نوع مقاله : مقاله استخراج شده از پایان نامه
نویسندگان
1 گروه مدیریت سیستم و بهره وری، دانشکده مهندسی صنایع و سیستم ها، دانشگاه تربیت مدرس تهران
2 سیستم های اقتصادی و اجتماعی، دانشکده مهندسی صنایع و سیستم ها، دانشگاه تربیت مدرس،تهران،ایران
3 عضو هیئت علمی دانشکده مدیریت دانشگاه تهران
چکیده
کلیدواژهها
عنوان مقاله [English]
نویسندگان [English]
E-commerce is an emerging field that is used in online trading of stocks, bonds, online banking, electronic services, etc. Since the factors of growth and survival in businesses have changed, identifying the needs of customers is one of the main concerns of every organization. On the other hand, with the advancement of technology, users try to solve their need for technology through tools and software installed on mobile phones. This causes mobile applications to be more popular than websites among users. Internet technologies allow users to share their preferences and feelings with other people, which will have a significant impact on users' decisions. This research is basic in terms of audience, descriptive in terms of objective and cross-sectional in terms of time. The purpose of the research is to identify the components related to the satisfaction of traders in online exchanges by analyzing their feelings in the space of online businesses and ranking their criteria using the method of fuzzy cognitive maps. For this purpose, we used the TF-IDF method, in order to identify the effective criteria for selection of online exchanges and by using association rules and fuzzy recognition map, the causal relationships and weights between users' needs were determined. The finding show that out of the 45 extracted criteria, only 19 Criteria have a role.and by using the weight of the criteria extracted from the method of fuzzy cognitive maps, the effective criteria in the selection of online exchanges were ranked. Internet business developers can identify their strengths and weaknesses according to these features and be more successful in the competitive environment of their business.
کلیدواژهها [English]
تبیین الگوی تصمیمگیری داده محور برای شناسایی عوامل موثر بر رضایت معاملهگران صرافیهای برخط با استفاده از نقشه شناختی فازی(مورد مطالعه: گوگل پلی و اپل استور)
ملیکا محتشمی معالی * [1] * علی حسین زاده کاشان ** جلیل حیدری دهوئی [2]*** |
تاریخ دریافت: 14/09/1401 تاریخ پذیرش: 17/10/1401
|
چکیده
تجارت الکترونیک یک حوزه نوظهور است که در حوزههای مختلف اعم از تجارت برخط سهام، اوراق قرضه، بانکداری برخط، خدمات الکترونیکی و غیره کاربرد دارد. از آنجایی که عوامل رشد و بقاء در کسب و کارها تغییر کرده است، شناسایی نیازهای مشتریان یکی از دغدغههای اصلی هر سازمانی بشمار میآید. از طرفی دیگر با پیشرفت تکنولوژی، کاربران سعی میکنند تا نیاز خود به تکنولوژی را از طریق ابزارها و نرمافزارهای که روی تلفن همراه نصب میشود برطرف کنند. این امر سبب میشود که اپلیکیشنهای تلفن همراه از محبوبیت بیشتری نسبت به وبسایتها در میان کاربران برخوردار باشند. تکنولوژیهای اینترنتی این امکان را به کاربران میدهد که ترجیحات و احساسات خود را با دیگر افراد به اشتراک بگذارند که تاثیر بسزایی در تصمیمگیری دیگر کاربران خواهد گذاشت. این پژوهش از بعد مخاطب کاربردی، از بعد هدف توصیفی و از بعد زمان مقطعی است. هدف از این تحقیق شناسایی مولفههای مربوط به رضایت معاملهگرها در صرافیهای برخط با تحلیل احساسات آنها در فضای کسبوکارهای اینترنتی و رتبهبندی معیارهای آنها با استفاده از روش نقشههای شناختی فازی میباشد. به همین منظور با استفاده از روش TF-IDF معیارهای موثر در انتخاب صرافیهای برخط را استخراج کرده با استفاده از قوانین انجمنی و نقشه شناخت فازی، روابط علی و وزن بین نیازهای کاربران مشخص شد همچنین از 45 معیار استخراج شده تنها 19 تا از معیارها دارای نقش میباشند به همین ترتیب با استفاده از وزن معیارهای استخراج شده از روش نقشههای شناختی فازی معیارهای موثر در انتخاب صرافیهای برخط رتبهبندی شدند. توسعه دهندگان کسب و کارهای اینترنتی میتوانند با توجه به این ویژگیها نقاط قوت و ضعف خود را شناسایی کنند و در فضای رقابتی کسب و کار خود موفقتر عمل کنند.
