پژوهش های نوین در تصمیم گیری

چکیده ریزش مشتریان یک چالش مهم برای صنعت ارتباطات از راه دور است که نیاز به استراتژی‌های موثر برای پیش‌بینی و پیشگیری دارد. در حالی که تحقیقات قبلی روش‌های مختلفی از جمله مدل‌سازی مبتنی بر عامل (ABM) را بررسی کرده‌اند، محدودیت‌ها همچنان وجود دارد. رویکردهای موجود به شدت بر ساختارهای نظری متکی هستند که منجر به مدل‌های ساده‌سازی شده و استفاده محدود از داده‌ها می‌شود. این مطالعه به یک شکاف تحقیقاتی مهم می پردازد: عدم وجود یک چارچوب جامع داده محور که داده های مشتری را با تصمیمات فردی و تعاملات اجتماعی برای پیش بینی ریزش در بازارهای مخابراتی یکپارچه می کند. برای پر کردن این شکاف، پس از مطالعه کسب و کار و مجموعه داده، یک مدل مفهومی ایجاد می شود. داده ها برای برآوردن معیارهای مدل از پیش پردازش می شوند. یادگیری ماشین (ML) برای برون یابی ویژگی های گمشده با استفاده از مدل رگرسیون استفاده می شود. مدل در یک ABM پیاده سازی شده است. طبقه بندی ML برای تعیین رفتار ریزش عوامل استفاده می شود. ABM حاصل با داده های واقعی و برون یابی غنی شده و در شبیه سازی استفاده می شود. مدل معتبر برای استفاده پیشرفته‌تر با یک بهینه‌ساز جفت می‌شود و کل فرآیند در یک چارچوب یکپارچه شکل می‌گیرد. نشان داده شده است که این چارچوب در سناریوهای مختلف رفتار ریزش را به درستی تعیین کرده است. همچنین توانایی های خود را در شرایطی نشان داده است که یک رقیب به طور تهاجمی برای افزایش سهم بازار خود حرکت می کند و مدل آن فرموله کردن پاسخ است. پاسخ پیشنهادی نه تنها منجر به بازیابی سهم از دست رفته 3 درصدی بازار شد، بلکه 8.6 درصد دیگر از سهم بازار را بدون آسیب رساندن به سود شرکت به دست آورد. این تحقیق به پیشرفت درک و مدیریت ریزش مشتری در صنعت مخابرات کمک می کند.

چکیده این مقاله با استفاده از یادگیری تقویتی عمیق مدلی ارائه می‌کند تا وظایف یک معامله‌گر در بازار بورس ایران را با توجه به سهم‌های نقد شونده مدل‌سازی کند. قیمت سهام به همراه اندیکاتورهای مبتنی بر آن به‌عنوان ورودی به شبکه عصبی کانولوشن وارد می‌شوند.سپس، با استفاده از اندیکاتورهای محاسبه شده، داده‌های قیمت بر اساس تاریخ تطبیق داده می‌شود. به منظور محاسبه میزان تطبیق خروجی محاسبه شده با خروجی مورد انتظار، از تابع هزینه‌ی مجموع مربعات خظا استفاده می‌شود که در فرایند بهینه‌سازی کمینه می‌شود. همچنین با به‌کارگیری مدل‌های کانولوشن به جای جداول Q از بیش برارزش مدل به دلیل وجود داده‌های کم برای آموزش مدل جلوگیری به عمل آمده است. از طرفی با استفاده از اطلاعات موجود در حجم معاملات، از این سیگنال به عنوان نقشی مکمل در پیش‌بینی روند آینده سهم‌ها بهره گرفته شده است. و برای ارزیابی، برتری این مدل نسبت به استراتژی خرید و نگهداری مقایسه شده است.

چکیده سیستم‌های خبره فازی از سیستم‌های هوشمندی هستند که بکارگیری آن‌ها می‌تواند منجر به حصول نتایج بهتری در ارزیابی عملکرد سیستم بانکی شود. هدف از پژوهش حاضر آن است تا با استفاده از متغیرهای فازی در کنار متغیرهای مالی به ارزیابی عملکرد شعب بانک‌ها پرداخت شود. در این پژوهش ابتدا با استفاده از پیاده سازی الگوریتم‌های داده کاوی بر روی داده‌های مالی شعب، به استخراج قوانین موجود در داده‌ها پرداخته شد و در گام بعدی با استفاده از قوانین موجود در داده‌های مالی و در کنار متغیرهای فازی به طراحی سیستم‌خبره فازی به منظور دستیابی به سیستمی که بتواند به طور جامع عملکرد شعب بانک را مورد بررسی قرار دهد پرداخته شده است. در طراحی سیستم‌خبره از نه متغیر فازی با عنوان مکان شعبه، وفاداری مشتریان، رضایت کارکنان، رضایت مشتری، خلاقیت و نوع آوری، ظاهر شعبه، ظاهر کاکنان، ثبات کارکنان و همچنین خروجی حاصل از نرخ‌های مالی استفاده گردیده است. به منظور استخراج قوانین موجود در داده‌های شعب از الگوریتم‌های درخت تصمیم و 0.5 c استفاده گردیده است و برای طراحی سیستم‌خبره فازی از سیستم استنتاج فازی متلب بهره گرفته شده است. نتایج حاصل از پژوهش نشان داد که با استفاده ازداده‌کاوی و سیستم‌های خبره فازی می‌توان دانش نهفته در داده‌های شعب را استخراج کرد و به صورت یک سیستم‌خبره جامع عملکرد شعب بانک را مورد ارزیابی قرار داد.