تحقیقات بازاریابی پیوسته و آنلاین ( کامپیوتری )

تصمیمات بازاریابی نوعاً بر مبنای تحقیقاتی که ، از طریق خدمات پستی سریع ، پیام مراکز خرید ، گفتگوی تلفنی ، مذاکرات گروهی منسجم و موردی از این صورت می گیرند ، اتخاذ می شوند . این شیوه های مربوط به تحقیقات بازاریابی وقت گیر و پر خرج بوده ، و برای دستیابی به نتایج دقیق مستلزم تلاش و کوشش زیادی می باشد . این مقاله شیوه نوینی را برای انجام تحقیقات بازاریابی آنلاین ارائه می دهد ة که بر مبنای چندین نظریه از جمله دانش فعال و موثر ، گروههای کنترلی و تجربی مشابه ، و تجربیات صریح و ضمنی می باشد . این نظریات ، توام با فرصت هایی که به واسطه تعداد فراینده خریداران آنلاین ایجاد می شوند ، می توانند تحقیقات بازاریابی سریع ، منظم و کم هزینه ای را سبب گردند .

مقدمه

پیش بینی رابطه بین متغیرهای بازاریابی و متغیرهای واکنشی در تصمیمات مربوط به فعالیتهای تجاری که ، در آنها بازاریابی و خرید و فروش بهم وابسته است ، از اهمیت برخوردار می باشد ، این مثال ساده را در نظر بگیرید که ، یک خرده فروش باید قیمتی که با آن کالایی خاص را به فروش برساند ، تعیین نماید . یک تصمیم گیری اصولی خرده فروش را بر آن می دارد که رابطه بین قیمت کالا ( متغیر بازاریابی ) و تقاضای کالا ( متغیر واکنشی ) را در قیمت گذاریهای مختلف مورد توجه قرار دهد . حال مثال را پیچیده تر در نظر بگیرید ، وضعیتی را فرض کنید که خرده فروش احساس می کند که انجام تبلیغات برای کالا به در آمد فراینده ای منجر خواهد شد. این تبلیغات ممکن است به شکل کاهش موقتی قیمت که از طریق بکارگیری کوپن حاصل می شود صورت گیرد . تعیین بهای اعتباری کوپن قیمت موثری که با آن کالا به فروش می رسد را مشخص می نماید و این قیمت موثر تنها در صورتی مشخص می گردد که تقاضا در مراحل قیمت گذاری مختلف معلوم باشد . با این وجود اگر سایر تاثیرات در نظر گرفته شوند ، تصمیم گیری سخت تر می شود . اگر خرده فروش چندین نمونه کالا را به فروش برساند ، کاهش قیمت یک نمونه خاص به خریداران ممکن است در طی دوره تبلیغ ، آن کالا را به مقدار زیاد ذخیره نمایند ، که این امر به کاهش فروش کالایی که در دوره تبلیغ و در آمدهای خالص ثابت را دنبال می کند ، می انجامد .

این مثالهای بالا بیانگر پیچیدگی بازاریابی و خرید و فروش می باشند . فردی ممکن است اینطور مطرخ نماید که این مساله تابع شیوه های تحلیلی است و بگوید که تصمیمات آگاهانه مبتنی بر بازاریابی و خرید و فروش مستلزم پیش بینی رابطه بسیار متنوع بین متغیرهای بازاریابی و متغیرهای واکنی باشند . به عبارت ساده تر ، آنها مستلزم این هستند که بدانیم که ، در زمان متغیر یک یا چند متغیر بازاریابی ، متغیرهای واکنشی چطور تغییر پیدا خواهند کرد . پیش بینی عملکرد یک متغیر واکنشی در هنگام تغییر متغیر بازاریابی نیازمند اطلاعات و اگاهی هایی می باشد . شاخصاً این اطلاعات از طریق تحقیقات بازاریابی که ، بواسطه خدمات پستی سریع ، پیام های مراکز خرید ،‌ گفتگوهای تلفنی ، مذاکرات گروهی متمرکز و مواردی از این دست صورت می گیرند ، گرد آوری می شوند . در مثال ساده ای که در بالا عنوان شد ، شخص ممکن است از طریق گفتگوهای تلفنی از مشتریان بخواهد که احتمال خرید کالای مورد نظرشان را در قیمت گذاری های مختلف تشریخ نمایند و این اطلاعات گردآوری شده را بکار گیرد تا رابطه بین متغیر بازاریابی ( قیمت ) و متغیر واکنشی ( تقاضا) را تعیین نماید . تاثیر متقابل یک شخص بر دیگری که در برخی از این شیوه های گرد آوری اطلاعات ( برای مثال ، در گفتگوی تلفنی ) ضروری است ، توام با مدت زمان زیاد انجام کار ( برای مثال ، بواسطه زمان انتقال یک پست سریع به سوی و از طرف فرد پاسخگر ) و مقدار موثر اوقات – شخص بیانگر این شکل قدیمی تحقیقات بازاریابی اند که پرخرج ، کند و مستعد خطا و اشتباه می باشند .

