Borna66
03-16-2009, 06:06 PM
در عصر حاضر در بسياري از موارد ماشين ها جايگزين انسانها شده اند و بسياري از کارهاي فيزيکي که در گذشته توسط انسانها انجام مي گرفت امروزه توسط ماشين ها صورت مي گيرد . اگرچه قدرت کامپيوترها در ذخيره، بازيابي اطلاعات و اتوماسيون اداري ،.. غير قابل انکار است، اما همچنان مواردي وجود دارد که انسان ناچار است خودش کارها را انجام دهد. اما به طور کلي ، موارد مرتبط با ماشين شامل سيستم هايي است که در آن به علت ارتباطات پيچيده بين اجزا، مغز انسان از درک رياضي اين ارتباطات قاصر است . مغز انسان به مرور زمان با مشاهده توالي رفتارهاي سيستم و گاه آزمايش نتيجه اي که بر اثر دستکاري يکي از اجزاي سيستم به دست مي آيد تا حدي مي تواند عادتهاي سيستم را شناسايي کند . اين روند يادگيري بر اثر مشاهده مثالهاي متنوع از سيستم ، به کسب تجربه منجر مي شود. در چنين سيستم‌هايي مغز قادر به تجزيه و تحليل داخلي سيستم نيست و تنها با توجه به رفتارهاي خارجي، عملکرد داخلي سيستم را تخمين مي زند و عکس العملهاي آن را پيش بيني مي کند.
چگونگي اداره حجم انبوه اطلاعات و استفاده موثر از آنها در بهبود تصميم گيري ، از موضوعات بحث برانگيز در عصرحاضر است. يکي از مسائل مهم تحقيقاتي در زمينه علوم کامپيوتر، پياده سازي مدلي شبيه به سيستم داخلي مغز انسان براي تجزيه و تحليل سيستم هاي مختلف بر اساس تجربه است .در اين راستا شبکه هاي عصبي يکي از پوياترين حوزه‌هاي تحقيق در دوران معاصر هستند که افراد متعددي از رشته هاي گوناگون علمي را به خود جلب کرده است .استفاده از شبکه‌هاي عصبي و الگوريتم هاي ژنتيک در حل مسائل پيچيده کاربردي اين روزها بيش از بيش رواج يافته است . در اين مقاله پس از معرفي اجمالي شبکه هاي عصبي و الگوريتم هاي ژنتيک، ارتباط وسهم آن ها در تصميم گيري در حوزه تجارت وکسب وکار مورد بررسي قرارگرفته است .
مقدمه
توجه به کاربرد تکنيک هاي هوش مصنوعي و ابزارهاي مدل سازي در حوزه کسب و کار به طور فزاينده اي در حال افزايش است. در اين راستا سيستم هاي خبره جايگاه ويژه اي يافته اند. در چند دهه گذشته دو عنوان شبکه هاي عصبي و الگوريتم هاي ژنتيک از موضوعاتي بوده اند که توجه بسياري از دانشگاهيان را به خود جلب کرده اند . اين دو به عنوان ابزاري نيرومند در حل مسائلي که ديگر توسط متدلوژي ها و روش هاي سنتي گذشته قابل حل نبودند، شناخته شده و مورد استفاده قرارگرفته اند. اين روزها استفاده از آنها به زندگي اجتماعي ما نيز تسري يافته تا جايي که کاربرد آنها در تصميم گيري ها نقش حياتي يافته است . اين مقاله شواهدي را مبتني برامکان استفاده اخلاقي از شبکه هاي عصبي و الگوريتم ها ي ژنتيک که به منجر به تصميم گيريهاي موفقيت آميز در ارتباط با مسائل مرتبط با کسب و کار مي شود ارائه مي کند . براي اين منظور لازم است که بررسي تطبيقي اي در رابطه با تلاشهاي ديگر محققان در قالب ادبيات موضوع صورت گيرد . به همين دليل ، در تحقيق ما بر نقش محققان عملياتي در حوزه کاربرد شبکه هاي عصبي و الگوريتم هاي ژنتيک تأکيد شده است . همچنين در کنار ايجاد چنين پايگاهي براي محققان ، به سوالات اساسي زير نيز پاسخ داده شده است :
-1 آيا کاربردهاي سيستم هاي مبتني بر هوش مصنوعي مي تواند از فرايندهاي تصميم گيري شرکت شما پشتيباني کند ؟
-2 آيا اسناد ودلايل و مدارک معتبري براي اثبات اين ادعا وجود دارد ؟
-3 آيا اينها تنها يک تئوري و ايده دانشگاهي است يا داراي قابليت کاربرد و تعميم نيز هست؟
به عبارت ديگر ، با درنظر گرفتن مطالعات مشابه در رابطه با استفاده از سيستم هاي خبره در کسب و کار، نويسندگان و محققان در آرزوي دستيابي به فرصتي جهت بحث مقايسه اي در باره اين سه متدلوژي هوشمند هستند (متاکسيوس و پساراس 2003 ) . يکي از مهم ترين و بحث‌برانگيزترين تحقيقات ، بررسي صورت گرفته توسط لايبوتز (2001) است که نتيجه آن تحت عنوان «سيستمهاي خبره و کاربرد آنها» مطرح شد.
ساختار اين مقاله به صورت زير است: در ابتدا مروري بر پايه و اساس شبکه هاي عصبي و الگوريتم هاي ژنتيک خواهيم داشت و سپس به بازنگري جامعي بر کاربرد شبکه هاي عصبي و الگوريتم هاي ژنتيک در حوزه کسب و کار خواهيم پرداخت و نهايتا آن را با نتايج و پيشنهاداتي براي تحقيقات کاربردي آينده به پايان خواهيم رساند .
فناوري شبکه عصبي
شبکه هاي عصبي يک تکنيک پردازش اطلاعات مبتني بر روش سيستم هاي عصبي بيولوژيکي مانند مغز و پردازش اطلاعات است. مفهوم بنيادي شبکه هاي عصبي ، ساختار سيستم پردازش اطلاعات است که از تعداد زيادي واحدهاي پردازشي (نورون) مرتبط با شبکه ها تشکيل شده اند. سلول عصبي بيولوژيکي يا نورون، واحد سازنده سيستم عصبي در انسان است. يک نورون ازبخشهاي اصلي زير تشکيل شده است :
1) بدنه سلولي که هسته در آن است و ساير قسمتهاي سلولي از آن منشأ گرفته است.
2) هسته
3) آکسون که وظيفه آن انتقال اطلاعات از سلول عصبي است.
4) دندريت که وظيفه آن انتقال اطلاعات از سلول هاي ديگر به سلول عصبي است
يک سيستم شبکه عصبي از تکنيکهاي مورد استفاده انسان در يادگيري از طريق استناد به مثالهايي از حل مسائل استفاده مي‌کند (هايکين ،1994 ) . هر نورون وروديهاي متعددي را پذيراست که با يکديگر به طريقي جمع مي شوند . اگر در يک لحظه تعداد ورودي هاي فعال نرون به حد کفايت برسد نرون نيز فعال شده و آتش مي کند . در غير اين‌صورت نورون به صورت غير فعال و آرام باقي مي ماند .فعاليت هر نورون از مجموعه اي از يک يا چند ورودي ، عمليات و وظيفه خروجي براي محاسبه خروجيهايش تشکيل شده است . عملکرد اساسي اين مدل مبتني بر جمع کردن وروديها و به دنبال آن به وجود آمدن يک خروجي است . وروديهاي نورون از طريق دندريت ها که به خروجي نورون هاي ديگر از طريق سيناپس متصل شده اند وارد مي شوند . بدنه سلولي کليه اين وروديها را دريافت مي کند و چنانچه جمع اين مقاديراز مقداري که به آن آستانه گفته مي شود بيشتر شود در اصطلاح بر انگيخته شده يا آتش مي کند و درغير اين صورت خروجي نورون روشن يا خاموش خواهد شد. مدل پايه اي نورون به صورت شکل 1 تعريف مي گردد .
