8- كاربرد تكنيك شبكه عصبي براي ارزيابي روابط بين خريدار و فروشنده
کلمات کلیدی:
رابطه خريدار و فروشنده , شبكه عصبي , ارزيابي رابطه خريدار و فروشنده , Buyer Seller Relationships , Neural Networks , Evaluation of Buyer , Seller Relationship
چکیده:
هر چند در حال حاضر جذابيت مباحث مفهومي در مباحث مربوط به مديريت و بازاريابي به‌خوبي قابل درك است، اما تلاش براي تعيين عوامل مؤثر بر كيفيت روابط به‌خاطر پيچيدگي در عوامل پايه‌اي و مشكل به‌هم پيوستگي اين عوامل چالش‌انگيز است. فنوني سنتي رگرسيون در تجزيه و تحليل داده‌هايي كه خطوط چندگانه داشته يا اطلاعات ناقص هستند مؤثر عمل نمي‌كنند. به همين دليل استفاد از فن جديدي به نام تحليل شبكه عصبي تلاش مي‌كند تا عوامل مؤثر بر كيفيت روابط به‌ويژه روابط خريدار و فروشنده را شناسايي كند. اين فن بر اساس روش يادگيري از اطلاعات آماري با الگوبرداري از عملكرد مغز انسان طرح‌ريزي شده و به اين وسيله روابط بين متغيرهاي داده و ستاده از طريق يك متغير بينابين و پنهاني تعيين مي‌شوند. در اين مطالعه يك شبكه عصبي با تركيب دو جزء اصلي كيفي روابط يعني رضايت‌مندي و اطمينان و پنج داده بين فروشنده و خريدار ايجاد شده است. در مقايسه دو فن رگرسيون چندگانه و شبكه عصبي، دومين فن، نتاج آماري و علمي‌تري را ارايه مي‌دهد. به طوري كه به همين دليل كاربردهاي جديدي از اين فن در مديريت و بازاريابي به‌وجود آمده است.
چکیده (انگلیسی):
Conceptual arguments favoring a relational rather than a transactional approach to the study of buyer- seller relationships are now well understood. However, attempts to quantify the factors contributing towards relationship quality have been held back by the complexity of the underlying factors and their interrelatedness. Traditional regression techniques are not effective in analyzing data with high levels of multi- collinearity and missing information, typical in many studies of buyer behavior. The Neural Network technique uses a statistically-based learning procedure modeled on the workings of the human brain which quantifies the relationship between input and output variables through an intermediate “hidden” variable level analogous to the brain. For this study, a neural network was developed with two outcome components of relationship quality: Reationship satisfaction and trust. And five input antecedents. In a comparison of mutiple regression and neural network techniques, the latter was found to give statistically more significant outcomes. New applications within marketing for neural network analysis are being found
.