الهام آخوندزاده نوقابی

هدف: با توجه به اهمیت استخراج دانش مفید از داده های مالیاتی و نقش مؤثر داده کاوی در این زمینه، هدف این پژوهش، مرور ادبیات جامع و نظام مند و ارائه گزارشی از وضعیت تحقیقات حوزه داده کاوی و مالیات، دسته بندی پژوهش های انجام شده و معرفی شکاف های تحقیقاتی و ارائه نقشه راهی برای محققان و علاقه مندان در این زمینه است. روش: جامعه آماری پژوهش، تحقیقات انجام شده در زمینه داده کاوی و مالیات، طی سال های 2000 تا 2021 بوده است. با مرور ادبیات جامع و نظام مندِ تحقیقات، از دیدگاه فرایندی، 4 فرایند و از دیدگاه حوزه های کاربردی مختلف، 7 زمینه مطالعه و بررسی شد. دسته بندی تحقیقات بر اساس چارچوب پیشنهادی انجام گرفت و تحلیل های مختلفی از منظر فرایندها، حوزه های کاربردی و روش های داده کاوی ارائه شد. یافته ها: نتایج این تحقیق نشان می دهد که فرایند بازرسی (آزمون) و حوزه کاربردی «انتخاب مبتنی بر ریسک برای حسابرسی مالیاتی» بیشترین حجم از تحقیقات را به خود اختصاص داده اند. محبوب ترین و پرکاربردترین تکنیک استفاده شده، «رده بندی و پیش بینی» بوده و الگوریتم های شبکه عصبی، درخت تصمیم و ماشین بردار پشتیبان نیز به ترتیب بیشترین کاربرد را داشته اند. نتیجه گیری: در زمینه های کاربردی هفت گانه، پتانسیل خوبی برای پیاده سازی تکنیک های داده کاوی وجود دارد. رویکردهای مبتنی بر یادگیری انتقالی، یادگیری عمیق، تحلیل گراف و تحلیل کلان داده برای تحقیقات آتی پیشنهاد می شود. ارائه چارچوب های کاربردی بومی سازی شده برای سیستم ها و اداره های امور مالیاتی کشورهای مختلف و یکپارچه سازی منابع داده داخلی و خارجی اداره های امور مالیاتی و تحلیل آن، از خلأهای اصلی این حوزه است که می تواند اثربخشی ویژه ای ایجاد کند.

بخش بندی مشتریان یکی از مباحث اصلی و کلیدی در مطالعات مدیریت ارتباط با مشتری محسوب می شود. یکی از چالش های مهم در بخش بندی مشتریان، ناپایداری و تغییرات بخش های مشتریان در طول زمان است. تغییرات بخش ها را می توان در دو دسته تغییرات محتوایی و ساختاری دسته بندی کرد. این پژوهش بر تغییرات ساختاری بخش ها که اهمیت زیادی دارد، تمرکز کرده است. به منظور تحلیل تغییرات ساختاری بخش ها و توصیف چگونگی این تغییرات، روش ترکیبی جدیدی مبتنی بر روش های خوشه بندی و قوانین باهم آیی ارائه شده و در داده های یکی از سرویس دهنده های معتبر خدمات مخابراتی ایران به کار گرفته شده است. براساس نتایج، تغییرات ساختاری در قالب دو دسته تغییرات دوره ای و تغییرات دارای روند دسته بندی و بررسی شده است. نتایج بیانگر آن است که روند رو به رشدی در ایجاد بخش جدید در این شرکت شکل گرفته است. نتایج، مدیران بازاریابی را به سمت دانش مفیدی برای ارائه کاراتر تصمیم های بازاریابی هدایت می کند.

یکی از موضوعات مهم در مسئله بخش بندی پویای مشتریان، انتقال مشتریان به بخش های مختلف در طول زمان و کشف الگوهای حاکم بر این جابه جایی ها است. بر این اساس، این مقاله بر پویایی مشتری تمرکز کرده و تلاش می کند، گروه های رفتاری مشتریان و ویژگی های غالب این گروه ها و الگوهای کلی حاکم بر جابه جایی و مهاجرت مشتریان به بخش های مختلف را در طول زمان استخراج کند. برای این کار، روش ترکیبی جدیدی مبتنی بر الگوریتم K-means، روش های خوشه بندی سلسله مراتبی و قوانین انجمنی ارائه شده و در داده های واقعی یک شرکت مخابراتی به کار گرفته شده است. بر اساس نتایج به دست آمده، هفت گروه رفتاری متفاوت در انتقال مشتریان به بخش های مختلف وجود دارد. همچنین در رویکردی نوین، تلاش شده است تا تأثیر رفتار پویای مشتری در تغییرات بخش ها در طول زمان تبیین شود. در این راستا با ارائه رویکرد و مفاهیم جدیدی در خصوص پویایی رفتار مشتری و تأثیر آن در تغییرات ساختاری و محتوایی بخش ها، گروه بندی جدیدی از مشتریان در قالب مشتریان سازنده و تثبیت کننده ساختار، مشتریان پویای ساختار سازگار و مشتریان پویای ساختارشکن ارائه می شود.