امروزه شبکه هاي عصبي در کاربردهاي مختلفي از قبيل طبقه بندي داده ها و تشخيص الگو از طريق فرايند يادگيري که خود شامل مسائلي مانند تشخيص خط و شناسايي گفتار وپردازش تصوير است به کار مي روند .به مثابه سيستم هاي بيولوژيکي ، آموزش شامل تنظيم پيوندهاي بين سيناپس‌ها که درهر نورون وجود دارند است. به عبارت ديگر، اطلاعات آموخته شده به شکل ارزشهاي عددي به‌نام «وزن» که به هر واحد پردازش شبکه اختصاص داده مي‌شود ، ذخيره مي شوند .به طور کلي ، شبکه هاي عصبي مي توانند بين :
روشهاي اتصال نورون ها، انواع روشهاي ويژه محاسبه عمليات نورون ها، روش انتقال الگوي عمليات از خلال شبکه و روشهاي يادگيري آنها که شامل نرخ يادگيري است، تمايز قائل شوند . با در نظر گرفتن ارتباطات بين نورون ها ، مي توان بين شبکه هاي لايه دار و بدون لايه تمايز قايل شد . شبکه هاي لايه دار گروهي ازنورون ها هستند که در لايه هايي مجتمع گرديده اند که بين لايه ورودي و خروجي - که تنها پيوند خارجي دارند - يک يا چند لايه پنهان وجود دارد . داده هاي ورودي از لايه ورودي به وسيله لايه هاي پنهان (لايه مياني ) به لايه خروجي منتقل مي‌شوند . سيگنالها ي جاري در شبکه هاي لايه دار به سمت جلو حرکت مي کنند که در اصطلاح فني به آنها پيش خور گفته مي شود در حالي که شبکه هاي بدون لايه داراي گره هاي اضافي بازخور هستند که از تقسيمات درست لايه ها جلوگيري مي کنند .
ساختار پيوندها و تماسها و تعداد لايه‌ها و نورون ها تعيين کننده معماري شبکه است که بايستي قبل از استفاده از شبکه‌هاي عصبي تنظيم شود . همان طور که در شکل 2 نمايش داده شده است ، اگرچه در موارد مشخصي مي توان با موفقيت از شبکه هاي عصبي تک لايه استفاده کرد اما رسم بر اين است که شبکه هاي عصبي حداقل داراي 3 لايه باشند ( لايه ورودي ،لايه پنهان يا لايه مياني و لايه خروجي ) .
قبل از آنکه شبکه آموزش داده شود، اوزان اختصاصي کوچک و به صورت تصادفي ارزش گذاري مي شوند . در خلال روند آموزش ، اوزان شبکه به شکل تدريجي تعديل مي شود تا جايي که محرز شود که کاملاً روابط فرا گرفته شده است . اين شکل از يادگيري ، يادگيري با سرپرست ناميده مي شود . وقتي يک الگو در لايه ورودي به‌کار گرفته مي شود تا آن جا جلو مي رود که ستانده نهايي در لايه خروجي محاسبه شود . ستانده شبکه با نتايج مطلوب مورد انتظار مدل مقايسه و خطاهاي موجود محاسبه مي‌شود .اين خطاها مجدداً به عنوان بازخورد به شبکه بازمي گردد تا تغييرات لازم در اوزان پيوندها براي کاهش خطا صورت گيرد .مجموعه اي از مثالهاي آموزشي داده _ ستانده مکرراً ارائه مي شود. تا جايي که مجموع امتيازات خطا به سطح قابل قبولي کاهش يابد . در اين جايگاه م توان آن شبکه را به عنوان شبکه اي آموزش ديده در نظر گرفت . اما در روش ديگري که يادگيري بدون سرپرست ناميده مي شود، شبکه عصبي بايد بدون کمک گرفتن از جهان ، بتوانند کار آموزش را انجام دهد . واقعيت آن است که در عمل ازروش يادگيري باسرپرست و يا حداکثر از روشهاي ترکيبي استفاده مي شود و فرايند آموزش بدون سرپرست به شکل خالص تنها وعده‌اي است که شايد بتواند در آينده تحقق يابد . در حال حاضر و در کاربردهاي پيشرفته ، از روش آموزش بدون سرپرست براي ايجاد تنظيمات اوليه برروي سيگنال هاي ورودي شبکه هاي عصبي استفاده مي شود و باقي مراحل آموزش به روش با سرپرست ادامه مي يابد .
حوزه هاي کاربردي شبکه هاي عصبي در موضوعات زير است:
_ همبستگي ناشناخته بين ويژگيهاي مطلوب و ارزش متغيرهاي مسائل تصميم گيري (جايي که راه حل مسائل ناشناخته است )
_ مسائلي که داراي راه حل الگوريتم نيستند
_ جايي که داده هاي ناقص وجود دارد
مزيت اصلي شبکه هاي عصبي ، قابليت فوق العاده آنها در يادگيري و نيز پايداري شان در مقابل اغتشاشات ناچيز ورودي است ( فاوست ، 1994) .به عنوان مثال اگر از روشهاي عادي براي تشخيص دستخط يک انسان استفاده کنيم ممکن است در اثر کمي لرزش دست ، اين روشها به تشخيص غلطي برسند در حالي که يک شبکه عصبي که به صورت مناسب آموزش داده شده است حتي در صورت چنين اغتشاشي نيز به پاسخ درست خواهد رسيد .
درنتيجه ، تاکيد ما بر اين حقيقت است که انتخاب شبکه درست با محاسبات صحيح، عامل اصلي در تضمين موفقيت عملکرد است .
فناوري الگوريتم ژنتيک
الگوريتم هاي ژنتيک روش قدرتمندي را براي توسعه اکتشافي مسائل بهينه سازي ترکيبي مقياس بزرگ فراهم آورده است . انگيزه اصلي مطرح کردن الگوريتم ژنتيک مي تواند اين گونه عنوان شودکه «تکامل تدريجي» به شکل قابل ملاحظه اي در توسعه انواع وگونه هاي پيچيده از طريق مکانيزم هاي نسبتاً ساده تکميلي نمود يافته است . حال سوال اساسي اين است : پذيرش کدام ايده از تئوري تکامل تدريجي مي تواند به ما در حل مسائل اين قلمرو کمک کند ؟ اين سوال با توجه به غناي پديده تکامل تدريجي جوابهاي متفاوتي دارد. هالند و دي جانگ (1975) از نخستين کساني هستندکه با معرفي مفهوم الگوريتم ژنتيک به عنوان يک تکنيک جستجوي عمومي - که از تکامل تدريجي بيولوژيک در قالب بقاي افراد اصلح و مبادله ساختارمند و تصادفي اطلاعات الگوبرداري مي کند- درصدد پاسخگويي به اين سوال برآمدند .
يک الگوريتم ژنتيک مسئله را به صورت مجموعه اي از رشته ها که شامل ذرات ريزهستند کد گذاري مي کند ، سپس براي تحريک فرايند تکامل تدريجي ،تغييراتي را بر روي رشته ها ا عمال مي‌دارد. در مقايسه با الگوريتم هاي جستجوي محلي ، در جستجوي عمومي که تنها يک راه حل قابل قبول وجود دارد ، الگوريتم هاي ژنتيک جامعه اي از افراد را در نظر مي‌گيرند . کـــار با مجموعه اي از افراد، امکان مطالعه ساختارها و ويژگيهاي اصلي افراد متفاوت را که منجر به شناسايي و کشف راه حلهاي کارآمد تر مي شود، فراهم مي‌سازد . در طي مطالعه ، الگوريتم ژنتيک رشته هاي متناسب با ارزش را برمي گزيند و آن دسته از رشته‌هايي را که تنــاسب کمتري با جمعيت مورد بررسي دارند حذف مي‌کنند .
