پژوهش های نوین در تصمیم گیری

چکیده تحولات شتابان فناوری و پیچیدگی روزافزون محیط های کسب‌وکار، مرزهای سنتی دانش در حوزه بازرگانی و بازاریابی را درنوردیده و ضرورت بازتعریف فرآیندهای تصمیم‌گیری را بیش از پیش آشکار ساخته است. در این میان، ظهور فناوری‌های نوین مانند هوش مصنوعی، تحلیل داده‌های حجیم (کلان داده) و بازاریابی دیجیتال، نه تنها ابزارهای جدیدی در اختیار مدیران قرار داده، بلکه ماهیت ریسک، اخلاق و پایداری در تصمیم‌گیری‌های استراتژیک را نیز دستخوش تغییر کرده است. درک این تحولات و واکاوی علمی ابعاد گوناگون آن، رسالت خطیری است که بر دوش جامعه دانشگاهی و پژوهشی کشور سنگینی می‌کند.
مجله علمی‌پژوهشی «پژوهش‌های نوین در تصمیم‌گیری» با درک این نیاز حیاتی، در فراخوانی که پیش از این منتشر شد، تصمیم به گردآوری و انتشار ویژه‌نامه‌ای با محوریت «کاربردهای نوین تصمیم‌گیری در بازرگانی و بازاریابی» گرفت. استقبال ارزشمند پژوهشگران، اساتید و دانشجویان از این فراخوان، گواهی بر اهمیت و پویایی این حوزه در کشور بود. پس از داوری‌های دقیق و بررسی‌های تخصصی، از میان مقالات دریافتی، هفت مقاله برگزیده شد که هر یک به جنبه‌ای بدیع و کاربردی از موضوعات مطروحه در فراخوان پرداخته‌اند.
شماره پیش رو که حاصل این فراخوان است، تلاش دارد تا با ارائه پژوهش‌های اصیل، تصویری روشن از چالش‌ها و فرصت‌های پیش روی تصمیم‌گیران در عرصه بازرگانی و بازاریابی ترسیم کند. امید است این مجموعه بتواند گامی مؤثر در جهت غنای ادبیات علمی کشور و ارائه رهنمودهای کاربردی برای فعالان این عرصه باشد.

چکیده با توجه به رقابت شدید در بازارهای بین‌المللی، شرکت‌های کوچک و متوسط (SMEs) نیاز به استراتژی‌ها و ابزارهایی دارند که بتوانند در بازارهای جهانی رقابت کنند. هوش تجاری به‌عنوان یکی از ابزارهای کلیدی در بهبود عملکرد این شرکت‌ها شناخته می‌شود. هدف این پژوهش بررسی تأثیر هوش تجاری بر عملکرد بین‌المللی‌شدن شرکت‌های کوچک و متوسط و تبیین نقش میانجیگری نوآوری باز، یادگیری سازمانی و مزیت رقابتی است. این تحقیق از نوع کاربردی و با روش توصیفی-تحلیلی انجام شده است. جامعه آماری شامل تمامی شرکت‌های کوچک و متوسط فعال در صنعت شیمیایی استان گیلان است. برای انتخاب نمونه از روش نمونه‌گیری در دسترس استفاده شد که در نهایت 77 شرکت به‌عنوان نمونه انتخاب گردید. داده‌ها با استفاده از پرسشنامه استاندارد پنج گزینه‌ای لیکرت جمع‌آوری شده و در نرم‌افزارهای SPSS و Smart PLS تجزیه‌وتحلیل شدند. نتایج تحقیق نشان داد که تمامی فرضیه‌ها به‌جز نقش میانجیگری مزیت رقابتی در رابطه میان هوش تجاری و عملکرد بین‌المللی‌شدن تأیید شدند. این مطالعه برای اولین بار به بررسی تأثیر هوش تجاری بر عملکرد بین‌المللی‌شدن با نقش میانجی یادگیری سازمانی، نوآوری باز و مزیت رقابتی پرداخته است.

