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)

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)

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

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.

1. جمع­آوری داده­ها

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.

2. خزیدن وب

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).

3. پیش پردازش داده‌ها با استفاده از جعبه ابزار زبان طبیعی

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:

• تبدیل حروف بزرگ به کوچک

همه کلمات حروف کوچک یا بزرگ برای جلوگیری از تکرار به یک صورت خوانده می­شوند.

• توکن سازی

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.

• حذف ایست واژه­ها

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.

• ریشه­یابی

برای ریشه­یابی کلمات از الگوریتم استمر پرتر[xi] استفاده می­شود.

• حذف توکن­های بزرگتر از طول 3

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.

4. استخراج ویژگی‌ها با استفاده از TF-IDF

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).

• مفاهیم: C1, C2, ..., Cn معماری هندسی این نقشه­ها شامل گره­ها که رویدادها را به تصویر می­کشند
• بردار جهت: A = (A1, A2, ..., An) وزن هریک از عوامل بر روی پیکان­ها نشان داده می­شود که معمولا مقداری بین 0تا1 می_­گیرد
• بردار C_i→C_j نشان دهنده اثر گره قبلی بر گره بعدی می­باشد.
• ماتریس مجاورت:

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:

     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 D_i 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).

• پشتیبانی: : اهمیت آماری قاعده را از طریق احتمال یافتن تراکنش در مجموعه داده D اندازه­گیری می­کند و برای روابطی که در آن Xو Y به طور همزمان ظاهر می­شوند مورد استفاده قرار می­گیرد.

Support = {((x∪y)/{D}}

• اطمینان: قدرت یک قانون را ارزیابی می­کند و احتمال مشروط بودن Y را در تراکنش X نشان می­دهد. (Bevilacqua et al., 2019).

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

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:

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

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

1. فقدان تحقیقات مشابه در زمینه کاری پژوهشگر و مورد مطالعه این امر سبب می­شود نتایج تحقیق را نتوان با تحقیقات قبلی مقایسه کرد.
2. مکان جمع آوری داده­ها فقط سایت­­ها بدون فیلتر می­باشد این امر ممکن است تعمیم پذیری تحقیق ما را بالاتر ببرد.
3. از نظر بعد زمانی به علت حجم زیاد داده­ها در این پژوهش تنها کامنت­های مربوط به سال 1400 الی 1401 استخراج شدند.

پی‌نوشت‌ها

1. Blockchain 2. Decentralize
2. Global financial crisis 4. machine learning
3. scopus 6. SA: Sentiment analysis
4. Term Frequency- Inverse Document Frequency
5. Web Scraper 9. NLP (natural language processing)
6. NLTK ( Natural Language Toolkit) 11. Stammer Porter
7. FCM: Fuzzy cognitive map 13. Kosko
8. Association Rules 15. Clustering
9. Classification 17. Boolean
10. Transactions 19. min confidence
11. min support 21. support
12. confidence 23. Agrawal
13. Apriori 25. Kim et al

* 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