گسترش سریع اینترنت فرصتی را برای انجام تحقیقات بازاریابی آنلاین ( OMR ) فراهم نموده است . در واقع بر اساس برخی پیش بینی ها ، حدود 60 در صد جمعیت ایالات متحده و اتحادیه اروپایی به اینترنت دسترسی دارند . بطور کلی ، این نواحی یاد شده همچنین بر طبق " مجمع تحقیقات بازاریابی بریتانیا ( BMRA ) و مجمع متخصصان تحقیقات بازاریابی و نظریه پرداز دنیا

( ESOMAR ) ، سهم عمده قدرت خرید دنیا را در دست دارند . جدای از این ، نواحی مختلفی در آسیا دسترسی فزاینده ای به اینترنت یافته اند . این پذیرش گسترده اینترنت بخش وسیعی از جمعیت را به اینترنت قابل دسترس می سازد و این اطمینان را ایجاد می کند که نیازها و سلایق یک جمعیت عمده ا ی از مشتریان بطور آنلاین و پیوسته جامه عمل پوشانده شود . هدف این مقاله این است .

از طریق تحقیقات بازاریابی پیوسته و آنلاین ( OMR ) ، امکان تهیه اطلاعات تجاری عملی راسریعاً ، اصولی و نظامدار ، و بطور کم هزینه فراهم نماید . اگر پیچیدگی تصمیمات مبتنی بر بازاریابی و خرید و فروش را در فعالیتهای تجاری مدرن ، و نیز محدودیت های مکانی که لزوماً تحت تاثیر شیوه کار بردی کاغذ قرار دارند ، را در نظر بگیریم ، می بینیم که باید بر برخی جنبه های مهم تحقیقات بازاریابی پیوسته ( OMR ) تاکید نمائیم . ما ، بطور ویژه ،‌‌‌ آن جنبه هایی را مد نظر قرار می دهیم که در تلاشهای مربوط به درک اجرای تحقیقات بازاریابی پیوسته مفید واقع خواهند شد . ما بقیه این مقاله را بر طبق آنچه که در ذیل می آید ترتیب داده ایم . در بخش 2 ، ما یک دیدگاه کلی مفهومی از یک سیستم را ارائه می دهیم و یک طرح اساسی که برای اجرای ( OMR ) قابل کاربرد باشد را تشریح کنیم . تاکید ها بر رویدادهای ثابت سیستم نمی باشد ، چون اینها به سرویس دهنده تجاری که ، OMR در آن اجرا می گردد ، وابسته می باشند . در عوض ، ما بیشتر بدنبال این هستیم که نظریاتی راجع به زنجیره رویدادهایی که رخ می دهند ، مراحل مختلف کنترل OMR ، نوآوری های متنوعی که در این مقاله مطرح می شوند ، اشاره نمائیم . معتقدیم که این نوآوری ها برای OMR مهم و پر اهمیت هستند که مفصلاً آنها را در بخش 3 بحث خواهیم کرد . در بخش 4 ، دیدگاهی کلی درباره انواع اطلاعات تجاری عملی که ، بر حسب سیستم پیشنهادی و الگوریتم ها قابل حصول می باشند ، را ارائه می دهیم . ما در بخش 5 ، نتیجه گیری را همراه با یک سری مباحث انجام می دهیم .

