علی اکبر نیک نفس

هدف: امروزه، با گسترش روزافزون شبکه های اجتماعی و حضور پُررنگ مکان های گردشگری در این شبکه ها، استفاده از این شبکه ها برای ارائه برند مکان، اهمیت دارد. پژوهش حاضر با هدف بررسی عوامل مؤثر بر برندسازی مکان در شبکه اجتماعی اینستاگرام با استفاده از تکنیک داده کاوی اجرا شده است. روش: در این پژوهش، صفحات اینستاگرام سه مقصد گردشگری داخلی و چهار مقصد گردشگری خارجی انتخاب شد و در بازه زمانی یک ساله، 912 پُست اینستاگرامی در این صفحات بررسی شدند. به منظور تجزیه و تحلیل داده ها و یافتن ویژگی های مهم در مجموعه داده های جمع آوری شده، از دو روش ماشین بردار پشتیبانی خطی و شبکه عصبی استفاده شد. گفتنی است که این تجزیه و تحلیل ها و داده کاوی به کمک نرم افزار IBM SPSS Modeler انجام گرفت. یافته ها: عوامل مؤثری که به عنوان ورودی در نظر گرفته شدند، عبارت اند از: نوع پُست، محتوای پُست، نوع کپشن، زبان کپشن، تعداد تگ، تعداد هشتگ، زبان هشتگ، روز انتشار پُست و ماه انتشار پُست. عواملی که به عنوان خروجی مدنظر قرار گرفتند نیز عبارت اند از: تعداد لایک و کامنت که به مثابه میزان آگاهی از برند و عامل اصلی توسعه برند مکان معرفی شدند و نشان داده شد که هرچه این میزان بیشتر باشد، آگاهی از برند مکان نیز بیشتر بوده و برند گردشگری شهر فراگیرتر است. نتیجه گیری: استفاده از نتایج پژوهش، در تبادل اطلاعات و تجربه های مربوط به سفر به مناطق مختلف و تصمیم گیری کاربران برای انتخاب ایران به عنوان مقصد گردشگری تأثیر بسزایی دارد و می تواند به تدوین استراتژی های مناسب برای ایجاد تصویر ذهنی مطلوب برای بازار هدف گردشگران کمک کند. ورود هر چه بیشتر گردشگران به ایران، اشتغال زایی و توسعه مقصد را در پی دارد.

ارزیابی وفاداری مشتریان می تواند درراستای بهبود فرایندهای کسب وکار تأثیر مهمی داشته باشد. روش های معمول ارزیابی وفاداری مشتریان، صرفاً با تکیه بر سه مؤلفه تازگی (R)، تعداد دفعات (F) و ارزش پولی (M) طراحی شده اند. در این پژوهش چند عامل مؤثر دیگر شامل تعداد کالاهای خریداری شده، تعداد کالاهای برگشتی، مبلغ تخفیف و تأخیر در توزیع به تحلیل اضافه شدند و تأثیر هر یک بر بالارفتن کیفیت ارزیابی سنجیده شد. هدف پژوهش ارائه مدلی جدید برای بخش بندی مشتریان براساس میزان وفاداری آنها و تعیین راهبردهایی مناسب برای هر بخش است. مجموعه داده این پژوهش به یکی از عمده فروشی های مواد غذایی اختصاص دارد. داده ها در نرم افزار Clementine و با استفاده از شبکه های عصبی MLP، RBF و الگوریتم K-means تحلیل شدند. نتایج پژوهش نشان می دهد روش پیشنهادی بالاترین سطح دقت را در پیش بینی میزان وفاداری مشتریان دارد. براساس روش پیشنهادی، مشتریان از نظر وفاداری به پنج خوشه (مشتریان وفادار؛ بالقوه؛ جدید؛ از دست رفته و مشتریان روی گردان) تقسیم شدند که ویژگی های هر خوشه براساس وضعیت هفت عامل بیان شد و براساس این ویژگی ها راهبردهای مناسبی برای مدیریت مشتریان هر بخش ارائه شد.

امروزه محققان با حجم وسیعی از داده مواجه اند که بخش زیادی از آنها ساختار پردازش پذیری ندارند. دو مورد از چالش های اصلی در این زمینه بالا بودن ابعاد فضای ویژگی و حجیم بودن داده های در دسترس است. به منظور رفع این چالش ها، مقاله پیش رو یک روش انتخاب ویژگی مبتنی بر ویژگی های هدف ارائه کرده است که در کاهش ابعاد فضای ویژگی تأثیر زیادی دارد و همچنین برای مقابله با حجم بسیار زیاد نمونه های آموزش، با استفاده از روش های انتخاب نمونه اولیه، به ویرایش مجموعه آموزش می پردازد. روش پیشنهادی در این مقاله در سه فاز اجرا شده است که هر فاز بهبودیافته فاز قبل است و علاوه بر دست یافتن به نتایج مناسب در هر فاز، در پایان فاز سوم روش پیشنهادی بیشترین کارایی را به دست آورد. برای ارزیابی کارایی روش پیشنهادی، این روش با یکی از الگوریتم های موفق در زمینه پیش بینی بازار مقایسه شد که با وجود کاهش نمونه های آموزش توسط الگوریتم های انتخاب نمونه اولیه، به نتایج بسیار بهتری نسبت به آن الگوریتم دست یافت.

افشای مناسب اطلاعات توسط شرکت ها، در کنار سایر منابع اطلاعاتی، به سرمایه گذاران و سایر ذی نفعان در تصمیم گیری های اقتصادی کمک می کند. این تحقیق با توجه به رتبه هایی که سازمان بورس و اوراق بهادار از لحاظ به موقع بودن و قابلیت اتکای افشای اطلاعات شرکت ها منتشر می نماید، در صدد شناسایی عوامل تاثیرگذار بر رتبه افشای اطلاعات می باشد، با توجه مطالعات انجام شده در سایر کشورها و شرایط حاکم بر بازار سرمایه ایران، 19 عامل انتخاب گردید. با استفاده از رویکرد داده کاوی و به طور اخص الگوریتم C5.0، و نمونه ای متشکل 520 سال - شرکت از شرکت های پذیرفته شده در بورس اوراق بهادار تهران در سال های مالی 85 ، 86 و 87، عواملی که بیشترین تکرار را در مجموعه قوانین تولید شده به خود اختصاص دادند (بیشترین تاثیر را بر رتبه افشای اطلاعات داشته اند) استخراج گردید. این عوامل ""کیفیت موسسه حسابرسی کننده شرکت""، ""بازده دارایی""، ""نسبت بدهی"" و ""موظف یا غیرموظف بودن رئیس هیئت مدیره"" می باشند. مرتب سازی این قوانین براساس رویکرد ACS و بررسی عوامل چهارگانه فوق در قوانین مرتب شده می تواند به عنوان یک سیستم خبره تصمیم گیری به سرمایه گذاران در تشخیص میزان شفافیت اطلاعاتی شرکت ها کمک کند.