مروري بر کاربردهاي تجاري
بعد از مروري بر پيشينه شبکه هاي عصبي و الگوريتم هاي ژنتيک و پيشرفتهاي آنها ، مي توان حوزه هاي کاربردي آنها را در کسب و کار شناسايي کرد. بنابر اين در اين قسمت به بررسي انواع مسائل تجاري که به شکلي مناسب به‌وسيله شبکه هاي عصبي و الگوريتم هاي ژنتيک قابل حل خواهند بود ، مي پردازيم . اما قبل از آن توضيحي مختصر در ارتباط با موضوعات مرتبط با اين حوزه خواهيم داد .
بازاريابي
«انجمن بازاريابي آمريکا» از ديدگاه مديريتي، بازاريابي را بدين گونه تعريف مي کند : بازاريابي يک فرايند اجتماعي و مديريتي است که به‌وسيله آن، افراد و گروهها ، نيازها و خواسته ها ي خود را از طريق توليد ، عرضه و مبادله کالاهاي مفيد و با ارزش با ديگران ، تأمين مي کنند . به طور کلي ، بازاريابي دانشي ناشناخته است که با ويژگيهايي از قبيل عدم اطمينان بالا ، ساختار گمشده علّـي ودانشي ناکامل و گسترده قابل شناسايي است .بسياري از وظايف تصميم گيري و حل مسـئله به صورت بدون ساختار يا نيمه ساختار يافته انجام مي شود . به همين دلايل توسعه کاربرد شبکه هاي عصبي و الگوريتم هاي ژنتيک در بازاريابي نسبت به ساير حوزه هاي علم دشوارتر است .
در سال 1991 ، کاري و ماتين هو به بحث در رابطه با نقش هوش مصنوعي در بازاريابي پرداختند و جايگاه يابي رقابتي را به‌وسيله متدلوژي هدف گرا مورد تجزيه و تحليل قرار دادند . اليس و همکارانش در سال 1991 گزارشي از پيشرفتهاي کاربرد مدل هاي شبکه عصبي در مواجهه با استراتژي قيمت گذاري کششي ارائه کردند در حالي‌که پراکتر در سال 1992 چگونگي کاربرد تکنولوژي شبکه هاي عصبي در يادگيري مدل هاي داده بازاريابي و نقش آنها را در ساختن سيستم هاي پشتيباني از تصميمات بازاريابي به نمايش گذاشت . در سال 1993 کاري و ماتين هو از تکنولوژي شبکه هاي عصبي در مدل سازي واکنش مصرف کننده به محرک تبليغات استفاده کردند . راي و همکارانش در سال 1994 شبکه هاي عصبي را در کمّي سازي فاکتورهاي موثر در کيفيت روابط خريدارو فروشنده مورد استفاده قرار دادند . براي اين منظور شبکه اي با دو عنصر خروجي کيفيت روابط (رضايت از روابط و اعتماد ) و پنج ورودي ( گرايش فروش فروشنده ، مشتري گرايي ، تخصص، اخلاقيات ، و دوام روابط ) شکل گرفت . در مقايسه با رگرسيون هاي چند متغيره، تکنيک شبکه هاي عصبي به نتايج آماري قابل قبول تري دست يافت .
از سوي ديگر ، هارلي و همکاران (1994) استفاده از الگوريتم هاي ژنتيک را در حل مسائل بهينه سازي بازاريابي مورد آزمايش قرار دادند . بر اساس مطالعه آنها ، کاربردهاي بالقوه الگوريتم هاي ژنتيک در بازاريابي مي تواند شامل موارد زير باشد :
1) رفتار مصرف کننده
_ يادگيري مدل هاي انتخاب مصرف کننده
_ پردازش اطلاعات مصرف کننده
_ تاثير گروههاي مرجع
2) بخش بندي،انتخاب بازار هدف، جايگاه يابي
_ بهينه سازي ساختارهاي محصول – بازار
_ تجزيه و تحليل فاکتورهاي کليدي خريد
_ جايگاه يابي محصول
3) مديريت عناصر آميخته بازاريابي
_ بهينه سازي چرخه حيات محصول
_ طراحي محصول
_ استراتژي تبليغات و برنامه ريزي رسانه‌اي
_ مديريت فروش
گرين و اسميت (1987) يک سيستم ژنتيک را براي يادگيري مدل هاي انتخاب مصرف کننده مطرح ساختند و تنگ و هولاک (1992 ) چارچوبي مفهومي را در پيوند مفاهيم بازاريابي با مکانيزم تکامل تدريجي داروين ارائه کردند . در سال 1992 بالاک ريشمن و جاکوب يک الگوريتم ژنتيک مبتني بر سيستم پشتيباني از تصميم گيري براي طراحي محصول ارائه کردند . از سوي ديگرو در حرکتي نوين وناگوپال و بيتز (1994) ازاشتراک شبکه هاي عصبي و تکنيکهاي آماري در تحقيقات بازاريابي استفاده کردند. درنهايت ، مي توان گزارشي از پيشرفتهاي موجود در اين زمينه رابه شکل زير ارائه کرد :
_ STRATEX _ يک سيستم دانشي با هدف پشتيباني از انتخاب بخشهاي بازار (بورچ و هارتويگسن ، 1991)
_ ADDUCE _ سيستمي در توجيه واکنش مصرف کننده به تبليغات (بارک ، 1991)
_ COMSTRAT _ سيستمي براي تصميمات استراتژيک بازاريابي با تاکيد ويژه بر جايگـاه يابي رقابتي ( ماتين هو و همکاران 1993)
_ MARSTRA _ سيستم هوش شبکه اي براي توسعه استراتژي هاي بازاريابي و ارزيابي فاکتورهاي بازاريابي استراتژيک (لي، 2000)
_ GLOSTRA _ سيستم هوش شبکه اي براي توسعه و بهبود استراتژي هاي بازاريابي جهاني و بازاريابي اينترنتي ( لي و ديويس، 2001 )
بانکداري و حوزه هاي مالي
از کاربردهاي مهم و مطرح شبکه هاي عصبي و الگوريتم هاي ژنتيک در بانکداري و حوزه مسائل مالي مي توان به اين موارد اشاره کرد : کاربردهاي اعتباري ، تجزيه و تحليل هاي مالي ، سرمايه گذاري مالي ، و تجزيه و تحليل بازار مبادله سهام . محققان بسياري به بررسي کاربردهاي شبکه هاي عصبي و الگوريتم هاي ژنتيک در بانکداري و مالي پرداخته اند . ازآن جمله ، در سال 1993 ، تفتي و نيکبخت به بحث در ارتباط با استفاده از شبکه هاي عصبي توسط سازمانها وشرکتهاي مالي در جهت اهداف متفاوت امتيازبندي اعتباري پرداختند .تان و دي هاردجو (2001) از طريق افزايش زمان و دوره پيش بيني مدل به توسعه يک تحقيق ابتدايي در استفاده از شبکه هاي عصبي براي پيش بيني استرس هاي مالي در اتحاديه هاي اعتباري استراليا پرداختند . دستاورد حاصل شده در مقايسه با نتايج به دست آمده از متوسط انحراف از ميانگين، نتايج قابل قبولي بود . همچنين ديويس و همکاران نيز در 1996 به بررسي نگرشهاي سيستمهاي خودپرداز براساس تجزيه و تحليل شبکه‌هاي عصبي پرداختند .