تعاریف و ویژگی‌های بنیادی توابع مثلثاتی

تعاریف و ویژگی‌های بنیادی توابع مثلثاتی

1.1. اندازه کمان بر حسب رادیان، دایره مثلثاتی

دانش‌آموزان اولین چیزی را که در مطالعه توابع مثلثاتی باید بخاطر داشته باشند این است که شناسه‌های (متغیرهای) این توابع عبارت از اعداد حقیقی هستند. بررسی عباراتی نظیر sin1، cos15، (نه عبارات sin1⁰، cos15⁰،) ، cos (sin1) گاهی اوقات به نظر دانشجویان دوره‌های پیشدانگاهی مشکل می‌رسد.

با ملاحظه توابع کمانی مفهوم تابع مثلثاتی نیز تعمیم داده می‌شود. در این بررسی دانش‌آموزان با کمانی‌هایی مواجه خواهند شد که اندازه آن‌ها ممکن است بر حسب هر عددی از درجات هم منفی و هم مثبت بیان شود. مرحله اساسی بعدی عبارت از این است که اندازه درجه (اندازه شصت قسمتی) به اندازه رادیان که اندازه‌ای معمولی‌تر است تبدیل می‌شود. در حقیقت تقسیم یک دور دایره به 360 قسمت (درجه) یک روش سنتی است. اندازه زاویه‌ها برحسب رادیان بر اندازه طول کمان‌های دایره وابسته است. در اینجا واحد اندازه‌گیری یک رادیان است که عبارت از اندازه یک زاویه مرکزی است. این زاویه به کمانی نگاه می‌کند که طول آن برابر شعاع همان دایره است. بدین ترتیب اندازه یک زاویه بر حسب رادیان عبارت از نسبت طول کمان مقابل به زاویه بر شعاع دایره‌ای است که زاویه مطروحه در آن یک زاویه مرکزی است. اندازه زاویه برحسب رادیان را اندازه دوار زاویه نیز می‌گویند. از آنجا که محیط دایره‌ای به شعاع واحد برابر است از اینرو طول کمان برابر رادیان خواهد بود. در نتیجه برابر رادیان خواهد شد.

مثال1-1-1- کمانی به اندازه یک رادیان برابر چند درجه است؟

جواب: تناسب زیر را می‌نویسیم:

اگر باشد آنگاه یا را خواهیم داشت.

مثال 2-1-1 کمانی به اندازه رادیان برابر چند درجه است؟

حل: اگر و باشد آنگاه

2- دایره مثلثاتی. در ملاحظه اندازه یک کمان چه بر حسب درجه و چه برحسب رادیان آگاهی از جهت مسیر کمان از نقطه مبدا A₁ به نقطه A₂ حائز اهمیت است. مسیر کمان از نقطه مبدأ به نقطه مقصد در جهت خلاف حرکت عقربه‌های ساعت معمولاً مثبت در نظر گرفته می‌شود. در حالیکه در جهت حرکت عقربه‌های ساعت منفی منظور می‌شود.

معمولاً انتهای سمت راست قطر افقی دایره مثلثاتی به عنوان نقطه مبدأ اختیار می‌شود. نقطه مبدأ دایره دارای مختصات (1,0) خواهد بود. آن را بصورت A=A(1,0) نشان می‌دهیم. همچنین نقاط D,C,B از این دایره را بترتیب با مختصات B=(0,1)، C=(-1,0)، D=(0,-1) داریم.

دایره مثلثاتی را با S نشان می‌دهیم. طبق آنچه که ذکر شد چنین داریم:

3- پیچش محور حقیقی به دور دایره مثلثاتی. در تئوری توابع مثلثاتی نگاشت از R مجموعه اعداد حقیقی روی دایره مثلثاتی که با شرایط زیر انجام می‌شود نقش اساسی را ایفا می‌کند:

(1) عدد t=0 روی محور اعداد حقیقی با نقطه : A همراه می‌شود.