کلید واژهها: صرافیهای برخط، پردازش زبان طبیعی، قوانین انجمنی، نقشه شناختی فازی
1- مقدمه
بلاک چین[i] یک فناوری غیرمتمرکز تراکنش و مدیریت داده است که ابتدا برای ارز دیجیتال بیت کوین توسعه یافت. فناوری بلاکچین از سال 2008 مورد توجه ویژ قرار گرفته است. هدف فناوری بلاک چین ایجاد یک محیط غیرمتمرکز[ii] است که در آن هیچ شخص ثالثی کنترل تراکنشها و دادهها را نداشته باشد. اطلاعات مربوط به هر تراکنشی که تا به حال در بلاک چین انجام شده است به اشتراک گذاشته میشود و در دسترس همه گرهها است. (Yli-Huumo et al., 2016). بحران مالی جهانی GFC [iii] طی سالهای 2008 و 2009 یک دوره پریشانی اقتصادی در سراسر جهان را رقم زد. ظهور ارزهای رمزنگاری شده یا رمز ارزها دقیقا به بعد از این دوره زمانی مربوط میباشد(Bakry et al., 2021). امروزه رمز ارزها موضوعی جدید و نوظهور در دنیای مدرن تلقی میشوند(Pant et al., 2018). ظهور فناوری بلاک چین توجه جوامع مالی را به قراردادهای هوشمند جلب کرده است. اصطلاح "قرارداد هوشمند" توسط نیک سابو در اواسط دهه 1990 ابداع شد. در قرارداد هوشمند بندهای یک قرارداد به کد تبدیل شده و به منظور اجرای خودکار، آنها را در نرمافزار و یا سخت افزار وارد میکند این امر سبب میشود هزینه قرارداد بین طرفین معامله به حداقل برسد (Zou et al., 2019). توجه به رمز ارزهای دیجیتال و خصوصاً بیت کوین در سالهای اخیر با رشد فزایندهای روبرو بوده است(Bakry et al., 2021; Faghih Mohammadi Jalali & Heidari, 2020). بیتکوین یک محیط غیرمتمرکز برای ارزهای دیجیتال ایجاد کرد که در آن شرکتکنندگان میتوانند با پول دیجیتال کالا بخرند و مبادله کنند(Yli-Huumo et al., 2016). ارزهای دیجیتال امکان ایجاد تراکنشهای مالی، مدیریت سرمایه و برنامههای غیرپولی را فراهم میکند. همچنین هدف ارزهای دیجیتال حذف واسطه به منظور کاهش هزینههای پرداخت و تراکنشها میباشد(Hassan et al., 2021). فناوریهای مربوط به بلاک چین احتمال استفاده روز افزون از ارزهای دیجیتال را میدهد(Abraham et al., 2018). بیت کوین یک سیستم نقدی الکترونیکی غیرمتمرکز و همتا به همتا است که توسط ساتوشی ناکاموتو طراحی شد (Bakry et al., 2021). او در سال 2009 این امکان را برای اعضای شبکه خود فراهم میکند تا تمامی تراکنشها را ردیابی کنند(Faghih Mohammadi Jalali & Heidari, 2020). تراکنشهای ارزهای دیجیتال با استفاده از فناوری بلاک چین پردازش میشود(Aljinović et al., 2021). امروزه سرمایه گذاران به دنبال روشهای سرمایه گذاری جایگزین و بدون واسطه میباشند که بازده بالاتر و از ریسک کمتری برخوردار باشند(Aljinović et al., 2021). رضایت مشتری یکی از عوامل اصلی در بازاریابی مدرن و تجزیه و تحلیل رفتار مشتری است و به طور کلی، رضایت مشتریان از محصول/خدمت احتمال استفاده مجدد آنها را از این دسته از خدمات افزایش میدهد(Nasserzadeh et al., 2008). همچنین استفاده از یادگیری ماشین[iv] در ارزهای دیجیتال یک زمینه تحقیقاتی جدید به حساب میآید(Colianni et al., 2015). در این پژوهش به تحلیل احساسات معاملهگران با ستفاده از نظرات کاربران در فضای اینترنتی پرداخته میشود و معیارهای موثر بر رضایت معاملهگران در انتخاب صرافیهای برخط بر أساس میزان اهمیت رتبهبندی میگردد. با تغییر تدریجی در بازار رمز ارزها، پلتفرمها و صرافیهای جدید تجاری، رشد فزایندهای پیدا کردند و این امر موجب افزایش قابل توجهی در حجم معاملات شد. با ظهور انقلاب دیجیتال استفاده از اپلیکیشنهای موبایل درحال افزایش است. این اپلیکیشنها امکان ارائه نظرات صریح و داوطلبانه را به مشتریان میدهد و به نظر میرسد مقیاس خوبی برای اندازهگیری رضایت کاربران را در اختیار محققین قراردهد(Dina, Yunardi, et al., 2021). اما همواره شناسایی عوامل موثر بر رضایت مشتریان موضوعی ساده و آسان نبوده مضافاً اینکه سنجش و تحلیل عوامل استراتژیک مرتبط با چنین مفاهیمی با سختی و صعوبت بسیاری روبرو است. شناسایی دقیق نیازهای مشتریان از طریق برنامههای تلفن همراه یکی از دغدغههای اصلی صرافیهای برخط در بازار جهانی است. صرافیهای برخط تلاش میکنند با شناسایی به موقع نیازها و جلب رضایت کاربران، به رقابت در بازار ادامه داده و حیات خود را تضمین کنند.
مرور ادبیات
پژوهشهایی که با واژگان کلیدی تجربه مشتری و تحلیل احساسات انجام شده است تا پایان سال 2013 تعداد 278 مقاله در پایگاه اینترنتی اسکوپوس[v] قرار گرفته شده است.
