۲-۱-۸- کارایی بازار سرمایه و اهمیت آن در ارزیابی سهام

بازاری کاراست که در آن بازار، ارزش اوراق بهادار نزدیک به ارزش ذاتی آن بوده و قیمت بازار شاخص مناسبی از ارزش آن اوراق باشد. در چنین بازاری قیمت سهام، منعکس کننده کلیه اطلاعات موجود در بازار است. در بازار کارا، اطلاعات سریعا پخش شده و به سرعت بر قیمت سهام تاثیر می گذارد. در چنین بازاری قیمت سهام نسبت به آنچه که اتفاق می افتد بسیار حساس است و تمام اتفاقات مذکور نیز می تواند به نحوی بر قیمت سهام تاثیر بگذارد. این اتفاقات چه بین المللی باشد و چه اقتصادی و اجتماعی، بستگی به حساسیت قیمت سهام نسبت به موضوعی دارد که به وقوع می پیوندد( حامدیان،۱۳۷۸). هرچه از سطح ضعیف فرضیه بازار کارا به سمت قوی نزدیک می شویم، انواع مختلف تحلیل‌های سرمایه‌گذاری در تعیین مرز بین سرمایه‌گذاری‌های سودآور و غیر سودآور اثرخود را از دست می دهند و کم رنگ تر می‌شوند. اگر شکل ضعیف معتبر باشد، تحلیل فنی‌یا تحلیل نمودار قیمت سهام بی اثر می‌شود. وقتی حرکت قیمت سهام از الگوی خاصی تبعیت می‌کند، استفاده کننده از نمودار، نتیجه می‌گیرد که سهام در آینده جهت معینی خواهد داشت. در واقع، استفاده کنندگان از نمودار، از فنون مختلف برای ارزیابی روند قیمت‌های قدیم سهام، سود می جوید تا روند قیمت‌های آینده سهام را برآورد کند. اگر شکل ضعیف بازار کارا برقرار باشد، اطلاعاتی در قیمت‌های گذشته سهام وجود ندارد که برای پیش‌بینی آینده کارساز و چاره ساز شود. هر اطلاعاتی که بوده توسط هزاران چارتیست ماهر، در مناطق مختلف تحلیل شده و به اتکای آن تحلیل‌ها، روی آنها خرید و فروش صورت گرفته است. از این رو، قیمت سهام به سطحی می رسد که در برگیرنده همه اطلاعات مفید، منعکس در قیمت‌های گذشته سهام است. اگر شکل نیمه قوی فرضیه بازار مورد نظر باشد، تا زمانی که تحلیل سرمایه‌گذار، به اطلاعات عام منتشر شده، متکی است، هیچ تحلیلی به سرمایه‌گذار کمک نمی‌کند که بازدهی بهتر از بقیه بدست آورد(دلبری،۱۳۸۰).

 

۲-۲- پیش‌بینی

پیشگویی شرایط و چگونگی رخداد حوادث در آینده را پیش‌بینی می گویند و چگونگی انجام این عمل پیش‌بینی کردن نامیده می‌شود(الوانی، ۱۳۸۸). پیش‌بینی از دو روش کیفی و کمی امکان پذیر است.

 

۲-۲-۱- روش‌های پیش‌بینی کیفی

جهت پیش‌بینی وقایع با روش‌های کیفی، به طور کلی از نظرات و عقاید متخصصین استفاده می‌شود. چنین روش‌های پیش‌بینی معمولا وقتی داده‌های زمانی مربوط به گذشته اصلا وجود ندارد و‌یا کم و در دسترس نیستند، به کار می روند و همچنین برای پیش‌بینی تغییرات الگوی داده‌های زمانی به کار می روند(رعیتی شوازی،۱۳۸۵).

 

۲-۲-۲- روش‌های پیش‌بینی کمی

مدل‌های پیش‌بینی کمی شامل مدل‌های تک متغیری و مدل‌های علّی می‌باشد. مدل تک متغیری، مدلی است که تنها بر اساس ارزش مقادیر گذشته‌یک سری زمانی، مقادیر آتی سری زمانی مزبور را پیش‌بینی می نماید. در این مدل جهت رسیدن به الگویی برای داده‌ها، داده‌های مربوط به گذشته مورد تجزیه و تحلیل قرار می‌گیرد، سپس با این فرض که الگوی به دست آمده تا آینده ادامه خواهد داشت، جهت پیش‌بینی مورد استفاده قرار می‌گیرد. مدل‌های علّی پیش‌بینی، مستلزم این می‌باشند که متغیرهایی که با متغیر مورد نظر جهت پیش‌بینی در ارتباط هستند، شناسایی شوند. با پی بردن به این ارتباط، مدل آماری ما بسط می‌یابد و سپس مدل آماری فوق جهت پیش‌بینی متغیر مورد نظر به کار برده می‌شود(رعیتی شوازی،۱۳۸۵).

 

۲-۲-۳- انتخاب روش پیش‌بینی

انتخاب روش‌های پیش‌بینی تحت تاثیر عواملی مانند شکل مطلوب پیش‌بینی، افق دوره و فاصله پیش‌بینی، الگوی داده‌ها، دقت مطلوب، هزینه پیش‌بینی، در دسترس بودن داده‌ها، سهولت عمل و فهم پیش‌بینی می‌باشد. اولین عامل در انتخاب روش پیش‌بینی، شکل مطلوب آن می‌باشد که به طور مثال آیا پیش‌بینی نقطه ای کفایت می‌کند‌یا این که پیش‌بینی فاصله‌ی مورد نیاز است. بعضی روش‌ها به طور نظری پیش‌بینی‌های فاصله ای درستی تشخیص می دهند و برخی دیگر تشخیص نمی دهند. دومین عامل، دوره و چارچوب زمانی پیش‌بینی می‌باشد که پیش‌بینی‌ها برای‌یک مقطع زمانی به صورت روزانه، هفتگی، ماهیانه و سالیانه صورت می‌گیرد. این مقطع زمانی چارچوب‌یا افق زمانی نامیده می‌شود(رعیتی شوازی،۱۳۸۵). در ادامه به توضیح سه روش مرسوم در پیش‌بینی‌های سرمایه‌گذاری پرداخته می‌شود.

