçok homojen küme oluşturabilir. Aksine az sayıda küme tercih edilirse DBSCAN algoritmasının homojenliği bozulmakta ve K-Means modeli daha dengeli kümeleme sonuçları vermektedir. |
