بازاریابی شبكه‌های عصبی

نویسندکان: ابوذر ناطق پور – دکتر داریوش زارعی

چکیده:
در عصر حاضر در بسیاری از موارد ماشین ها جایگزین انسان¬ها شده اند و بسیاری از كارهای فیزیكی كه در گذشته توسط انسانها انجام می گرفت امروزه توسط ماشین ها صورت می گیرد. اگرچه قدرت كامپیوترها در ذخیره، بازیابی اطلاعات و اتوماسیون اداری، . . . . . غیر قابل انكار است، اما همچنان مواردی وجود دارد كه انسان ناچار است خودش كارها را انجام دهد. اما به طور كلی، موارد مرتبط با ماشین شامل سیستم هایی است كه در آن به علت ارتباطات پیچیده بین اجزا، مغز انسان از درك ریاضی این ارتباطات قاصر است. مغز انسان به مرور زمان با مشاهده توالی رفتارهای سیستم و گاه آزمایش نتیجه ای كه بر اثر دستكاری یكی از اجزای سیستم به دست می آید تا حدی می تواند عادتهای سیستم را شناسایی كند. این روند یادگیری بر اثر مشاهده مثالهای متنوع از سیستم، به كسب تجربه منجر می شود. در چنین سیستم‌هایی مغز قادر به تجزیه و تحلیل داخلی سیستم نیست و تنها با توجه به رفتارهای خارجی، عملكرد داخلی سیستم را تخمین می زند و عكس العمل¬های آن را پیش بینی می كند.

چگونگی اداره حجم انبوه اطلاعات و استفاده موثر از آنها در بهبود تصمیم گیری، از موضوعات بحث برانگیز در عصرحاضر است. یكی از مسائل مهم تحقیقاتی در زمینه علوم كامپیوتر، پیاده سازی مدلی شبیه به سیستم داخلی مغز انسان برای تجزیه و تحلیل سیستم های مختلف بر اساس تجربه است. در این راستا شبكه های عصبی یكی از پویاترین حوزه‌های تحقیق در دوران معاصر هستند كه افراد متعددی از رشته های گوناگون علمی را به خود جلب كرده است. استفاده از شبكه‌های عصبی در حل مسائل پیچیده كاربردی این روزها بیش از بیش رواج یافته است. در این مقاله پس از معرفی اجمالی شبكه های عصبی و الگوریتم های ژنتیك، ارتباط و سهم آن ها در بازاریابی و كسب و كار مورد بررسی قرارگرفته است.
مقدمه
توجه به كاربرد تكنیك های هوش مصنوعی و ابزارهای مدل سازی در حوزه كسب و كار به طور فزاینده ای در حال افزایش است. در این راستا سیستم های خبره جایگاه ویژه ای یافته اند. در چند دهه گذشته دو عنوان شبكه های عصبی و الگوریتم های ژنتیك از موضوعاتی بوده اند كه توجه بسیاری از دانشگاهیان را به خود جلب كرده اند. این دو به عنوان ابزاری نیرومند در حل مسائلی كه دیگر توسط متدلوژی ها و روش های سنتی گذشته قابل حل نبودند، شناخته شده و مورد استفاده قرارگرفته اند. این روزها استفاده از آنها به زندگی اجتماعی ما نیز تسری یافته تا جایی كه كاربرد آنها در تصمیم گیری ها نقش حیاتی یافته است. این مقاله شواهدی را مبتنی برامكان استفاده اخلاقی از شبكه های عصبی و الگوریتم ها ی ژنتیك كه به منجر به تصمیم گیریهای موفقیت آمیز در ارتباط با مسائل مرتبط با كسب و كار می شود ارائه می كند. برای این منظور لازم است كه بررسی تطبیقی ای در رابطه با تلاشهای دیگر محققان در قالب ادبیات موضوع صورت گیرد. به همین دلیل، در تحقیق ما بر نقش محققان عملیاتی در حوزه كاربرد شبكه های عصبی و الگوریتم های ژنتیك تأكید شده است. همچنین در كنار ایجاد چنین پایگاهی برای محققان، به سوالات اساسی زیر نیز پاسخ داده شده است:
1- آیا كاربردهای سیستم های مبتنی بر هوش مصنوعی می تواند از بازاریابی شما پشتیبانی كند؟
2- آیا اسناد ودلایل و مدارك معتبری برای اثبات این ادعا وجود دارد؟
3- آیا این ها تنها یك تئوری و ایده دانشگاهی است یا دارای قابلیت كاربرد و تعمیم نیز هست؟
به عبارت دیگر، با درنظر گرفتن مطالعات مشابه در رابطه با استفاده از سیستم های خبره در كسب و كار، نویسندگان و محققان در آرزوی دستیابی به فرصتی جهت بحث مقایسه ای در باره این سه متدلوژی هوشمند هستند (متاكسیوس و پساراس، 2003). یكی از مهم ترین و بحث‌برانگیزترین تحقیقات، بررسی صورت گرفته توسط لایبوتز (2001) است كه نتیجه آن تحت عنوان «سیستم¬های خبره و كاربرد آن ها» مطرح شد.
ساختار این مقاله به صورت زیر است‌: در ابتدا مروری بر پایه و اساس شبكه های عصبی و الگوریتم های ژنتیك خواهیم داشت و به معرفی بازاریابی خواهیم پرداخت و سپس به بازنگری جامعی بر كاربرد شبكه های عصبی و الگوریتم های ژنتیك در حوزه بازاریابی كسب و كار خواهیم پرداخت و نهایتا آن را با نتایج و پیشنهاداتی برای تحقیقات كاربردی آینده به پایان خواهیم رساند.
فناوری شبكه عصبی
شبكه های عصبی یك تكنیك پردازش اطلاعات مبتنی بر روش سیستم های عصبی بیولوژیكی مانند مغز و پردازش اطلاعات است. مفهوم بنیادی شبكه های عصبی، ساختار سیستم پردازش اطلاعات است كه از تعداد زیادی واحدهای پردازشی (نورون‌) مرتبط با شبكه ها تشكیل شده اند‌. سلول عصبی بیولوژیكی یا نورون، واحد سازنده سیستم عصبی در انسان است. یك نورون ازبخشهای اصلی زیر تشكیل شده است:
1)    بدنه سلولی كه هسته در آن است و سایر قسمتهای سلولی از آن منشأ گرفته است.
2)    هسته
3)    آكسون كه وظیفه آن انتقال اطلاعات از سلول عصبی است.
4)    دندریت كه وظیفه آن انتقال اطلاعات از سلول های دیگر به سلول عصبی است
یك سیستم شبكه عصبی از تكنیك‌های مورد استفاده انسان در یادگیری از طریق استناد به مثالهایی از حل مسائل استفاده می‌كند (هایكین، 1994). هر نورون ورودیهای متعددی را پذیراست كه با یكدیگر به طریقی جمع می شوند. اگر در یك لحظه تعداد ورودی های فعال نرون به حد كفایت برسد نرون نیز فعال شده و آتش می كند. در غیر این‌صورت نورون به صورت غیر فعال و آرام باقی می ماند. فعالیت هر نورون از مجموعه ای از یك یا چند ورودی، عملیات و وظیفه خروجی برای محاسبه خروجیهایش تشكیل شده است. عملكرد اساسی این مدل مبتنی بر جمع كردن ورودیها و به دنبال آن به وجود آمدن یك خروجی است. ورودیهای نورون از طریق دندریت ها كه به خروجی نورون های دیگر از طریق سیناپس متصل شده اند وارد می شوند. بدنه سلولی كلیه این ورودیها را دریافت می كند و چنانچه جمع این مقادیراز مقداری كه به آن آستانه گفته می شود بیشتر شود در اصطلاح بر انگیخته شده یا آتش می كند و درغیر این صورت خروجی نورون روشن یا خاموش خواهد شد.