 

۲-۲-۴- روش بنیادی

روش بنیادی، عبارت است از بررسی صورت‌های مالی شرکت‌ها و دیگر اطلاعات اقتصادی و مالی بمنظور تعیین ارزش ذاتی شرکت( جهانخانی و پارسائیان،۱۳۷۵). کلیه کسانی که از این روش استفاده می‌نمایند از داده‌های بنیادی برای به دست آوردن تصویری شفاف از شرکتی که می خواهند در آن  سرمایه‌گذاری نمایند، استفاده می‌کنند. در بررسی با روش بنیادی سه مرحله بررسی کلان اقتصادی، بررسی صنعت و سپس بررسی شرکت صورت می پذیرد. هدف از بررسی کلان اقتصادی، تجزیه و تحلیل پارامترهای سیاست‌های انقباضی و انبساطی، نرخ رشد اشتغال، نرخ تورم، نوسانات نرخ بهره، نوسانات نرخ ارز، کسری بودجه، برنامه‌های اقتصادی دولت، توسعه صادرات، تغییر ارزش پول و غیره می‌باشد. در بررسی صنعت به وضعیت صنعت در بین صنایع داخلی، نسبت‌های مالی در صنایع مختلف، عمر نوسانات فعالیت صنعت، ارزبری، ابعاد مثبت و روند قابل قبول مشاهده شده در صنایع مختلف، وضعیت سرمایه‌گذاری، وضعیت رقابت، وابستگی تکنولوژی و آینده صنایع پرداخته و صنایع شاخص انتخاب می‌گردند. در بین صنایع انتخاب شده و پیشرو به بررسی نسبت‌های مهم مالی چهارگانه نقدینگی، اهرمی، فعالیت و سودآوری و سپس به بررسی هفت شاخص مهم نسبت بدهی، بازده سهام داران، بازده کل شرکت، نسبت قیمت به بازده، سود عایدی هر سهم، سود نقدی و تقسیمی هر سهم، بتا و ضریب ریسک سیستماتیک پرداخته می‌شود و سپس از قانون مبادله زیر استفاده می‌شود: اگر ارزش ذاتی دارایی بیشتر از ارزش بازاری آن باشد درآن سرمایه‌گذاری کن و در غیر این صورت نه. در واقع تحلیلگران بنیادی معتقدند که بازار ۹۰ درصد منطقی و۱۰ درصد روانی عمل می‌کند(ایزدی، ۱۳۸۳). در ادامه به تعریف رایج ترین معیارهایی که در این روش از آنان استفاده می‌شود، پرداخته می‌شود.

شاخص کل(INDEX): شاخص کل بورس تهران که به آن تپیکس[۷] می‌گویند، نشانگر روند عمومی قیمت کل شرکت‌های بورس است، و تغییرات سطح عمومی قیمت‌ها را نسبت به تاریخ مبدأ (۱۳۶۹) نشان می‌دهد. این شاخص۵۲ شرکت که در آن زمان کل شرکت‌های پذیرفته شده در بورس را شامل می شدند، در برمی گرفت. این شاخص با بهره گرفتن از فرمول(۲-۴) محاسبه می گردد:

(۲-۴)

که در این رابطه:

: قیمت شرکت iام در زمان t

: تعداد سهام منتشره شرکت iام در زمانt.

: عدد پایه در زمان t که در زمان مبدأ برابر  بوده است

: قیمت شرکت  iام در زمان مبدأ

: تعداد سهام منتشره شرکت i ام در زمان مبدأ

n: تعداد شرکت‌های مشمول شاخص

شاخص قیمت بورس تهران تمامی شرکت‌های پذیرفته شده در بورس را در برمی گیرد و در صورتیکه نماد شرکتی بسته باشد‌یا برای مدتی معامله نشود، قیمت آخرین معامله آن در شاخص لحاظ می گردد(مرکز پژوهشات و توسعه بازار سرمایه ایران).

 نسبت قیمت به سود(P/E): این نسبت از تقسیم قیمت بازار سهام شرکت بر سود هر سهم شرکت به دست می‌آید(ساعدی و مختاریان،۱۳۸۸).

سود هرسهم([۸]EPS): برابر است با سود گزارش شده شرکت، تقسیم بر تعداد سهام منتشره و در دست سهام داران.‌یکی از مهم ترین نسبت‌های مالی است که سرمایه‌گذاران به آن توجه می‌کنند. تمایل به خرید سهام با سود هر سهم بالا، بین همه سرمایه‌گذاران وجود دارد.

شاخص کارایی مالی(FE): از نسبت‌های سودآوری می‌باشد که بصورت نسبت جمع داراییها به جمع حقوق صاحبان سهام محاسبه می‌شود.

 نرخ بازده دارایی‌ها(ROA): این نرخ‌یکی دیگر از نسبت‌های سودآوری می‌باشد که از حاصل تقسیم سود خالص به جمع داراییها محاسبه می‌گردد.

 نرخ بازده حقوق صاحبان سهام(ROE): این نرخ از مرسوم ترین نسبت سودآوری می‌باشد که بصورت نسبت سود خالص به جمع حقوق صاحبان سهام بیان می‌گردد.

 حاشیه سود خالص(NPM): این نسبت نیز از دیگر نسبت‌های سودآوری است که در تجزیه و تحلیل صورت‌های مالی‌یک شرکت مورد بررسی قرار می‌گیرد. مقدار کمی این نسبت از تقسیم سود خالص بر خالص فروش به دست می‌آید.

نسبت گردش دارایی(AT): نسبت گردش دارایی‌ها،‌یکی از نسبت‌های فعالیت می‌باشد که بصورت حاصل تقسیم خالص فروش بر جمع دارایی‌ها بدست می‌آید.

 نسبت گردش پرداخت بدهی‌ها(PT): نسبت خالص فروش بر جمع بدهیها را نسبت گردش پرداخت بدهیها می نامند.

 نسبت جاری(CR): این نسبت در زمره نسبت‌های نقدینگی می‌باشد که برای محاسبه آن دارایی‌های جاری را بر بدهی‌های جاری تقسیم می‌نمایند.

 نسبت آنی(QR): نوع دیگر نسبت‌های نقدینگی، نسبت آنی می‌باشد که به صورت نسبت درارایی‌های جاری به جزء موجودی کالا تقسیم بر بدهی‌های جاری بیان می‌شود( شباهنگ، ۱۳۷۲).

در میان روش‌های مدل سازی نوین، سیستم‌های فازی جایگاه ویژه ای را کسب نموده اند. این امر را می توان معلول توانایی پیاده سازی دانش بشری با بهره گرفتن از مفهوم برچسب‌های زبانی و قواعد فازی، غیر خطی بودن و قابلیت تطبیق پذیری این نوع سیستم‌ها دانست. به طور خلاصه‌یک سیستم فازی‌یک سیستم مبتنی بر قواعد منطقی اگر- آنگاه است. نقطه شروع ساخت‌یک سیستم فازی به دست آوردن مجموعه ای از قواعد اگر- آنگاه فازی از دانش فرد خبره‌یا دانش حوزه مورد نظر است. به دست آوردن این قواعد مهمترین و سخت ترین مرحله کار است. چرا که نیازمند دانش بالای فرد متخصص و پیاده سازی صحیح آن است. داشتن روشی که در کنار دانش بشری بتوان از اطلاعات عادی موجود برای ساخت قواعد استفاده کرد نیز می تواند در این مرحله بسیار مفید باشد(آذر و افسر،۱۳۸۵). در این بخش به طور مختصر به معرفی سیستم‌های فازی که غالبا در مسائلی نظیر پیش‌بینی به طور مکمل استفاده می‌شوند، پرداخته می‌شود. همانطور که اشاره شد، برای بیان کردن سیستم‌های فازی احتیاج به قوانین اگر-آنگاه است. در سیستم‌های فازی از متغیرهای فازی استفاده می‌شود. متغیرهای فازی به عبارات مورد استفاده در زبان طبیعی برای تشریح مفاهیمی که معمولا دارای ابهام و عدم قطعیت هستند، می گویند(کلیر[۱]، ۱۹۹۵). برای معرفی سیستم‌های فازی ابتدا باید با منطق فازی و مفاهیم مرتبط با آن آشنا شد.

