Çok Amaçlı Karar Verme (56) – Kurumsal İntranet Web Siteleri İçin Bulanık İntegral – Çok Amaçlı Karar Verme Nedir? – Çok Amaçlı Karar Verme Yöntemleri – Çok Amaçlı Karar Verme Analizi Yaptırma

odevcimonline — Tue, 29 Sep 2020 07:09:26 +0000

Ödevcim Online, Çok Amaçlı Karar Verme, Çok Amaçlı Karar Verme Nedir, Yöneylem Nedir, Çok Amaçlı Karar Verme Yöntemleri, Çok Amaçlı Karar Verme Analizi Yaptırma, Yöneylem Ödev Yaptırma, Çok Amaçlı Karar Verme Hesaplama, Çok Amaçlı Karar Verme Ödevi, Çok Amaçlı Karar Verme Ödevi Yaptırma, Çok Amaçlı Karar Verme Yaptırma aramalarınızın sonucu olarak burada. Tüm bölümlerde Çok Amaçlı Karar Verme Danışmanlık, Çok Amaçlı Karar Verme Yardım talepleriniz için akademikodevcim@gmail.com mail adresinden bize ulaşabilir veya sayfanın en altındaki formu doldurup size ulaşmamızı bekleyebilirsiniz.

Sunulan makalelerin çoğu, sigorta denetimleri, ürün kabul edilebilirliği, satın alma kanalı çalışmaları ve müşteri satın alma isteğini ve müşteri memnuniyetini araştırma metodolojisini ele almaktadır. Araştırmacılar, sosyal parametreler olan tartışılan parametreleri basitleştirmek için sigorta sorularını ölçüyorlardı ve verileri analiz etmek için kullanılan ortak ölçü istatistiksel araçlardı. Bu yaklaşım, yalnızca net veri kümeleri türleri ve veri kümelerinin kesinliği için daha iyidir. Sürekli veri kümeleri ve belirsiz veri kümeleri dahil edildiğinden bulanık bir teori uygulanır.

Bu çalışmada veri içeriklerini ve özelliklerini analiz etmek için kaba küme teorisi uygulanmıştır. Kaba küme kuramı, Pawlak (1982) tarafından geliştirilmiş ve bulanık kuramın gerektirdiği gibi, ön varsayım üyelik işlevlerine ihtiyaç duymadan, net veri kümelerini ve bulanık veri kümelerini işleyebilen kural tabanlı bir karar verme tekniği haline gelmiştir. Kaba küme teorisi ayrıca belirsizlik, belirsizlik ve algılanabilir veri kümeleriyle de ilgilenebilir. Algılanabilir veri tanıma, bir konu için çeşitli kombinasyon seçeneklerine sahiptir.

Şimdiye kadar, kaba küme teorisini kullanan kombinasyon seçenekleri hakkında çok az tartışma yapıldı. Bu çalışmada, aralarındaki ilişkiyi araştırmak için kaba küme teorisini uygulamak için tek seçenekli ve çoktan seçmeli sorulardan oluşan bir anket tasarlanmıştır. Uzman bilgisi kullanılarak, çoktan seçmeli soruların değer sınıfı, karar verme prosedüründe yararlı olan değer karmaşıklığını basitleştirmek için yeniden sınıflandırılır.

Bu çalışmanın amacı, sigorta pazarlamasının karar vermesinde ihtiyaçların karşılanması için özelliklerden / niteliklerden kaynaklanan kombinasyon değerlerini uygulayarak yaklaşım doğruluğunun etkisini tartışmaktır. Sonuçlar, sigorta piyasasının gerekliliklerine uygun olduğunu ve müşterinin beklentisinin prim iadesi olduğunu ve sigorta ürünleri satın alanların çoğunun kadın olduğunu göstermektedir.

Açıklayıcı Ampirik Çalışma: Sigorta Yapma Örneği

Pazarlama Kararları

Bu bölüm, sınıflandırma problemini tek ve çoktan seçmeli sorularla sigorta anketi aracılığıyla keşfetmek için kaba küme teorisini uygular. Ardından, yaklaşım doğruluğunu artırmak ve karar kurallarını iyileştirmek için uzmanın bilgisi ile yeniden sıkıştırma yöntemini öneriyoruz.

Problem Açıklamaları

2002 yılında, Tayvan’ın hayat sigortası pazar payı ve ortalama sigortalı insanlar sırasıyla% 135 ve 158’e ulaştı. İdari kanunlarda yapılan değişiklikler nedeniyle, hayat dışı sigorta şirketlerinin sağlık sigortası pazarında rekabet etmesine izin verilmektedir. Oldukça rekabetçi koşullar altında, pazara erişmenin ve pazar payını genişletmenin en iyi yolu, iyi tasarlanmış anketlere dayanan potansiyel müşterilerden gerekli bilgileri elde etmektir. Müşteri ile sigorta şirketi arasındaki ilişkinin özellikleri, müşteri memnuniyeti ve şirket hizmeti bilgilerinden anlaşılabilir.