یکی از مسائلی که در حوزه مدیریت ارتباط با مشتری اهمیت بسیار دارد، شناسایی عوامل تأثیرگذار بر سطح رضایت مشتریان است. براین اساس، در این پژوهش بر این موضوع تمرکز شده و سعی شده است تا رویکردی نوین از کاربرد تکنیک قوانین انجمنی در این حوزه ارائه شود. این تکنیک در قالب قوانین «اگر- آن گاه»، این امکان را فراهم می آورد که ارتباط بین مقادیر مختلف عوامل تأثیرگذار و شاخص CSI مشخص شود و همچنین تأثیرگذارترین فاکتور ها در رضایتمندی مشتریان شناسایی شوند. نتایج اجرای رویکرد پیشنهادی در شرکت بهمن دیزل، بیانگر آن است که شاخص میزان رضایت از خدمات سیار، بیشترین میزان تأثیرگذاری را دارد. همچنین فاکتورهای نحوه برخورد پرسنل نمایندگی و میزان رضایت از زمان صرف شده برای پذیرش نیز از اهمیت شایان توجهی برخوردارند. سایر سازمان ها نیز می توانند از روش ارائه شده در کنار تحلیل های آماری خود، برای شناسایی مهم ترین فاکتورهای تأثیرگذار بر رضایت مشتریان و اتخاذ تصمیم های اثربخش تر در زمینه راهبردهای ارتباطی با مشتریان بهره ببرند.

امروزه دانش موجود در سازمان ها از مهم ترین دارایی های آنها محسوب می شود. اهمیت این سرمایه فکری به حدی است که کسب موفقیت های اجرایی سازمان ﺑﺪون ﻣﺪیﺮیﺖ و اﺳﺘﻔﺎده ﺻﺤیﺢ از ایﻦ ﻣﻨﺒﻊ ارزﺷﻤﻨﺪ، اﻣﺮی ﺳﺨﺖ و گاه ﻧﺎﻣﻤکﻦ اﺳﺖ. بنابراین سازمان ها در شرایط رقابتی کنونی برای بقای خود، راهی جز به کارگیری سیستم های مدیریت دانش مناسب و نهادینه کردن آن ندارند. این پژوهش با بهره گیری از پویایی سیستم، مدلی برای مدیریت دانش ارائه کرده و در کنار آن به بررسی یک شرکت حمل و نقل برای مطالعه موردی می پردازد. به کمک مدل پیشنهادی، ابتدا دلایلی که سبب ایجاد فاصله زیاد بین وضعیت مطلوب اجرای مدیریت دانش و وضعیت فعلی آن در شرکت مذکور شده، جمع آوری می شوند و پس از آن به ارزیابی این دلایل پرداخته خواهد شد. درواقع این پژوهش تلاش می کند تا با استفاده از مدل پویای ارائه شده، عوامل تأثیرگذار در به وجودآمدن این فاصله را مشخص کند و با بررسی آن، اهرم های عملیاتی مناسب را برای برطرف کردن آنها پیشنهاد دهد. نتایج نشان می دهد با تغییر در سطح این عوامل تأثیرگذار، سطح پایگاه دانش سازمان ارتقا یافته و به وضعیت مطلوب نزدیک تر خواهد شد.