 

۲-۳-۱- منطق فازی

در منطق دودویی که اولین بار توسط ارسطو مطرح شد، شاهد در نظر گرفتن حالات بصورت قطعی درست‌یا غلط هستیم.‌یعنی می توان وقایع طبیعی را بدرستی و با قطعیت تعریف و اندازه گیری نمود. در حالیکه در کسب وکار، اقتصاد، مباحث مالی و بسیاری از علوم دیگر، حالات طبیعی مبهم بوده و فاصله بین آنچه هست و آنچه نیست به درستی تعریف نشده است. بهرحال، بطور کلی می توان گفت، فازی عبارتست از عملیات روی اطلاعات نادقیق و تحلیل نا دقیق اطلاعات(بوزادیو[۲]، ۱۹۹۷). منطق فازی اولین بار توسط پروفسور لطفی زاده استاد دانشگاه برکلی در مقاله ای تحت عنوان” مجموعه‌های فازی” در سال ۱۹۶۵ به دنیا عرضه شد. لیکن نزدیک چندین سال طول کشید تا دانشمندان به کاربردها آن دست‌یافتند و منطق فوق در سیستم‌های کنترلی مورد استفاده قرار گرفت. این منطق سالها بعد و در اوائل دهه ۹۰ کاربردهای خویش را در عرصه‌های علوم دیگر همانند مدیریت‌یافت و راهی تازه برای تحلیل و مدلسازی مسائل در فضای عدم قطیعت پیش روی محققان قرار داد(وونالتراک[۳]، ۱۹۹۷).

 

۲-۳-۱-۱- مجموعه‌های فازی

نظریه مجموعه‌های فازی ابزار ریاضی لازم را برای شبیه سازی مفاهیم گنگ نامشخص و مبهم فراهم می آورد و این نظریه می تواند دانش بشر را که از تجربه‌یا داده‌های آزمایشگاهی به دست می آیند، مدل سازی نمایند(خاتمی، ۱۳۸۷).

در مجموعه‌های فازی گروه‌هایی از چیزها وجود دارد که روشن نیست آیا به مجموعه تعلق دارند‌یاخیر.  زیر مجموعه فازی f در عالم سخنx  بوسیله تابع عضویت µ_f مشخص می‌شود که‌یک نگاشت ازx به بازه بسته ]۰،۱[ می‌باشد.

(۲-۸)

بنابراین زیر مجموعه فازی f از عالم سخن x را می توان به کمک مجموعه زوج مرتب‌های (۲-۴۰) نمایش داد که درآن مولفه اول‌یعنی x به میزان µ_f(x) بهf  تعلق دارد(حسینقلی زاده، ۱۳۸۶).

(۲-۹)

تابع عضویت درجه‌ی اعتقاد تعلق‌یک شی به‌یک مجموعه خاص از اشیاء را نشان می دهد. درجه عضویت به طور پیوسته بین صفر و‌یک انتخاب می‌گردد و به وسیله آن می توان خواص مجموعه‌های معمولی را به مجموعه‌های فازی تعمیم داد. برای بدست آوردن تابع عضویت‌یک مفهوم از عقل سلیم، دانش کارشناسان سیستم و روش‌های آماری استفاده می‌شود(خاتمی،۱۳۸۷).

 

۲-۳-۱-۲- عملگرهای مجموعه فازی

عملگرهای فازی ابزارهایی برای انجام عملیات‌های مختلف بر روی مجموعه فازی است. با اعمال عملگرهای فازی روی‌یک مجموعه فازی به مجموعه فازی جدیدی می توان دست‌یافت. عملگرهای فازی برای انجام عملیات‌های گوناگونی مورد استفاده قرار می‌گیرند. لیست عملگرهایی که روی مجموعه‌های فازی تعریف می‌شوند، در ادامه بیان شده است(زاده [۴] ، ۱۹۶۵).

• عملگر فشرده کردن[۵](تمرکز)

(۲-۱۰)

• عملگر توان[۶]

(۲-۱۱)

• عملگرNOT

(۲-۱۲)

• عملگر اشتراک

(۲-۱۳)

• عملگر اجتماع

(۲-۱۴)

 

۲-۴- شبکه عصبی فازی

۲-۴-۱- شبکه‌های عصبی مصنوعی

هوش مصنوعی اختصارا روشی است در جهت هوشمند ساختن کامپیوتر. این منظور زمانی برآورد می‌شود که ما قادر باشیم چگونگی تفکرانسان در زمان تصمیم گیری‌یا حل مساله را بررسی کرده و آن را پس از تقسیم بندی به مراحل پایه ای در قالب‌یک برنامه کامپیوتری ارائه نمائیم. هوش مصنوعی وسیله ایست ساده و سازمان‌یافته برای طراحی برنامه‌های تصمیم گیری پیچیده.  فکر انسان می تواند اطلاعات را بدون تغییر در روند کار مغز و بدون ایجاد اختلال در اطلاعات ذخیره شده قبلی جذب نماید.‌یک برنامه هوش مصنوعی نیز مشابه این روش کار می‌کند. روش‌های هوش مصنوعی اجازه می دهند تا ساختار‌یک برنامه به گونه ای باشد که هر بخش آن مجزا بوده و مشخص کننده‌یک گام به سوی حل‌یک مساله‌یا‌یک سری از مسائل باشد. هر بخش از برنامه مانند قسمتی از اطلاعات مغز انسان می‌باشد اگر این اطلاعات دچار اختلال شود، مغز می تواند به طور  خودکار رویه تفکرش را به گونه ای تغییر دهد تا واقعیت‌های جدید را تنظیم نماید. برای این کار نیاز نیست تمامی پیش آگاهی‌های‌یک فرد مورد بررسی قرار گیرد. بلکه کافی است تنها اطلاعات بخشهایی که مربوط به این تغییر می‌شوند استفاده گردد.‌یک برنامه استاندارد می تواند از پس تمامی قابلیت‌های هوش مصنوعی برآید، ولی نمی تواند مثل آن سریع و راحت باشد. هوش مصنوعی در مواردی همچون بازیها، اثبات تئوری‌ها، حل مسائل روزمره و عمومی، ادراک توسط کامپیوتر، فهم زبان طبیعی و حل مسائل خاص و تخصصی کاربر دارد(عربانی،۱۳۸۵). در طی دهه اخیر شاهد حضور موفق شبکه‌های عصبی مصنوعی[۷] بوده ایم. ایده آموزش برای حل مسائل شناسایی الگوهای پیچیده با بهره گرفتن از دیدگاه عامل‌های داده هوشمند برای محققان دانشگاهی بسیار چالش انگیز شده است. شبکه‌های عصبی ابزار محاسباتی ساده ای برای آزمون داده‌ها و ایجاد مدل از ساختار داده‌هاست. داده‌هایی که برای ایجاد مدل‌ها استفاده می‌شوند، به داده‌های آموزشی مشهور هستند. هر گاه شبکه عصبی از داده‌های آموزش برای‌یادگیری الگوهای موجود در داده‌ها استفاده کند، می تواند آنها را برای دستیابی به خروجی‌ها و نتایج مختلف به کار بگیرد(سرفراز و افسر،۱۳۸۴).