از انجایی که بازار بورس ایران با شکستهایی مواجه بود و از طرفی دیگر معاملهگران به دنبال روشهای جایگزین و بدون واسطه برای سرمایهگذاری میباشند، ارزهای رمزنگاری شده توجه بسیاری از جوامع مالی را به خود جلب کرده است. یکی از مهمترین تحولاتی که در زمینه بهبود عملکرد در اواخر قرن بیستم به وقوع پیوست موضوع شناخته شدن سنجش میزان رضایت مشتری به عنوان یکی از عناصر و الزامات اصلی سیستمهای مدیریتی در موسسات و بنگاههای کسبوکار بود(Ziviar et al., 2012) رضایت مشتری موجب حفظ مشتریان قدیمی شده و در جذب مشتریان جدید، نقش برجستهای در محیطهای رقابتی تجارت الکترونیک ایفا میکند(Tandon et al., 2017) تکنولوژیهای اینترنتی، مانند بسترهای تجارت الکترونیک و شبکههای اجتماعی، این امکان را به کاربران میدهد تا بتوانند ترجیحات و احساسات خود را با افراد دیگر به اشتراک بگذارند و همچنین نظرات خود را اظهار کنند. این موضوع سبب میشود که تاثیر قابل توجهی بر تصمیمات دیگر کاربران گذاشته شود و همچنین اطلاعات ارزشمندی را در اختیار کاربران قرار گیرد(Morente-Molinera et al., 2019; Phan et al., 2021; Trung et al., 2013) . این تحقیقات نشان میدهد نظرات برخط نه تنها میتواند توسط کاربران برای بیان نگرشها و احساسات خود استفاده شود، بلکه میتواند توسط کسب وکارها نیز مورد استفاده قرار گیرد و از این طریق کسبوکارها میتوانند رفتار مصرفکنندگان را مشاهده کرده و و محصولات را مطابق نیازهای آنان توسعه دهند. امروزه، تکنیکهای تصمیم گیری چند معیاره به منظور بررسی و تحلیل نظرات کاربران توسط شرکتهای تجاری و دانشمندان نظرات بسیاری را به خود جلب نموده است(Liang et al., 2020; Rogachev, 2021; Sampedro Guaman et al., 2021). به نظر میرسد تکنیکهای تحلیل احساسات[vi] به عنوان یکی از تکنیکهای مورد استفاده در عرصه استفاده از اپلیکیشنهای صرافیهای مفید باشد. برخلاف روشهای مرسوم در MCDM که به دادههای قطعی نیازدارند، روش نقشههای شناختی قادر است با کمبود اطلاعات و تردید تصمیمگیرندگان مقابله کند(Dogu & Albayrak, 2018). از این رو ممکن است نقشههای شناختی فازی در ارزیابی رضایت کاربران بتواند توصیههای هدفمندتری ارائه دهد(Liang et al., 2020). اگرچه تحقیقات زیادی در مورد تحلیل احساسات انجام شده است اما مرور ادبیات نشان داد مطالعات قابل توجهی که عملکرد اپلیکیشنهای موبایل صرافیهای برخط را مورد بررسی قرار داده باشد در دسترس نیست. در جدول 2 خلاصهای از تحقیقات انجام شده در بازارهای سرمایهگذاری و برنامههای تلفن که از تکنیکهای SA و MCDM استفاده کرده اند، ارائه شده است.
جدول2- بررسی مطالعات با استفاده از SA-MCDM
نام و سال نویسندگان |
روش استخراج ویژگی ها |
روش وزن دهی ویژگی ها |
روش رتبه بندی |
شناسایی روابط بین ویژگیها |
جهت گیری احساسات |
مورد مطالعه |
||
مثبت |
خنثی |
منفی |
||||||
(Naysary, 2022) |
TF-IDF |
AHP |
Ranking in pairs |
- |
* |
* |
* |
کیف پول الکترونیکی |
(Dina, Triwastuti, et al., 2021) |
TF approach SentiWordNet using Stanford POS Tagger |
TF-IDF |
VIKOR |
- |
* |
- |
* |
خدمات اپلیکیشن موبایل Ride-Hailing |
(Daniati & Utama, 2021) |
content data mining approach and similar studies in the literature |
AHP |
TOPSIS |
- |
* |
- |
* |
تجزیه و تحلیل احساسات دادههای توییتر |
(Daniati & Utama, 2020) |
Bag of word |
TF-IDF |
SAW |
- |
* |
* |
* |
تجزیه و تحلیل احساسات دادههای توییتر |
(Dina, Yunardi, et al., 2021) |
Using part of speech (POS) tagger and WordNet |
Frequency of words |
VIKOR |
- |
* |
* |
* |
اپلیکیشن خدمات آموزشی |
(Kumar & Parimala, 2020) |
Word2vec |
AHP |
TOPSIS |
- |
* |
- |
* |
تحلیل احساسات و رویکرد MCDM برای توصیه گوشی هوشمند |
(Yuksel et al., 2018) |
TF approach SentiWordNet |
AHP |
TOPSIS |
- |
* |
- |
* |
تحلیل عملکرد نوآوری خدمات در بانکداری ترکیه |
(Vyas et al., 2019) |
N-gram approach |
AHP |
AHP, FMADM, and VIKOR |
- |
* |
- |
* |
بانکها |
(Kang & Park, 2014) |
Using part of speech (POS) |
AHP |
VIKOR |
- |
* |
* |
* |
سرویس تلفن همراه |
(Kang & Park, 2012) |
TF-IDF |
multiple regression analysis with the least square method |
TOPSIS، VIKOR, GRA |
- |
* |
- |
* |
رضایت مشتری از خدمات تلفن همراه |
بررسی جهت گیری احساسی یکی از رویکردهای مهم مورد بررسی در تحقیقاتی است که تاکنون صورت گرفته. محققان زیادی بررسی احساسات کاربران مورد توجه قرار دادهاند هرچند بیشتر این تحقیقات به بررسی نظرات مثبت و منفی کاربران پرداخته است(Daniati & Utama, 2021; Dina, Triwastuti, et al., 2021; Kumar & Parimala, 2020). در مقابل مطالعات اندکی به بررسی نظرات خنثی کاربران پرداختهاند(Kang & Park, 2012; Naysary, 2022). رویکرد دیگری که در تحقیقات منتشر شده به چشم میخورد روشهای متفاوت جهت استخراج ویژگیها است. مرور ادبیات حاکی از آن است که تحلیل احساسات در فرمهای نظرسنجی برخط روش Term frequency-Document frequency مورد توجه بیشتر محققین قرار گرفته است(Dina, Triwastuti, et al., 2021; Dzisevič & Šešok, 2019; Kang & Park, 2012; Naysary, 2022). با پرداختن به شکافهای ذکر شده در بالا، این مطالعه سعی دارد با استفاده از یک مدل ترکیبی یکپارچه راهی برای تشخیص معیارهای موثر در انتخاب صرافیهای برخط ارائه دهد که به طور همزمان موارد زیر را شامل میشود: 1) تشخیص ویژگیهای مهم از دیدگاه معاملهگران 2) شناسایی روابط علی موجود بین معیارها 3) محاسبه وزن ویژگیها با استفاده از روش نقشههای شناختی فازی 4) رتبهبندی معیارهای استخراج شده پرداخته میشود.