امروزه شبكه های عصبی در كاربردهای مختلفی از قبیل طبقه بندی داده ها و تشخیص الگو از طریق فرایند یادگیری كه خود شامل مسائلی مانند تشخیص خط و شناسایی گفتار وپردازش تصویر است به كار می روند. به مثابه سیستم های بیولوژیكی، آموزش شامل تنظیم پیوندهای بین سیناپس‌ها كه درهر نورون وجود دارند است. به عبارت دیگر‌، اطلاعات آموخته شده به شكل ارزشهای عددی به‌نام «وزن» كه به هر واحد پردازش شبكه اختصاص داده می‌شود، ذخیره می شوند. به طور كلی، شبكه های عصبی می توانند بین روشهای اتصال نورون ها، انواع روشهای ویژه محاسبه عملیات نورون ها، روش انتقال الگوی عملیات از خلال شبكه و روشهای یادگیری آنها كه شامل نرخ یادگیری است، تمایز قائل شوند. با در نظر گرفتن ارتباطات بین نورون ها، می توان بین شبكه های لایه دار و بدون لایه تمایز قایل شد. شبكه های لایه دار گروهی ازنورون ها هستند كه در لایه هایی مجتمع گردیده اند كه بین لایه ورودی و خروجی- كه تنها پیوند خارجی دارند- یك یا چند لایه پنهان وجود دارد. داده های ورودی از لایه ورودی به وسیله لایه های پنهان (لایه میانی) به لایه خروجی منتقل می‌شوند. سیگنالها ی جاری در شبكه های لایه دار به سمت جلو حركت می كنند كه در اصطلاح فنی به آنها پیش خور گفته می شود در حالی كه شبكه های بدون لایه دارای گره های اضافی بازخور هستند كه از تقسیمات درست لایه ها جلوگیری می كنند.
ساختار پیوندها و تماسها و تعداد لایه‌ها و نورون ها تعیین كننده معماری شبكه است كه بایستی قبل از استفاده از شبكه‌های عصبی تنظیم شود. همان طور كه در شكل 2 نمایش داده شده است، اگرچه در موارد مشخصی می توان با موفقیت از شبكه های عصبی تك لایه استفاده كرد اما رسم بر این است كه شبكه های عصبی حداقل دارای 3 لایه باشند (لایه ورودی، لایه پنهان یا لایه میانی و لایه خروجی).
قبل از آنكه شبكه آموزش داده شود‌، اوزان اختصاصی كوچك و به صورت تصادفی ارزش گذاری می شوند. در خلال روند آموزش، اوزان شبكه به شكل تدریجی تعدیل می شود تا جایی كه محرز شود كه كاملاً روابط فرا گرفته شده است. این شكل از یادگیری، یادگیری با سرپرست نامیده می شود. وقتی یك الگو در لایه ورودی به‌كار گرفته می شود تا آن جا جلو می رود كه ستانده نهایی در لایه خروجی محاسبه شود. ستانده شبكه با نتایج مطلوب مورد انتظار مدل مقایسه و خطاهای موجود محاسبه می‌شود. این خطاها مجدداً به عنوان بازخورد به شبكه بازمی گردد تا تغییرات لازم در اوزان پیوندها برای كاهش خطا صورت گیرد. مجموعه ای از مثالهای آموزشی داده- ستانده مكرراً ارائه می شود. تا جایی كه مجموع امتیازات خطا به سطح قابل قبولی كاهش یابد. در این جایگاه م‌ توان آن شبكه را به عنوان شبكه ای آموزش دیده در نظر گرفت. اما در روش دیگری كه یادگیری بدون سرپرست نامیده می شود‌، شبكه عصبی باید بدون كمك گرفتن از جهان، بتوانند كار آموزش را انجام دهد. واقعیت آن است كه در عمل ازروش یادگیری باسرپرست و یا حداكثر از روشهای تركیبی استفاده می شود و فرایند آموزش بدون سرپرست به شكل خالص تنها وعده‌ای است كه شاید بتواند در آینده تحقق یابد. در حال حاضر و در كاربردهای پیشرفته، از روش آموزش بدون سرپرست برای ایجاد تنظیمات اولیه برروی سیگنال های ورودی شبكه های عصبی استفاده می شود و باقی مراحل آموزش به روش با سرپرست ادامه می یابد.