 

۲-۴-۲- تاریخچه شبکه‌های عصبی مصنوعی

مباحث هوش مصنوعی پیش از بوجود آمدن علوم الکتریک، توسط فلاسفه و ریاضی دانانی نظیر ارسطو[۸] و بول[۹] که اقدام به ارائه قوانین و نظریه‌هایی در باب منطق نمودند، مطرح شده بود. در سال ۱۹۴۳، با اختراع رایانه‌های الکترونیک، هوش مصنوعی دانشمندان را به چالشی بزرگ فراخواند. چرا که بنظر می رسید فناوری در نهایت قادر به شبیه سازی رفتارهای هوشمندانه خواهد بود. در سال ۱۹۵۰ آلن تورینگ[۱۰]، ریاضی دان انگلیسی، معیار سنجش رفتار‌یک ماشین هوشمند را چنین بیان داشت: ” سزاوارترین معیار برای هوشمند شمردن‌یک ماشین، اینست که آن ماشین بتواند انسانی را به گونه ای بفریبد که آن را متقاعد کند با‌یک انسان روبروست” . در سال ۱۹۵۶ طی جلسه ای در کالج دارتموث[۱۱] آمریکا با حضور و همکاری ماروین مینسکی[۱۲]، جان مک کارتی[۱۳]، هربرت سایمون[۱۴]، آلن نیوئیل[۱۵] و غیره، اصطلاح هوش مصنوعی ابداع و اولین برنامه کامپیوتری هوش مصنوعی انتشار‌یافت. با وجود مخالفت گروهی از متفکرین با هوش مصنوعی که با دیده تردید به کارآمدی آن می نگریستند، تنها پس از چهار دهه عرصه علم شاهد تولد ماشینهای شطرنج باز و دیگر سیستم‌های هوشمند در صنایع گوناگون گردید(رعیتی شوازی،۵ ۱۳۸). طی چند دهه اخیر، تلاش‌های بسیار جدی جهت طراحی مدارات الکترونیکی که قادر باشند شبکه عصبی  زیستی را همانند سازی کنند صورت گرفته است. شبکه‌های مدل شده که با نام الگوهای شبکه‌های عصبی شناخته شده اند، گسترش‌یافته و مدل سازی شده اند. برخی از این نمونه‌ها به گونه ای بسیار نزدیک عملکرد شبکه عصبی زیستی را همانند سازی کرده اند و برخی دیگر تفاوت بسیاری دارند.

 

[۱] Klir

[۲] Bojadziev

[۳] VonAltrock

[۴] Zadeh

[۵] Concentration

[۶] Power

[۷] Artificial Neural Networks

[۸] Aristotle

[۹] Bool

[۱۰] Alan Turing

[۱۱] Dartmouth College

[۱۲] Marvin Minsky

[۱۳] John McCarthy

[۱۴] Herbert Simon

[۱۵] Alan Newell

شبکه‌های عصبی مصنوعی با وجود اینکه با سیستم عصبی طبیعی قابل مقایسه نیستند، ویژگی‌هایی دارند که آنها را در هر جایی که نیاز به‌یادگیری‌یک نگاشت خطی و‌یا غیر خطی باشد متمایز می نماید. این ویژگی‌ها به شرح زیر است:

 

قابلیت‌یادگیری: استخراج‌یک نگاشت غیر خطی که با چند مثال مشخص شده است، کار ساده‌های نیست. پیاده سازی این نتایج  با‌یک الگوریتم معمولی و بدون قابلیت‌یادگیری، نیاز به دقت و مراقبت زیادی دارد. در چنین حالتی سیستمی که بتواند خود این رابطه را استخراج کند، بسیار سودمند به نظر می رسد. افزودن مثال‌های احتمالی در آینده به‌یک سیستم با قابلیت‌یادگیری به مراتب آسانتر از انجام آن بدون چنین قابلیتی است، زیرا در سیستم فاقد این قابلیت، افزودن‌یک مثال جدید به منزله‌ی تعویض کلیه‌ی کارهای انجام شده‌ی قبلی است.

پراکندگی اطلاعات: آنچه شبکه فرا می‌گیرد( اطلاعات‌یا دانش)، در وزن‌های سیناپسی( واحد‌های ساختاری کوچکی که ارتباط بین نرون‌ها را برقرار می سازند) مستتر می‌باشد و این طور نیست که را بطه‌ی‌یک به‌یک بین ورودی‌ها و وزن‌های سیناپتیکی وجود داشته باشد. به عبارتی دیگر، هر وزن سیناپسی مربوط به همه‌ی ورودی‌هاست ولی به هیج‌یک از آنها به طور منفرد و مجزا مربوط نیست. بر این اساس، چنانچه بخشی از سلول‌های شبکه حذف شوند و‌یا عملکرد غلط داشته باشند، باز هم احتمال رسیدن به پاسخ صحیح وجود دارد، اگر چه این احتمال برای تمام ورودی‌ها کاهش‌یافته، ولی برای هیچ‌یک از بین نرفته است.

قابلیت تعمیم: پس از آنکه مثال‌های اولیه به شبکه آموزش داده شد، شبکه می تواند در مقابل‌یک ورودی آموزش داده نشده قرار گیرد و‌یک خروجی مناسب ارائه نماید. این خروجی بر اساس مکانیزم تعمیم که همان فرآیند درون‌یابی است، بدست می‌آید.

پردازش موازی: هنگامی که شبکه‌ی عصبی در قالب سخت افزار پیاده می‌شود. سلول‌هایی که در‌یک تراز قرار می‌گیرند، می توانند به طور همزمان به ورودی‌های آن تراز پاسخ دهند. این ویژگی باعث افزایش سرعت پردازش می‌شود. در واقع وظیفه‌ی کلی پردازش در چنین سیستمی بین پردازنده‌های کوچکتر مستقل از هم تقسیم می‌شود.

مقاوم بودن: در‌یک شبکه‌ی عصبی هر سلول به طور مستقل عمل می‌کند و رفتار کلی شبکه، برایند رفتارهای محلی سلول‌های متعدد است. این ویژگی باعث می‌شود تا خطاهای محلی ازچشم خروجی نهایی دور بمانند. به عبارتی دیگر، سلول‌ها در‌یک روند قابلیت مقاوم بودن در سیستم می‌شود(رعیتی شوازی، ۱۳۸۵).