روش پژوهش
از آنجا که پژوهش حاضر تعیین روابط بین متغیرها است . این پژوهش از بعد هدف توصیفی، از بعد مخاطب و استفاده کننده کاربردی و از بعد زمان مقطعی است(نیومن 1394). شیوه گردآوری اطلاعات توصیفی-پیمایشی میباشد. جامعه هدف در این پژوهش فروم نظرسنجی برخط میباشد. روش نمونهگیری در پژوهش حاضر تمام شماری غیر تصادفی میباشد. از نظر نیومن(1393) روایی محتوا عبارت است از اینکه آیا سنجه، محتوا کامل تعریف مفهومی سازه را در بر دارد یا نه؟ در واقع سنجه باید کلیه ایدهها و مفاهیم و تمامی حوزههای تعریف را در بر داشته باشد.
هر ابزار سنجشی از جمله پرسشنامه باید دارای ویژگیهای روایی و پایایی باشند زیرا وجود این ویژگیها موجب درستی، اعتبار و باورپذیری یافتهها میگردد. از آنجا که دادهها با استفاده از برنامه خزشگر جمعآوری شدهاند، پایایی و روایی ابزار گردآوری دادهها مورد تایید است.
چارچوب تحقیق
محققین از طریق پیمودن مراحل ذیل فرایند تحقیق را اجرا نموده اند.
استخراج ویژگیهای برنامههای تبادل برخط
در مرحله اول نظرات برخط مشتریان از شش اپلیکیشن صرافیهای برخط با استفاده از ابزارهای خزنده وب جمعآوری شدند. دادهها پس از چند مرحله پیش پردازش شدند و برای تحلیل آماده میشوند. پس از بررسیهای متعدد، محققین تصمیم گرفتند از روش TF-IDF[vii] که دارای مزایای قابل توجهی نسبت به سایر روشها است استفاده کنند.
ظهور اینترنت، حجم عظیمی از اطلاعات را به صورت رایگان در اختیار کاربران قرار داد. دسترسی به این دادهها فهم احساسات و نظرات کاربران، به ویژه در شبکههای اجتماعی و سیستم عاملهای تجارت الکترونیکی راکه حاوی اطلاعات ارزشمندی در مورد کاربران هستند، تسهیل میکند. در واقع، کاربران رسانههای اجتماعی عمومآً نظرات شخصی خود را بیان میکنند و در مورد موضوعات خاص با دیگران به تعاطی افکار میپردازند. درک و طبقهبندی احساسات که منتج از نظرات کاربران است میتواند برای محققین و شرکتهای تجاری بسیار ارزشمند باشد. در نتیجه، فرایندهای مرتبط با نظرسنجی در دهه گذشته توجه زیادی را به خود معطوف کرده است(Averkin et al., 2018; Serrano-Guerrero et al., 2021). امروزه با توجه به توسعه اپلیکیشنهای کاربردی تلفن همراه تعداد کاربران نیز در حال افزایش است(Dina, Yunardi, et al., 2021) و فناوری در فضای اینترنت، مانند بسترهای تجارت الکترونیک و شبکههای اجتماعی، این امکان را به مصرفکنندگان میدهد تا بتوانند ترجیحات و احساسات خود را با دیگران به اشتراک گذاشته و نظرات خود را با دیگران در میان بگذارند. این تعاملات از سویی تاثیر قابل توجهی بر دیگر افراد میگذارد و از سوی دیگر اطلاعات ارزشمندی را در اختیار علاقمندان قرار میدهد(Morente-Molinera et al., 2019; Phan et al., 2021; Trung et al., 2013). از این رو در مرحله آغازین دادههای مورد نیاز پژوهش از Google Store و App Store که دسترسی به دادههای موجود در آنها ساده تر و آسانتر بود، استخراج شدند.
برای استخراج دادهها از وب سایتها از یک خزنده وب استفاده میشود. بدین منظور در این تحقیق از وب اسکرپر[viii] برای استخراج دادههای اپلیکیشنهای صرافیهای برخط استفاده شده است که به عنوان یک افزونه به کروم اضافه میشود و دادههای سایت مورد نظر را استخراج میکند(Dahooie et al., 2021).