حوزه های كاربردی شبكه های عصبی در موضوعات زیر است:
همبستگی ناشناخته بین ویژگیهای مطلوب و ارزش متغیرهای مسائل تصمیم گیری (‌جایی كه راه حل مسائل ناشناخته است)
– مسائلی كه دارای راه حل الگوریتم نیستند
– جایی كه داده های ناقص وجود دارد
مزیت اصلی شبكه های عصبی، قابلیت فوق العاده آنها در یادگیری و نیز پایداری شان در مقابل اغتشاشات ناچیز ورودی است (فاوست، 1994). به عنوان مثال اگر از روشهای عادی برای تشخیص دستخط یك انسان استفاده كنیم ممكن است در اثر كمی لرزش دست، این روشها به تشخیص غلطی برسند در حالی كه یك شبكه عصبی كه به صورت مناسب آموزش داده شده است حتی در صورت چنین اغتشاشی نیز به پاسخ درست خواهد رسید.
درنتیجه، تاكید ما بر این حقیقت است كه انتخاب شبكه درست با محاسبات صحیح، عامل اصلی در تضمین موفقیت عملكرد است.

فناوری الگوریتم ژنتیك
الگوریتم های ژنتیك روش قدرتمندی را برای توسعه اكتشافی مسائل بهینه سازی تركیبی مقیاس بزرگ فراهم آورده است. انگیزه اصلی مطرح كردن الگوریتم ژنتیك می تواند این گونه عنوان شودكه «تكامل تدریجی» به شكل قابل ملاحظه ای در توسعه انواع وگونه های پیچیده از طریق مكانیزم های نسبتاً ساده تكمیلی نمود یافته است. حال سوال اساسی این است: پذیرش كدام ایده از تئوری تكامل تدریجی می تواند به ما در حل مسائل این قلمرو كمك كند؟ این سوال با توجه به غنای پدیده تكامل تدریجی جوابهای متفاوتی دارد. هالند و دی جانگ (1975) از نخستین كسانی هستندكه با معرفی مفهوم الگوریتم ژنتیك به عنوان یك تكنیك جستجوی عمومی- كه از تكامل تدریجی بیولوژیك در قالب بقای افراد اصلح و مبادله ساختارمند و تصادفی اطلاعات الگوبرداری می كند- درصدد پاسخگویی به این سوال برآمدند.
یك الگوریتم ژنتیك مسئله را به صورت مجموعه ای از رشته ها كه شامل ذرات ریزهستند كد گذاری می كند، سپس برای تحریك فرایند تكامل تدریجی، تغییراتی را بر روی رشته ها ا عمال می‌دارد. در مقایسه با الگوریتم های جستجوی محلی، در جستجوی عمومی كه تنها یك راه حل قابل قبول وجود دارد، الگوریتم های ژنتیك جامعه ای از افراد را در نظر می‌گیرند. كـــار با مجموعه ای از افراد، امكان مطالعه ساختارها و ویژگیهای اصلی افراد متفاوت را كه منجر به شناسایی و كشف راه حلهای كارآمد تر می شود، فراهم می‌سازد. در طی مطالعه، الگوریتم ژنتیك رشته های متناسب با ارزش را برمی گزیند و آن دسته از رشته‌هایی را كه تنــاسب كمتری با جمعیت مورد بررسی دارند حذف می‌كنند.

