بخشی از مقاله
چکیده ی مختصر
محققان در حال حاضر با دنیایی رو به رو هستند که حجم داده ها و ابزارهای تحلیلی مانند الگوریتم های استنباط بیزی را بهبود می بخشند، تا بتوانند با پیشرفت تکنولوژی هماهنگ شوند. روش های بیزی برای رشته، تحلیل بازاریابی منافع قابل توجهی را به ارمغان آورده اند، اما چالش های محاسباتی برای داده هایی با مقیاس بزرگ وجود دارد. چندین استراتژی با نمونه های خاص با استفاده از رگرسیون درختی افزایشی و انتخاب متغیر، مورد بحث قرار گرفته است.
-1 مقدمه
پیشرفت در فناوری، با توجه به محاسبات و ارتباطات، منجر به افزایش داده های روز افزون شده است که می توانند خلاصه ای از زندگی مدرن را ارائه دهند.این خلاصه ها می توانند بینشی در مورد سیستم کلی و جزئیات مربوط به افراد که تقریبا موازی با پیشرفت روش های استنباط بیزی است را ارائه دهند. در این مقاله برخی از نقاط قوت چارچوب مدل سازی بیزی که آن را به خوبی برای بازاریابی تجزیه و تحلیل می کند، بحث می کنیم.
در زمینه ارائه استراتژی که روش های بیزی را به صورت محاسباتی کارآمد می دانند دو نمونه را ارائه می دهیم، یکی با استفاده از رگرسیون درختی افزایشی بیزی - BART - و دیگری با استفاده از یک جایگزین برای انتخاب متغیر در داده های بزرگ و رویکرد دیگر روش های بیزی برای مشکلات داده های بزرگ اعمال چند جمله ای ها است. روش هایی که به محقق اجازه می دهد تا بتوانند با عملکردهای تقریبی احتمال بر محاسبات فرم بسته بپردازد.
روش تقریبی برای شمارش داده ها به صورت توزیع دو جمله ای منفی استفاده می شود و همچنین مدل دو جمله ای بتا و سپس به طور کلی به مدل های انتخابی گسترش می یابد که این مقاله مربوط به تحقیقات اخیر در مورد روش های مختلف بیزی است که روش های تقریبی کلی تری را ارائه می دهند. در حالی که علم داده های بزرگ باعث ساخت سیستم های CRM بسیاری از شرکت های بزرگ شده است. بسیاری از داده ها ارزش اقتصادی مستقیم را به شرکت ارائه نمی دهند. بنابراین انتخاب روش هایی بیزی برای داده های بزرگ می تواند مشکل محاسبات پیچیده را شکست دهند.
انواع برنامه های BART - از جمله x با ابعاد بزرگ - را با استفاده از اجرای BART در پکیج R با مدل های بیزی امکان پذیر است. الگوریتم BART یک رویکرد MCMC است، که با استفاده از محاسبات موازی پیاده سازی می شود که این رویکرد نیازمند ارسال پیام مکرر بین ماشین ها است و با استفاده از رابط پیام گذار اجرا می شود. داده ها را در میان دستگاه ها تقسیم می کند و MCMC را جداگانه از هر زیر مجموعه داده اجرا و سپس نتایج را با استفاده از میانگین وزنی ترکیب می کند که این عملیات با استفاده از بسته موازی در R اجرا می شود.
-3 تأثیر بیز و داده های بزرگ در تحقیقات بازاریابی
انقلاب بزرگ داده ها موجب جمع آوری و ذخیره سازی داده های بی سابقه ای از سوی شرکت ها شده است. طوری که صنعت بازاریابی متقاعد به این که طلا در داده های بزرگ وجود دارد، شده است. داده های بزرگ به وسیله ضبط تراکنش های بازار از افراد ایجاد می شود و امید به درک کامل تر از الگو های مصرف را فراهم می کند و اطلاعات مفیدی برای شناسایی مشتریان بالقوه در دستهای مکمل محصول است.
داده های بزرگ در مورد پاسخ فردی مشتریان به پیشنهادات بازار در بسیاری دسته های مجهول به ما می گوید که در بسیاری اقدامات مانند ایجاد مقدماتی برای اندازه گیری اثر در قیمت گذاری آنلاین و آزمایش های تبلیغاتی مفید است. داده های بزرگ گسسته هستند و انتخاب ها به عنوان رویدادهای بیزی ثبت می شوند و هنگامی که مقادیر خرید ثبت می شود مقادیر آن بر روی شبکه تعریف شده توسط اندازه بسته موجود است.
یکی از مهم ترین جنبه داده های بزرگ شایع بودن تعداد صفر در داده هاست. نسبت بالای صفر نشان می دهد که که مصرف کنندگان در رفتار بازار خود با هدف هدایت شده و منبع محرمانه هستند. مصرف کنندگان اغلب وب سایت های مرتبط را نمی بینند در مورد بسیاری از مارک های رقیب یاد نمی گیرند و عمق گزینه ها را درک نمی کنند، زیرا که توجه آن ها محدود به پول و زمان است. در سطح بنیادی این صفرها به لحاظ کیفی از مقادیر مثبت متفاوت است و اطلاعات محدودی در مورد آن چه که در زندگی پاسخ دهندگان اتفاق می افتد را ارائه می دهد.