یکی از اهداف اصلی بررسی متن از طریق تحلیل محتوا، فرآیند کشف دانش در پایگاههای دادهای بزرگ است(Yu et al., 2005). روش پیش پردازش متن این امکان را میدهد که دادههای موجود در پایگاه داده را پالایش کرده و به اطلاعات قابل بهره برداری تبدیل کند (Dalal & Zaveri, 2011). دادههای اصلی به مقادیر عددی تبدیل شده و استخراج ویژگیها از اپلیکیشنهای صرافیهای برخط را تسهیل میکند.(Hu et al., 2020). NLP[ix] مجموعهای از روشها برای تحلیل و درک متن توسط رایانهها است(Abraham et al., 2018). در این مرحله پس از خزیدن و جمع آوری دادهها، عملیات پیش پردازش متن انجام میشود که شامل مراحل زیر میباشد:
همه کلمات حروف کوچک یا بزرگ برای جلوگیری از تکرار به یک صورت خوانده میشوند.
این روش به تحلیل محتوای متن کمک بیشتری میکند. در تحلیل محتوا از این روش به منظور تقسیم کل متن به واحدهای کوچکتر(نشانهها) استفاده میشود . کلمات، اعداد، علائم نگارشی و موارد دیگر از جمله علائم زبانی هستند. جهت شکستن متن به اجزا سازنده از کتابخانه[x] NLTK در نرم افزار پایتون استفاده میشود.
در متون یکسری از کلمات هستند که معنای مهمی ندارند و معمولا از متون حذف میشوند، کلماتی نظیر «the»، «a»، «me»، «is»، «to»، « all» هستند. این کلمات معمولا حروف ربط، حروف اضافه و ضمایر هستند که اغلب در متن مکرر به چشم میخورند. بنابراین باید این کلمات توقف از داخل متن حذف شوند.
برای ریشهیابی کلمات از الگوریتم استمر پرتر[xi] استفاده میشود.
پس از انجام تمام فرآیندهای مورد نیاز در تحلیل متن، نوعی نویز در داخل متون وجود دارد، این دسته از کلمات که طول بسیار کوتاهی دارند توسط نرم افزار حذف میشود.
این مرحله با هدف شناسایی ویژگیهای اپلیکیشنهای صرافیهای برخط صورت میگیرد(هر نظر مشتری منعکس کننده عوامل موثر بر افزایش رضایت تریدر است ) بدین منظور در این تحقیق از روش TF-IDF استفاده شد. این روش فراوانی یک عبارت را در متن میسنجد و از طرف دیگر کلماتی که به ندرت یا خیلی زیاد در متن تکرار میشوند، در رتبههای پایین تری قرار میگیرند به همین خاطر احتمالا خوشه بندی بهتری اتفاق میافتد.(Yu et al., 2005). بدین منظور از کتابخانه پایتون Sktlearn استفاده میشود، که یک فرهنگ لغت از تمام کلمات موجود در متن تهیه و سپس آن را مورد بررسی قرار میدهد. فرهنگ لغت شامل تمام کلمات منحصر به فرد در سراسر مجموعه خواهد بود و هر کلمه در فرهنگ لغت به عنوان یک ویژگی در نظر گرفته میشود. TF-IDFاز دو روش آماری استفاده میکند که شامل، تعداد تکرار بیشینه (TF) و تعداد تکرار کمینه (IDF) است. بدین منظور تعداد تکرار کلمه مورد نظر تقسیم بر کل کلمات میشود و از این طریق وزن کلمه مورد نظر در کل متن تعیین میشود TF-IDF را میتوان به صورت TF* IDF محاسبه کرد. با استفاده از این روش45ویژگی استخراج شد که در جدول2 نشان داده شده است.
رویکرد سناریویی مبتنی بر نقشه شناختی فازی[xii]
کاسکو[xiii] (1986) برای اولین بار ابزارهای فازی را برای ترسیم نقشههای شناختی علّی و معلولی مورد استفاده قرار داد و مدل نقشه شناختی فازی را معرفی نمود. نقشههای شناختی از ترکیب منطق فازی و شبکههای عصبی به وجود آمده است(Efe, 2019; Papageorgiou et al., 2004). نقشههای شناختی نمایشی کیفی از باورهای ذهنی تصمیمگیرندگان است (Branco et al., 2019) همچنین ابزارهای گرافیکی هستند که برای نشان دادن ایدههای افراد در مورد تصمیمگیری درباره مسائل خاص مورد استفاده قرار میگیرند و باعث ایجاد شفافیت بیشتر و درک بهتر از مسائلی که میبایست درباره آنها تصمیمات اتخاذ شوند به کارگیری میشود(Iakovidis & Papageorgiou, 2010). این نقشهها شامل مفاهیمی است که میتوانند از نظر علی به هم پیوند خورده و از طریق منطق فازی عدم قطعیت را نمایش دهند (Iakovidis & Papageorgiou, 2010). معماری هندسی نقشههای شناختی شامل گرهها ، پیکانها و منحنیها میباشد. برای تقریب ذهنی بیشتر، چارچوب زیر یک فرآیند مدلسازی FCM را معرفی میکند: (Zhou & Ou, 2021).
