دانلود ترجمه مقاله درک رفتار مصرف کننده با مدل بازاریابی منطق فازی

مقدمه:
محققان و افراد تجاری تلاش هایی به منظور کشف ارتباط بین درک مشتری و اقدامات مرتبط با ماندن در یک محیط بازار انجام داده اند. بنابراین، مدل بازاریابی باید انعطاف پذیر بوده و قادر به سفارشی سازی و نشان دادن کامل ارتباط بین درک مشتری و رفتار خرید او از طریق استفاده از روش های منطق فازی باشد. از این نظر، در صورتی که مبانی مبتنی بر مدل بازاریابی و به ویژه مدل های رفتار مشتری را در نظر بگیریم، تحقیقات خود را بر روی یکی از آن ها مانند تکنیک های برآورد مدل سازی همراه با بهبود و ارائه متغیرهایی شامل روش های برآورد مبتنی بر قوانین وابستگی فازی (FAS) به صورت تجربی و نظری متمرکز خواهیم کرد. از این مدل ها، می توان انتظار تطبیق پذیری، جامعیت و پیچیدگی بیشتر و همچنین ارائه مقدار بسیار بیشتری اطلاعات کیفی نسبت به تکنیک های برآورد قبلی مورد استفاده در این زمینه را داشت. بنابراین، می توان گفت که FAS جایگزین خوبی برای تکنیک های مدل سازی معادلات ساختاری (SEM) که عمدتا در دهه های اخیر برای برآورد مدل های پیچیده رفتار مشتری استفاده می شود، است. اصطلاحی که در این زمینه مبهم است، به عنوان nagueness یا فازی شناخته می شود. اکثر مواقع ما در زندگی روزمره خود با شرایطی روبرو می شویم که نمی توانیم بگوییم کاملا واقعی یا دروغ است. منطق فازی انعطاف پذیری لازم را در این موارد در نظر می گیرد. اینگونه است که می توانیم با هر گونه عدم قطعیت یا نادرستی شرایط مقابله کنیم. یک، هنگام در نظر گرفتن قانون بولی صحیح است و صفر در این شرایط نادرست مطلق است. با این حال، در صورتی که مدل منطق فازی را در نظر بگیریم، مفهومی واسطه وجود دارد که تاحدی درست و تاحدی نادرست است. ساختار این قانون شامل چهار جزء است: مبنای قانون: بیانگر شرایط IF-THEN برای اتخاذ تصمیمات درست با استفاده از اطلاعات زبانی است. فازی کردن: تبدیل اعداد واضح به مجموعه های فازی است. بعد از اندازه گیری توسط حسگرها، ورودی ها به منظور پردازش مانند دما، فشار و غیره به سیستم کنترل انتقال می یابند. موتور استنتاج: این مورد میزان تطابق با داده های فعلی را مشخص می کند و تعیین می کند که کدام قوانین مطابق با حوزه داده اجراء می شوند. قبل از آن اقدامات کنترلی توسط ترکیبی از قوانین ایجاد می گردد. فازی زدایی: تبدیل مجموعه های فازی به دست آمده از موتور استنتاج به یک مقدار قطعی.

INTRODUCTION Both the researchers and business people have tried to figure out the connection between customer understanding and associated actions to remain in the same market environment. Thus the marketing model is the necessity that will be flexible, able to customize and fully demonstrate the relationship between consumer perception and buying behaviour through the use of fuzzy logic methods In this sense, if we take into account the foundations on which the marketing model is based and, in particular, the models of customer behavior trends, we concentrate our research on one of them, such as the modeling estimation techniques, along with improvement and represent the variables that estimation methods based on Fuzzy Association Rules (FAS) theoretically and empirically represent. From these models we can expect more versatility, exhaustiveness and sophistication as well as offerings like much more quantity of qualitative information than previous estimation techniques used in this field. So we can say that FAS is a good alternative to Structural Equation Modeling (SEM) techniques that have been mostly used in recent decades to estimate complex models of consumer behaviour. The term that is vague or that is not crystal clear is referred to as nagueness or fuzzy. Much of the time we face a condition in daily life where we can't say if the reality is completely real or false. Fuzzy logic in that case offers the flexibility to consider. This is how we can cope with any situation's inaccuracies and uncertainties. 1 is absolute true when we consider a Boolean law, and 0 is absolute false. Yet if we consider a model of fozzy logic, there is also an intermediate concept to be viewed which is partially true and partially false. Its architecture includes four components: RULE BASE: It represents IF-THEN conditions to take the right decisions, by using linguistic information. FUZZIFICATION: It converts crisp numbers into fuzzy sets. After measuring by sensors inputs are passed to the control system for the purpose of processing, like temperature, pressure etc. INFERENCE ENGINE: This determines the degree of matching with regard to current data, and defines which rules are to be fired according to the area of data. Before that the control acts are created by combining fired rules. DEFUZZIFICATION: It transforms the fuzzy sets the inference engine has obtained into a crisp value.