شبکه های عصبی مصنوعی ANN در مدیریت و بازاریابی(دکتر احمد محمدیان)

شبکه های عصبی مصنوعی ANN در مدیریت و بازاریابی(دکتر احمد محمدیان)

خلاصه ای از کتاب 2015 Quantitative Modeling in Marketing and Management در خصوص مدل سازی کمی در مدیریت

در ادامه ی یاداشت فرآیند مدیریت نورونیNMP(دکتر احمد محمدیان) (Neuron Management Process (Dr. Ahmed Mohammadian

(Dr. Ahmad Mohamadian)ANN, Artificial Neural Networks in the Management

A summary of the 2015 book Quantitative Modeling in Marketing and Management

Edited by Luiz Moutinho, UK Kun-Huang Huarng

بخش اول کتاب

“مدل سازی آماری” به موضوعات مختلفی در زمینه مدل سازی آماری می پردازد که شامل مدل های مقیاس بندی چندبعدی (MDS)، مدل سازی معادله ساختاری (SEM)، مدل های مسیر کمترین مربعات جزئی(PLSPM) و انتخاب مدل آماری است.

مدل های MDS شامل خانواده ای از مدل های هندسی مختلف است که ساختار داده ها را نمایش می دهند و مجموعه ای از روش ها برای برازش این مدل های فضایی وجود دارد. کاربردهای اصلی MDS در بازاریابی شامل موقعیت یابی، تقسیم بندی بازار، طراحی محصول جدید، تحلیل ترجیحات مصرف کننده و غیره است. دو مدل MDS محبوب برای تحلیل داده های ترجیح یا برتری مصرف کننده توسط DeSarbo و Kim ارائه شده است. اولین مدل، مدل محصولات برداری یا اسکالر است که برندها را به صورت نقاط و مصرف کنندگان را به صورت بردارها در یک فضای مشترک T بعدی نمایش می دهد. سپس، مدل های پیچیده تری از MDS مانند مدل تاشوی سنگین و مدل تاشوی عمومی مورد بحث قرار می گیرند.

مدل سازی معادله ساختاری (SEM) یک تکنیک آماری محبوب برای آزمایش و برآورد روابط علی با استفاده از ترکیبی از داده های آماری و فرضیات کیفی علی است که معمولا بر اساس یک نظریه هستند. این تکنیک به طور گسترده توسط دانشمندان اجتماعی برای آزمایش و توسعه نظریه ها استفاده می شود. SEM ترکیبی از تحلیل عاملی و رگرسیون چندگانه است و شامل تحلیل مسیر و تحلیل عاملی تاییدی می شود. SEM به پژوهشگران کمک می کند تا فرضیه هایی در مورد روابط بین ساختارهای نظری را تولید و آزمایش کنند.

مدل های PLSPM به عنوان یک جایگزین ‘مدل سازی نرم’ برایSEM معرفی شده اند که نیاز به فرضیات توزیع کمتری دارند و برای موارد کمتری کافی هستند. PLSPM تا حدود 10 سال پیش به ندرت در تحقیقات مدیریت و بازاریابی استفاده می شد.

مسئله انتخاب متغیر به این معنی است که برآوردهای پارامترها و سطوح معنی داری به روش هایی که برای ساخت آن ها استفاده می شود، بستگی دارند. Hutcheson بررسی می کند که چگونه برآوردهای پارامتر و ارزش های معنی داری ممکن است به روش هایی که برای ساخت آن ها استفاده شده اند، مرتبط باشند. او با استفاده از داده های شبیه سازی شده و واقعی نشان می دهد که مدل ها همیشه نشان دهنده ‘روابط واقعی’ در جمعیت نیستند. او مشکلات را نشان می دهد و راه حلی را به صورت یک روش مدل سازی که از یک مجموعه محدود از متغیرها استفاده می کند و یک روش گزارش دهی که امکان توصیف چندین مدل را فراهم می کند، پیشنهاد می دهد.

در اینجا چند مثال برای مدل سازی آماری ارائه می دهم:

**مثال 1: مدل رگرسیون خطی**

فرض کنید می خواهیم تاثیر ساعات مطالعه بر نمرات امتحانی دانش آموزان را بررسی کنیم. می توانیم از مدل رگرسیون خطی استفاده کنیم که رابطه بین ساعات مطالعه (متغیر مستقل) و نمرات امتحانی (متغیر وابسته) را نشان می دهد. مدل به صورت زیر خواهد بود:

$ \text{نمره} = \beta_0 + \beta_1 \times \text{ساعات مطالعه} + \epsilon $

**مثال 2: مدل لجستیک**

اگر بخواهیم پیش بینی کنیم که آیا یک دانشجو قبول می شود یا نه (متغیر دودویی) بر اساس نمرات ورودی و ساعات مطالعه، می توانیم از مدل رگرسیون لجستیک استفاده کنیم. مدل به صورت زیر خواهد بود:

$ \log\left(\frac{p}{1-p}\right) = \beta_0 + \beta_1 \times \text{نمرات ورودی} + \beta_2 \times \text{ساعات مطالعه} $

**مثال 3: تحلیل واریانس(ANOVA)**

برای مقایسه میانگین های چند گروه، مثلا اثربخشی سه روش مختلف تدریس بر نمرات دانش آموزان، می توانیم ازANOVA استفاده کنیم. این مدل به ما کمک می کند تا تعیین کنیم آیا تفاوت معناداری بین میانگین نمرات وجود دارد یا خیر.

**مدل های مقیاس بندی چندبعدی (MDS):**

مثال: فرض کنید می خواهیم ترجیحات مصرف کنندگان برای انواع مختلف چای را تحلیل کنیم. با استفاده ازMDS، می توانیم داده های نظرسنجی را به فضایی با ابعاد کمتر تبدیل کنیم که در آن هر نوع چای به عنوان یک نقطه نمایش داده می شود و فاصله ها بین نقاط، شباهت های بین انواع چای را نشان می دهند.

**مدل سازی معادله ساختاری (SEM):**

مثال: در یک مطالعه تحقیقاتی، ممکن است بخواهیم بررسی کنیم که چگونه عواملی مانند رضایت شغلی، تعهد سازمانی و استرس شغلی بر عملکرد کارکنان تاثیر می گذارند. با استفاده ازSEM، می توانیم یک مدل ساختاری ایجاد کنیم که این روابط را نشان دهد و همچنین اعتبار و قابلیت اطمینان متغیرهای پنهان را اندازه گیری کنیم.

**مدل های مسیر کمترین مربعات جزئی (PLSPM):**

مثال: اگر می خواهیم تاثیر رضایت مشتری بر وفاداری برند را در یک شرکت خرده فروشی بررسی کنیم و داده های ما توزیع نرمال ندارند یا حجم نمونه کم است، می توانیم از PLSPM استفاده کنیم. این مدل به ما امکان می دهد تا روابط بین متغیرهای مشاهده شده و پنهان را بررسی کنیم و ساختارهای نهفته را پیش بینی کنیم.

**انتخاب مدل آماری:**

مثال: فرض کنید می خواهیم تاثیر دو روش آموزشی مختلف بر یادگیری دانش آموزان را مقایسه کنیم. برای این منظور، باید یک مدل آماری مناسب انتخاب کنیم. اگر داده های ما نرمال باشند و دو گروه مستقل داشته باشیم، ممکن است از آزمون t مستقل استفاده کنیم. اگر داده های ما نرمال نباشند، ممکن است به سراغ آزمون های غیرپارامتریک مانند آزمون من-ویتنی برویم.

ارتباط مدل های مقیاس بندی چندبعدی (MDS)، مدل سازی معادله ساختاری(SEM)، مدل های مسیر کمترین مربعات جزئی (PLSPM) و انتخاب مدل آماری با مدل رگرسیون خطی و مدل لجستیک و تحلیل واریانس را شرح دهید

مدل های مقیاس بندی چندبعدی (MDS)، مدل سازی معادله ساختاری (SEM)، مدل های مسیر کمترین مربعات جزئی(PLSPM)، مدل رگرسیون خطی، مدل لجستیک و تحلیل واریانس(ANOVA) همگی ابزارهای آماری هستند که برای تحلیل داده ها و بررسی روابط بین متغیرها استفاده می شوند. در ادامه به ارتباط بین این مدل ها و کاربردهای آن ها می پردازیم:

**مدل های مقیاس بندی چندبعدی (MDS)**: این مدل ها به ما امکان می دهند تا شباهت ها یا فواصل بین مجموعه ای از اشیاء را در یک فضای چندبعدی نمایش دهیم. MDS برای کشف الگوهای پنهان در داده های شباهت یا فاصله استفاده می شود.

**مدل سازی معادله ساختاری (SEM)**: SEM یک روش تحلیل چند متغیره است که امکان بررسی روابط پیچیده بین متغیرهای مشاهده شده و پنهان را فراهم می کند. این مدل از ترکیب تحلیل عاملی و تحلیل مسیر به دست می آید و برای تایید ساختارهای نظری استفاده می شود¹².

**مدل های مسیر کمترین مربعات جزئی (PLSPM)**: PLSPM یک روش SEM است که برای مدل سازی با داده های کم و متغیرهای پیچیده مناسب است. این مدل به جای استفاده از روش های مبتنی بر کوواریانس، از کمترین مربعات جزئی برای برآورد پارامترها استفاده می کند.