ارتباط داخلی میان دو گره و دارای وزنی برابر با است. بدین صورت که علامت آن بیان کنندهی نوع رابطهی علّی بین دو نود متصل میباشد. اگر ، نشان دهنده رابطه مستقیم میباشد بدین صورت که افزایش/کاهش باعث افزایش/کاهش میشود و اگر ، نشان دهنده رابطه معکوس بوده به این مفهوم است که افزایش/کاهش باعث کاهش/افزایش میشود. و در صورتی که ، نشان دهنده عدم وجود رابطه بین و است و مقدار وزن هر یال بیان کننده ی شدت این تأثیر میباشد. با استفاده از وزنهای یالهای جهت دار، ماتریس مجاورت شکل میگیرد(Karras & Papademetriou, 2017).
|
|
شکل3 ساختار یک FCM و ماتریس مجاورت مربوطه
نمایش گرافیکی یک ساختار را نشان میدهد که ازشش مفهوم C1،...، C6، و نه یال جهت دار با وزنهای فازی W12، W34 و غیره تشکیل شده است. هر یال جهتدار دارای وزنی بین 1 - تا 1 + میباشد که بیان کنندهی جریان علّی و شدت رابطه ی بین دو مفهوم متصل میباشد،(Kim et al., 2016; Papageorgiou et al., 2011). حال برای محاسبه ماتریس حالت پایدار از فرمول زیر استفاده میشود:
(1) |
|
بیان کننده مقدار مفهوم در t امین تکرار است. همچنین وزن یال جهتدار از نود و یک تابع آستانهای به منظور کنترل مقادیر نودها در بازه میباشد. سپس مقدار مفهوم در امین تکرار است.
اکنون برای شناسایی روابط موجود میان گرهها از قوانین انجمنی استفاده میشود.
قوانین انجمنی(ARM)
دادهکاوی دارای تکنیکهای متنوعی میباشد که الگوهای مختلفی را ایجاد میکند. از جمله این الگوها میتوان به روشهای کشف قوانین انجمنی[xiv] ، خوشه بندی[xv]، طبقه بندی داده ها[xvi] و الگوریتم اشاره کرد. روشی برای کشف الگوها، قوانین معنادار و روابط پنهان و جالب در مجموعه دادههای بزرگ میباشد. قواعد انجمنی با هدف پشتیبانی از فرایندهای تصمیمگیری، مناسب میباشند زیرا درک و اجرا آن آسان میباشد اگر مجموعهای از دادههای بولی[xvii] باشند و = مجموعهای از تراکنشها[xviii] باشد. . هر تراکنش Di مجموعهای از آیتمها است، یعنی یک مجموعه اقلام، که از A گرفته شده است که به صورت یک قانون بیان میشود که در آن و باشد. این بدین معناست که اگر ترا کنشی شامل آیتم مقدم باشد آنگاه ظهور Yبه عنوان نتیجه قطعی میباشد. به این رابطه و نتایج مترتب بر آن قانون انجمن میگویند الگوریتم اپریوری یک تکنیک داده کاوی برای استخراج مجموعه آیتمهای تکراری است به گونهای که مجموعههایی که دارای کمینه اطمینان[xix] و کمینه پشتیبانی[xx] نیستند را حذف میکند.(Li et al., 2021). کیفیت یک AR را میتوان از طریق معیارهای پشتیبانی[xxi] و اطمینان[xxii] ارزیابی کرد (Antomarioni et al., 2021).
Support = {((x∪y)/{D}}
Confidence = (Support {X∪Y}/Support{x})
به طور کلی قوانین انجمنی شامل دو مرحله میباشد:
1- کشف کلیهی مجموعه اقلام مکرر
2- تولید قوانین انجمنی با کمک مجموعه اقلام بدست آمده از مرحله اول
اگر دادههای ما دارای k تا داده باشد میتواند1- k2 الگو ایجاد کند. مقدار k و فضای جستجو با هم رابطه مستقیم دارند، این بدیم معناست که هر چقدر مقدار k افزایش پیدا کند فضای جستجو نیز افزایش پیدا میکند و بالعکس. بنابراین نیاز به روشهایی میباشد که فضای جستجو را کاهش دهد. در ادامه به این روشها اشاره شده است.
الگوریتم اپریوری
یکی از روشهای کارآمد برای حل مسائل پیچیده موجود در دادهکاوی و یادگیری ماشین است. این الگوریتم توسط اگراوال[xxiii] و همکارانش، در مرکز تحقیقات IBM Almaden کشف شد و از آن میتوان برای تولید کلیه مجموعه اقلام مکرر استفاده کرد. اپریوری[xxiv] یکی از الگوریتمهای دارای رویکرد «پایین به بالا» است که به تدریج رکوردهای پیچیده را با یکدیگر مقایسه میکند. الگوریتم اپریوری اجرای آن بسیار ساده است و برای استخراج همه مجموعههای مکرر در پایگاه داده استفاده میشود. اساساً، این الگوریتم بخشهایی از یک پایگاه داده بزرگتر را دریافت کرده و به آنها «امتیازدهی» کرده و یا آن بخشها را با دیگر مجموعهها به شیوه مرتب شدهای مقایسه میکند. سپس با مقایسه مقدار minsup الگوهای مکرر kتایی مشخص میشوند. آیتمهای مکرری را که با پایان کاوش در سطح مرحله kام به مرحله ی بعدی یعنی میرود را مورد بررسی قرار میدهد. لذا هر مجموعه k باید بزرگتر یا مساوی حداقل آستانه پشتیبانی باشد. این الگوریتم دارای محدودیتهایی میباشد که میتوان به این موارد اشاره کرد: اتلاف وقت و پر هزینه بودن، حداقل پشتیبانی کم، مجموعه آیتمهای بزرگ مجموعه آیتمهای کاندید شده را چندین بار اسکن میکند(Yuan, 2017). الگوریتم اپریوری بر این مفهوم تاکید دارد که اگر یک الگوی مکرر داشته باشیم، کلیه زیر مجموعههای آن نیز مکرر میباشند بنابراین با استفاده از این الگوریتم فضای جستجو کاهش پیدا میکند(Asthana & Singh, 2013).