۲-۴-۴- تعریف شبکه عصبی فازی

به طور کلی، شبکه‌های عصبی مصنوعی برای مقصودی که ما ازآن استفاده می کنیم، توانایی چندانی برای توسعه‌یک مدل در زمانی منطقی را ندارد. از سوی دیگر، مدل سازی فازی برای کاربرد ادغام تصمیمات از متغیرهای متفاوت، نیازمند‌یادگیری از تجربیات و داده‌های جمع آوری شده است. از شبکه‌های عصبی مصنوعی و مدل فازی در بسیاری از زمینه‌های کاربردی استفاده شده است و هریک از آنها دارای محاسن و معایبی هستند. بنابراین، ترکیب موفقیت آمیز این دو دیدگاه و مدل سازی شبکه‌های عصبی مصنوعی و فازی، موضوع مطالعات آتی قرار گرفته است.در این بخش امکان ترکیب سیستم‌های فازی و شبکه‌های عصبی بررسی خواهند شد و قابلیت‌های‌یادگیری شبکه‌های عصبی وارد سیستم‌های فازی خواهند شد.  برای شروع بحث نگاهی خواهیم داشت به سلول عصبی عصبی مصنوعی‌یا نرون مصنوعی در شرایطی که قابلیت‌های آن بصورت فازی در نظر گرفته شوند. مدل‌های ریاضی نرون فازی نیازمند روابط و عملگرهای فازی مناسبی هستند تا ورودی‌های شبکه را از طریق سیناپس‌ها به خروجی‌ها تبدیل کنند. عملگرهای منطق فازی مانند عملگر Max و عملگر Min برای محاسبه برآیند ورودی‌های سلول عصبی مورد استفاده قرار می‌گیرند. اگر چه همه جنبه‌های مربوط به سلول عصبی مصنوعی (ورودی‌ها، ضرایب، محاسبه برآیند‌یا مجموع، تابع تبدیل و خروجی‌ها) را می توان به صورت فازی در نظر گرفت، با این همه تمرکز بحث روی ورودی‌ها و عملیات محاسبه برآیند خواهد بود. بسته به نحوه استفاده از عملگرهای فازی به گونه‌های مختلفی از نرون‌های فازی خواهیم رسید.

 

۲-۴-۵- نرون‌های فازی

ساختار نرون فازی همانند نرون فضای قطعی است، با این تفاوت که همه‌یا بعضی از اجزاء و پارامترهای آن در قالب منطق فازی بیان می‌شوند. برای تبدیل‌یک نرون معمولی به نرون فازی راه‌های مختلفی وجود دارد که استفاده از هرکدام از آن‌ها ما را به انواع مختلفی از نرون‌های فازی می رساند.

شکل (۲-۶): مدل کلی نرون فازی (جورابیان و هوشمند،۱۳۸۱، ص:۲۲۰)

 

در‌یک نرون فازی، بردار ورودی در فضای ]ⁿ0.1[ تعریف می‌شود. این بردار از علائم فازی که تابع عضویت آنها در مجموعه }۱و۰{ تعریف می‌گردد، تشکیل شده است. ورودی‌ها پس از اعمال تغییرات توسط ضرایب، به صورت ورودی خالص وارد نرون می‌گردند. تغییر ورودی‌ها در اثر ضرایب به انواع مختلفی ممکن است. این تغییر می تواند به صورت ضرب معمولی و‌یا به شکل ماکزیمم ورودی و ضریب مربوطه باشد. برآیند ورودی‌های نرون را می توان با بهره گرفتن از عملگرهای Min و Max محاسبه کرد. مفهوم نرون فازی را می توان چنین تصور کرد که هر نرون فازی نمایش است از‌یک متغیر زبانی مانند متوسط، کم و غیره. بنابراین نرون j ام (y_j) بیانگر‌یک تابع عضویت است.‌یعنی درجه تعلق بردار ورودی را به‌یک مقوله زبانی نشان می دهد(زاده[۱] و کاسپرزیک[۲]، ۱۹۹۲). برای نمایش ورودی‌های خالص (ورودی‌های دندریتی) ازنماد زیر استفاده می‌شود:

(۲-۱۵)

که در این رابطه علامت نشان دهنده درجه عضویت می‌باشد. برای تعریف نیز از تعریف کلی(۲-۱۶) استفاده می‌شود.

(۲-۱۶)

که علامت o نشانه‌یک رابطه فازی است. مقادیر حاصل از جمع‌یا برآیند نتیجه حاصل از جمع ورودی‌های خالص را نیز می توان به صورت فازی در رابطه(۲-۱۷) نمایش داد:

(۲-۱۷)

خروجی هریک از نرون‌های فازی را نیز می توان بصورت‌یک مجموعه فازی نمایش داد. نحوه این نمایش بصورت رابطه(۲-۱۸) است:

(۲-۱۸)

عملگر مورد استفاده در محاسبه برایند‌یک نرون فازی را می توان از بین عملگرهای نرم T انتخاب کرد. به طوری که:

(۲-۱۹)

اگر ورودی وادارنده باشد اگر ورودی بازدارنده باشد

بدین منظور از نماد به جای d_ij استفاده شده است که بین ورودی‌های وادارنده و بازدارنده تفاوت قاتل شود. بدین حالت که:

(۲-۲۰)

که درآن  مکمل  است و با رابطه (۲-۵۲)تعریف می‌شود:

(۲-۲۱)

معمولا در نرون‌های فازی از مقدار آستانه ای که در نرون‌های معمولی وجود داشت استفاده نمی‌کنند و به جای آن سعی می‌شود مقدار آستانه به طور مستمر در انتخاب نوع تابع فعالیت لحاظ شده باشد. تابع فعالیتتابعی است که درجه عضویت مجموعه فازی I_j را به درجه عضویت مجموعه فازی y_j مرتبط می‌کند. به طور کلی می توان تابع فعالیت نرون فازی j و خروجی حاصل از آن را به صورت رابطه (۲-۲۲) توصیف کرد:

(۲-۲۲)

اکنون با توجه به اینکه انتخاب نوع عملگرهای فازی مربوط به برآیند ورودی‌ها، تابع فعالیت و ضرایب نقش موثری در تعیین ویژگی‌های نرون فازی دارد، دو نوع مهم از نرون‌های فازی تشریح می‌گیرد. نوع اول نرون فازی Max(OR) است که در آن تابع محاسبه برآیند ورودی‌ها از عملگر Max استفاده می‌کند:

(۲-۲۳)

نوع دوم نرون فازی Min(AND) است که درآن تابع برآیند ورودی از عملگر Min استفاده می‌کند.

 

شکل(۲-۷): نرون فازیAND                             شکل(۲-۸):  نرون فازی OR

 

۲-۴-۶- قوانین فازی

منطق فازی معمولا از قوانین اگر- آنگاه[۳] استفاده می کند. قوانین فازی اگر- آنگاه یا عبارات شرطی فازی بشکل اگرA  آنگاه B به طوریکه A و B برچسب‌ مجموعه‌های فازی هستند که توسط توابع عضویت توصیف می شوند. قوانین فازی اغلب برای مدل‌های استدلال مبهمی به کار گرفته می شوند به گونه‌‌ای که یک نقش اساسی در تواناسازی انسان برای تصمیم گیری در یک محیط نامطمئن و نادقیق ایفا می کند(جانگ،۱۹۹۳).