Endüstriler tarafından sağlanan hizmet, artık iş teşviki için ek bir değer olarak görülmemektedir; Başarılı bir işletme, müşterinin gerçek ihtiyaçlarını karşılamalı, ancak aynı zamanda performansı artırmak için diğer iş stratejileri ve / veya önlemleriyle birleşmelidir. Bu sadece Tayvan için değil, aynı zamanda küresel olarak kritik bir araştırmadır. Bu çalışmada, sigortanın amacı, satın alınan ürünler, kabul edilebilir prim, satın alma beklentisi, ürün satın almama nedenleri gibi bir dizi soru tasarlanmış ve anket sonuçları katılımcıların kişisel özellik verileri ile birleştirilmiştir. satın alma eğilimlerini, motivasyonu ve ürünleri satın almama nedenlerini araştırmak.

Ampirik Süreç

Anket, Tayvan’ın Kuzey ve Kuzeydoğu bölgelerinde kullanıldı. Toplam 420 anket örneğinden 324 tamamlanmış anket örneği alındı. Bu 324 nitelikli cevaptan 280 kişi sigorta ürünü satın almış ve 44 kişi satın almamıştı. Bu sorular, demografik özellikleri (ör. Yaş, cinsiyet, vb.) Ve yanıtlayanın duygularına ilişkin verileri içerir.

Geleneksel istatistiklerden veya bulanık kümelerden farklı olarak, kaba küme teorisinin en büyük avantajı, verilerin dağıtımını üstlenmesi veya bir değişkenin üyelik işlevini tanımlaması gerekliliği, veriler için herhangi bir varsayım varsaymamasıdır. Bu ampirik çalışmayı göstermek için, karar kurallarının doğruluğunu test etmek için 50 doğrulama örnek verisi eklenmiştir.

Müşteri İhtiyaçlarının ve Satın Almama Nedeninin İncelenmesi

Uzman bilgisi, yedisi koşul özniteliği ve biri karar özniteliği olmak üzere sekiz özniteliği içeren öznitelik çıkarımını işlemek için kullanılır.

Çoklu seçim özellikleri şunları içerir:

• Satın alma beklentisi (d1)
• Satın alınan ürünler (c6): Müşterinin ne tür ürünler satın aldığı
• Satın alma amacı (c5): hangi amaçla ürün satın almak

Tablo 19.2’de, parantez içinde öznitelik adının ardından, kağıdın daha kolay okunmasını sağlayacak yedek ad yer alır. Sınıflandırma oranını iyileştirmek için, uzman bilgisi kullanılarak değer sınıfı yeniden tanımlanır (sonuçlar Tablo 19.2’de gösterilmektedir) ve nitelikler için değer kümeleri için nominal bir ölçek kullanılır. Orijinal nitelik spesifikasyonu Ek 19.1’de gösterilmektedir.

Toplam 246 temel kümeden yalnızca bir nesneye sahip 220 küme vardır, bu da toplam verilerin% 79’unun sınıflandırılamayacağını ve aralarında hiçbir ilişki bulunmadığını göstermektedir. Öznitelik değeri sınıfını yeniden tanımladıktan sonra, toplam temel küme sayısı 194’e düşmüştür; sonuçlar Tablo 19.3’te gösterilmektedir.

Koşul özniteliklerindeki azalmanın, niteliklerin birbiri ardına kaldırılmasıyla sonuçlandığı ve koşul özniteliklerinde “indirgeme” işlenirken ilk koşul kümeleriyle orijinal küme sayısı arasındaki benzerliği kontrol ettiği açıktır. Bu nitelik, sanki set numarası orijinal set numarasıyla aynıymış gibi (Tablo 19.4’te görüldüğü gibi) aşırı bir niteliktir.

Gereksiz öznitelik bulunmaz, yalnızca bir indirgeme kümesi oluşturulur ve çekirdek kümesi, indirgeme kümesi ile aynıdır, yani {Alan, c1, c2, c3, c5, c6, c7}.

Sınıflandırmanın doğruluk oranı 0.73’tür. Bir nesnenin 148 setini kaldırarak ve doğruluk oranını yeniden hesaplayarak, oran Tablo 19.5’te gösterildiği gibi 0.21’e düşürülecektir.

Deneyde satın alınmayan ürünlerin sonuçlarına gelince, Tablo 19.6’da görüldüğü gibi, altı koşullu özellik ve bir karar niteliği olmak üzere yedi nitelik oluşturulmuştur. Orijinal nitelik spesifikasyonu Ek 19.2’de gösterilmektedir.

Koşul kümeleri ile karar kümelerinin karşılaştırmasının sonuçları Tablo 19.7’de listelenmiştir. İşlemeden sonra gereksiz özniteliğin kaldırılması, 32 koşul kümesi ve 4 karar kümesi verir. Koşullu öznitelikler için gereksiz öznitelik üretilmez, ancak bir indirgeme kümesi oluşur ve çekirdek kümesi, {Alan, c1, c2, c3, c4, c5, c7} olan indirgeme kümesi ile aynıdır. Tablo 19.7, toplam verilerin% 56’sının gruplanamayacağını belirten tek bir nesne içeren 24 koşul seti setini listelemektedir. Satın alınmayan ürünler için sınıflandırma doğruluk oranı 0,79’dur. Bir nesnenin setlerini kaldırarak, sınıflandırma doğruluk oranı 0,42’ye düşer.