تعداد نشریات | 161 |
تعداد شمارهها | 6,489 |
تعداد مقالات | 70,096 |
تعداد مشاهده مقاله | 123,171,399 |
تعداد دریافت فایل اصل مقاله | 96,402,614 |
A DSS-Based Dynamic Programming for Finding Optimal Markets Using Neural Networks and Pricing | ||
Interdisciplinary Journal of Management Studies (Formerly known as Iranian Journal of Management Studies) | ||
دوره 14، شماره 1، فروردین 2021، صفحه 87-106 اصل مقاله (643.56 K) | ||
نوع مقاله: Research Paper | ||
شناسه دیجیتال (DOI): 10.22059/ijms.2020.269091.673397 | ||
نویسنده | ||
Hamed Fazlollahtabar* | ||
Department of Industrial Engineering, School of Engineering, Damghan University, Damghan, Iran | ||
چکیده | ||
One of the substantial challenges in marketing efforts is determining optimal markets, specifically in market segmentation. The problem is more controversial in electronic commerce and electronic marketing. Consumer behaviour is influenced by different factors and thus varies in different time periods. These dynamic impacts lead to the uncertain behaviour of consumers and therefore harden the target market determination. Real time decision making is a crucial task for obtaining competitive advantage. Decision Support Systems (DSSs) can be an appropriate process for taking real time decisions. DSSs are classified as information system based computational systems helping in decision making supporting business decision making and facilitate data collection and processing within market analysis. In this paper, different markets exist that are supplied by a producer. The producers need to find out which markets provide more profits for more marketing focuses. All consumers’ transactions are recorded in databases as unstructured data. Then, neural network is employed for large amount of data processing. Outputs are inserted to an economic producer behaviour mathematical model and integrated with a proposed dynamic program to find the optimal chain of markets. The sensitivity analysis is performed using pricing concept. The applicability of the model is illustrated in a numerical example. | ||
کلیدواژهها | ||
Information Technology (IT)؛ Decision Support Systems (DSS)؛ Perceptron Neural Network؛ Dynamic Programming (DP) | ||
عنوان مقاله [English] | ||
برنامه ریزی پویای مبتنی بر سیستم پشتیبان تصمیم برای یافتن بازارهای بهینه با استفاده از شبکه های عصبی و قیمت گذاری | ||
نویسندگان [English] | ||
حامد فضل الله تبار | ||
گروه مهندسی صنایع، دانشکده فنی و مهندسی، دانشگاه دامغان، دامغان، ایران | ||
چکیده [English] | ||
یکی از چالش های اساسی در تلاش برای بازاریابی ، تعیین بازارهای بهینه به طور خاص در تقسیم بازار است. مشکل در تجارت الکترونیکی و بازاریابی الکترونیکی بحث برانگیزتر است. رفتار مصرف کننده تحت تأثیر عوامل مختلفی است و بنابراین در دوره های زمانی مختلف متفاوت است. این تأثیرات پویا منجر به رفتار نامشخص مصرف کنندگان می شود و بنابراین تعیین بازار هدف را سخت تر می کند. تصمیم گیری بلادرنگ یک کار مهم برای به دست آوردن مزیت رقابتی است. سیستم های پشتیبانی تصمیم (DSS) می توانند یک فرایند مناسب برای تصمیم گیری بلادرنگ باشند. DSS ها به عنوان سیستم های محاسباتی مبتنی بر سیستم اطلاعات طبقه بندی می شوند که تصمیم گیری، حمایت ازتصمیم گیری کسب و کار، جمع آوری و پردازش داده ها را در تحلیل بازار تسهیل می کنند. در این مقاله ، بازارهای مختلفی وجود دارد که توسط یک تولید کننده تأمین می شود. تولیدکننده باید دریابد که کدام بازار سود بیشتری را برای تمرکز بیشتر بازاریابی فراهم می کند. تمام معاملات مصرف کنندگان به عنوان داده های بدون ساختار در بانکهای اطلاعاتی ثبت می شوند. سپس ، شبکه عصبی برای حجم زیادی از پردازش داده ها به کار می رود. خروجی ها به یک مدل ریاضی رفتار اقتصادی تولید کننده وارد می شوند و برای یافتن زنجیره بهینه بازارها با یک برنامه پویای پیشنهادی یکپارچه می شوند. تجزیه و تحلیل حساسیت با استفاده از مفهوم قیمت گذاری انجام می شود. کاربرد مدل در یک مثال عددی نشان داده شده است. | ||
کلیدواژهها [English] | ||
فناوری اطلاعات, سیستم پشتیبان تصمیم, شبکه عصبی پرسپترون, برنامه ریزی پویا | ||
مراجع | ||
Aragon-Correa, J. A., Matıas-Reche, F., & Senise-Barrio, M. E. (2004). Managerial discretion and corporate commitment to the natural environment. Journal of Business Research, 57, 964–975. Arvanitis, S., & Loukis, E.N. (2009). Information and communication technologies, human capital, workplace organization and labour productivity: A comparative study based on firm-level data for Greece and Switzerland. Information Economics and Policy, 21(1), 43-61. Banerjee, S. B. (2002). Corporate environmentalism: The construct and its measurement. Journal of Business Research, 55(3), 177–191. Bellman, R. (1957). Dynamic Programming. Princeton: Princeton University Press. Bhargava, H. K., Power, D. J. & Sun, D. (2007). Progress in Web-based decision support