ازسوي ديگر، شناسايي کاربردهاي متنوع الگوريتم هاي ژنتيک از سوي افراد مختلف به صورت زير ارائه شده است : انتخاب استراتژي هاي بازار انحصاري چند جانبه ( مارکز ، 1989 ) ، توسعه استراتژي‌هاي سرمايه گذاري مالي (باور، 1994 ) ،جستجو براي يافتن قوانين تکنيکي براي اعمال آنها در بازارسرمايه ( کارجالايننن، 1994 ) ، تجزيه و تحليل ريسک در بانکداري ( وارتو ،1998 ) . علاوه بر اين، در سال 1999 کارجالايننن و آلن از الگوريتم‌هاي ژنتيک در پيدا کردن قوانين تکنيکي تجاري استفاده کردند. در همين زمان نيز آندرا و همکارانش (1999) از الگوريتم هاي ژنتيک در تجــزيه و تحليل فني در بازار سهام مادريد استفاده کردند .
از ديگر سيستمهاي مالي مبتني بر شبکه‌هاي عصبي و الگوريتم هاي ژنتيک مي توان به موارد زير اشاره کرد :
_ KABAL _ سيستم دانشي براي تجزيه و تحليل مالي در بانکداري (هارت ويگسن ، 1990 )
_ CREDEX _ سيستمي براي ارزيابي اعتبارات ( پينسون ، 1990 )
_ FINEVA _ سيستم دانشي چند معياري پشتيباني از تصميم گيري براي ارزيابي عملکرد و قابليت حيات شرکت ( زوپوني ديس ، 1996 )
پيش بيني
پيش بيني يکي از قديمي ترين فعاليتها و وظايف مديريت وتجارت بوده است . درروزگاران قديم نمونه هايي از پيشگوييها و پيش بيني ها وجود دارد . به طور کلي ، مديري را مي توان موفق دانست که از قوه تجسم بالايي در تصميم گيري و قضاوت برخوردار باشد . تجربه ، به انسان در پيش بيني آينده وانتخاب تصميم درست و دادن رأي صحيح کمک مي کند. روش هاي هوش مصنوعي توانايي بالايي را درپيش بيني و ارائه عملکرد بهتر در مواجهه بامسائل غيرخطي و ساير مشکلات مدل سازي سري هاي زماني نشان داده اند .رحمان و بهتنگار (1998 ) يک سيستم خبره را براي پيش بيني کوتاه مدت طراحي کردند، اين درحالي است که چيو (1997) يک شبکه عصبي را در ترکيب با سيستم خبره قانونمند براي همين منظور در تايوان مورد استفاده قرار داد . همچنين تحقيقات کانلن و جيمز (1998) نشان دادکه مي توان بين خصيصه هاي داراييهاي اقتصادي و ارزش داراييهاي تجاري در يک بازار خاص پيوند برقرار کرد و به مدل ارزش گذاري اي رسيد که به پيش بيني کوتاه مدت نوسانات ارزش گذاري دراستفاده از شبکه‌هاي عصبي مي‌پردازد. درنهايت بررسيهاي انجام شده نشان مي‌دهد که در اين حوزه بيشتر بر کاربرد شبکه هاي عصبي کار شده است تا الگوريتم هاي ژنتيک.
ساير حوزه هاي تجاري
تا اينجا درباره کاربردهاي مختلف شبکه هاي عصبي و الگوريتم هاي ژنتيک در بخشهاي کليدي تجارت صحبت کرديم : بازاريابي ، بانکداري و مالي ، پيش بيني . قطعاً حوزه هاي ديگري از تجارت و کسب و کارنيز وجود دارد که در اندازه هاي متفاوت مي توانند از مزاياي استفاده از شبکه هاي عصبي و الگوريتم هاي ژنتيک منتفع شوند . به عنوان مثال مي توان به کاربرد شبکه هاي عصبي در صنعت هتلداري ( لاو ، 1998) ، ارزيابي داراييها (لنک و همکاران 1997 ) و پيش بيني تورم (آيکن ، 1999) اشاره کرد. علاوه بر اين ، کاملاً مشهود است که بخشهايي ( مانند توليد ، صنايع سنگين ، انرژي ، ساخت و ساز ) وجود دارند که از نظر ما دور مانده اند .
مزاياي استفاده از اين فناوريهاي هوش مصنوعي
با بررسي اجماعي نظريات و تحقيقات موجود مي توان مزاياي استفاده از فناوريهاي هوش مصنوعي و الگوريتم هاي ژنتيک را در قالب گزاره هاي زير خلاصه کرد :
_ ارائه خدمات بهتر به مشتري
_ تقليل زمان انجام وتکميل وظايف
_ افزايش توليد
_ استفاده اثربخش تر از منابع
_ سازگاري و ثبات بيشتر در تصميم گيري
نتايج
در اين مقاله سعي کرديم با معرفي کاربردهاي شبکه هاي عصبي و الگوريتم هاي ژنتيک در حوزه تجارت و بازرگاني به‌ويژه در محدودة بازاريابي، مالي و بانکداري و پيش بيني ، بعدي جديد از حوزه تجارت وکسب و کار را نمايان کنيم. نتيجه نهايي اين مباحث به تنوع حوزه هاي کاربردي که بر مزايا و منافع شبکه هاي عصبي و الگوريتم هاي ژنتيک اشاره دارد منتهي مي شود . اين دو تکنولوژي امروزه بيش از بيش به عنوان ابزار تصميم گيري سازمانها مورد استفاده قرار مي گيرند که البته نتايج حاصل از کاربرد آنها ( همچون تصميمات صحيح ، صرفه جوييهاي زماني ، انعطاف پذيري ، کيفيت بهبود يافته ، آموزش موثر) بر محبوبيت آنها افزوده است . اعتقاد ما بر اين است که در صورت ادغام مناسب اين دو فناوري با ساير فناوريهاي هوشمند (مانند سيستم هاي خبره ، عوامل هوشمند ، منطق فازي) و تکنيکهاي تحقيق درعمليات به‌ويژه شبيه سازي مي توان روز به روز بر موارد استفاده آنها در حوزه هاي مختلف افزود و از مزاياي آنها بهره مند شد. بر اساس تحقيق کتابخانه اي انجام شده موارد زير براي تحقيقات آينده پيشنهاد مي شود:
_ بررسي مزاياي استفاده از الگوريتم هاي ژنتيک در بهينه سازي مسائل بازاريابي
_ مقايسه کاربرد شبکه هاي عصبي و الگوريتم هاي ژنتيک و سيستم هاي خبره براي شناسايي مزايا و ضررهاي هر کدام از اين فناوريها.