چکیده در فضای رقابتی صنعت بانکداری، شناسایی و طبقه‌بندی دقیق ارزش مشتریان، نقشی کلیدی در طراحی استراتژی‌های بازاریابی هدفمند، تخصیص بهینه منابع و افزایش سودآوری دارند. این پژوهش، یک مدل ترکیبی پیشرفته مبتنی بر یادگیری ماشین را با استفاده از تکنیک رأی‌گیری وزنی طراحی و پیاده‌سازی می کند که هدف آن طبقه‌بندی هوشمند مشتریان بانکی بر‌اساس میزان ارزش آنهاست. شش الگوریتم قدرتمند یادگیری ماشین شامل Random Forest، Gradient Boosting، XGBoost، LightGBM، CatBoost و Extra Trees به‌عنوان مدل‌های پایه انتخاب و با دو روش رأی‌گیری سخت و نرم ترکیب شده اند. وزن مشارکت هر الگوریتم در فرآیند رأی‌گیری به‌صورت بهینه با الگوریتم Optuna تنظیم گردیده تا دقت و تعادل مدل به حداکثر برسد. همچنین، روش ADASYN برای مقابله با مشکل عدم‌توازن کلاس‌ها در داده‌های واقعی بانکی به کار رفته و مهم‌ترین ویژگی‌های مؤثر در پیش‌بینی با بهره‌گیری از الگوریتم Random Forest شناسایی گردیده‌اند. عملکرد مدل پیشنهادی با استفاده از چهار معیار ارزیابی صحت، دقت، بازخوانی و امتیاز F1 و در مقایسه با ۱۶ الگوریتم کلاسیک و مدرن یادگیری ماشین تحلیل شده است. نتایج نشان می دهد که مدل رأی‌گیری سخت با صحت 0.9426، دقت 0.9756 و بازخوانی 0.9112، و مدل رأی‌گیری نرم با دقت 0.9771 و امتیاز F1 معادل 0.9422، عملکردی برتر از سایر الگوریتم‌ها مانند SVM، KNN و Logistic Regression داشته‌ و تعادلی مؤثر میان معیارهای ارزیابی برقرار کرده‌اند. این مدل ترکیبی، با دقت بالا، مقاومت در برابر داده‌های نامتوازن، و انعطاف‌پذیری در انتخاب ویژگی‌ها، الگویی کاربردی و قابل اتکا برای بانک‌ها و مؤسسات مالی جهت تحلیل ارزش مشتریان فراهم می‌آورد.

چکیده با گسترش سریع فناوری‌های دیجیتال، سازمان‌ها با مجموعه‌ای متنوع از استراتژی‌های بازاریابی روبه‌رو هستند که کارایی نسبی آن‌ها کمتر به‌صورت نظام‌مند مقایسه شده است. تصمیم‌گیری درباره انتخاب استراتژی‌های مؤثر در شرایط بازارهای نوظهور، به‌ویژه در ایران، نیازمند رویکردی کمّی برای سنجش عملکرد و تخصیص بهینه منابع است. پژوهش حاضر با هدف ارزیابی کارایی نسبی استراتژی‌های بازاریابی دیجیتال، از رویکرد ترکیبی فرآیند تحلیل سلسله‌مراتبی و تحلیل پوششی داده‌ها بهره می‌گیرد. ابتدا بر اساس مرور نظام‌مند ادبیات و نظرات خبرگان حوزه بازاریابی دیجیتال، پنج شاخص ورودی شامل هزینه، زمان، نیروی انسانی، تعداد کمپین و پیچیدگی فنی، و چهار شاخص خروجی شامل نرخ تبدیل، درآمد، ترافیک وب‌سایت و آگاهی از برند تعیین شدند. داده‌ها برای هشت استراتژی اصلی بازاریابی دیجیتال با بهره‌گیری از شبیه‌سازی مونت‌کارلو و مقایسه با بنچمارک‌های صنعتی تولید و توسط پانل خبرگان اعتبارسنجی شدند. نتایج مدل ورودی‌محور تحلیل پوششی داده‌ها نشان می‌دهد که استراتژی «بازاریابی محتوا» دارای بیشترین کارایی فنی است و رویکرد ترکیبی با حذف وزن‌های غیرمنطقی، رتبه‌بندی واقع‌گرایانه‌تری نسبت به مدل تحلیل پوششی داده‌ها سنتی ارائه می‌دهد. نوآوری پژوهش حاضر در ارزیابی کمّی استراتژی‌های نوظهور دیجیتال (مانند بازاریابی تأثیرگذار، ویدیویی و وابسته) در مقایسه با استراتژی‌های سنتی و ایجاد ابزاری داده‌محور برای تصمیم‌گیری مدیران بازاریابی است. یافته‌ها می‌توانند راهنمایی عملی برای تخصیص بهینه منابع و ارتقای بازدهی تلاش‌های بازاریابی دیجیتال در محیط‌های رقابتی باشند.