technologies. Decision Support Systems, 43(4), 1083-1095. Boshkoska, B. M., Liu, S., Zhao, G., Fernandez, A., Gamboa, S., Pino, M.D., Zarate, P., Hernandez, J. & Chen, H. (2019). A decision support system for evaluation of the knowledge sharing crossing boundaries in agri-food value chains. Computers in Industry, 110, 64-80. Braunsberger, K., & Buckler, B. (2011). What motivates consumers to participate in boycotts: Lessons from the ongoing Canadian seafood boycott. Journal of Business Research, 64(1), 96–102. Castellani, M., & Rowlands, H., (2009). Evolutionary artificial neural network design and training for wood veneer classification. Engineering Applications of Artificial Intelligence, 22(4-5), 732-741. Clemens, B., & Douglas, T. J. (2006). Does coercion drive firms to adopt ‘voluntary’ green initiatives? Relationships among coercion, superior firm resources, and voluntary green initiatives. Journal of Business Research, 59, 483–491. Erozan, I. (2019). A fuzzy decision support system for managing maintenance activities of critical components in manufacturing A DSS-Based Dynamic Programming for Finding Optimal Marke … 105 systems. Journal of Manufacturing Systems, 52(Part A), 110-120. Garrigós, F., Palacios, D., & Narangajavana, Y. (2008). Improving the perceptions of hotel managers. Annals of Tourism Research, 35(2), 359-380. Guo, Y., Wang, N., Xu, Z. Y., & Wu, K. (2020). The internet of things-based decision support system for information processing in intelligent manufacturing using data mining technology. Mechanical Systems and Signal Processing, 142, 106630. https://doi.org/10.1016/j.ymssp.2020.106630. Hassanlou, K., Fathian, M., Akhavan, P., & Azari, A. (2009). Information technology policy trends in the world. Technology in Society, 31(2), 125-132. Jallat, F., & Ancarani, F. (2008). Yield management, dynamic pricing and CRM in telecommunications. Journal of Services Marketing, 22(6), 465-478. Johnson, J. P. (2020). The agency and wholesale models in electronic content markets. International Journal of Industrial Organization, 69, 102581. https://doi.org/10.1016/j.ijindorg.2020.102581. Lakshmanaprabu, S. K., Mohanty, S. N., Rani S. S., Krishnamoorthy, S., Uthayakumar, J., & Shankar, K. (2019). Online clinical decision support system using optimal deep neural networks. Applied Soft Computing, 81, 105487. https://doi.org/10.1016/j.asoc.2019.105487. Liu, H., Ma, L., Wang, Z., Liu, Y., & Alsaadi, F. E. (2020). An overview of stability analysis and state estimation for memristive neural networks. Neurocomputing, 391, 1-12. https://doi.org/10.1016/j.neucom.2020.01.066. Mete, S., Serin, F., Oz, N. E., & Gul, M. (2019). A decision-support system based on Pythagorean fuzzy VIKOR for occupational risk assessment of a natural gas pipeline construction. Journal of Natural Gas Science and Engineering, 71, 102979. https://doi.org/10.1016/j.jngse.2019.102979. Murgia, M., Pinna, A., Gottardo, P., & Bosetti, L. (2019). The impact of large orders in electronic markets. International Review of Economics & Finance, 59, 174-192. 106 (IJMS) Vol. 14, No. 1, Winter 2021 Narangajavana, Y., Garrigos-Simon, F. J., García, J. S., & Forgas-Coll, S. (2014). Prices, prices and prices: A study in the airline sector. Tourism Management, 41, 28-42. Özer, A. H. (2019). A double auction based mathematical market model and heuristics for internet-based second hand durable good markets. Computers & Operations Research, 111, 116-129. Plambeck, E. L., & Denend, L. (2008, spring). The greening of Wal-Mart. Stanford Innovation Review. https://ssir.org/articles/entry/the_greening_of_wal_mart# Plateau, G., & Elkihel, M. (1985). A hybrid method for the 0–1 knapsack problem. Methods of Operations Research, 49, 277–293. Ramirez, E. (2013). Consumer-defined sustainably-oriented firms and factors influencing adoption. Journal of Business Research, 66, 2202–2209. Syriopoulos, T. & Roumpis, E. (2009). Dynamic correlations and volatility effects in the Balkan equity markets. Journal of International Financial Markets, Institutions and Money, 19(4), 565-587. Toth, P. (1980). Dynamic programming algorithms for the zero–one knapsack problem. Computing, 25, 29–45. Yaziji, M. (2004). Turning gadflies into allies. Harvard Business Review, 82(2), 110–115. Zhai, Z., Martínez, J. F., Beltran, V., Martínez, N.L., Zhai, Z., Martínez, J.F., Beltran, V., & Martínez, N. L. (2020). Decision support systems for agriculture 4.0: Survey and challenges. Computers and Electronics in Agriculture, 170, 105256, https://doi.org/10.1016/j.compag.2020.105256. | ||
آمار تعداد مشاهده مقاله: 1,288 تعداد دریافت فایل اصل مقاله: 1,075 |