**مدل رگرسیون خطی**: این مدل برای بررسی روابط خطی بین یک متغیر وابسته و یک یا چند متغیر مستقل استفاده می شود. رگرسیون خطی می تواند به عنوان یک بخش از SEM در نظر گرفته شود، جایی که روابط علیت بین متغیرها را مدل می کند.

**مدل لجستیک**: مدل لجستیک برای داده های دسته بندی شده و برای پیش بینی احتمال وقوع یک رویداد بر اساس یک یا چند متغیر پیش بینی کننده استفاده می شود. این مدل می تواند به عنوان جایگزینی برای رگرسیون خطی در مواردی که متغیر وابسته دسته بندی شده است، به کار رود.

**تحلیل واریانس(ANOVA)**: ANOVA برای مقایسه میانگین های سه گروه یا بیشتر استفاده می شود. این مدل برای تعیین اینکه آیا تفاوت های معناداری بین گروه ها وجود دارد یا خیر، به کار می رود.

در نهایت، انتخاب مدل آماری مناسب بستگی به نوع داده ها، سوالات تحقیق و اهداف مطالعه دارد. هر یک از این مدل ها می توانند به تنهایی یا در ترکیب با یکدیگر برای فهم بهتر داده ها و روابط بین متغیرها به کار روند. انتخاب مدل مناسب نیازمند درک عمیق از نظریه های آماری و تجربه در تحلیل داده ها است.

بخش دوم کتاب

به موضوعات مربوط به مدل سازی کامپیوتری می پردازد که شامل مقایسه شبکه های عصبی مصنوعی(ANNs) و مدل سازی معادله ساختاری (SEM)، کاربرد شبکه های عصبی مصنوعی، روش های متا-هیوریستیک، آزمون های غیرپارامتریک با داده های فازی، اندازه گیری فازی و واقعیت مجازی (VR) است.

شبکه های عصبی مصنوعی(ANNs) قادر به کشف روابط پیچیده غیرخطی در داده ها هستند.

SEM می تواند برای اندازه گیری قابلیت اطمینان و اعتبار متغیرهای مشاهده شده و متغیرهای پنهان استفاده شود. همچنین می تواند مدل ساختاری کلی را برای بررسی تناسب بین مدل کلی و داده های مشاهده شده و همچنین رابطه علی بین متغیرهای پنهان برآورد کند.

روش های متا-هیوریستیک شامل الگوریتم های تکاملی (EA)، تبرید شبیه سازی شده (SA) و جستجوی تابو(TS) هستند که برای حل مشکلات بهینه سازی گسسته ای که در بازاریابی پیش می آیند، توسعه یافته اند. این روش ها چارچوب های کلی را فراهم می کنند که اجازه ایجاد هیبریدهای جدید را با ترکیب مفاهیم مختلف مشتق شده از هیوریستیک های کلاسیک، هوش مصنوعی، مکانیک آماری، سیستم های بیولوژیکی، تکامل و ژنتیک می دهند.

واقعیت مجازی(VR) محصول فناوری اطلاعات دیجیتال است که با استفاده از شبیه سازی کامپیوتری، یک فضای مجازی سه بعدی را تولید می کند. VR تجربیات بصری، شنیداری، لمسی و سایر حس ها را برای کاربران فراهم می کند و تعامل بین کاربران و کامپیوتر را افزایش می دهد.

این بخش همچنین به کاربردهای مختلف ANNs در حوزه هایی مانند اعتبارسنجی، پیش بینی شاخص داوجونز، تحلیل رضایت مشتری، رتبه بندی سهام، پیش بینی شاخص سهام و تقاضای گردشگری اشاره می کند. این بخش بر نیاز به افزایش آگاهی در سایر زمینه های بازاریابی و مدیریت تاکید دارد تا کار محدود انجام شده در خرده فروشی و بازاریابی مستقیم را تکمیل کند.

**شبکه های عصبی مصنوعی(ANNs):**

مثال: تصور کنید می خواهیم یک سیستم تشخیص تصویر بسازیم که بتواند بین تصاویر حیوانات مختلف تمایز قائل شود. می توانیم از ANNs استفاده کنیم که شامل لایه های ورودی، مخفی و خروجی است. در لایه ورودی، هر نورون به یک پیکسل از تصویر متصل است و در لایه های مخفی، ویژگی های مختلف تصویر پردازش می شوند. در نهایت، لایه خروجی احتمال اینکه تصویر متعلق به هر کلاس (مثلا گربه یا سگ) باشد را مشخص می کند.