هدف: در این پژوهش به بررسی مسئله قیمت گذاری پویا در سیستم های حمل ونقل ریلی با استفاده از تکنیک های پیشرفته یادگیری تقویتی عمیق پرداخته شده است. هدف اصلی این پژوهش، بهینه سازی درآمد شرکت های حمل ونقل ریلی، از طریق ایجاد سیاست فروش بلیت است که بتواند قیمت بلیت را با در نظر گرفتن کلاس های خدماتی به صورت پویا تنظیم کند. این رویکرد به شرکت های حمل ونقل ریلی این امکان را می دهد تا با تنظیم دقیق تر قیمت ها، بر اساس تقاضای مسافران، درآمد بیشتری کسب کنند و سودآوری خود را بهبود بخشند. روش: در این پژوهش، به منظور حل مسئله قیمت گذاری پویا، از الگوریتم شبکه عمیق Q، یکی از الگوریتم های پُرکاربرد یادگیری تقویتی عمیق، بهره گرفته شده است. این الگوریتم یک الگوریتم پیش گامانه است که شبکه های عصبی عمیق را با یادگیری Q ترکیب می کند. در الگوریتم شبکه عمیق Q، شبکه های عصبی عمیق وظیفه تقریب مقادیر Q را به جای جدول پُرهزینه Q برعهده دارند. یک شبکه عصبی عمیق می تواند حالت فعلی و یک عمل ممکن را مشاهده کند و به صورت مستقیم مقدار Q را تقریب بزند. توانایی الگوریتم شبکه عمیق Q در یادگیری سیاست های بهینه در محیط های پیچیده، این الگوریتم را به یک الگوریتم پُرکاربرد تبدیل کرده است. با توجه به این نکته که مدل های یادگیری تقویتی، اغلب برای تحلیل بیش از حد پیچیده به کار می روند، تحلیل استراتژی های قیمت گذاری متفاوت، فقط با آزمایش های عددی و شبیه سازی به دست می آیند. یافته ها: نتایج شبیه سازی ها نشان می دهد که الگوریتم شبکه عمیق Q، به طور موفقیت آمیزی به یک سیاست قیمت گذاری پایدار هم گرا تبدیل شده است. در این مطالعه، شاخص های عملکردی مختلفی مانند درآمد کل، ظرفیت باقی مانده، میانگین قیمت های ارائه شده به مشتریان و تعداد بلیت های فروخته شده در هر کلاس خدماتی بررسی شد. الگوریتم در مراحل اولیه با نرخ یادگیری بالا بهبود و به تدریج به پایداری و ثبات دست یافت. میانگین درآمد کل، پس از ۵۰۰۰ تکرار، به مقدار ۲۲۵ هزار هم گرا می شود. این مقدار نشان دهنده آن است که این شرکت به طور متوسط، از هر قطار ۲۲۵ هزار واحد پولی درآمد کسب می کند. میانگین ظرفیت باقی مانده نیز پس از حدود ۳۰۰۰ تکرار، به مقدار صفر نزدیک می شود. هم گرایی نمودار میانگین ظرفیت باقی مانده به صفر، نشان دهنده این است که عامل یادگیری تقویتی، به طور مؤثری یاد گرفته است که برای حداکثرسازی درآمد کل، می بایست تمامی بلیت های موجود را به فروش برساند. شاخص میانگین قیمت های پیشنهادی به مشتریان، پس از حدود ۷۵۰۰ تکرار به یک حالت پایدار می رسد، به این معنا که الگوریتم به یک سیاست قیمت گذاری بهینه دست پیدا کرده است. در این وضعیت، میانگین قیمت ها در محدوده ۶۸۰ تا ۷۰۰ واحد پولی باقی می ماند و نوسان های چشمگیری مشاهده نمی شود. به عبارت دیگر، مدل یادگیری تقویتی بر اساس شاخص میانگین قیمت های پیشنهادی هم گرا شده است. در نهایت، پس از حدود ۵۰۰۰ تکرار، میانگین تعداد بلیت فروخته شده برای تمامی کلاس های خدماتی، به یک سطح تقریباً ثابت و پایدار می رسد. میانگین تعداد بلیت فروخته شده برای کلاس اکونومی، حدود ۱۷۵ تا ۱۸۰ بلیت، کلاس بیزینس حدود ۱۳۰ تا ۱۳۵ بلیت، کلاس ویژه حدود ۶۰ تا ۶۵ بلیت و کلاس هتل حدود ۲۳ تا ۲۵ بلیت به دست آمد. نتیجه گیری: نتایج این پژوهش نشان می دهد که پس از حدود ۷۵۰۰ تکرار، الگوریتم شبکه عمیق Q به یک سیاست بهینه و پایدار رسیده است و تغییرات چشمگیری در عملکرد مشاهده نمی شود. همچنین می توان نتیجه گرفت که استفاده از الگوریتم شبکه عمیق Q در قیمت گذاری پویا، می تواند به بهبود چشمگیری در مدیریت درآمد سیستم های حمل ونقل ریلی منجر شود. این الگوریتم با قابلیت یادگیری و سازگاری با شرایط متغیر، قادر است که سیاست های قیمت گذاری مؤثری را با هدف حداکثرسازی درآمد به کار گیرد و همچنین، تعداد بهینه بلیت های فروخته شده در هر کلاس خدماتی را تعیین کند. این دستاوردها می توانند به شرکت های حمل ونقل ریلی در بهبود راهبردهای قیمت گذاری و افزایش بهره وری اقتصادی کمک شایانی کنند.