نشریه بین المللی مهندسی صنایع و مدیریت تولید

 پشتیبانی و خدمات پس از فروش محصول توجه طیف گسترده­ای از مدیران، متخصصان و تصمیم­گیرندگان صنایع مختلف را به خود جلب کرده­است. در این بین فراهم کردن قطعات یدکی برای مشتریان محصولات، ‌با هدف تضمین کارکرد مناسب محصول در طول دوره عمر خود مورد توجه متخصصان لجستیک، تامین و زنجیره تامین است. آنچه پیش­بینی تقاضا و مصرف یک محصول را ممکن و به واقعیت نزدیک می­کند شناسایی عوامل موثر بر تقاضا و تعیین رابطه آن عوامل با تقاضا است. بر این اساس مناسب­ترین روش پیش­بینی تعداد قطعات یدکی موردنیاز، استفاده از مدلی است که کلیه عوامل موجد یا موثر بر نرخ شکست را درنظر بگیرد. در این مقاله مدلی ارائه شده که علاوه بر قابلیت اطمینان قطعه، عوامل محیطی موثر بر نرخ شکست را به خوبی درنظر می­گیرد. علاوه براین از آنجاکه مصرف بسیاری از قطعات ناشی از ارتباط آنها با سایر قطعات و وجود مفهومی به نام برهم­کنش شکست قطعات است، این عوامل نیز به عنوان یک گروه دیگر از عوامل موثر بر تقاضا در مدل وارد شده است. مدل ارائه شده در این مقاله، با استفاده از مدل­های قابلیت اطمینان و فرآیند تجدید به پیش­بینی مصرف قطعات یدکی با درنظرگرفتن قابلیت اطمینان، عوامل موجود در محیط عملیاتی و برهم­کنش شکست می­پردازد.

در دنیای رقابتی امروزی، شیوه‌های جذب مشتری یکی از با اهمیت‌ترین حوزه‌های کاربردی داده‌کاوی بوده و پرواضح است که یکی از مهمترین ابعاد آن پیش‌بینی رفتار خرید مشتری است. زیرا، پیش‌بینی خوب می‌تواند به توسعه استراتژیهای بازاریابی دقیقتر و صرف کاراتر منابع کمک نماید. ایجاد یک سیستم تشخیص مشتری(CRS) به دلیل وجود تعداد زیادی ویژگی در دسترس طراح کاری بسیار مشکل است. بعلاوه، نیاز شدیدی به ایجاد یک CRS وجود دارد که همزمان پیچیدگی کم و قابلیت پیش‌بینی خوبی را داشته باشد. از اینرو، مقصود این مقاله، توسعه یک CRS تلفیقی (HCRS) است که از نظر محاسباتی کارا و اثربخش است. نوآوری مدل HCRS، هم طراحی و هم پیاده‌سازی سیستم مذکور با ایجاد یک درخت رگرسیونی هرس شده (PRT) و طراحی یک شبکه عصبی پیشخوراند بهبودیافته (IFFNN) جهت افزایش سرعت، دقت و کاهش پیچیدگی را شامل می‌شود. از آنجاییکه، شناسایی مشتریان یکی از دغدغه‌های صنعت بیمه است، از داده‌های یک شرکت بیمه هلندی استفاده شده است. نتایج نشان داد که HCRS تنها 7% از ویژگی‌ها را در حالت بهینه انتخاب می‌کند که به میزان قابل‌توجهی هزینه محاسبات را کاهش می‌دهد. به‌‌علاوه، نتایج نشان داد که PRT نسبت به روش منحنی مشخصه عملیاتی دریافت‌کننده کاراتر بوده و IFFNN نسبت به FFNN و PRT پیش‌بینی‌های دقیقتری را ارائه می‌کند.

در دنیای رقابتی امروزی، شیوه‌های جذب مشتری یکی از با اهمیت‌ترین حوزه‌های کاربردی داده‌کاوی بوده و پرواضح است که یکی از مهمترین ابعاد آن پیش‌بینی رفتار خرید مشتری است. زیرا، پیش‌بینی خوب می‌تواند به توسعه استراتژیهای بازاریابی دقیقتر و صرف کاراتر منابع کمک نماید. ایجاد یک سیستم تشخیص مشتری(CRS) به دلیل وجود تعداد زیادی ویژگی در دسترس طراح کاری بسیار مشکل است. بعلاوه، نیاز شدیدی به ایجاد یک CRS وجود دارد که همزمان پیچیدگی کم و قابلیت پیش‌بینی خوبی را داشته باشد. از اینرو، مقصود این مقاله، توسعه یک CRS تلفیقی (HCRS) است که از نظر محاسباتی کارا و اثربخش است. نوآوری مدل HCRS، هم طراحی و هم پیاده‌سازی سیستم مذکور با ایجاد یک درخت رگرسیونی هرس شده (PRT) و طراحی یک شبکه عصبی پیشخوراند بهبودیافته (IFFNN) جهت افزایش سرعت، دقت و کاهش پیچیدگی را شامل می‌شود. از آنجاییکه، شناسایی مشتریان یکی از دغدغه‌های صنعت بیمه است، از داده‌های یک شرکت بیمه هلندی استفاده شده است. نتایج نشان داد که HCRS تنها 7% از ویژگی‌ها را در حالت بهینه انتخاب می‌کند که به میزان قابل‌توجهی هزینه محاسبات را کاهش می‌دهد. به‌‌علاوه، نتایج نشان داد که PRT نسبت به روش منحنی مشخصه عملیاتی دریافت‌کننده کاراتر بوده و IFFNN نسبت به FFNN و PRT پیش‌بینی‌های دقیقتری را ارائه می‌کند.