یافتههای پژوهش
استخراج ویژگیها از نظرات برخطعاملهگران و شناسایی عوامل موثر بر رضایت معاملهگران با استفاده از روش TF-IDF
هدف از این مرحله شناسایی ویژگیهای اپلیکیشنهای صرافیهای برخط که در واقع نقش نیازهای مشتریان را دارند، میباشد. بنابراین در نظرات جمع آوری شده به استخراج ویژگیها با استفاده از روش tf-idf پرداخته میشود. 45 تا ویژگی بدست آمده از کامنتها که همان نیازهای معاملهگران میباشند برای صرافیهای برخط که بر اساس این ویژگیها به ادامه تحقیق میپردازیم در جدول 4-2 آمده است:
جدول2 نیازهای معاملهگران استخراج شده از نظرات برخط کاربران
Code |
Feature type |
Code |
Feature type |
Code |
Feature type |
Code |
Feature type |
Code |
Feature type |
c1 |
order |
c10 |
chart |
c19 |
swap |
c28 |
variety |
c37 |
free |
c2 |
straddle |
c11 |
time |
c20 |
account |
c29 |
view |
c38 |
trade |
c3 |
hypocritical |
c12 |
option |
c21 |
experi |
c30 |
offer |
c39 |
current |
c4 |
model |
c13 |
exchang |
c22 |
contact |
c31 |
ability |
c40 |
stake |
c5 |
attend |
c14 |
future |
c23 |
allowed |
c32 |
develop |
c41 |
phone |
c6 |
leverage |
c15 |
follow |
c24 |
cancel |
c33 |
easier |
c42 |
restrict |
c7 |
support |
c16 |
submit |
c25 |
client |
c34 |
screen |
c43 |
fast |
c8 |
specialist |
c17 |
ticket |
c26 |
user |
c35 |
servic |
c44 |
mention |
c9 |
alternative |
c18 |
team |
c27 |
platform |
c36 |
custom |
c45 |
portfolio |
محاسبه وزن معیارهای موثر در انتخاب صرافیهای برخط با توجه به همبستگی میان آنها
در این مرحله به منظور محاسبهی وزن معیارها با توجه به تعامل با یکدیگر و با استفاده از قوانین انجمنی روابط و وزن بین ویژگیها را شناسایی کرده و سپس با استفاده از نقشههای شناختی فازی همبستگی و تعامل بین ویژگیهای صرافیهای برخط و وزن نهایی ویژگیها را مورد بررسی قرار میدهیم.
شناسایی روابط علّی بین نیازهای معاملهگران و تشکیل ماتریس مجاورت
وزن نهایی ویژگیهای استخراج شده از روش TF-IDF با استفاده از نقشههای شناختی فازی و قوانین انجمنی و الگوریتم اپریوری محاسبه میشود. به این سبب در زبان برنامه نویسی پایتون از کتابخانه Apyori استفاده میشود. بنابراین مقدار minsupp=0.01, minconf=0. 3 در نظر گرفته شد. لازم به ذکر است که تنها 19تا از ویژگیها دارای ارتباط همزمان باهم دیگر میباشند . حال به منظور شناسایی روابط علّیت و وزن در میان نودهای مفهومی FCM ، با توجه به رویکرد ارائه شده توسط کیم و همکاران(2016)[xxv] با توجه به قوانین بدست آمده از ،از مقادیر به منظور تعیین علامت روابط بین مفاهیم و از مقادیر به بدین منظور وزن روابط استفاده میشود و بدین ترتیب وزن علّی که بیان کنندهی شدت تأثیر مفاهیم در میباشد، بدست میآید.
استفاده از تئوری مرکزیت شبکه به منظور محاسبه وزن گرهها در FCM
برای تعیین اهمیت هر گره در تشکیل FCM، از تئوری مرکزیت شبکه استفاده میشود. مرکزیت شبکه به شکلی مطابق با رابطه 2-3 به دست میآید:
(2-3) |
|
درجه ورودی به گره از مجموع وزن یالهایی است که از گرههای دیگر به گره میروند و درجه خروجی گره از مجموع وزنهای گره به دست میآید. لبههای خروجی گره برای اتصال به گرههای دیگر است. مقدار درجهی ورودی یک ویژگی برابر با مجموع وزن تمام قوانین انجمنی که به یک ویژگی اشاره میکنند و مقدار درجهی خروجی یک ویژگی برابر با مجموع وزن تمام قوانین انجمنی که از یک ویژگی اشاره میشوند. ویژگی که دارای بالاترین مرکزیت است نقش حیاتیتری در FCM ایفا میکند (Liang et al., 2020).
در آخر ماتریس مجاورت از اوزان علّی بدست آمد. در ادامه نمودار 4-1 ،نمودار 4-2و نمودار 4-3 ،به ترتیب درجه ی ورودی، خروجی و درنهایت اهمیت هر نود با توجه به مرکزیت در شبکه را نمایش میدهند.
نمودار 4-1:درجه ی ورودی هرنود در شبکه
نمودار 4-2: درجه ی خروجی هرنود در شبکه
نمودار 4-3: اهمیت هرنود براساس مرکزیت در شبکه
با بدست آمدن اهمیت هر نود و روابط علّی و وزن یالهای بین نودها، اجزاء لازم به منظور محاسبه ی وزن نهایی ویژگیها با اسفاده از FCM مهیا و با استفاده از FCMapper وزن نهایی ویژگیها بدست میآید. شبکه FCM ساخته شده در شکل زیر نشان داده میشود:
در نهایت وزن بدست آمده از FCM برای معیارها بعد از 7 تکرار و رسیدن به حالت ثبات به صورت جدول 3 به نمایش گذاشته شده است.