**مدل سازی معادله ساختاری (SEM):**

مثال: در یک مطالعه بازاریابی، ممکن است بخواهیم بررسی کنیم که چگونه کیفیت خدمات، رضایت مشتری و وفاداری به برند با یکدیگر ارتباط دارند.

SEM می تواند برای ساخت یک مدل ساختاری استفاده شود که این روابط را نشان دهد و اعتبار و قابلیت اطمینان متغیرهای پنهان را اندازه گیری کند.

**روش های متا-هیوریستیک:**

مثال: فرض کنید می خواهیم مسیر بهینه برای تحویل محصولات را در یک شبکه لجستیک پیدا کنیم. می توانیم از الگوریتم های متا-هیوریستیک مانند الگوریتم ژنتیک یا جستجوی تابو استفاده کنیم که به ما کمک می کنند تا راه حل های نزدیک به بهینه را در زمان معقول پیدا کنیم.

**آزمون های غیرپارامتریک با داده های فازی:**

مثال: اگر بخواهیم رضایت مشتریان را با توجه به داده هایی که دقیقا کمیت پذیر نیستند (مانند نظرات کیفی) ارزیابی کنیم، می توانیم از آزمون های غیرپارامتریک فازی استفاده کنیم که به ما امکان می دهند تا از داده های فازی برای تحلیل استفاده کنیم.

**واقعیت مجازی(VR):**

مثال: در صنعت مبلمان، می توانیم از VR برای ایجاد یک تجربه خرید آنلاین تعاملی استفاده کنیم. مشتریان می توانند با استفاده از VR، ترکیبات مختلف مبلمان را در فضای مجازی ببینند و احساس کنند، قبل از اینکه تصمیم به خرید بگیرند.

بخش سوم کتاب

بخش سوم کتاب به مدل های ریاضی و سایر مدل ها می پردازد که شامل تحلیل مقایسه ای کیفی، مدل های رشد، پیش بینی بیزی، روش سازماندهی رتبه بندی ترجیحات برای ارزیابی های غنی سازی(PROMETHEE)، مدل های فرآیند داده کاوی، متاهیوریستیک، MA، دسته بندی مبتنی بر جریان، جوامع کلیک و روش های تطبیق است.

**تحلیل مقایسه ای کیفی(QCA)** یک ابزار تحلیلی مبتنی بر نظریه مجموعه ها است که به تحلیلگران اجازه می دهد ادعاهای علی در مورد ساختار روابط بین متغیرها، ویژگی ها و نتایج را ارائه دهند. این روش به عنوان یک تکنیک نوآورانه برای تحقیقات موردی در نظر گرفته می شود که هدف آن پل زدن بین رویکردهای کیفی (مطالعه موردی) و کمی (متغیر محور) به تحقیقات علمی اجتماعی است¹.

**مدل های رشد** شباهت هایی بین رشد در طبیعت و اقتصاد را نشان می دهند. این مدل ها به طور گسترده ای در تحقیقات کمی برای تحلیل داده های سری زمانی استفاده می شوند و درک بهتری از نیروهایی که بر رشد تاثیر می گذارند را فراهم می کنند.

**روش بیزی** احتمالات ذهنی را بر اساس مشاهدات واقعی ارائه می دهد و پیش بینی بهینه ای را با توجه به مجموعه ای از باورهای قبلی فراهم می کند، جایی که داده ها کم هستند. این روش به خوبی عمل می کند و همچنین می تواند جایگزین روش کمترین مربعات عادی(OLS) شود.

روشPROMETHEE: به عنوان یک کمک تصمیم گیری چندمعیاره برای رتبه بندی یک مجموعه محدود از گزینه های تصمیم گیری استفاده می شود. این روش یک سری از مقادیر 'خالص' نهایی را تولید می کند که برای رتبه بندی گزینه ها استفاده می شوند.

**داده کاوی** هدف اصلی هر فرآیند تحلیل داده است، از جمله روش های توسعه یافته در علوم مختلف مانند آمار و روش های کمی، پایگاه داده/انبار داده و داده کاوی. این روش برای تحلیل و استخراج دانش از داده های عظیم و اغلب بدساختار با اهداف خاص زیادی استفاده می شود.

**متاهیوریستیک ها** و روش های پیشرفته ریاضی، به ویژه آن هایی که از هوش محاسباتی استفاده می کنند، تاثیر فزاینده ای در زمینه های لجستیک و مدیریت زنجیره تامین داشته اند. انتظار می رود که آینده به تحقیقات بیشتری در متاهیوریستیک های اعمال شده بر مشکلات در لجستیک و مدیریت زنجیره تامین منجر شود.