(2) اگر باشد آنگاه در دایره مثلثاتی نقطه را به عنوان نقطه مبدا کمان AP₁ در نظر گرفته و بر محیط دایره مسیری به طول T را در جهت مثبت اختیار می‌کنیم، نقطه مقصد این مسیر را با P_t نشان داده و عدد t را با نقطه P_t روی دایره مثلثاتی همراه می‌کنیم. یا به عبارت دیگر نقطه P_t تصویر نقطه A=P₀ خواهد بود وقتی که صفحه مختصاتی حول مبدا مختصاتی به اندازه t رادیان چرخانده شود.

(3) اگر باشد آنگاه با شروع از نقطه A بر محیط دایره در جهت منفی، مسیری به طول را مشخص می‌کنیم. فرض کنید که P_t نقطه مقصد این مسیر را نشان دهد و نقطه‌ای متناظر به عدد منفی t باشد.

همانطوریکه ملاحظه شد جوهره نگاشت : P این نکته را می‌رساند که نیم‌محور مثبت اعداد حقیقی در جهت مثبت بر روی S می‌خوابد؛ در حالیکه نیم‌محور منفی اعداد حقیقی در جهت منفی بر روی S می‌خوابد. این نگاشت بک‌بیک نیست: اگر به عدد متناظر باشد یعنی اگر F=P باشد آنگاه این نقطه نیز به اعداد متناظر خواهد بود:

در حقیقت با افزودن مسیری با طول (در جهت مثبت و یا در جهت منفی) به مسیری به طول t مجدداً به نقطه F خواهیم رسید. نگاره وارون کامل P^-1(P_t) نقطه P_t با مجموعه تطابق دارد.

• داده کاوی: مفاهیم، روشها، کاربردها، آینده
• مقدمه

معرفی داده‌کاوی و دلایل پیدایش آن

تعاریف داده کاوی

جایگاه داده‌کاوی در علوم کامپیوتر

• · طبقه بندی روش های داده کاوی

1. داده کاوی توصیفی یا توصیف کننده

2. داده کاوی پیشگویانه

• · مراحل و اجزای یک فرآیند داده‌کاوی

1. بیان مسئله و فرموله کردن فرضیه

2. انتخاب و جمع آوری داده ها

3. تبدیل و پیش پردازش داده ها

4. برآورد مدل یا کاوش در داده ها

5. تفسیر نتیجه یا تفسیر مدل و رسیدن به نتایج

• · آماده سازی داده ها

1. مدل استاندارد داده ها

2. دو وظیفه اصلی در آماده سازی داده ها

• · تبدیل و تغییر وضعیت داده های خام

1. نرمال سازی

1-1 مقیاس دهی اعشاری

2-1 نرمال سازی حداقل-حداکثر

3-1 نرمال سازی انحراف معیار

2. یکنواخت سازی داده ها

3. تفاضل ها و نسبت ها

• · مفهوم داده های از دست رفته و راه حل جبران داده های از دست رفته
• · مفهوم و روش های تشخیص داده های نامنطبق

1. روش های آماری 2. تشخیص داده های نامنطیق برمبنای فاصله 3. روش ها و تکنیک های برمبنای انحراف

• · کاهش داده ها

1. 1. اعمال اصلی در فرایند کاهش داده ها
2. 2. یافته های حاصل از کاهش داده ها

2-1 کاهش زمان محاسبه.

2-2 افزایش یادگیری در دقت پیشگویانه/توصیفی.

2-3 سادگی در ارائه مدل داده کاوی.

• · روش های نمونه گیری برای نمونه های بزرگ

1. نمونه گیری سیستمی.

2. نمونه گیری تصادفی.

3. نمونه گیری لایه ای.

4. نمونه گیری معکوس.

مقدمه

امروزه با گسترش سیستم های پایگاهی و حجم بالای داده ها ی ذخیره شده در این سیستم ها، نیاز به ابزاری است تا بتوان داده های ذخیره شده پردازش کرد و اطلاعات حاصل از این پردازش را در اختیار کاربران قرار داد.

