چکیده:
هدف این تحقیق توسعه یک مدل از شبکه های عصبی برای شناسایی مشتریان راضی برای بازاریابی ارایه سرویس های تعمیراتی خودروها بود. داده ها از بررسی ده سرویس دهنده خدمات خودرویی در ایران بدست آمدند. شبکه های عصبی چند لایه با تابع آموزش تانژانت هایپربولیک با الگوریتم آموزشی پیش خور برای ساخت مدل شناسایی به کار گرفته شد. نتایج مشخص ساخت که دقت مدل شناسایی آزمایش روی مدل بزرگتر از آن است که اتفاقی به نظر برسد. در خلال یک سری وزن های خاص موجود، اعتبار کلی هر یک از متغیرهای مستقل تولید شده کاملا روشن می شود. این تحقیق تایید کرد که مدل شبکه عصبی برای شناخت الگوهای موجود داده های مشتری قابل استفاده است. مزایای استفاده از نقاط قوت مدل نشان داده شده است. مولفان معتقدند که مدل مفید است و به عنوان ابزار تحلیلی برای بازاریاب های خدمات تعمیراتی خودروها برای طراحی استراتژی بازار، مناسب است.
خلاصه ماشینی:
"استفاده از ANN ها محبوبیت عمومی آنها را افزایش داد، در تجارت و بازاریابی به حل بسیاری از مشکلات کمک کرد که شامل، بخش بندی بازار، پیش بینی فروش، بازاریابی مستقیم، توسعه محصول جدید، و بازاریابی هدف می شود (Bishop, 1995; Callan, 1999; Curry & Moutinho, 1993, 5–20; Fausett, 1994; Hassoum, 1995; Hu, Shanker, & Hung, 1999, 307–317; Kim, Street, Russell, & Menczer, 2005, 264–276; Zahavi & Levin, 1997, 76–93; Zhang, Hu, Patuwo, & Indro, 1999, 16–32).
از سوی دیگر، از شبکه های عصبی چند لایه پیش خور، با تابع تانژانت هایپربولیک، آموزش داده شده توسط الگوریتم پس انتشار خطا، جهت ساخت مدل شناسایی، برای شناخت مشتریان راضی، هنگامی که اطلاعات شخصی هر مشتری به عنوان ورودی است، استفاده شده است.
بنابراین شبکه عصبی چند لایه Dasgupta, Ghose, Gary, and Ghose پیش خور با تابع آموزش تانژانت هایپربولیک با الگوریتم آموزشی پس انتشار خطا برای مدل شناسایی مشتریان راضی، وقتی که اطلاعات شخصی هر مشتری به عنوان ورودی تحقیق است، شناخته شد.
متغیرهای ورودی مشخصه متغیر توضیح متغیر AGE Age ویژگی های مشتریان GEN Gender INC Household income EDU Education level ابعاد رضایت CQ Core quality RQ Relationship quality PV Perceived value 3-تحلیل ممیز 1 : قابلیت های دریافت شده از مدل باید توسط یک روش آزمایش شوند، و داده های مشتریان نیز در این روش مورد آزمون قرار گیرند، تحلیل ممیز مدلی است که در قیاس با مدل شبکه عصبی بیشترین کاربرد را به خود اختصاص داده است."