منابع
-1 جکسون . تي و بيل . آر . آشنايي با شبکه‌هاي عصبي ، ترجمه دکتر محمود البرزي – تهران : موسسة انتشارات علمي دانشگاه صنعتي شريف ، چاپ دوم ، 1383
-2 کاتلر ، فيليپ . مديريت بازاريابي ، ترجمه بهمن فروزنده – تهران : آتروپات ،1382
-3 قمي ، عليرضا " شبکه هاي عصبي مصنوعي "، نشريه دنياي کامپيوتر و ارتباطات – شماره 12 ، صفحات 66 تا 69
-4 سعيدي ، مسعود " شبکه هاي عصبي (2) " ، نشريه شبکه _ شماره 52 ، اسفند 1383 ، صفحه 210 تا 211
-5 مماني ، حامد ، نرگس پور اصغري حقي و ساعد علي ضمير ، " شبکه هاي عصبي و کاربرد آن در بهينه سازي " ، نشريه صنايع _ شماره 30
-6 نورزاد ، غلامرضا " بيولوژي سلولي مولکولي " ،انتشارات نوردانش ، تهران ، 1376 ، چاپ اول
7- Metaxiotis , Kostas & John Psarras (2004) "The Contribution of Neural networks and genetic algoritms to business decision support "Management decision , vol 42 ,no .2, Emerald group publishing limited , pp. 229.242
8- Curry , B & L. Moutinho (1993) "Neural Network in marketing : Modelling consumer Responses to Advertising Stimuli "European Journal of marketing , vol 27 , no . 7 , MCB university press , pp 5. 20
9- Wray , B , A. palmer & D. Bejou (1994) " Using Neural Network Analysis to evaluate Buyer – Seller Relationships " European Journal of Marketing , vol 28 , no. 10 , MCB university press , pp 32.48
10- Venugopal .V & W. Beats ( 1994 ) " Neural networks and Statistical Techniques in marketing research " Marketing intelligence & planning , vol 12 , no. 7 , MCB university press , pp 30 . 38
11- Davies , F , L . Moutinho & B . Curry (1996 ) " ATM user attitudes : a neural network analysis " , marketing intelligence & planning , vol 14 , no . 2 , MCB university press , pp 26 . 32
ماخذ :
كد - لینک:
پايگاه علمي مقالات مديريت (http://www.SYSTEM.parsiblog.com)
:104:
گردآونده:طه-Borna66
چگونگي اداره حجم انبوه اطلاعات و استفاده موثر از آنها در بهبود تصميم گيري ، از موضوعات بحث برانگيز در عصرحاضر است. يکي از مسائل مهم تحقيقاتي در زمينه علوم کامپيوتر، پياده سازي مدلي شبيه به سيستم داخلي مغز انسان براي تجزيه و تحليل سيستم هاي مختلف بر اساس تجربه است .در اين راستا شبکه هاي عصبي يکي از پوياترين حوزه‌هاي تحقيق در دوران معاصر هستند که افراد متعددي از رشته هاي گوناگون علمي را به خود جلب کرده است .استفاده از شبکه‌هاي عصبي و الگوريتم هاي ژنتيک در حل مسائل پيچيده کاربردي اين روزها بيش از بيش رواج يافته است . در اين مقاله پس از معرفي اجمالي شبکه هاي عصبي و الگوريتم هاي ژنتيک، ارتباط وسهم آن ها در تصميم گيري در حوزه تجارت وکسب وکار مورد بررسي قرارگرفته است .
مقدمه
توجه به کاربرد تکنيک هاي هوش مصنوعي و ابزارهاي مدل سازي در حوزه کسب و کار به طور فزاينده اي در حال افزايش است. در اين راستا سيستم هاي خبره جايگاه ويژه اي يافته اند. در چند دهه گذشته دو عنوان شبکه هاي عصبي و الگوريتم هاي ژنتيک از موضوعاتي بوده اند که توجه بسياري از دانشگاهيان را به خود جلب کرده اند . اين دو به عنوان ابزاري نيرومند در حل مسائلي که ديگر توسط متدلوژي ها و روش هاي سنتي گذشته قابل حل نبودند، شناخته شده و مورد استفاده قرارگرفته اند. اين روزها استفاده از آنها به زندگي اجتماعي ما نيز تسري يافته تا جايي که کاربرد آنها در تصميم گيري ها نقش حياتي يافته است . اين مقاله شواهدي را مبتني برامکان استفاده اخلاقي از شبکه هاي عصبي و الگوريتم ها ي ژنتيک که به منجر به تصميم گيريهاي موفقيت آميز در ارتباط با مسائل مرتبط با کسب و کار مي شود ارائه مي کند . براي اين منظور لازم است که بررسي تطبيقي اي در رابطه با تلاشهاي ديگر محققان در قالب ادبيات موضوع صورت گيرد . به همين دليل ، در تحقيق ما بر نقش محققان عملياتي در حوزه کاربرد شبکه هاي عصبي و الگوريتم هاي ژنتيک تأکيد شده است . همچنين در کنار ايجاد چنين پايگاهي براي محققان ، به سوالات اساسي زير نيز پاسخ داده شده است :
-1 آيا کاربردهاي سيستم هاي مبتني بر هوش مصنوعي مي تواند از فرايندهاي تصميم گيري شرکت شما پشتيباني کند ؟
-2 آيا اسناد ودلايل و مدارک معتبري براي اثبات اين ادعا وجود دارد ؟
-3 آيا اينها تنها يک تئوري و ايده دانشگاهي است يا داراي قابليت کاربرد و تعميم نيز هست؟
به عبارت ديگر ، با درنظر گرفتن مطالعات مشابه در رابطه با استفاده از سيستم هاي خبره در کسب و کار، نويسندگان و محققان در آرزوي دستيابي به فرصتي جهت بحث مقايسه اي در باره اين سه متدلوژي هوشمند هستند (متاکسيوس و پساراس 2003 ) . يکي از مهم ترين و بحث‌برانگيزترين تحقيقات ، بررسي صورت گرفته توسط لايبوتز (2001) است که نتيجه آن تحت عنوان «سيستمهاي خبره و کاربرد آنها» مطرح شد.
ساختار اين مقاله به صورت زير است: در ابتدا مروري بر پايه و اساس شبکه هاي عصبي و الگوريتم هاي ژنتيک خواهيم داشت و سپس به بازنگري جامعي بر کاربرد شبکه هاي عصبي و الگوريتم هاي ژنتيک در حوزه کسب و کار خواهيم پرداخت و نهايتا آن را با نتايج و پيشنهاداتي براي تحقيقات کاربردي آينده به پايان خواهيم رساند .
فناوري شبکه عصبي
شبکه هاي عصبي يک تکنيک پردازش اطلاعات مبتني بر روش سيستم هاي عصبي بيولوژيکي مانند مغز و پردازش اطلاعات است. مفهوم بنيادي شبکه هاي عصبي ، ساختار سيستم پردازش اطلاعات است که از تعداد زيادي واحدهاي پردازشي (نورون) مرتبط با شبکه ها تشکيل شده اند. سلول عصبي بيولوژيکي يا نورون، واحد سازنده سيستم عصبي در انسان است. يک نورون ازبخشهاي اصلي زير تشکيل شده است :
1) بدنه سلولي که هسته در آن است و ساير قسمتهاي سلولي از آن منشأ گرفته است.
2) هسته
3) آکسون که وظيفه آن انتقال اطلاعات از سلول عصبي است.
4) دندريت که وظيفه آن انتقال اطلاعات از سلول هاي ديگر به سلول عصبي است
يک سيستم شبکه عصبي از تکنيکهاي مورد استفاده انسان در يادگيري از طريق استناد به مثالهايي از حل مسائل استفاده مي‌کند (هايکين ،1994 ) . هر نورون وروديهاي متعددي را پذيراست که با يکديگر به طريقي جمع مي شوند . اگر در يک لحظه تعداد ورودي هاي فعال نرون به حد کفايت برسد نرون نيز فعال شده و آتش مي کند . در غير اين‌صورت نورون به صورت غير فعال و آرام باقي مي ماند .فعاليت هر نورون از مجموعه اي از يک يا چند ورودي ، عمليات و وظيفه خروجي براي محاسبه خروجيهايش تشکيل شده است . عملکرد اساسي اين مدل مبتني بر جمع کردن وروديها و به دنبال آن به وجود آمدن يک خروجي است . وروديهاي نورون از طريق دندريت ها که به خروجي نورون هاي ديگر از طريق سيناپس متصل شده اند وارد مي شوند . بدنه سلولي کليه اين وروديها را دريافت مي کند و چنانچه جمع اين مقاديراز مقداري که به آن آستانه گفته مي شود بيشتر شود در اصطلاح بر انگيخته شده يا آتش مي کند و درغير اين صورت خروجي نورون روشن يا خاموش خواهد شد. مدل پايه اي نورون به صورت شکل 1 تعريف مي گردد .
