کاربرد روانشناسی وفاداری در نام تجاری چیست؟ با توجه به تئوری عملی کتز (1960) معتقدیم که وفاداری چهار کارکرد (یا سوابق انگیزشی) دارد: عملی، دانش، بیان ارزشی و واکنش دفاعی. هر یک از این کارکرد ها به سه جنبه از وفاداری مربوط است (عاطفی، شناختی و وفاداری رفتاری). سپس به این مفهوم از نام تجاری با استفاده از چهار گروه متمرکز مشتری خواهیم پرداخت. نتایج این آزمایش نشان می دهد که بکارگیری رویکرد عملی در وفاداری به نام تجاری دریچه هایی را آشکار می سازد که در تحقیقات قبلی مشخص نشده اند. به طور دقیق تر این مقاله به بیان نگرش نسبت به وفاداری به نام تجاری از دیدگاه مشتری می پردازد به علاوه این مطلب را روشن می کند که واکنش دفاعی گرایشیست نسبت به تفکر و احساس دیگران. این امر امکان تحقیقات آتی در مورد وفاداری به نام تجاری از طریق بررسی شبکه های اجتماعی به منظور درک بهتر چگونگی تاثیر تفکر دیگران بر وفاداری مصرف کنندگان را فراهم می کند.

دانشکده ی بازاریابی استرالیا و نیوزیلند 2012. چاپ نشریه ی السویر. تمامی حقوق محفوط است

مقدمه

وفاداری به نام تجاری مفهومیست که در چند دهه ی اخیر مورد توجه بسیاری شرکت ها که به دنبال جلب وفاداری مشتریان خود هستند قرار گرفته است. در حالیکه می دانیم وفاداری به نام تجاری برای سازمان ها اهمیت دارد، کارکرد نگرشی وفاداری به نام تجاری از دیدگاه مشتری چندان واضح نیست. چرا مشتریان همواره از یک نام تجاری خاص خرید می کنند؟ در این مقاله ما به بیان این مساله می پردازیم که تعهد و تمایل به خرید از نام تجاری خاص از بروز واکنشی صورت می گیرد که مشتری را به خرید مجدد سوق می دهد. ما از چارچوب کتز (1960) نسبت به رویکرد کاربردی به نگرش ها به منظور تحقیق بر رابطه ی میان چهار عملکرد وفاداری و سه جنبه از وفاداری به نام تجاری استفاده خواهیم کرد. 

مهم‌ترین کاربرد داده کاوی در تلاش‌هایی است که برای استنتاج قواعد وابستگی از داده‌های تراکنشی صورت می‌گیرد. در گذشته، از مفاهیم منطق فازی و الگوریتم‌های ژنتیکی برای کشف قواعد وابستگی فازی سودمند و توابع عضویت مناسب از مقادیر کمی استفاده می‌کردیم. با وجود این، ارزیابی مقادیر برازش نسبتاً زمان بر بود. به دلیل افزایش‌های شگرف در قدرت محاسباتی قابل دسترسی و کاهش همزمان در هزینه‌های محاسباتی در طول یک دهه‌ی گذشته، یادگیری یا داده کاوی با به کارگیری تکنیک‌های پردازشی موازی به عنوان روشی امکان پذیر برای غلبه بر مسئله‌ی یادگیری کند شناخته شده است. بنابراین، در این مقاله الگوریتم داده‌ کاوی موازی فازی – ژنتیکی را بر اساس معماری ارباب - برده  ارائه کرده‌ایم تا قواعد وابستگی و توابع عضویت را از تراکنش‌های کمی استخراج کنیم. پردازنده‌ی master مانند الگوریتم ژنتیک از جمعیت یگانه‌ای استفاده می‌کند، و وظایف ارزیابی برازش را بین پردازنده‌های slave توزیع می‌کند. اجرای الگوریتم پیشنهاد شده  در معماری ارباب – برده بسیار طبیعی و کارآمد است. پیچیدگی‌های زمانی برای الگوریتم‌های داده کاوی ژنتیکی – فازی موازی نیز مورد تحلیل قرار گرفته است. نتایج این تحلیل تأثیر قابل توجه الگوریتم پیشنهاد شده را نشان داده است. هنگامی که تعداد نسل‌ها زیاد باشد، افزایش سرعت الگوریتم ممکن است نسبتاً خطی باشد. نتایج تجربی تیز این نکته را تأیید می‌کنند. لذا به کارگیری معماری ارباب – برده برای افزایش سرعت الگوریتم داده‌ کاوی ژنتیکی – فازی   روشی امکان پذیر برای غلبه بر مشکل ارزیابی برازش کم سرعت الگوریتم‌ اصلی است.

کلمات کلیدی: داده کاوی، مجموعه های فازی، الگوریتم ژنتیک، پردازش موازی، قاعده اتحادیه

1- مقدمه

با پیشرفت روزافزون فن آوری اطلاعات (IT)، قابلیت ذخیره سازی و مدیریت داده‌ها در پایگاه‌های داده‌ اهمیت بیشتری پیدا می‌کند. به رغم اینکه گسترش IT پردازش داده‌ها را تسهیل و تقاضا برای رسانه‌های ذخیره سازی را برآورده می‌سازد، استخراج اطلاعات تلویحی قابل دسترسی به منظور کمک به تصمیم گیری مسئله‌ای جدید و چالش برانگیز است. از این رو، تلاش‌های زیادی معوف به طراحی مکانیسم‌های کارآمد برای کاوش اطلاعات و دانش از پایگاه داده‌های بزرگ شده است. در نتیجه، داده کاوی، که نخستین بار توسط آگراول، ایمیلنسکی و سوامی (1993) ارائه شد، به زمینه‌ی مطالعاتی مهمی در مباحث پایگاه داده‌ای و هوش مصنوعی مبدل شده است.