چکیده با گسترش فناوری دیجیتال و نفوذ روزافزون رسانه‌های اجتماعی، بازاریابی سنتی جای خود را به روش‌های نوین داده و این بستر به ابزاری محوری برای تعامل برندها با مصرف‌کنندگان تبدیل شده است. این پژوهش با هدف بررسی تأثیر بازاریابی در رسانه‌های اجتماعی بر ارزش ویژه برند و دلبستگی به برند، با تأکید بر نقش میانجی اعتماد به برند و تعهد به برند، در میان مشتریان صنعت بیمه ایران انجام شد. مطالعه حاضر از نوع توصیفی-پیمایشی است و جامعه آماری آن مشتریان بیمه آسیا در شهر تهران را دربرمی‌گیرد. داده‌ها از طریق پرسشنامه استاندارد با ۳۶ گویه جمع‌آوری شد و با روش مدل‌سازی معادلات ساختاری در نرم‌افزار Smart PLS 3 تحلیل گردید. نمونه‌گیری به‌صورت خوشه‌ای چندمرحله‌ای و غیرتصادفی در دسترس انجام شد و ۳۳۰ پرسشنامه تکمیل‌شده مورد ارزیابی قرار گرفت. یافته‌ها نشان داد که بازاریابی در رسانه‌های اجتماعی تأثیر مثبت و معناداری بر ارزش ویژه برند، دلبستگی به برند، اعتماد به برند و تعهد به برند دارد. همچنین، اعتماد و تعهد به برند نقش میانجی معناداری در این روابط ایفا می‌کنند. این پژوهش بر اهمیت استفاده استراتژیک از رسانه‌های اجتماعی تأکید دارد و نوآوری آن در بررسی جامع این متغیرها در صنعت بیمه ایران است که به توسعه دانش نظری و کاربردی کمک می‌کند.

چکیده شناخت دقیق رفتار مشتریان و پیش‌بینی روندهای آتی آن‌ها از اولویت‌های کلیدی در سازمان‌ها و به‌ویژه صنعت بانکداری است؛ زیرا حفظ مشتریان فعلی به‌مراتب کم‌هزینه‌تر از جذب مشتریان جدید است. یکی از مهم‌ترین چالش‌ها در این حوزه، شناسایی به‌موقع علائم رویگردانی مشتریان و پیش‌گیری از آن است، به‌ویژه در مواردی که نارضایتی از خدمات یا تغییرات رفتاری تدریجی منجر به قطع تعامل با سازمان می‌شود. در این پژوهش، با تمرکز بر مدل‌سازی پویای رویگردانی مشتریان، داده‌های مربوط به تراکنش‌ها و مانده‌حساب مشتریان طی یک دوره سه‌ساله از یکی از پنج بانک بزرگ کشور جمع‌آوری و تحلیل شده است. روش پیشنهادی مبتنی بر کاوش الگوهای دنباله‌ای است که به شناسایی توالی‌های رفتاری منجر به رویگردانی کمک می‌کند. الگوهای استخراج‌شده در دو دسته اصلی طبقه‌بندی شده‌اند: الگوهای غالب که وضعیت‌هایی با ریسک بالای رویگردانی یا وفاداری پایدار را نمایش می‌دهند، و الگوهای با اطمینان بالا و پشتیبان کم که ابزار مؤثری برای رصد مشتریان در آستانه رویگردانی فراهم می‌کنند. مزیت اصلی این روش، تولید قواعد تفسیرپذیر به‌صورت اگر-آنگاه است که به‌راحتی در محیط‌های واقعی قابل درک و پیاده‌سازی هستند. این چارچوب تحلیلی می‌تواند نقش مؤثری در طراحی مداخلات هدفمند در مدیریت ارتباط با مشتری ایفا کند.

