كاربرد شبكه هاي عصبي مصنوعي براي شناسايي مشتريان راضي خدمات پس از فروش خودرو

Application of Artificial Neural Networks to Identify Customers Satisfied with Car After Sales Services

هدف اين تحقيق توسعه يك مدل از شبكه هاي عصبي براي شناسايي مشتريان راضي براي بازاريابي ارايه سرويس هاي تعميراتي خودروها بود. داده ها از بررسي ده سرويس دهنده خدمات خودرويي در ايران بدست آمدند. شبكه هاي عصبي چند لايه با تابع آموزش تانژانت هايپربوليك با الگوريتم آموزشي پيش خور براي ساخت مدل شناسايي به كار گرفته شد. نتايج مشخص ساخت كه دقت مدل شناسايي آزمايش روي مدل بزرگتر از آن است كه اتفاقي به نظر برسد. در خلال يك سري وزن هاي خاص موجود، اعتبار كلي هر يك از متغيرهاي مستقل توليد شده كاملاً روشن مي شود. اين تحقيق تاييد كرد كه مدل شبكه عصبي براي شناخت الگوهاي موجود داده هاي مشتري قابل استفاده است. مزاياي استفاده از نقاط قوت مدل نشان داده شده است. مولفان معتقدند كه مدل مفيد است و به عنوان ابزار تحليلي براي بازارياب هاي خدمات تعميراتي خودروها براي طراحي استراتژي بازار، مناسب است.

The purpose of the research was the development of a neural networks model to identify satisfied customers for car maintenance service marketing. The data were collected from the survey of ten car maintenance service providers in Iran. Multi-layer perceptron (MLP) neural networks with hyperbolic tangent function trained by feed forward training algorithm were utilized to build the identification model. The result reveals that the identification accuracy of the test on the model is greater than that expected by chance. Through a set of available contribution weights, the general importance of each independent variable produced is revealed. This research confirms that the neural network model is useful in recognizing the existing patterns of customer’s data. The advantages of using the model are highlighted. Authors believe that the model is useful and suitable as an analyzing tool for car maintenance service on market strategy planning.