منطق فازی Fuzzy logic چیست؟
هدف اصلی مرکز تحقیقاتی Fmsquare چیست؟
تجارت با مجموعه های عظیمی از داده ها همراه است که اغلب آنها در سیستم های اطلاعاتی ذخیره می شوند. به دلیل حجم زیاده این داده ها، آنالیز داده ها و اتخاذ تصمیمات تجاری مشکل گردیده است. برای رفع این مشکل ابزار fCQL (زبان جستجوری رده بندی فازی) برای دسته بندی، آنالیز و پشتیبانی از تصمیمات اتخاذی ساخته شده است. این ابزار از پیچیدگی های داده های تجاری می کاهد و داده های مخفی ارزشمند را از میان یک رده بندی فازی استخراج می کند.
مزیت استفاده از روشهای فازی چیست؟
مزیت اصلی یک دسته بندی فازی در مقایسه با یک دسته بندی کلاسیک اینست که یک عنصر محدود به یک دسته خاص نیست بلکه می تواند به چندین دسته مختلف مربوط شود. علاوه بر این دسته بندی فازی و روشهای فازی از شاخص های کمی و کیفی پشتیبانی می کنند. دسته بندی فازی با امکان جستجوی آن به کاربر امکان مالکیت بیشتر، استفاده از برنامه های ثابت، سفارشی کردن گزینه ها بصورت اتوماتیک و تصحیح مبارزات بازاریابی را می دهد.
چهار چوبی از مدل بازاریابی فازی
انبار داده های فازی
سئوالات متعددی در زمینه تصمیمات مدیریتی پیچیده وجود دارند که نمی توان آنها را به سادگی با "بلی" یا "خیر" پاسخ داد. در واقع این سئوالات با "بلی" پاسخ داده می شوند، اما با احتیاط..." یا "در این مورد خیر، اما در آن مورد بلی...". اکثر مواقع ارزیابی ضربه ها و تاثیرات مختلف منجر به عدم دقت یا پاسخ های فازی می گردد. علاوه بر این مبناهای تصمیمات همیشه کمی (برای مثال تصمیمات مالی) نیستند، بلکه کیفی هستند. برای کنترل و مدیریت داده های کیفی و کمی، فرضیه مجموعه های فازی را می توان بکار گرفت. مجموعه های فازی به زبان طبیعی رنگی محاسباتی می بخشند و بنابراین قادر هستند عدم دقت زبان طبیعی را کنترل کنند. به دلیل آنکه یک انبار داده ها اغلب مبنایی از اطلاعات برای تصمیمات تجاری است، اهمیت مقابله آن با داده های ناصحیح و کیفی بسیار حیاتی است. معماران امروزی انبار داده ها به سختی می توانند تنها داده های ناصحیح و کیفی را کنترل کنند.
انبار داده های فازی (fDWH) دارای یک ساختار معمولی انبار داده ها با توانایی کنترل حقایق فازی (چندتایی داده ها در انبار داده ها) و ابعاد فازی می باشد. برای ساخت یک fDWH یک مدل تراز با متغیرهای زبانی و زمینه ای برای داده ها ساخته شد. برای مثال: حالت معکوس داده ها به شکل (0....1000) است که نشاندهنده ارزش آنهاست. رده های توازنی (0...600) و (400...1000) نیز وجود دارند. هم اکنون امکان تعریف دو زمینه "کوچک" و "بزرگ" برای متغیر زبانی "معکوس" وجود دارد و کوچک برابر است با (0...600) و بزرگ (400...1000). برای هر ارزش از معکوس داده ها امکان تعریف یک درجه عضویت برای هر زمینه وجود دارد.
با گسترش ابعاد انبار داده های فازی می توان داده های ناقص را کنترل کرد. بنابراین ابعاد را می توان به عنوان تکه های فازی تعریف کرد. ارقام گم شده را می توان به راحتی با مقایسه درجه های عضویت ارقام همسایه پیش بینی کرد. این باعث می شود یک انبار داده های منعطف ایجاد شود که داده های فازی، ناقص و وابسته را کنترل می کند.