امروزه شبکه هاي عصبي در کاربردهاي مختلفي از قبيل طبقه بندي داده ها و تشخيص الگو از طريق فرايند يادگيري که خود شامل مسائلي مانند تشخيص خط و شناسايي گفتار وپردازش تصوير است به کار مي روند .به مثابه سيستم هاي بيولوژيکي ، آموزش شامل تنظيم پيوندهاي بين سيناپس‌ها که درهر نورون وجود دارند است. به عبارت ديگر، اطلاعات آموخته شده به شکل ارزشهاي عددي به‌نام «وزن» که به هر واحد پردازش شبکه اختصاص داده مي‌شود ، ذخيره مي شوند .به طور کلي ، شبکه هاي عصبي مي توانند بين :
روشهاي اتصال نورون ها، انواع روشهاي ويژه محاسبه عمليات نورون ها، روش انتقال الگوي عمليات از خلال شبکه و روشهاي يادگيري آنها که شامل نرخ يادگيري است، تمايز قائل شوند . با در نظر گرفتن ارتباطات بين نورون ها ، مي توان بين شبکه هاي لايه دار و بدون لايه تمايز قايل شد . شبکه هاي لايه دار گروهي ازنورون ها هستند که در لايه هايي مجتمع گرديده اند که بين لايه ورودي و خروجي - که تنها پيوند خارجي دارند - يک يا چند لايه پنهان وجود دارد . داده هاي ورودي از لايه ورودي به وسيله لايه هاي پنهان (لايه مياني ) به لايه خروجي منتقل مي‌شوند . سيگنالها ي جاري در شبکه هاي لايه دار به سمت جلو حرکت مي کنند که در اصطلاح فني به آنها پيش خور گفته مي شود در حالي که شبکه هاي بدون لايه داراي گره هاي اضافي بازخور هستند که از تقسيمات درست لايه ها جلوگيري مي کنند .
ساختار پيوندها و تماسها و تعداد لايه‌ها و نورون ها تعيين کننده معماري شبکه است که بايستي قبل از استفاده از شبکه‌هاي عصبي تنظيم شود . همان طور که در شکل 2 نمايش داده شده است ، اگرچه در موارد مشخصي مي توان با موفقيت از شبکه هاي عصبي تک لايه استفاده کرد اما رسم بر اين است که شبکه هاي عصبي حداقل داراي 3 لايه باشند ( لايه ورودي ،لايه پنهان يا لايه مياني و لايه خروجي ) .
قبل از آنکه شبکه آموزش داده شود، اوزان اختصاصي کوچک و به صورت تصادفي ارزش گذاري مي شوند . در خلال روند آموزش ، اوزان شبکه به شکل تدريجي تعديل مي شود تا جايي که محرز شود که کاملاً روابط فرا گرفته شده است . اين شکل از يادگيري ، يادگيري با سرپرست ناميده مي شود . وقتي يک الگو در لايه ورودي به‌کار گرفته مي شود تا آن جا جلو مي رود که ستانده نهايي در لايه خروجي محاسبه شود . ستانده شبکه با نتايج مطلوب مورد انتظار مدل مقايسه و خطاهاي موجود محاسبه مي‌شود .اين خطاها مجدداً به عنوان بازخورد به شبکه بازمي گردد تا تغييرات لازم در اوزان پيوندها براي کاهش خطا صورت گيرد .مجموعه اي از مثالهاي آموزشي داده _ ستانده مکرراً ارائه مي شود. تا جايي که مجموع امتيازات خطا به سطح قابل قبولي کاهش يابد . در اين جايگاه م توان آن شبکه را به عنوان شبکه اي آموزش ديده در نظر گرفت . اما در روش ديگري که يادگيري بدون سرپرست ناميده مي شود، شبکه عصبي بايد بدون کمک گرفتن از جهان ، بتوانند کار آموزش را انجام دهد . واقعيت آن است که در عمل ازروش يادگيري باسرپرست و يا حداکثر از روشهاي ترکيبي استفاده مي شود و فرايند آموزش بدون سرپرست به شکل خالص تنها وعده‌اي است که شايد بتواند در آينده تحقق يابد . در حال حاضر و در کاربردهاي پيشرفته ، از روش آموزش بدون سرپرست براي ايجاد تنظيمات اوليه برروي سيگنال هاي ورودي شبکه هاي عصبي استفاده مي شود و باقي مراحل آموزش به روش با سرپرست ادامه مي يابد .
حوزه هاي کاربردي شبکه هاي عصبي در موضوعات زير است:
_ همبستگي ناشناخته بين ويژگيهاي مطلوب و ارزش متغيرهاي مسائل تصميم گيري (جايي که راه حل مسائل ناشناخته است )
_ مسائلي که داراي راه حل الگوريتم نيستند
_ جايي که داده هاي ناقص وجود دارد
مزيت اصلي شبکه هاي عصبي ، قابليت فوق العاده آنها در يادگيري و نيز پايداري شان در مقابل اغتشاشات ناچيز ورودي است ( فاوست ، 1994) .به عنوان مثال اگر از روشهاي عادي براي تشخيص دستخط يک انسان استفاده کنيم ممکن است در اثر کمي لرزش دست ، اين روشها به تشخيص غلطي برسند در حالي که يک شبکه عصبي که به صورت مناسب آموزش داده شده است حتي در صورت چنين اغتشاشي نيز به پاسخ درست خواهد رسيد .
درنتيجه ، تاکيد ما بر اين حقيقت است که انتخاب شبکه درست با محاسبات صحيح، عامل اصلي در تضمين موفقيت عملکرد است .
فناوري الگوريتم ژنتيک
الگوريتم هاي ژنتيک روش قدرتمندي را براي توسعه اکتشافي مسائل بهينه سازي ترکيبي مقياس بزرگ فراهم آورده است . انگيزه اصلي مطرح کردن الگوريتم ژنتيک مي تواند اين گونه عنوان شودکه «تکامل تدريجي» به شکل قابل ملاحظه اي در توسعه انواع وگونه هاي پيچيده از طريق مکانيزم هاي نسبتاً ساده تکميلي نمود يافته است . حال سوال اساسي اين است : پذيرش کدام ايده از تئوري تکامل تدريجي مي تواند به ما در حل مسائل اين قلمرو کمک کند ؟ اين سوال با توجه به غناي پديده تکامل تدريجي جوابهاي متفاوتي دارد. هالند و دي جانگ (1975) از نخستين کساني هستندکه با معرفي مفهوم الگوريتم ژنتيک به عنوان يک تکنيک جستجوي عمومي - که از تکامل تدريجي بيولوژيک در قالب بقاي افراد اصلح و مبادله ساختارمند و تصادفي اطلاعات الگوبرداري مي کند- درصدد پاسخگويي به اين سوال برآمدند .
يک الگوريتم ژنتيک مسئله را به صورت مجموعه اي از رشته ها که شامل ذرات ريزهستند کد گذاري مي کند ، سپس براي تحريک فرايند تکامل تدريجي ،تغييراتي را بر روي رشته ها ا عمال مي‌دارد. در مقايسه با الگوريتم هاي جستجوي محلي ، در جستجوي عمومي که تنها يک راه حل قابل قبول وجود دارد ، الگوريتم هاي ژنتيک جامعه اي از افراد را در نظر مي‌گيرند . کـــار با مجموعه اي از افراد، امکان مطالعه ساختارها و ويژگيهاي اصلي افراد متفاوت را که منجر به شناسايي و کشف راه حلهاي کارآمد تر مي شود، فراهم مي‌سازد . در طي مطالعه ، الگوريتم ژنتيک رشته هاي متناسب با ارزش را برمي گزيند و آن دسته از رشته‌هايي را که تنــاسب کمتري با جمعيت مورد بررسي دارند حذف مي‌کنند .
مروري بر کاربردهاي تجاري
بعد از مروري بر پيشينه شبکه هاي عصبي و الگوريتم هاي ژنتيک و پيشرفتهاي آنها ، مي توان حوزه هاي کاربردي آنها را در کسب و کار شناسايي کرد. بنابر اين در اين قسمت به بررسي انواع مسائل تجاري که به شکلي مناسب به‌وسيله شبکه هاي عصبي و الگوريتم هاي ژنتيک قابل حل خواهند بود ، مي پردازيم . اما قبل از آن توضيحي مختصر در ارتباط با موضوعات مرتبط با اين حوزه خواهيم داد .