مروری بر كاربردهای تجاری
بعد از مروری بر پیشینه شبكه های عصبی و الگوریتم های ژنتیك و پیشرفتهای آنها، می توان حوزه های كاربردی آنها را در كسب و كار شناسایی كرد. بنابر این در این قسمت به بررسی انواع مسائل تجاری كه به شكلی مناسب به‌وسیله شبكه های عصبی و الگوریتم های ژنتیك قابل حل خواهند بود، می پردازیم. اما قبل از آن توضیحی مختصر در ارتباط با موضوعات مرتبط با این حوزه خواهیم داد.
بازاریابی
«انجمن بازاریابی آمریكا» از دیدگاه مدیریتی، بازاریابی را بدین گونه تعریف می كند: بازاریابی یك فرایند اجتماعی و مدیریتی است كه به‌وسیله آن، افراد و گروهها، نیازها و خواسته ها ی خود را از طریق تولید، عرضه و مبادله كالاهای مفید و با ارزش با دیگران، تأمین می كنند. به طور كلی، بازاریابی دانشی ناشناخته است كه با ویژگیهایی از قبیل عدم اطمینان بالا، ساختار گمشده علّـی ودانشی ناكامل و گسترده قابل شناسایی است. بسیاری از وظایف تصمیم گیری و حل مسـئله به صورت بدون ساختار یا نیمه ساختار یافته انجام می شود. به همین دلایل توسعه كاربرد شبكه های عصبی و الگوریتم های ژنتیك در بازاریابی نسبت به سایر حوزه های علم دشوارتر است.
در سال 1991، كاری و ماتین هو به بحث در رابطه با نقش هوش مصنوعی در بازاریابی پرداختند و جایگاه یابی رقابتی را به‌وسیله متدلوژی هدف گرا مورد تجزیه و تحلیل قرار دادند. الیس و همكارانش در سال 1991 گزارشی از پیشرفتهای كاربرد مدل های شبكه عصبی در مواجهه با استراتژی قیمت گذاری كششی ارائه كردند در حالی‌كه پراكتر در سال 1992 چگونگی كاربرد تكنولوژی شبكه های عصبی در یادگیری مدل های داده بازاریابی و نقش آنها را در ساختن سیستم های پشتیبانی از تصمیمات بازاریابی به نمایش گذاشت. در سال 1993 كاری و ماتین هو از تكنولوژی شبكه های عصبی در مدل سازی واكنش مصرف كننده به محرك تبلیغات استفاده كردند. رای و همكارانش در سال 1994 شبكه های عصبی را در كمّی سازی فاكتورهای موثر در كیفیت روابط خریدارو فروشنده مورد استفاده قرار دادند. برای این منظور شبكه ای با دو عنصر خروجی كیفیت روابط (رضایت از روابط و اعتماد) و پنج ورودی (گرایش فروش فروشنده، مشتری گرایی، تخصص، اخلاقیات، و دوام روابط) شكل گرفت. در مقایسه با رگرسیون های چند متغیره، تكنیك شبكه های عصبی به نتایج آماری قابل قبول تری دست یافت.