آنالیز داده های چند متغیری فازی در فروش شخصی
بازاریابی فردی زمانی ممکن است که هر مشتری بطور مجزا شناسایی شده باشد. هر مشتری پیام تبلیغاتی را برای محصولی که با نیازش سازگار است دریافت می کند. بویژه زمانیکه داده های مشتری از قبیل اندازه داده های مشتری موجود باشد، امتیازبندی برای محصول هر مشتری امکان پذیر است: نمره پیوستگی محصول یک مشتری برای اختصاص یک پیام تبلیغاتی مجزا به آن مشتری استفاده می شود. این پیام ها از طریق نرم افزار CRM به کانال های مستقیم بازاریابی از قبیل کانال اینترنتی، ایمیل یا مراکز تلفن ارسال می شود.
با استفاده از آنالیز داده های چندمتغیری فازی (fMDA)، یک دسته بندی فازی استقرایی برای هر مشتری برای هر محصول محاسبه می شود. ویژگی های مشتری (xi) با استفاده محصول مورد نظر (y) مقایسه می شود تا توابع عضویت فازی برای گروه محصول فازی استخراج شود. ویژگی ها با استفاده از اوپراتورهای منطق فازی با یکدیگر مخلوط می شوند تا یک نمره محصول فازی بدست آید.
روش های بازاریابی فازی
مدیریت بازاریابی و مدیریت روابط مشتری (CRM) به روش هایی برای آنالیز، ارزیابی و بخش بندی مشتریان شان بر اساس ارزش آنها برای شرکت می پردازد تا روابط مشتری را بهبود بخشد و عملکرد بازاریابی را بهینه سازد و سوددهی را به حداکثر رساند.
یکی از مشکلات روش های نمره بندی از قبیل مدل RFM (ارزش تازگی، تکرار و مالی)، ABC و آنالیز سهام این است که این روش ها همیشه تا کنون به گونه ای زننده اعمال شده اند به عبارت دیگر ارزش ها و ارقام به طور زننده ای به دسته های از پیش تعیین شده اختصاص یافته اند. این اغلب منجر به گمراهی در دسته بندی می شود.
با روش دسته بندی فازی، می توان از این مشکلات اجتناب نمود، موضوعات بطور دقیق دسته بندی می شوند و منابع را می توان بطور بهینه اختصاص داد. در یک آنالیز فازی ABC مشتریان را می توان به دو گروه تخصیص داد. در آنالیز سهام فازی برای چهار گروه مختلف و برای روش های نمره بندی فازی تا چندین گروه در یک زمان می توان تخصیص داد.
علاوه بر این درجه عضویت برای هر گروه را می توان محاسبه کرد که برای مثال می توان قیمت های شخصی، حساب های شخصی یا مشوق های شخصی را محاسبه کرد و از ترکیب بازاریابی استفاده کرد (سفارشی سازی انبوه)
علاوه بر این منطق فازی را می توان همچنین در حوزه سنجش عملکرد استفاده کرد تا اقدامات بازاریابی مربوطه را آنالیز، دسته بندی، ارزیابی و مدیریت کرد.
آنالیز فازی ABC
آنالیز ABC یک روش ابتکاری معمول است که حجم معاملات مواد، محصولات یا مشتریان را به سه گروه A و B و C تقسیم می کند. چنین دسته بندی قطعا مشکل ساز خواهد بود زیرا در ابعاد گسترده تر تنها چند یورو بالاتر یا پائین تر منجر به یک دسته بندی دیگر می شود. بنابراین مشتریان نزدیک به A به عنوان مشتریان دسته B ارزش کمتری پیدا می کنند و یا مشتریان گروه A ارزش خیلی بالاتری پیدا می کنند.
در نتیجه فرصت ها از دست می روند و یا منابع بطور بهینه تخصیص نمی یابند. با یک آنالیز فازی ABC، دیگر دسته بندی ناصحیح اتفاق نمی افتد و مشتریان را می توان بر اساس ارزش دقیق آنها مدیریت کرد.
آنالیز سهام فازی
با تعریف گروه های مشتری یا سهام های استراتژیک بطور فازی همراه با توابع عضویت، مشتریان یا مشاغل استراتژیک را می توان به دقت دسته بندی کرد تا سهام و سود را بهینه و متعادل ساخت.
اعمال دسته بندی فازی برای سهام های استراتژیک معانی چندی دارد. در یک سهام فازی، یک عنصر دسته بندی شده را می توان به چندین گروه در یک زمان اختصاص داد.