بازاريابي
«انجمن بازاريابي آمريکا» از ديدگاه مديريتي، بازاريابي را بدين گونه تعريف مي کند : بازاريابي يک فرايند اجتماعي و مديريتي است که به‌وسيله آن، افراد و گروهها ، نيازها و خواسته ها ي خود را از طريق توليد ، عرضه و مبادله کالاهاي مفيد و با ارزش با ديگران ، تأمين مي کنند . به طور کلي ، بازاريابي دانشي ناشناخته است که با ويژگيهايي از قبيل عدم اطمينان بالا ، ساختار گمشده علّـي ودانشي ناکامل و گسترده قابل شناسايي است .بسياري از وظايف تصميم گيري و حل مسـئله به صورت بدون ساختار يا نيمه ساختار يافته انجام مي شود . به همين دلايل توسعه کاربرد شبکه هاي عصبي و الگوريتم هاي ژنتيک در بازاريابي نسبت به ساير حوزه هاي علم دشوارتر است .
در سال 1991 ، کاري و ماتين هو به بحث در رابطه با نقش هوش مصنوعي در بازاريابي پرداختند و جايگاه يابي رقابتي را به‌وسيله متدلوژي هدف گرا مورد تجزيه و تحليل قرار دادند . اليس و همکارانش در سال 1991 گزارشي از پيشرفتهاي کاربرد مدل هاي شبکه عصبي در مواجهه با استراتژي قيمت گذاري کششي ارائه کردند در حالي‌که پراکتر در سال 1992 چگونگي کاربرد تکنولوژي شبکه هاي عصبي در يادگيري مدل هاي داده بازاريابي و نقش آنها را در ساختن سيستم هاي پشتيباني از تصميمات بازاريابي به نمايش گذاشت . در سال 1993 کاري و ماتين هو از تکنولوژي شبکه هاي عصبي در مدل سازي واکنش مصرف کننده به محرک تبليغات استفاده کردند . راي و همکارانش در سال 1994 شبکه هاي عصبي را در کمّي سازي فاکتورهاي موثر در کيفيت روابط خريدارو فروشنده مورد استفاده قرار دادند . براي اين منظور شبکه اي با دو عنصر خروجي کيفيت روابط (رضايت از روابط و اعتماد ) و پنج ورودي ( گرايش فروش فروشنده ، مشتري گرايي ، تخصص، اخلاقيات ، و دوام روابط ) شکل گرفت . در مقايسه با رگرسيون هاي چند متغيره، تکنيک شبکه هاي عصبي به نتايج آماري قابل قبول تري دست يافت .
از سوي ديگر ، هارلي و همکاران (1994) استفاده از الگوريتم هاي ژنتيک را در حل مسائل بهينه سازي بازاريابي مورد آزمايش قرار دادند . بر اساس مطالعه آنها ، کاربردهاي بالقوه الگوريتم هاي ژنتيک در بازاريابي مي تواند شامل موارد زير باشد :
1) رفتار مصرف کننده
_ يادگيري مدل هاي انتخاب مصرف کننده
_ پردازش اطلاعات مصرف کننده
_ تاثير گروههاي مرجع
2) بخش بندي،انتخاب بازار هدف، جايگاه يابي
_ بهينه سازي ساختارهاي محصول – بازار
_ تجزيه و تحليل فاکتورهاي کليدي خريد
_ جايگاه يابي محصول
3) مديريت عناصر آميخته بازاريابي
_ بهينه سازي چرخه حيات محصول
_ طراحي محصول
_ استراتژي تبليغات و برنامه ريزي رسانه‌اي
_ مديريت فروش
گرين و اسميت (1987) يک سيستم ژنتيک را براي يادگيري مدل هاي انتخاب مصرف کننده مطرح ساختند و تنگ و هولاک (1992 ) چارچوبي مفهومي را در پيوند مفاهيم بازاريابي با مکانيزم تکامل تدريجي داروين ارائه کردند . در سال 1992 بالاک ريشمن و جاکوب يک الگوريتم ژنتيک مبتني بر سيستم پشتيباني از تصميم گيري براي طراحي محصول ارائه کردند . از سوي ديگرو در حرکتي نوين وناگوپال و بيتز (1994) ازاشتراک شبکه هاي عصبي و تکنيکهاي آماري در تحقيقات بازاريابي استفاده کردند. درنهايت ، مي توان گزارشي از پيشرفتهاي موجود در اين زمينه رابه شکل زير ارائه کرد :
_ STRATEX _ يک سيستم دانشي با هدف پشتيباني از انتخاب بخشهاي بازار (بورچ و هارتويگسن ، 1991)
_ ADDUCE _ سيستمي در توجيه واکنش مصرف کننده به تبليغات (بارک ، 1991)
_ COMSTRAT _ سيستمي براي تصميمات استراتژيک بازاريابي با تاکيد ويژه بر جايگـاه يابي رقابتي ( ماتين هو و همکاران 1993)
_ MARSTRA _ سيستم هوش شبکه اي براي توسعه استراتژي هاي بازاريابي و ارزيابي فاکتورهاي بازاريابي استراتژيک (لي، 2000)
_ GLOSTRA _ سيستم هوش شبکه اي براي توسعه و بهبود استراتژي هاي بازاريابي جهاني و بازاريابي اينترنتي ( لي و ديويس، 2001 )
بانکداري و حوزه هاي مالي
از کاربردهاي مهم و مطرح شبکه هاي عصبي و الگوريتم هاي ژنتيک در بانکداري و حوزه مسائل مالي مي توان به اين موارد اشاره کرد : کاربردهاي اعتباري ، تجزيه و تحليل هاي مالي ، سرمايه گذاري مالي ، و تجزيه و تحليل بازار مبادله سهام . محققان بسياري به بررسي کاربردهاي شبکه هاي عصبي و الگوريتم هاي ژنتيک در بانکداري و مالي پرداخته اند . ازآن جمله ، در سال 1993 ، تفتي و نيکبخت به بحث در ارتباط با استفاده از شبکه هاي عصبي توسط سازمانها وشرکتهاي مالي در جهت اهداف متفاوت امتيازبندي اعتباري پرداختند .تان و دي هاردجو (2001) از طريق افزايش زمان و دوره پيش بيني مدل به توسعه يک تحقيق ابتدايي در استفاده از شبکه هاي عصبي براي پيش بيني استرس هاي مالي در اتحاديه هاي اعتباري استراليا پرداختند . دستاورد حاصل شده در مقايسه با نتايج به دست آمده از متوسط انحراف از ميانگين، نتايج قابل قبولي بود . همچنين ديويس و همکاران نيز در 1996 به بررسي نگرشهاي سيستمهاي خودپرداز براساس تجزيه و تحليل شبکه‌هاي عصبي پرداختند .
ازسوي ديگر، شناسايي کاربردهاي متنوع الگوريتم هاي ژنتيک از سوي افراد مختلف به صورت زير ارائه شده است : انتخاب استراتژي هاي بازار انحصاري چند جانبه ( مارکز ، 1989 ) ، توسعه استراتژي‌هاي سرمايه گذاري مالي (باور، 1994 ) ،جستجو براي يافتن قوانين تکنيکي براي اعمال آنها در بازارسرمايه ( کارجالايننن، 1994 ) ، تجزيه و تحليل ريسک در بانکداري ( وارتو ،1998 ) . علاوه بر اين، در سال 1999 کارجالايننن و آلن از الگوريتم‌هاي ژنتيک در پيدا کردن قوانين تکنيکي تجاري استفاده کردند. در همين زمان نيز آندرا و همکارانش (1999) از الگوريتم هاي ژنتيک در تجــزيه و تحليل فني در بازار سهام مادريد استفاده کردند .