از سوی دیگر، هارلی و همكاران (1994) استفاده از الگوریتم های ژنتیك را در حل مسائل بهینه سازی بازاریابی مورد آزمایش قرار دادند. بر اساس مطالعه آنها، كاربردهای بالقوه الگوریتم های ژنتیك در بازاریابی می تواند شامل موارد زیر باشد:
1- رفتار مصرف كننده
–    یادگیری مدل های انتخاب مصرف كننده
–    پردازش اطلاعات مصرف كننده
–    تاثیر گروههای مرجع
2- بخش بندی، انتخاب بازار هدف، جایگاه یابی
– بهینه سازی ساختارهای محصول – بازار
– تجزیه و تحلیل فاكتورهای كلیدی خرید
– جایگاه یابی محصول
3- مدیریت عناصر آمیخته بازاریابی
– بهینه سازی چرخه حیات محصول
– طراحی محصول
– استراتژی تبلیغات و برنامه ریزی رسانه‌ای
– مدیریت فروش
گرین و اسمیت (1987) یك سیستم ژنتیك را برای یادگیری مدل های انتخاب مصرف كننده مطرح ساختند و تنگ و هولاك (1992) چارچوبی مفهومی را در پیوند مفاهیم بازاریابی با مكانیزم تكامل تدریجی داروین ارائه كردند. در سال 1992 بالاك ریشمن و جاكوب یك الگوریتم ژنتیك مبتنی بر سیستم پشتیبانی از تصمیم گیری برای طراحی محصول ارائه كردند. از سوی دیگرو در حركتی نوین وناگوپال و بیتز (1994) ازاشتراك شبكه های عصبی و تكنیكهای آماری در تحقیقات بازاریابی استفاده كردند. درنهایت، می توان گزارشی از پیشرفتهای موجود در این زمینه رابه شكل زیر ارائه كرد:
– STRATEX- یك سیستم دانشی با هدف پشتیبانی از انتخاب بخشهای بازار (بورچ و هارتویگسن، 1991)
– ADDUCE- سیستمی در توجیه واكنش مصرف كننده به تبلیغات (بارك، 1991)
– COMSTRAT- سیستمی برای تصمیمات استراتژیك بازاریابی با تاكید ویژه بر جایگـاه یابی رقابتی (ماتین هو و همكاران 1993‌)
– MARSTRA- سیستم هوش شبكه ای برای توسعه استراتژی های بازاریابی و ارزیابی فاكتورهای بازاریابی استراتژیك (‌لی، 2000)
– GLOSTRA- سیستم هوش شبكه ای برای توسعه و بهبود استراتژی های بازاریابی جهانی و بازاریابی اینترنتی (لی و دیویس‌، 2001)

شبکه های عصبی و حوزه های مالی
از كاربردهای مهم و مطرح شبكه های عصبی و الگوریتم های ژنتیك در بانكداری و حوزه مسائل مالی می توان به این موارد اشاره كرد: كاربردهای اعتباری، تجزیه و تحلیل های مالی، سرمایه گذاری مالی، و تجزیه و تحلیل بازار مبادله سهام. محققان بسیاری به بررسی كاربردهای شبكه های عصبی و الگوریتم های ژنتیك در بانكداری و مالی پرداخته اند. ازآن جمله، در سال 1993، تفتی و نیكبخت به بحث در ارتباط با استفاده از شبكه های عصبی توسط سازمانها وشركتهای مالی در جهت اهداف متفاوت امتیازبندی اعتباری پرداختند. تان و دی هاردجو (2001) از طریق افزایش زمان و دوره پیش بینی مدل به توسعه یك تحقیق ابتدایی در استفاده از شبكه های عصبی برای پیش بینی استرس های مالی در اتحادیه های اعتباری استرالیا پرداختند. دستاورد حاصل شده در مقایسه با نتایج به دست آمده از متوسط انحراف از میانگین، نتایج قابل قبولی بود. همچنین دیویس و همكاران نیز در 1996 به بررسی نگرشهای سیستم‌های خودپرداز براساس تجزیه و تحلیل شبكه‌های عصبی پرداختند.
ازسوی دیگر، شناسایی كاربردهای متنوع الگوریتم های ژنتیك از سوی افراد مختلف به صورت زیر ارائه شده است: انتخاب استراتژی های بازار انحصاری چند جانبه (ماركز، 1989)، توسعه استراتژی‌های سرمایه گذاری مالی (باور‌‌، 1994)، جستجو برای یافتن قوانین تكنیكی برای اعمال آنها در بازارسرمایه (كارجالایننن‌، 1994)، تجزیه و تحلیل ریسك در بانكداری (وارتو، 1998). علاوه بر این، در سال 1999 كارجالایننن و آلن از الگوریتم‌های ژنتیك در پیدا كردن قوانین تكنیكی تجاری استفاده كردند. در همین زمان نیز آندرا و همكارانش (1999) از الگوریتم های ژنتیك در تجــزیه و تحلیل فنی در بازار سهام مادرید استفاده كردند.