[۱] Zade

[۲] Kacprzyk

[۳] IF- THEN

سیستم‌های فازی دارای فرایندی به نام استنتاج فازی(FIS)[2] می‌باشند. استنتاج فازی، پروسه ای برای فرموله کردن نگاشت[۳] ورودی به خروجی با بهره گرفتن از منطق فازی است. استنتاج فازی از تمامی عملگر‌های فازی توابع عضویت و قوانین فازی برای رسیدن به نتیجه استفاده می‌کند. سیستم‌های استنتاج فازی به طور موفقیت آمیز در زمینه‌های کنترل اتوماتیک، دسته بندی داده‌ها، تحلیل تصمیم سیستم خبره[۴] به کار می روند. (زیمران[۵]،۱۹۹۱). سیستم های استنتاج فازی که اغلب تحت عناوین سیستم‌های مبتنی بر قواعد فازی، مدل‌های فازی، حافظه مشارکتی فازی(FAM)[6] و کنترل گرهای فازی شناخته می‌شوند، به عنوان یک کنترل گر استفاده می‌گردد. اساسا یک سیستم استنتاج فازی از ۵ بلوک تابع تشکیل شده‌است.

 

شکل(۲-۹): اجزای سیستم استدلال فازی

 

• یک پایگاه قواعد[۷] که حاوی تعدادی قواعد فازی اگر- آنگاه است.
• یک پایگاه داده[۸] که توابع عضویت مجموعه‌های فازی استفاده شده در قوانین فازی را تعریف می کند.
• یک واحد تصمیم گیری[۹] که عملیات استنتاج بر روی قوانین را اجرا می کند.
• یک رابط فازی ساز[۱۰] که ورودی های حقیقی را به درجه تطبیق با مقادیر زبانی( مجموعه‌های فازی) تبدیل می کند.
• یک رابط غیر فازی ساز[۱۱] که نتایج فازی را به خروجی‌های حقیقی تبدیل می کند.

معمولا، پایگاه قوانین و پایگاه داده ها اهم به عنوان پایگاه دانش[۱۲] شناخته می‌شوند. مراحل اجرایی استدلال فازی( عملیات استنتاج از قواعد اگر- آنگاه فازی) که توسط سیستم‌های فازی استنتاجی اجرا می شوند عبارتند از:

گام اول- فازی کردن ورودی‌ها[۱۳]: بعد از تعیین تعداد ورودی‌ها باید درجه تعلق آنها به مجموعه‌های فازی متناسب با آن ورودی‌ها را به وسیله توابع عضویت مشخص کرد(لی[۱۴]، ۱۹۹۰). در این مرحله مقایسه بردار متغیرهای ورودی با توابع عضویت در بخش فرض که در نتیجه آن میزان عضویت یا سازگاری متغیر با هر یک از مجموعه‌های فازی یا برچسب‌های زبانی به‌دست می‌آید، صورت می‌گیرد. به عبارت ساده تر، مجموعه‌های فازی هر متغیر فازی را باید مشخص کرد(اخباری و اخباری، ۱۳۹۰).

گام دوم- بکارگیری عملگرهای فازی: بعد از این که متغیرهای ورودی فازی می‌شوند می توان درجه مقدم[۱۵] تمامی قوانین را به دست آورد. اگر مفهوم قوانین از چندین قسمت تشکیل شده باشد باید از عملگرهای منطق فازی برای رسیدن  به‌یک عدد استفاده کرد(لی، ۱۹۹۰). در این مرحه ترکیب مقادیر عضویت متغیرهای ورودی در بخش فرض با بهره گرفتن از عملگر T- نرم( معمولا عملگر حداقل) که از طریق آن قوه تحریک[۱۶] هر قاعده به‌دست می‌آید، صورت می‌گیرد(اخباری و اخباری، ۱۳۹۰).

گام سوم- اجرا [۱۷]: در این گام با توجه به قوانین فازی و ورودی‌ها برای هر کدام از قوانین خروجی مشخص می‌شود. به بیان دیگر، نتایج فازی مناسب برای هر یک از متغیرهای ورودی با توجه به قوه تحریک به دست آمده و مجموعه‌های فازی بخش نتیجه تولید می‌شوند(جانگ،۱۹۹۳).

گام چهارم- جمع تمامی خروجی‌ها[۱۸]: در این مرحله تمامی خروجی‌های قوانین با هم ترکیب می‌شوند. این فرایند که چندین مجموعه فازی را باهم ترکیب می‌کند، باعث به وجود آمدن مجموعه فازی می‌گردد که باید این مجموعه فازی را به‌یک عدد قابل فهم کاربر تبدیل کرد. برای ترکیب مجموعه‌های فازی که از نتیجه هر قانون به دست آمده اند می توان از سه عملگر Max، Probor و‌یا Sum استفاده کرد(لی،۱۹۹۰). در هنگام ادغام خروجی‌ها ممکن است با یک متغیر ورودی، دو قاعده متفاوت با مجموعه فازی یکسان در بخش نتیجه با میزان قوه تحریک‌های مختلف تحریک شوند، که در این حالت با بهره گرفتن از یک عملگرS- نرم مناسب( بیشتر اوقات عملگر ماکزیمم) قوه تحریک مربوط به این مجموعه فازی به‌دست می‌آید(جانگ،۱۹۹۳).

گام پنجم- غیر فازی سازی[۱۹]: ورودی این مرحله مجموعه فازی است که از ترکیب مجموعه‌های فازی مرحله قبل به دست آمده اند که باید در این مرحله به‌یک عدد تبدیل شود. بنابراین تبدیل‌یک مجموعه فازی به‌یک عدد را غیر فازی ساز گویند که به طور معمول به وسیله پیدا کردن مرکز ثقل این مجموعه این کار عملی می‌شود(لی، ۱۹۹۰). پس از تعیین قوه تحریک هر داده در مجموعه‌های فازی خروجی می‌توان خروجی‌ها را با یکدیگر ادغام و نتایج صریح را محاسبه نمود(اخباری و اخباری، ۱۳۹۰).

۲-۴-۷-۱- روش‌های فازی‌ساز

با توجه به اینکه در اغلب کاربردها، ورودی‌ و خروجی سیستم فازی اعداد حقیقی هستند، واسطه‌هایی بین موتور استنتاج فازی و محیط بوجود آمدند که این واسطه‌ها همان فازی سازها و غیر فازی سازها هستند(وانگ، ۱۳۸۷).

همانطور که قبلا ذکر شدف یک مجموعه فازی با تابع عضویتش شناخته می‌شود. یک روش دقیق و مطلوب برای تعریف تابع عضویت، بیان آن به عنوان یک فرمول ریاضی می‌باشد. در ادامه پر کاربردترین روش‌های مختلف فازی‌سازی و تعریف تابع عضویت آنان توصیف می شوند.

 

روش فازی‌ساز مثلثی[۲۰]: این روش با سه پارامتر  شناخته می‌شود:

(۲-۲۴)

پارامترهای a,b,c مختصات x سه گوشه اساسی تابع عضویت را تعیین می‌کنند. شکل(۲-۱۰) یک تابع عضویت مثلثی(Trimf)[21] را نشان می‌دهد.