با استفاده ار پرسش های ساده درSQL و ابزارهای گوناگون گزارش گیری معمولی، می توان اطلاعاتی را در اختیار کاربران قرار داد تا بتوانند به نتیجه گیری در مورد داده ها و روابط منطقی میان آنها بپردازند اما وقتی که حجم داده ها بالا باشد، کاربران هر چقدرحرفه ای و با تجربه باشند نمی توانند الگوهای مفید را در میان حجم انبوه داده ها تشخیص دهند و یا اگر قادر به این کار هم با شند، هزینه عملیات از نظر نیروی انسانی و مالی بسیار بالا است.

بنابراین میشود گفت که درحال حاضر یک تغییر الگو از مدل سازی و تحلیل های کلاسیک برپایه اصول اولیه به مدل های درحال پیشرفت و تحلیل های مربوط بطور مستقیم از داده ها وجود دارد.

داده کاوی یکی از مهمترین این روشها است که به وسیله آن الگوهای مفید در داده ها با حداقل دخالت کاربران شناخته می شوند و اطلاعاتی را در اختیار کاربران و تحلیل گران قرار می دهند تا براساس آنها تصمیمات مهم و حیاتی در سازمانها اتخاذ شوند.

تعاریف داده کاوی

در متون آکادمیک تعاریف گوناگونی برای داده کاوی ارائه شده اند. در برخی از این تعاریف داده کاوی در حد ابزاری که کاربران را قادر به ارتباط مستقیم با حجم عظیم داده ها می سازد معرفی گردیده است و در برخی دیگر، تعاریف دقیقتر که درآنها به کاوش در داده ها توجه می شود موجود است.

برخی از این تعاریف عبارتند از :

1. داده کاوی عبارت است از فرایند استخراج اطلاعات معتبر، از پیش ناشناخته، قابل فهم و قابل اعتماد از پایگاه داده های بزرگ و استفاده از آن در تصمیم گیری در فعالیت های تجاری مهم.
2. فرایند نیم خودکار تجزیه و تحلیل پایگاه داده های بزرگ به منظور یافتن الگوهای مفید اطلاق می شود.
3. داده کاوی یعنی فرایند جستجو در یک پایگاه داده ها برای یافتن الگوهایی میان داده ها.
4. داده کاوی یعنی تجزیه و تحلیل مجموعه داده های قابل مشاهده برای یافتن روابط مطمئن بین داده ها.
5. داده کاوی یعنی استخراج دانش کلان ، قابل استناد و جدید از پایگاه داده ها ی بزرگ.

نکته: همانگونه که در تعاریف گوناگون داده کاوی مشاهده می شود، تقریبا در تمامی تعاریف به مفاهیمی چون استخراج دانش ، تحلیل و یافتن الگوی بین داده ها اشاره شده است.

" داده کاوی فرآیندی است که طی آن با استفاده از ابزار های تحلیل داده به دنبال کشف الگوها و ارتباطات میان داده های موجود که ممکن است منجر به استخراج اطلاعات جدیدی از پایگاه داده گردند، می باشد."

در داده کاوی از بخشی از به نام تحلیل اکتشافی داده ها استفاده می شود که در آن بر کشف اطلاعات نهفته و ناشناخته از درون حجم انبوه داده ها تاکید می شودبنابراین می توان گفت در داده کاوی تئوریهای پایگاه داده ها، هوش مصنوعی، یادگیری ماشین وعلم آمار را در هم می آمیزند تا زمینه کاربردی فراهم شود.

باید توجه داشت که اصطلاح داده کاوی زمانی به کار برده می شود که با حجم بزرگی از داده ها در حد گیگابایت یا ترابایت، مواجه باشیم که از این نظر یکی از بزرگترین بازارهای هدف، انبارجامع داده ها، مراکز داده وسیستم های پشتیبانی تصمیم برای بدست آوردن تخصص هایی در صنایعی مثل شبکه های توزیع مویرگی، تولیدف مخابرات، بیمه و... می باشد.