از دیگر سیستمهای مالی مبتنی بر شبكه‌های عصبی و الگوریتم های ژنتیك می توان به موارد زیر اشاره كرد:
– KABAL- سیستم دانشی برای تجزیه و تحلیل مالی در بانكداری (هارت ویگسن، 1990)
– CREDEX- سیستمی برای ارزیابی اعتبارات (پینسون، 1990)
– FINEVA- سیستم دانشی چند معیاری پشتیبانی از تصمیم گیری برای ارزیابی عملكرد و قابلیت حیات شركت (زوپونی دیس، 1996)
پیش بینی
پیش بینی یكی از قدیمی ترین فعالیتها و وظایف بازاریابی و تجارت بوده است. درروزگاران قدیم نمونه هایی از پیشگویی ها و پیش بینی ها وجود دارد. به طور كلی، مدیری را می توان موفق دانست كه از قوه تجسم بالایی در تصمیم گیری و قضاوت برخوردار باشد. تجربه، به انسان در پیش بینی آینده وانتخاب تصمیم درست و دادن رأی صحیح كمك می كند. روش های هوش مصنوعی توانایی بالایی را درپیش بینی و ارائه عملكرد بهتر در مواجهه بامسائل غیرخطی و سایر مشكلات مدل سازی سری های زمانی نشان داده اند. رحمان و بهتنگار (1998) یك سیستم خبره را برای پیش بینی كوتاه مدت طراحی كردند‌، این درحالی است كه چیو (1997) یك شبكه عصبی را در تركیب با سیستم خبره قانونمند برای همین منظور در تایوان مورد استفاده قرار داد. همچنین تحقیقات كانلن و جیمز (1998) نشان داد كه می توان بین خصیصه های دارایی های اقتصادی و ارزش دارایی های تجاری در یك بازار خاص پیوند برقرار كرد و به مدل ارزش گذاری ای رسید كه به پیش بینی كوتاه مدت نوسانات ارزش گذاری در استفاده از شبكه‌های عصبی می‌پردازد‌. درنهایت بررسی های انجام شده نشان می‌دهد كه در این حوزه بیشتر بر كاربرد شبكه های عصبی كار شده است تا الگوریتم های ژنتیك‌.

سایر حوزه های تجاری
تا اینجا درباره كاربردهای مختلف شبكه های عصبی و الگوریتم های ژنتیك در بخشهای كلیدی تجارت صحبت كردیم: بازاریابی، بانكداری و مالی، پیش بینی. قطعاً حوزه های دیگری از تجارت و كسب و كارنیز وجود دارد كه در اندازه های متفاوت می توانند از مزایای استفاده از شبكه های عصبی و الگوریتم های ژنتیك منتفع شوند. به عنوان مثال می توان به كاربرد شبكه های عصبی در صنعت هتلداری (لاو، 1998)، ارزیابی داراییها (لنك و همكاران 1997) و پیش بینی تورم (آیكن، 1999) اشاره كرد. علاوه بر این، كاملاً مشهود است كه بخشهایی (مانند تولید، صنایع سنگین، انرژی، ساخت و ساز) وجود دارند كه از نظر ما دور مانده اند

مزایای استفاده از این فناوری های هوش مصنوعی
با بررسی اجماعی نظریات و تحقیقات موجود می توان مزایای استفاده از فناوریهای هوش مصنوعی و الگوریتم های ژنتیك را در قالب گزاره های زیر خلاصه كرد:
– ارائه خدمات بهتر به مشتری
– تقلیل زمان انجام وتكمیل وظایف
– افزایش تولید
– استفاده اثربخش تر از منابع
– سازگاری و ثبات بیشتر در تصمیم گیری

نتایج