شکل(۲-۱۰): یک نمونه تابع عضویت مثلثی

 

روش فازی‌سازی ذوزنقه‌ای[۲۲]: این روش با چهار پارامترمشخص می‌شود:

(۲-۲۵)

پارامترهای a,b,c,d مختصات x چهار گوشه اساسی تابع عضویت را تعیین می‌کند. شکل(۲-۱۱) یک تابع عضویت ذوزنقه‌ای(Trapmf)[23] را نشان می‌دهد.

شکل(۲-۱۱): یک نمونه تابع عضویت ذوزنقه‌ای

روش فازی‌سازی گوسی: با دو پارمترمشخص می شود:

(۲-۲۶)

پارامتر c نشان دهده مرکز و عرض تابع عضویت می‌باشد. شکل(۲-۱۲) یک تابع عضویت گوسی(Gaussmf)[24] را نشان می‌دهد.

شکل(۲-۱۲): یک نمونه تابع عضویت گوسی

روش فازی‌ساز زنگی شکل[۲۵]: با سه پارامترمشخص می‌شود:

(۲-۲۷)

شکل (۲-۱۳) یک تابع عضویت زنگی(gbellmf)[26] را نشان می‌دهد(جانگ و همکاران،۱۹۹۷).

 شکل(۲-۱۳): یک نمونه تابع عضویت گوسی

۲-۴-۷-۲- روش‌های غیرفازی‌ساز:

روش‌های متنوعی جهت انتخاب خروجی حقیقی نهایی بر اساس خروجی فازی کلی ارائه شده‌است همانند؛ روش مرکز مجموع‌های سطوح[۲۷]، روش نیمساز[۲۸] و اصل ماکزیمم عضویت .

روش مرکز مجموع‌های سطوح: در این روش از خطی که در مرکز سطر زیر منحنی قرار دارد استفاده می‌شود.

شکل(۲-۱۴): روش مرکز مجموع‌های سطوح

 

روش نیمساز: در این روش از خط عمودی که ناحیه زیر نمودار را به دو بخش مساوی تقسیم می‌کند، استفاده می‌شود.

شکل(۲-۱۵): روش نیمساز

اصل ماکزیمم عضویت: با توجه به این اصل از رابطه زیر برای محاسبه مقدار z^* استفاده می‌شود:

For all z Z                                                                                          (۲-۲۸)

با توجه به رابطه فوق مشخص می‌گردد که در این روش نقطه‌ای که در آن C دارای بیشترین درجه عضویت می‌باشد به عنوان z^* در نظر گرفته می‌شود. طبق این اصل از سه روش کوچکترین بزرگتر(SOM)[29]، بزرگترین بیشتر(LOM)[30]، میانه بزرگترین(MOM)[31] می‌توان برای انتخاب خروجی استفاده نمود(کتابچه راهنمای متلب،۲۰۱۰ ).

شکل(۲-۱۶): روش های ماکزیمم عضویت

۲-۴-۷-۳- سیستم استنتاج ممدانی

X1=I1   Otherwise

سیستم استنتاج فازی ممدانی روشی است که بسیار مورد استفاده قرار می‌گیرد. در روش ممدانی اولین سیستم کنترلی است که بر مبنای مجموعه‌های فازی ساخته شده است. آقای ممدانی در سال ۱۹۷۵برای کنترل موتور بخار با ترکیب قوانین فازی و عبارات فازی کنترل کننده ای را شبیه سازی کرد (ممدانی، ۱۹۹۰). کار ممدانی بر مبنای مقاله لطفی زاده در مورد سیستم‌های پیچیده فازی بنا شده بود. در استنتاج ممدانی برای خروجی نیز یک مجموعه فازی در نظر گرفته شده است، که می توان آن را غیر فازی نمود. در این مدل با فرض اینکه x₁، x₂ ورودی‌های سیستم مبتنی بر قوعد ذکر شده در رابطه(۲-۲۹) به ترتیب برابر اعداد حقیقی I₁ و I₂ باشند. بنابراین درجه عضویت آنها را با بهره گرفتن از تعریف تابع عضویت اعداد حقیقی می‌توان به صورت رابطه() بیان نمود:

X2=I2   Otherwise

(۲-۲۹)

بر اساس روش ممدانی مینیمم مقادیر درجه عضویت برای هر یک از قواعد با بهره گرفتن از رابطه (۲-۳۰) به طور جداگانه محاسبه می‌گردد:

(۲-۳۰)

آنگاه یک خط افقی از محل انقطاع مینیمم این دو درجه عضویت با تابع عضویت مربوطه رسم می‌گردد و تابع عضویت مربوط به بخش نتیجه توسط آن خط برش داده می‌شود. پس از اینکه این‌کار به طور جداگانه برای تمام قواعد انجام گردید، ماکزیمم قسمت‌های زیر خطوط برش مربوط به همه قواعد مشخص و به عنوان قوه تحریک قواعد در نظر گرفته‌ می‌شود. این تابع عضویت که از ترکیب خروجی‌های کلیه قواعد سیستم به دست می‌آید در واقع خروجی نهایی سیستم می باشد که با توجه به ورودی‌های مربوطه استنتاج گردیده است. حال این خروجی که یک مجموعه فازی می‌باشد را می‌توان با بهره گرفتن از روش‌های غیر فازی سار بصورت یک عدد معمولی مانند y^* بیان نمود. بدین ترتیب به طور خلاصه نتیجه سیستم فازی را می‌توان به صورت زیر ارائه نمود:

اگر x₁ برابر I₁ و x₂ برابر I₂ باشد، آنگاه y برابر y^* خواهد بود(ممدانی،۱۹۹۰).

[۱] Fuzzy Interence Systems

[۲] Fuzzy Conclusion

[۳] Mapping

[۴] Expert System

[۵] Zimmermann

[۶] Fuzzy Associative Memories

[۷] Rule Base

[۸] Data Base

[۹] Decision Making Unit

[۱۰] Fazzification Interface

[۱۱] Defazzification Interface

[۱۲] Knowledge Base

[۱۳] Fuzzify Input

[۱۴] Lee

[۱۵] Antecedent

[۱۶] Firing Strength

[۱۷] Implication

[۱۸] Aggregate

[۱۹] Defuzzifier

[۲۰] Triangular Fuzzifier

[۲۱] Triangular membership function

[۲۲] Trapezoidal Fuzzifier

[۲۳] Trapezoid membership function

[۲۴] Gaussian membership function

[۲۵] Bell-Shaped Fuzzifier

[۲۶] Generalized bell-shaped built-in membership function

[۲۷] Centroid of  Area

[۲۸] Bisector of Area

[۲۹] Smallest of Maximum

[۳۰] Largest of Maximum

[۳۱] Middle of Maximum

[۳۲] Mamdani

از دیدگاه سنتی مشتری کسی است که فرآورده های شرکت یا سازمان را خریداری می کند. در دنیای کسب و کار امروز دیگر این تعریف مورد قبول همگان نیست. امروزه مشتری کسی است که سازمان مایل است با ارزش هایی که می آفریند بر رفتار وی تاثیر گذارد. مفهوم ارزش عبارت است از: مشکل و یا نیازی از مشتری را حل و فصل و مرتفع ساختن (پایندانی،۱۳۸۶،ص۱۷).