دسته بندی فازی به مدیران سهام این امکان را می دهد تا به دقت و متفاوت درباره استراتژی های حقیقی و آتی هر موضوع دسته بندی شده تصمیم گیری و آنالیز کنند (برای مثال واحد تجاری یا مشتری). از آنجایی که درجات عضویت برای گروه های مختلف را می توان بطور دقیق محاسبه نمود، درجه سرمایه گذاری ها در تجارت را می توان بطور نسبی برای سهم یک گروه بر عهده گرفت.
مدل های نمره بندی فازی
مدل RFM یک روش نمره بندی معمول از بخش بندی مشتریان است. یکی از مشکلات آن اینست که نمرات بطور زننده ای به گروه های متغیرهای جدید، تکراری و مالی تخصیص می یابد. در نتیجه این دسته بندی زننده، دسته بندی های نادرستی رخ می دهد برای مثال مشتریان با یک رفتار خرید مشابه نمرات مختلفی دریافت می کنند یا مشتریان با رفتارهای خرید متفاوت نمرات مشابهی دریافت می کنند. در نتیجه مشتریان اغلب بطور کافی و مناسب ارزیابی و مدیریت نمی شوند و بودجه بازاریابی بطور بهینه تخصیص نمی یابد.
سنجش فازی عملکرد مشتری
سنجش فازی عملکرد مشتری می تواند بطور دقیق اقدامات و شاخص های مهم یک شرکت را آنالیز, دسته بندی و ارزیابی و مدیریت کند. برای مثال شاخص های عملکردی مربوط به مشتری را به حساب می آورد تا روباط مشتری را بهبود بخشد و سود شرکت را بهینه سازد.
زنجیره موفق CRM زیر نمونه ای از سنجش عملکرد مربوط به مشتری است.
استخراج فازی وبلاگ
به دلیل حجم بالای اطلاعات مهم است که چگونه اطلاعات مربوطه را بدست آوریم. این امر منجر به یک سئوال می شود که چگونه می توان اطلاعات مربوطه را یافت. مشکل آنست که نمایش اسناد و جستجو از میان مجموعه های کلمات کلیدی توصیفاتی را بدست ما می دهد که بطور ناقص مربوط به مناقشات معنایی داده های مربوطه و جستجوها می شود. در نتیجه تطابق یک سند با واژگان درحال جستجو دقیق صورت نمی گیرد. این امر را می توان با در نظر گرفتن این مطلب که هر عبارت جستجو یک مجموعه فازی را تعریف می کند برطرف نمود و اینکه هر سند درجه ای از پیوند در این مجموعه را دارد.
فرضیه منطق فازی به نمایش گروه هایی می شود که مرزهای آنها به خوبی تعریف نشده اند. ایده اصلی هماهنگ کردن یک تابع رابطه ای یا مبانی مجموعه است. این تابع از ارقام 0 تا 1 است که 0 نشانگر هیچ نوع رابطه ای نسبت به مجموعه است و 1 نشانگر رابطه کامل است. ارقام رابطه ای بین 0 و 1 نشانگر عناصر حاشیه ای گروه هستند.
برای جستجوی داده های مربوطه از وبلاگ ها، یک کاربر بایستی واژگان مربوطه را جستجو کند. این نیاز کاربر به موتور جستجو ارسال می شود. این موتور جستجو یک مجموعه فازی را تولید می کند که از نیاز کاربر خارج است و این مجموعه فازی تولید شده را به یک موتور جستجوی متا ارسال می کند. موتور جستجوی متا موتوری است که درخواست های کاربر را به موتورهای جستجوی متعدد می فرستد و نتایج را بطور انبوه در یک فهرست بر اساس نمرات آنها نمایش می دهد. موتورهای جستجوی متا به کاربران امکان می دهد تا معیار جستجوی خویش را یکبار وارد نمایند و سپس بطور همزمان به چندین موتور جستجوی مختلف دسترسی یابد.
ایده پشت این فرضیه اینست که این مولفه ها را با یکدیگر یکجا جمع شوند و یک موتور جستجوی متا برای وبلاگ ها با استفاده از روش های فازی بسازد تا برای سندهای مربوطه جستجو کند.