عنوان پایان‌نامه
قیمت گذاری نسبی محصولات جایگزین با استفاده از شبکه عصبی
- رشته تحصیلی
- مدیریتMBA
- مقطع تحصیلی
- کارشناسی ارشد
- محل دفاع
- کتابخانه مرکزی -تالار اطلاع رسانی شماره ثبت: 71473
- تاریخ دفاع
- ۳۰ مهر ۱۳۹۳
- دانشجو
- مسعود شیری
- استاد راهنما
- نسترن حاجی حیدری
- چکیده
- همواره یکی از مسائل اساسی در حوزه بازاریابی، قیمت‌گذاری کالاها و خدمات و یا به‌طور کلی مسأله قیمت‌گذاری بوده است که به خصوص در یک عرصه رقابتی اهمیت بسزایی پیدا می‌کند. اگرچه روشهای مختلفی برای قیمت‌گذاری اصولی یک محصول بر مبنای روشهای تحقیق در بازار و نیاز سنجی، روشهای قیمت تمام شده، روشهای ارزش اکتسابی توسط مشتری و امثال آنها وجود دارد، اما یکی از روشهای مرسوم نیز قیمت‌گذاری نسبی بر مبنای قیمت رقبا برای محصولی مشابه است. در این تحقیق، قیمت‌گذاری (در واقع ارزش‌گذاری) محصولی جدید از شرکت بر مبنای مجموعه‌ای از قیمتهای گذشته محصولات شرکت و محصولات مشابه رقبا با استفاده از روشهای مبتنی بر شبکه عصبی بررسی شده است. هدف اصلی این پژوهش تدوین روشی برای قیمت‌گذاری کالاهای جایگزین با استفاده از الگوریتمهای مبتنی بر شبکه عصبی و تولید نرم‌افزار مربوطه بوده است و در عین حال امکان‌پذیری این موضوع نیز توسط متغیرهای آماری شناخته شده‌ای همچون مجموع مربع خطاها و امثال آن بررسی شده است. داده‌های مورد بررسی در این پژوهش از تارنماهای رسمی متعلق به سازمان بورس و اوراق بهادار تهران در خصوص 3 صنعت خودرو، بانکداری، و ساختمان در یک دوره زمانی حداکثر 5 ساله (از 5 سال قبل تا کنون) استخراج شده‌اند و همچنین برای بررسی بیشتر داده‌های مربوط به ارزش برابری پنج ارز معتبر بین‌المللی (دلار آمریکا، یورو، پوند انگلستان، ین ژاپن، و لیر ترکیه) و چهار فلز گرانبها (طلا، نقره، پلاتین، و پالادیم) در فاصله زمانی سالهای 2004 تا 2014 نیز مورد تحلیل قرار گرفته‌اند. در نمودارهای رگرسیونی که برای هر پنج گروه مذکور بدست می‌آیند، ضریب تعیین یا همان R2 که یک معیار آماری برای نمایش میزان نزدیکی نتایج تخمین زده شده توسط مدل به مقادیر واقعی است (در بهترین حالت 1 و در بدترین حالت صفر است) برای تمامی این نمودارها بیش از 97/0 است. در واقع این مطلب نمایانگر دقت و صحت بسیار زیاد مدلسازی انجام شده توسط شبکه عصبی مورد استفاده (که از نوع NARX چند لایه با جملات بازگشتی است و توسط الگوریتم لونبرگ-مارکوات تعلیم داده شده است) و امکان‌پذیری استفاده از روش مزبور برای مدلسازی قیمت یا ارزش نسبی موارد مورد بررسی می‌باشد. البته معیار مذکور بیانگر دقت متوسط روش به کار رفته می‌باشد و طبیعی است که ممکن است در بعضی موارد خطاهایی بسیار بیش
- Abstract
- By the years, one of the more important problems in the marketing was the pricing of the products or generally the competitive pricing problem. Although there are several methods of fundamentals pricing of a product based on market and demand research, value added pricing, customer value, and so on, but one of the usual methods is the pricing with regard to competitors. In this research, pricing (in fact the value determining) of a new product of a company was studied based on database of old products of a company and similar products of competitors by using neural network methods. The main purpose of this thesis was developing a method for pricing of alternative products by neural network methods and determining the feasibility of this subject by studying statistical indexes such as mean square error, correlation, p-value, and so on. The discussed data in this thesis were gotten from official websites of Tehran stock exchange market and related organizations, in three fields of Automobile Industry, Banking, and Building & Construction; for a five years period (since five years ago to now). Also for a deeper study, the equivalency data of five reliable international currencies (US Dollar, Euro, UK Pound, Japanese Yen, and Turkey Lira) and four precious metals (gold, silver, platinum, and palladium) were considered between the years 2004 to 2014. From regression plots of all five mentioned groups of data, the coefficient of determination (R2) for all of the plots is greater than 0.97 which shows an excellent approximation. In fact this reflects the precision and accuracy of the used neural network (which was a NARX-type Neural Network with recursive terms and Levenberg-Marquardt training); and also the applicability of this method for relative price (or value) modeling. The average error of justification for groups of automobile stocks, building stocks, bank stocks, international currencies, and precious metals are 9.06, 6.48, 5.9, 1, 2.26 percent respectively;