این رویکردها برای تصمیم گیری های تاکتیکی مفید هستند، بازاریاب ها باید به این توجه داشته باشند که داده های بزرگ برای تنظیم قیمت ها و جستجو برای فرصت های متقابل فروش استفاده می شود. کالیبراسیون توابع کاربردی - مثلا در مدل های انتخابی گسسته - یک روش تحقیق پر بار در مدل های داده های بزرگ است. رویکرد دیگر استفاده از مدل اثرات تصادفی برای کاستن کمبود اطلاعات به علت کم بودن داده های بزرگ است. هر دو روش به اجتناب از نفوذ ناپایدار در داده ها و سایر آلاینده ها کمک می کند که منجر به نتایج بدیعی در تجزیه و تحلیل های بعدی می شود. در بازاریابی مدل های ساده تر به پیش بینی قوی تر کمک می کند، استفاده از تئوری برای توضیح تنوع در داده های بزرگ به دلیل اندازه آن ارزشمند است.
استفاده از تئوری و ابزار استنباط آماری پایه ریزی تحلیل و بررسی بازاریابی در قیمت و مکان از نیازهایی است که روش های بیزی به دلیل توانایی آن ها برای مقابله با مجموعه داده های بزرگ و کم عمق و توانایی آن برای تولید دقیق و نتیجه گیری نمونه های محدود در این موارد بسیار مفید هستند. با نگاه به آینده، اینترنت باعث شده است که افراد در تحقیقات در مورد مسائل انتخابی و موضوعاتی با هزینه های بسیار کم مشارکت داشته باشند. برای مثال نظر سنجی های مصرف کننده گوگل به محققان اجازه می دهد که تعداد کمی از سوالات را برای افراددر وب به ازای پاسخ دهندگان با مبلغ کم ارائه دهند.
این یک نوع تجزیه و تحلیل شبیه حملات هوایی است، به نحوی که یک نظر سنجی سنتی مصرف کننده که شامل ده ها سوال است و تکمیل آن تا 30 دقیقه طول می کشد باز می شود و توانایی پاسخ سریع به سوالات خاص به شرکت ها اجازه می دهد تا تمرکز تحقیقات بازاریابی را در سازمان ها غیر متمرکز کرده و تقاضا برای تجزیه و تحلیل داده ها را افزایش دهند. تجزیه و تحلیل بیزی به ویژه برای یکپارچه سازی اطلاعات از طریق استفاده از پارامترهای فوق العاده ای که تغییرات سایر پارامترها را توضیح می دهد مناسب است. که نیاز ها و خواسته ها می تواند در سطح بالایی از یک مدل سلسله مراتبی با استفاده از نیازها به عنوان متغیرهایی در مدل اثرات تصادفی یکپارچه شوند. این انتقال متغیرها به یک متغیر مشترک در حال حاضر در سطح ابتدائی انجام می شود و مزایای بالقوه را با توجه به دسترسی به داده های بزرگ از بازار و به صورت تقویت شده با داده های نظر سنجی های آنلاین و سنتی ارائه می دهد که به عوامل تعیین کننده تقاضا کمک می کند.
-4 نتیجه گیری
داده ها در آینده بدون شک پیچیده تر از حال حاضر خواهد بود. فناوری به ما اجازه دسترسی روز افزون به داده ها را می دهد. زیرا زندگی در جزئیات دقیق تری ثبت می شود همانطور که منابع محاسباتی را افزایش می دهد تا بتوانیم جهان را اندازه گیری کنیم. ابزار تحلیلی آینده توسط تیم های تخصصی ایجاد می شود که ابزار خاص برای کار در دست دارند. ابزارهای اتوماسیون یا ابزارهای تاکتیکی که به شیوه های بهینه به سیستم پاسخ می دهند. فرضی که پاسخ سیستم را تغییر نمی دهد ساده ترین ابزار است. در تمام این تلاش ها روش های بیزی یک جعبه ابزار قدرتمند ارائه می دهند.
روش بیزی اجازه می دهد که متخصصان و آزمایش هایی که استفاده می شود به طور رسمی در یک مدل قرار گرفته و ابزار تصمیم گیری عوامل فردی را بر عهده گیرند. استنباط بیزی برای جستجوهای تصادفی در فضای مدل های احتمالی امکان پذیر است که احتمال پیشین مثبت هستند، عناوین گفته شده در تحقیق مبتنی بر اقتصاد - بازاریابی - به افزایش همکاری بین دانشگاه و صنعت اشاره دارند که می تواند به محقق کمک کند تا مشکلات اساسی را حل و بهره وری بیشتری را برای اقتصاد ما به ارمغان آورد.