از ديگر سيستمهاي مالي مبتني بر شبکه‌هاي عصبي و الگوريتم هاي ژنتيک مي توان به موارد زير اشاره کرد :
_ KABAL _ سيستم دانشي براي تجزيه و تحليل مالي در بانکداري (هارت ويگسن ، 1990 )
_ CREDEX _ سيستمي براي ارزيابي اعتبارات ( پينسون ، 1990 )
_ FINEVA _ سيستم دانشي چند معياري پشتيباني از تصميم گيري براي ارزيابي عملکرد و قابليت حيات شرکت ( زوپوني ديس ، 1996 )
پيش بيني
پيش بيني يکي از قديمي ترين فعاليتها و وظايف مديريت وتجارت بوده است . درروزگاران قديم نمونه هايي از پيشگوييها و پيش بيني ها وجود دارد . به طور کلي ، مديري را مي توان موفق دانست که از قوه تجسم بالايي در تصميم گيري و قضاوت برخوردار باشد . تجربه ، به انسان در پيش بيني آينده وانتخاب تصميم درست و دادن رأي صحيح کمک مي کند. روش هاي هوش مصنوعي توانايي بالايي را درپيش بيني و ارائه عملکرد بهتر در مواجهه بامسائل غيرخطي و ساير مشکلات مدل سازي سري هاي زماني نشان داده اند .رحمان و بهتنگار (1998 ) يک سيستم خبره را براي پيش بيني کوتاه مدت طراحي کردند، اين درحالي است که چيو (1997) يک شبکه عصبي را در ترکيب با سيستم خبره قانونمند براي همين منظور در تايوان مورد استفاده قرار داد . همچنين تحقيقات کانلن و جيمز (1998) نشان دادکه مي توان بين خصيصه هاي داراييهاي اقتصادي و ارزش داراييهاي تجاري در يک بازار خاص پيوند برقرار کرد و به مدل ارزش گذاري اي رسيد که به پيش بيني کوتاه مدت نوسانات ارزش گذاري دراستفاده از شبکه‌هاي عصبي مي‌پردازد. درنهايت بررسيهاي انجام شده نشان مي‌دهد که در اين حوزه بيشتر بر کاربرد شبکه هاي عصبي کار شده است تا الگوريتم هاي ژنتيک.
ساير حوزه هاي تجاري
تا اينجا درباره کاربردهاي مختلف شبکه هاي عصبي و الگوريتم هاي ژنتيک در بخشهاي کليدي تجارت صحبت کرديم : بازاريابي ، بانکداري و مالي ، پيش بيني . قطعاً حوزه هاي ديگري از تجارت و کسب و کارنيز وجود دارد که در اندازه هاي متفاوت مي توانند از مزاياي استفاده از شبکه هاي عصبي و الگوريتم هاي ژنتيک منتفع شوند . به عنوان مثال مي توان به کاربرد شبکه هاي عصبي در صنعت هتلداري ( لاو ، 1998) ، ارزيابي داراييها (لنک و همکاران 1997 ) و پيش بيني تورم (آيکن ، 1999) اشاره کرد. علاوه بر اين ، کاملاً مشهود است که بخشهايي ( مانند توليد ، صنايع سنگين ، انرژي ، ساخت و ساز ) وجود دارند که از نظر ما دور مانده اند .
مزاياي استفاده از اين فناوريهاي هوش مصنوعي
با بررسي اجماعي نظريات و تحقيقات موجود مي توان مزاياي استفاده از فناوريهاي هوش مصنوعي و الگوريتم هاي ژنتيک را در قالب گزاره هاي زير خلاصه کرد :
_ ارائه خدمات بهتر به مشتري
_ تقليل زمان انجام وتکميل وظايف
_ افزايش توليد
_ استفاده اثربخش تر از منابع
_ سازگاري و ثبات بيشتر در تصميم گيري
نتايج
در اين مقاله سعي کرديم با معرفي کاربردهاي شبکه هاي عصبي و الگوريتم هاي ژنتيک در حوزه تجارت و بازرگاني به‌ويژه در محدودة بازاريابي، مالي و بانکداري و پيش بيني ، بعدي جديد از حوزه تجارت وکسب و کار را نمايان کنيم. نتيجه نهايي اين مباحث به تنوع حوزه هاي کاربردي که بر مزايا و منافع شبکه هاي عصبي و الگوريتم هاي ژنتيک اشاره دارد منتهي مي شود . اين دو تکنولوژي امروزه بيش از بيش به عنوان ابزار تصميم گيري سازمانها مورد استفاده قرار مي گيرند که البته نتايج حاصل از کاربرد آنها ( همچون تصميمات صحيح ، صرفه جوييهاي زماني ، انعطاف پذيري ، کيفيت بهبود يافته ، آموزش موثر) بر محبوبيت آنها افزوده است . اعتقاد ما بر اين است که در صورت ادغام مناسب اين دو فناوري با ساير فناوريهاي هوشمند (مانند سيستم هاي خبره ، عوامل هوشمند ، منطق فازي) و تکنيکهاي تحقيق درعمليات به‌ويژه شبيه سازي مي توان روز به روز بر موارد استفاده آنها در حوزه هاي مختلف افزود و از مزاياي آنها بهره مند شد. بر اساس تحقيق کتابخانه اي انجام شده موارد زير براي تحقيقات آينده پيشنهاد مي شود:
_ بررسي مزاياي استفاده از الگوريتم هاي ژنتيک در بهينه سازي مسائل بازاريابي
_ مقايسه کاربرد شبکه هاي عصبي و الگوريتم هاي ژنتيک و سيستم هاي خبره براي شناسايي مزايا و ضررهاي هر کدام از اين فناوريها.
منابع
-1 جکسون . تي و بيل . آر . آشنايي با شبکه‌هاي عصبي ، ترجمه دکتر محمود البرزي – تهران : موسسة انتشارات علمي دانشگاه صنعتي شريف ، چاپ دوم ، 1383
-2 کاتلر ، فيليپ . مديريت بازاريابي ، ترجمه بهمن فروزنده – تهران : آتروپات ،1382
-3 قمي ، عليرضا " شبکه هاي عصبي مصنوعي "، نشريه دنياي کامپيوتر و ارتباطات – شماره 12 ، صفحات 66 تا 69
-4 سعيدي ، مسعود " شبکه هاي عصبي (2) " ، نشريه شبکه _ شماره 52 ، اسفند 1383 ، صفحه 210 تا 211
-5 مماني ، حامد ، نرگس پور اصغري حقي و ساعد علي ضمير ، " شبکه هاي عصبي و کاربرد آن در بهينه سازي " ، نشريه صنايع _ شماره 30
-6 نورزاد ، غلامرضا " بيولوژي سلولي مولکولي " ،انتشارات نوردانش ، تهران ، 1376 ، چاپ اول
7- Metaxiotis , Kostas & John Psarras (2004) "The Contribution of Neural networks and genetic algoritms to business decision support "Management decision , vol 42 ,no .2, Emerald group publishing limited , pp. 229.242
8- Curry , B & L. Moutinho (1993) "Neural Network in marketing : Modelling consumer Responses to Advertising Stimuli "European Journal of marketing , vol 27 , no . 7 , MCB university press , pp 5. 20
9- Wray , B , A. palmer & D. Bejou (1994) " Using Neural Network Analysis to evaluate Buyer – Seller Relationships " European Journal of Marketing , vol 28 , no. 10 , MCB university press , pp 32.48
10- Venugopal .V & W. Beats ( 1994 ) " Neural networks and Statistical Techniques in marketing research " Marketing intelligence & planning , vol 12 , no. 7 , MCB university press , pp 30 . 38
11- Davies , F , L . Moutinho & B . Curry (1996 ) " ATM user attitudes : a neural network analysis " , marketing intelligence & planning , vol 14 , no . 2 , MCB university press , pp 26 . 32
ماخذ :
كد - لینک:
پايگاه علمي مقالات مديريت (http://www.SYSTEM.parsiblog.com)
:104:
گردآونده:طه-Borna66