چکیده با دیجیتالی شدن کسب‌وکارها، کلان‌داده‌ها و تحلیل‌های پیشرفته بیش از پیش اهمیت یافته‌اند. مطالعه حاضر با در نظر گرفتن تعاملات بین پذیرش هوش مصنوعی، قابلیت‌های تجزیه ‌و تحلیل بازاریابی، تصمیم‌گیری بازاریابی کل‌نگر و عدم قطعیت بازار به بررسی تأثیر استفاده از کلان‌داده بر عملکرد بازاریابی رقابتی پرداخته است. این پژوهش دارای پارادایمی اثبات‌گرا، رویکردی قیاسی، هدفی کاربردی و از نوع توصیفی-پیمایشی است. جامعه آماری مدیران بازاریابی شرکت‌ها بودند. حجم نمونه با نرم‌افزارG-power3 263 نفر تعیین شد. داده‌ها با پرسشنامه استاندارد آنلاین به روش نمونه‌گیری غیر احتمالی در دسترس گردآوری و مدل پژوهش از طریق مدل‌سازی معادلات ساختاری و نرم‌افزار SmartPLS3 تحلیل شد. یافته‌ها نشان داد که در شرایط عدم قطعیت بازار، استفاده از کلان‌داده از طریق پذیرش هوش مصنوعی، قابلیت‌های تحلیل، تصمیم‌گیری و عملکرد بازاریابی رقابتی شرکت‌ها را بهبود می‌بخشد. این پژوهش برای اولین بار با طراحی چارچوبی تلفیقی از فناوری هوش مصنوعی، قابلیت‌های تحلیل و تصمیم‌سازی در بستر بازارهای ناپایدار، چشم‌انداز تازه‌ای برای استراتژی‌های بازاریابی داده‌محور فراهم آورده که می‌تواند به ‌عنوان یک مدل عملیاتی، راهنمایی برای افزایش میزان آمادگی داده‌محور مدیران بازاریابی و نیز طراحی مسیرهای اثربخش برای بهینه‌سازی عملکرد بازاریابی از طریق ادغام فناوری و تحلیل باشد.

چکیده در صنعت پررقابت بانکداری، حفظ مشتریان به چالشی اساسی برای مؤسسات مالی تبدیل شده است که می‌تواند سودآوری، جایگاه بازار و اعتبار آن‌ها را تحت تأثیر قرار دهد. این پژوهش با هدف شناسایی عوامل مؤثر بر ریزش مشتریان و پیش‌بینی آن با استفاده از پنج الگوریتم یادگیری ماشین شامل درخت تصمیم، جنگل تصادفی، XGBoost، AdaBoost و KNN انجام شد. داده‌های دموگرافیکی و بانکی مشتریان یک بانک خصوصی در شهر مشهد جمع‌آوری و پس از پاک‌سازی دقیق (حذف داده‌های تکراری، مقادیر پرت و مدیریت داده‌های گمشده) تحلیل شدند. مدل‌ها با معیارهای صحت، دقت، بازیابی و F1-Score ارزیابی شدند. نتایج نشان داد که الگوریتم XGBoost با صحت 92 درصد بهترین عملکرد را در پیش‌بینی ریزش مشتریان داشت. این یافته‌ها بیانگر آن است که الگوریتم‌های پیشرفته یادگیری ماشین، به‌ ویژه XGBoost، می‌توانند به بانک‌ها در شناسایی زودهنگام مشتریان در معرض ریزش و اجرای استراتژی‌های هدفمند برای حفظ آن‌ها کمک کنند. این رویکرد امکان ارائه خدمات شخصی‌سازی‌شده، بهینه ‌سازی برنامه‌های بازاریابی و وفاداری و کاهش هزینه‌های عملیاتی را فراهم می‌کند. در نتیجه، استفاده از این روش‌ها منجر به بهبود عملکرد مالی و تقویت مزیت رقابتی بانک‌ها می‌شود.