جدول 3 وزن بدست آمده از FCM برای معیارها بعد از 7 تکرار و رسیدن به حالت ثبات
وزن بدست آمده با FCM |
معیارهای انتخاب صرافی |
وزن بدست آمده با FCM |
معیارهای انتخاب صرافی |
0.049 |
experience |
0.084 |
support |
0.047 |
Team |
0.078 |
Contact |
0.046 |
Fast |
0.077 |
Screen |
0.045 |
User |
0.076 |
Custom |
0.041 |
Service |
0.066 |
Specialist |
0.037 |
Follow |
0.062 |
Platform |
0.032 |
Account |
0.060 |
Ticket |
0.031 |
Portfolio |
0.057 |
Submit |
0.025 |
swap |
0.055 |
restrict |
|
0.023 |
time |
بحث و نتیجهگیری
هدف اصلی این پژوهش شناسایی مولفههای مربوط به رضایت معاملهگرها در صرافیهای برخط با تجزیه و تحلیل احساسات آنها در فضای کسبوکارهای اینترنتی و رتبهبندی معیارهای انتخاب صرافیها با استفاده از روش نقشههای شناختی فازی میباشد. توسعه سریع اینترنت و پذیرش معامله گران برای سرمایهگذاری به صورت برخط از یک سو و رقابت جهانی شرکتهای سرمایهگذاری از سوی دیگر، ارزیابی صرافیهای برخط را که در این عرصه مشغول ارائه خدمات هستند، اجتناب ناپذیر کرده است. این امر دانشمندان علاقمند را بر آن داشته تا مدلها و راه حلهایی برای شناسایی عوامل موثر بر رضایت معامله گران ارائه کنند. در این تحقیق، از یک رویکرد یکپارچهی مبتنی بر تحلیل احساسات و نقشههای شناختی فازی برای ارزیابی رضایت کاربران در استفاده از اپلیکیشنهای موبایل استفاده شد. به منظور شناسایی عوامل موثر بر رضایت معامله گران، انتخاب کنندگان قادر خواهند بود ویژگیهای مهم این اپلیکیشنها را براساس روش TF-IDF با یکدیگر مقایسه کنند. بدین منظور با استفاده از الگوریتم اپریوری در قوانین انجمنی و نقشه شناخت فازی، روابط علی و وزن بین نیازهای کاربران مشخص شد. در نهایت از آنجایی که تحلیل احساسات برای تعیین موثرترین ویژگیها انجام میشود، ویژگیهایی که نقش مهمی در صرافیهای برخط دارند مشخص میشوند. پژوهش حاضر میتواند پیامدهای مهمی را برای توسعه دهندگان کسب و کارهای اینترنتی فراهم کنند که با توجه به این ویژگیها طراحی و اجرای موفقتری در فضای رقابتی کسب و کار مورد نظر داشته باشند. با استفاده از این پژوهش مشخص میشود که کدام معیارها به طور همزمان توجه کاربران را به خود جلب کرده است و در صورتی که کاربران بدون توجه به این معیارها سرمایه خود را به صورت آنلاین مبادله کنند احتمال از دست دادن زمان و هزینه بسیاری خواهند داشت. همچنین صرافیهای برخط میتوانند با توجه به این معیارها نیازهای کاربران خود را شناسایی و توجه بسزایی به آنها بکنند.
این چهارچوب ابزاری برای تجارت الکترونیکی خواهد بود تا خدمات خود را براساس بازخورد مشتریان ارزیابی کنند و نقاط قوت و ضعف خود و شرکتهای رقیب را شناسایی و سیاستهای اصلاحی لازم را اتخاذ کنند. همچنین با توجه به نتایج این پژوهش کاربران با اعتماد بیشتری این اپلیکیشنها را انتخاب میکنند.
پیشنهادات آتی
- محققان میتوانند از روش تحلیل معنایی که یکی از معروف ترین آنها مدل LDA میباشد و در سالهای اخیر مورد توجه زیادی قرار گرفته، به منظور استخراج ویژگیهای نهفته در متن استفاده کنند.
- در تحقیق حاضر تحلیل احساسات با استفاده از رویکرد یادگیری ماشین انجام شده است لذا این تحقیق میتواند با استفاده از رویکرد مبتنی بر واژگان نیز برای سنجش نظرات کاربران انجام شود.
محدودیتهای پژوهش
این پژوهش دارای سه محدودیت اصلی میباشد
پینوشتها
* دانشجوی کارشناسی ارشد، دانشکده مدیریت سیستم و بهره وری، دانشگاه تربیت مدرس، تهران، ایران.
** دانشیار دانشکده مهندسی صنایع و سیستم ها، دانشگاه تربیت مدرس، تهران، ایران
*** دانشیار دانشکده مدیریت، دانشگاه تهران، تهران، ایران
فصلنامه علوم مدیریت ایران، سال هفدهم، شمارۀ 68، زمستان 1401، صفحه 192-169
[i] Blockchain
[ii] Decentralize
[iii] Global financial crisis
[iv] machine learning
[v] scopus
[vi] SA: Sentiment analysis
[vii] Term Frequency- Inverse Document Frequency
[viii] Web Scraper
[ix] NLP (natural language processing)
[x] NLTK ( Natural Language Toolkit)
[xi] Stammer Porter
[xii] FCM: Fuzzy cognitive map
[xiii] Kosko
[xiv] Association Rules
[xv] Clustering
[xvi] Classification
[xvii] Boolean
[xviii] Transactions
[xix] min confidence
[xx] min support
[xxi] support
[xxii] confidence
[xxiii] Agrawal
[xxiv] Apriori
[xxv] Kim et al