در این مقاله سعی كردیم با معرفی كاربردهای شبكه های عصبی و الگوریتم های ژنتیك در حوزه بازاریابی، بعدی جدید از حوزه تجارت وكسب و كار را نمایان كنیم. نتیجه نهایی این مباحث به تنوع حوزه های كاربردی كه بر مزایا و منافع شبكه های عصبی و الگوریتم های ژنتیك اشاره دارد منتهی می¬شود. این دو تكنولوژی امروزه بیش از بیش به عنوان ابزار تصمیم گیری سازمان¬ها مورد استفاده قرار می گیرند كه البته نتایج حاصل از كاربرد آنها (همچون تصمیمات صحیح، صرفه جوییهای زمانی، انعطاف پذیری، كیفیت بهبود یافته، آموزش موثر‌) بر محبوبیت آنها افزوده است. اعتقاد ما بر این است كه در صورت ادغام مناسب این دو فناوری با سایر فناوریهای هوشمند (‌مانند سیستم های خبره، عوامل هوشمند، منطق فازی) و تكنیكهای تحقیق درعملیات به‌ویژه شبیه سازی می توان روز به روز بر موارد استفاده آنها در حوزه های مختلف افزود و از مزایای آنها بهره مند شد. بر اساس تحقیق كتابخانه ای انجام شده موارد زیر برای تحقیقات آینده پیشنهاد می شود:
– بررسی مزایای استفاده از الگوریتم های ژنتیك در بهینه سازی مسائل بازاریابی
– مقایسه كاربرد شبكه های عصبی و الگوریتم های ژنتیك و سیستم های خبره برای شناسایی مزایا و ضررهای هر كدام از این فناوریها.

منابع
1-  جكسون. تی و بیل. آر. آشنایی با شبكه‌های عصبی، ترجمه دكتر محمود البرزی – تهران: موسسة انتشارات علمی دانشگاه صنعتی شریف، چاپ دوم، 1383.
2-  كاتلر، فیلیپ. مدیریت بازاریابی، ترجمه بهمن فروزنده – تهران: آتروپات، 1382.
3-  قمی، علیرضا ” شبكه های عصبی مصنوعی “‌، نشریه دنیای كامپیوتر و ارتباطات – شماره 12، صفحات 66 تا 69.
4-  سعیدی، مسعود ” شبكه های عصبی (2) “، نشریه شبكه- شماره 52، اسفند 1383، صفحه 210 تا 211.
5-  ممانی، حامد، نرگس پور اصغری حقی و ساعد علی ضمیر، ” شبكه های عصبی و كاربرد آن در بهینه سازی “، نشریه صنایع- شماره 30.
6-  نورزاد، غلامرضا ” بیولوژی سلولی مولکولی “، انتشارات نوردانش، تهران، 1376، چاپ اول.

7- Metaxiotis , Kostas & John Psarras (2004) “The Contribution of Neural networks and genetic algoritms to business decision support “management decision , vol 42 ,no. 2, Emerald group publishing limited , pp. 229. 242.
8- Curry , B & L. Moutinho (1993) “Neural Network in marketing: Modelling consumer Responses to Advertising Stimuli “European Journal of marketing , vol 27 , no. 7 , MCB university press , pp 5. 20.
9- Wray , B , A. palmer & D. Bejou (1994) ” Using Neural Network Analysis to evaluate Buyer – Seller Relationships ” European Journal of Marketing , vol 28 , no. 10 , MCB university press , pp 32. 48.
10- Venugopal. V & W. Beats (1994) ” Neural networks and Statistical Techniques in marketing research ” Marketing intelligence & planning , vol 12 , no. 7 , MCB university press , pp 30. 38.
11- Davies , F , L. Moutinho & B. Curry (1996) ” ATM user attitudes: a neural network analysis ” , marketing intelligence & planning , vol 14 , no. 2 , MCB university press , pp 26. 32.