۲-۱-۲) اهمیت مشتری

برای نشان دادن اهمیت مشتری و ضرورت حفظ و نگهداری او فقط کافی است به موارد زیر دقت کنید

(همان منبع،صص ۲۰-۱۹):

۱ – هزینه جذب یک مشتری جدید بین ۵ تا ۱۱ برابر نگهداری یک مشتری قدیمی است.

۲ – ۲ درصد بهبود وضعیت برای مشتری ،مستلزم ۱۰درصد کاهش هزینه ها است ، یعنی برای افزایش ۲ درصد مشتری باید ۱۰ درصد هزینه کرد.

۳ – ضرر و زیان از دست دادن یک مشتری ، در حکم فرار ۱۰۰مشتری دیگر است .

۴ – رضایت مشتری ، پیش شرط تمام موفقیت های بعدی شرکت هاست.

۵ – رضایت مشتری ، مهمترین اولویت مدیریتی در مقابل اهداف دیگری چون سودآوری سهم بیشتر بازار ، توسعه محصول و … می باشد.

۶ – ارزشمند ترین دارایی هر سازمان، اعتماد و اطمینان مشتریان است.

۷ – انتخاب مشتر دائمی و وفادار، تنها شرط  بقای دائمی و استمرار فعالیت های کارآمد هر شرکتی است.

۸ – مدیران ارشد باید شخصا الگوی پایبندی در قبال رضایت مشتری باشند.

۹ – برای جلب اعتماد متقابل با مشتریان، «کمتر از توان خود قول بدهید و بیشتر از قولی که داده اید عمل کنید».

۱۰- ۹۸درصد مشتریان ناراضی بدون اینکه شکایتی داشته باشند به سمت رقبا می روند .

۱۱ – احتمال اینکه مشتریان کاملا راضی(شاد) مجددا از شرکت شما خرید کنند، شش برابر مشتریان فقط راضی است.

۱۲ – اگر روزی احساس کردید که به عالی ترین کیفیت دست یافته اید، باید بدانید که آن روز روز پایان رشد شما است .

۱۳ – مشتری ناراضی در نهایت حتما سازمان را ترک می کند و پس از جدا شدن از سازمان ، مشکل نارضایتی خود را به دیگران انتقال می دهد و مهم تر اینکه آنها را هم به سوی رقبا خود می کشاند .

۱۴ – اگر بتوانید نقص موجود در کالاهای تولیدی را ۵درصد کاهش دهید بین ۳۰ تا ۸۵درصد افزایش سود از ناحیه مشتریان خواهید داشت.

۱۵ – گوش دادن به شکایت مشتری ۹۰درصد کار است و حل کردن آن ۷درصد و پیگیری برای اطلاع از راضی شدن مشتری(بازخور)۳ درصد دیگر است.

۲-۱-۳)نیازهای مشتریان

پیچیدگی نیازهای بشر با مطرح شدن متغیرهایی چون فرهنگ متداول یک جامعه و سطح تکنولوژی نیز بیشتر می شود. قبل از مشخص نمودن نیازهای مشتریان، ابتدا باید به طریقی منطقی به دسته بندی این نیازهای پرداخت. با ایجاد دسته بندی، بحث پیرامون شناسایی نیازهای مشتریان و چگونگی تبدیل این نیازها به زبانی قابل فهم برای سازمان ها آسان می گردد. روش های مختلفی برای دسته بندی نیازهای مشتریان موجود می باشد که از جمله می توان به دسته بندی ذیل اشاره کرد(آریان پور ،۱۳۸۵، ص۱۹).

 

 

۱)نیازهای بیانی

۲)نیازهای ادراکی(احساسی)

۴)نیازهای فرهنگی

- نیازهای بیانی و واقعی

مشتریان معمولا نیازهایشان را از نقطه نظر خودشان و یا زبان خودشان بیان می کنند. این مسئله خصوصا در مورد مشتریان خریدار، صدق میکند. به عنوان مثال می توان خرید کالا را ذکر کرد. خریداران ممکن است نیازهایشان را با نام کالاهایی بیان کنند که قصد خرید آن را دارند. هرچند نیاز واقعی آنها خدماتی است که آن کالا برایشان فراهم می کند. به عنوان مثال وقتی مشتری خواهان خرید غذا است در واقع مشتر برای رفع نیاز واقعی خود که تغذیه است اقدام به خرید غذا می کند (همان منبع ،۱۳۸۵،ص۱۹).

نیازهای های احساسی

مشتریان نیازهای خود را بر پایه احساساتشان بیان می کنند. بعضی از این احساسات مربوط به محصول می شوند. البته احساس و درکی که مشتری و سازمان نسبت به محصول دارند متفاوت از یکدیگر می باشند به گونه ای که این تفاوت ممکن است مشکل ساز گردد(همان منبع ،۱۳۸۵،ص۲۰)

- نیازهای فرهنگی

مشتریان نیازمند احترام به خود ، احترام به دیگران، اعتقاد به سمبل های فرهنگی می باشند(همان منبع ،۱۳۸۵،ص۲۰).

از دیدگاه دیگر نیازهای مشتریان با توجه به اینکه وجود یا عدم وجود ویژگی مربوطه، باعث چه حالی در مشتری می گردد به سه دسته تقسیم می گردد(جیرانی مقدم،۱۳۸۶صص۳۷-۳۸):

۱ – نیازهای اساسی

نیازی است که چنانچه در محصول وجود نداشته باشد مورد قبول مشتری نبوده و باعث اعتراض و عدم خرید توسط مشتری می گردد.

۲ – نیازهای عملکرد

این نیارز چنانچه برآورده نشود، باعث نارضایتی مشتری می گردد و ممکن است مشتری محصول مورد نظر را انتخاب ننماید، اما چنانچه برآورده شود موجب رضایت مشتری و خشنودی وی می گردد.

۳ – نیاز جذاب

نیازی است که برآورده شدن آن باعث خشنودی مشتری و رضایت بیش از حد او می شود. در ارتباط با این نیاز گفتنی است که چنانچه در محصول وجود نداشته باشد باعث نارضایتی مشتری نمی شود.

شکل۲-۱)نیازهای مختلف مشتریان (جیرانی مقدم،۱۳۸۶)

نکته قابل ذکر اینکه نیاز های با گذشت زمان به یکدیگر تبدیل می گردند و ممکن است یک نیاز جذاب پس از گذشت زمان به یک نیاز اساسی تبدیل گردد. برای مثال در چند دهه گذشته وجود دستگاه رادیو ضبط در اتومبیل یک نیاز جذاب بود، اما در حال حاضر به یک نیاز اساسی تبدیل شده است، که چنانچه برآورده نشود موجب اعتراض مشتری می شود (جیرانی مقدم،۱۳۸۶،ص۳۸).