محسن یزدی نژاد

  امروزه افراد برای خرید محصولات و خدمات آنلاین از نظرات دیگران در شبکههای اجتماعی جهت تصمیمگیری استفاده مینمایند. همچنین شرکتهای ارائه دهنده محصولات  از تحلیل ادراکات و نظرات کاربران و مشتریان برای اتخاذ تصمیمات آگاهانه و ارائه محصولات جدید استفاده مینمایند. تحلیل ادراکات از جمله رویکردهای نوین در استخراج نظرات میباشد. تحلیل ادراکات، استفاده از روشهای متن کاوی و پردازش زبان طبیعی برای شناسایی، استخراج و بررسی اطلاعات ذهنی میباشد. اطلاعات حاصل از تحلیل ادراکات میتواند بر انتخاب موثر مشتریان تاثیر بسزایی داشته باشد. در این پژوهش مدلی جهت تحلیل ادراکات کاربران در ارتباط با خرید تلفن همراه از سایت دیجی کالا ارائه شده است  تحقیق حاضر از لحاظ هدف کاربردی است و جامعه مورد بررسی شامل نظرات کابران در سایت دیجی کالامی باشد و نمونه آماری نظرات کاربران تلفن همراه سایت دیجی کالا است. جهت تحلیل و پیاده سازی، رویکرد یادگیری نظارت شده و از پکیجهای متن کاوی پایتون استفاده شده است. نتایج نشان میدهند مدل پیشنهادی با دقت 0.892 می تواند نظرات کاربران را دسته بندی نماید. همچنین در مجموع نظرات کاربران در مورد سهولت استفاده و امکانات و قابلیتهای تلفن همراه مثبت و در مورد ارزش خرید نسبت به قیمت، نوآوری، طراحی و ظاهر و کیفیت ساخت گوشیها نظر کاربران منفی میباشد.  مدل پیشنهادی میتواند در سایتهای تجارت الکترونیک مانند دیجی کالا پیاده سازی شود و خروجی آن به صورت سیستماتیک توسط کاربران قابل مشاهده باشد که در نهایت میتواند منجر به تصمیمگیری آگاهانه برای خریداران و شرکتهای ارائه دهنده محصولات باشد.    

یکی از مسائل سازمان های پیچیده مدیریت جابه جایی نیروی انسانی است؛ از یک سو، نیروی انسانی به دلایل مختلفی تمایل پیدا می کند از یک قسمت سازمان به قسمت دیگر یا از یک پست به پست دیگر یا از یک شعبه سازمان در یک شهر به شعبه ای در شهر دیگر منتقل شود و از سوی دیگر، مدیران سازمان برای جلوگیری از فرسودگی شغلی و ارتقای پویایی سازمان، نیروی انسانی خود را درون سازمان جابه جا کنند. انتقالات درون سازمانی با دشواری هایی مواجه است؛ از جمله اینکه در اثر جابه جایی نباید هیچ پستی خالی بماند و هرکس باید در رده شغلی مربوط به کار گمارده شود که چنین اموری مستلزم دسترسی به اطلاعات زیادی در خصوص نیروی انسانی سازمان و پردازش آن ها است. در این تحقیق با استفاده از نظریه طراحی بازار الگوریتمی تدوین شده است که به مدیران سازمان اجازه می دهد به صورت کارا نقل و انتقال نیروی انسانی را ساماندهی کنند. این الگوریتم با استفاده از روش TTCC تدوین شده و برنامه آن با زبان برنامه نویسی سی شارپ (# C ) نوشته شده است. کاربرد الگوریتم در یک سازمان فرضی با 2325 کارکن، 155 شعبه و 400 تقاضای جابه جایی نشان می دهد که می توان با این روش جابه جایی نیروی انسانی را تا 11 درصد افزایش داد و در مدیریت منابع انسانی سازمان موثر افتاد.

پیشینه و اهداف: صنعت بیمه درمانی در پیش بینی هزینه های بیمه افراد که براساس پارامترهای پیچیده ای مانند سن و ویژگی های فیزیکی است، با چالش مهمی مواجه است. شرکت های بیمه برای مدیریت ریسک و جلوگیری از زیان احتمالی، بیمه گذاران را به دو گروه پرخطر و کم خطر دسته بندی می کنند. بااین حال، برآورد دقیق هزینه ها برای هر فرد می تواند کار سختی باشد. برای مقابله با این چالش، ما رویکردی مبتنی بر علم داده و یادگیری ماشین را پیشنهاد می کنیم که از یادگیری جمعی برای پیش بینی افراد پرخطر و کم خطر استفاده می کند.روش شناسی: روش پیشنهادی شامل مراحل مختلفی از جمله پیش پردازش داده ها، مهندسی ویژگی ها و اعتبارسنجی متقابل برای ارزیابی عملکرد مدل است. در مرحله اول، داده ها را با پاک کردن، مدیریت مقادیر ازدست رفته و رمزگذاری متغیرهای طبقه بندی، پیش پردازش می کنیم. در مرحله دوم، ما ویژگی های جدیدی را با استفاده از روش های مهندسی ویژگی ها مانند مقیاس بندی، نرمال سازی و کاهش ابعاد تولید می کنیم. این روش ها به استخراج اطلاعات معنادار از داده ها و بهبود عملکرد مدل کمک می کند. در مرحله بعد، ما از یادگیری جمعی برای ترکیب روش های رگرسیون متعدد، مانند رگرسیون لجستیک، شبکه های عصبی، ماشین های بردار پشتیبانی، جنگل های تصادفی، LightGBM و XGBoost استفاده می کنیم. هدف از ترکیب این روش ها این است که از نقاط قوت آن ها استفاده کنیم و نقاط ضعف آن ها را به حداقل برسانیم تا به دقت پیش بینی بهتری دست یابیم. در نهایت، عملکرد مدل را با استفاده از روش اعتبارسنجی متقاطع k-fold ارزیابی می کنیم. این روش به اعتبارسنجی دقت مدل و جلوگیری از برازش بیش از حد کمک می کند.یافته ها: رویکرد پیشنهادی ما به AUC برابر با 73/0 دست می یابد که اثربخشی آن را در پیش بینی افراد پرخطر و کم خطر نشان می دهد.نتیجه گیری: با استفاده از علم داده و روش های یادگیری ماشین، شرکت های بیمه می توانند دقت برآورد هزینه خود را بهبود بخشند و ریسک را بهتر مدیریت کنند. این رویکرد می تواند به شرکت های بیمه کمک کند تا پوشش بیمه ای و قیمت گذاری دقیق تری را برای افراد ارائه دهند که به رضایت بیشتر مشتریان و کاهش زیان های مالی منجر می شود.