عنوان پایان‌نامه
ارایه چارچوبی برای افزایش اعتبار نتایج در سیستمهای استنتاج مورد پایه
- رشته تحصیلی
- مهندسی صنایع
- مقطع تحصیلی
- کارشناسی ارشد
- محل دفاع
- کتابخانه مرکزی پردیس 2 فنی شماره ثبت: 2363;کتابخانه مرکزی -تالار اطلاع رسانی شماره ثبت: 58408
- تاریخ دفاع
- ۱۲ تیر ۱۳۹۲
- دانشجو
- حامد گنجی
- استاد راهنما
- محسن صادق عمل نیک
- چکیده
- موضوع برآورد، موضوعی است که در بسیاری از حوزه ها قابل کاربرد است که برای مثال می توان به برآورد هزینه در سازمانهای پروژه محور و پیش بینی میزان وفاداری مشتریان در سازمانهای مشتری محور اشاره نمود. در این سازمان ها برآورد و پیش بینی یک فعالیت مستمر و تکراری می باشد و مدیران پروژه و مدیران ارشد سازمان به طور طبیعی از تجربه موارد قبلی در برآورد هزینه موارد مشابه و میزان وفاداری مشتریان جدید استفاده می کنند. لذا ارائه یک روش پیش بینی مناسب می تواند ریسکهای موجود در حین عملیات را کاهش دهد. اغلب روشهای بکار رفته برای برآورد یا پیش بینی حالت استاتیک دارند، یعنی باید برای هر مساله خاص اطلاعات مربوط به آن را در اختیار داشت و نمیتوانیم برنامه ریزی مربوط به یک دوره را در دوره های دیگر بکار ببریم، اما روش CBR یک روش یادگیرنده هوشمند است و حالت پویایی دارد که از اطلاعات مساله های قبلی در مساله جدید استفاده، و بطور هوشمند برنامه ریزی می کند. یکی از دلایل اتخاذ این روش سادگی تکنیکهای آن در عین دقت بالای آن می باشد. تقریبا همه روش های بکار رفته برای برآورد یا پیش بینی، از داده هایی با ویژگی های کاملا مشابه case های قبلی برای برآورد یا پیش بینی case جدید استفاده می کنند. اما در روش CBR نیاز به تعریف ویژگی های کاملا مشابه نداریم. همچنین در سازمانهای مشتری محور، این سازمان ها برای حرکت بر روی نوار سودآوری و موفقیت در بازار، نیاز به حفظ مشتریان خود دارند. مشتریان دارایی های ارزشمندی هستند که ادراک رفتار ایشان و اتخاذ رویکرد مناسب در قبال آنها مانند سایر دارایی های سازمان نبوده و نیازمند لحاظ کردن ظرافت ها و استفاده از تکنیک های پیچیده تری است. به همین دلیل پایش رفتار مشتریان و ارزیابی رفتار ایشان که نمایانگر تغییرات احتمالی در رفتارهای آتی آنهاست امری ضروری است که از سیستم ارتباط با مشتریان سازمان، توقع برآورده شدن آن می رود. سازمان ها با پایش و تحلیل این رفتارها، مشتریان را در مراحل مختلف چرخه حیات خود ارزیابی کرده و متناسب با وضعیت هریک و میزان اهمیت آن، نسبت به اتخاذ استراتژی مناسب برای حفظ مشتری یا موارد دیگر (که به آنها پرداخته خواهد شد) اقدام خواهد کرد. پیش نیاز تدوین چنین استراتژی هایی داشتن اطلاعات کافی از میزان بقاءی مشتریان برای سازمان و همچنین شناسایی مشتریانی است که خروجشان از سازمان از احتمال بالاتری برخوردار است. هدف کلی این تحقیق ارائه روشی جدید در CBRبود تا میزان انطباق و اعتبارسنجی case جدید از نظر برآورد یا پیش بینی افزایش یابد و این بدین معنی است که درصد خطای برآورد یا پیش بینی تا حد امکان کاهش یابد. که برای این منظور با شبیه سازی از روی داده های 12 چاه نفت و دسته بندی داده های شبیه سازی شده در سه بخش مسائل کوچک، مسائل متوسط و مسائل بزرگ و همچنین اجرای مدل پیشنهادی در سه بخش فوق، و مقایسه بین درصد خطای روش پیشنهادی با روشهای CBRپایه ای و روش ترکیبی رگرسیون و PCA نشان دادیم که مدل ارائه شده از نظر عملکرد بهتر بوده و نیز کاهش میزان خطای آن در حد بسیار خوبی می باشد. پس از نشان دادن عملکرد مطلوب¬تر مدل پیشنهادی، این مدل را در صنعت مخابرات برای پیش بینی وفاداری مشتریان یکی از اپراتورهای همراه ایران اجرا نمودیم که این مدل دوباره توانایی بالای خود را از نظر میزان دقت نشان داد.
- Abstract
- Estimation is a practical issue in many fields. Cost estimation in project-based organizations and prediction of customer loyalty rate in costumer-based organization can be noted as an estimation examples. Estimation and prediction are Continuous and repetitive activities in such an organization. Senior and project managers use previous experiences to estimate cost and loyalty rates among new costumers therefore provide an appropriate forecasting method can reduce risks during the operation. Most methods which are used to estimate or predict the have the static mode. It means that relevant and specific data are needed for each issue and planning of specific period cannot apply for other periods but CBR method is a smart method which has dynamic mode. This method uses from previous data to new issues for smart planning. One of the reasons to select this method is its simplicity with high accuracy. Almost all methods for estimation and prediction use data which are quite similar to the previous cases to estimate or predict the new case. But the CBR method does not require identical data. Moreover, costumer-based organizations need to maintain their customers, in order to be able to move towards profitability and success in the market. Customers are valuable properties and comprehending their behavior and adopting a proper approach regarding them are not like the other properties of organization and require more delicacy and applying more complicated techniques. For this reason, it is necessary to monitor and evaluate their behavior, which is indicative of the probable changes in their future behaviors. Realization of this duty is expected from CRM systems. Through monitoring and analyzing these behaviors, organizations will be able to evaluate their costumers in different stages of their life cycles and to adopt appropriate strategies in maintenance costumers or other actions (which will be addressed later) commensurate with the costumers' condition and importance. The pre-requisite of adopting such strategies is to have adequate information about the perpetuity of costumers for the organization and to identify those customers whose exit from the organization is more probable. The main objective of this research is to introduce a new method in CBR to increase adaptability and credibility of the new case in terms of estimation or prediction. This means that the error percentage of estimation or prediction be lowered as possible. To do so, through simulating 12 oil bores, categorizing these data in three sets of small, moderate, and large problems, running the proposed system in above three sets, and comparing the error percentage of the proposed method with basal CBR methods, regression combined method, and PCA, we showed that the proposed method had better performance and its reduction in error extent is very well. After proving the better performance of the proposed method, we run this model in the telecommunication industry to predict customer loyalty in one of Iran's mobile operators, and once again, this model proved its high ability in terms of.
