Preferencje help
Widoczny [Schowaj] Abstrakt
Liczba wyników
2009 | nr 51 Projektowanie, ocena i wykorzystanie danych rynkowych | 125-135
Tytuł artykułu

Zastosowanie analizy regresji i sztucznych sieci neuronowych w badaniach satysfakcji klientów

Warianty tytułu
Artificial Neural Networks and Regression Comparison Analysis within Customer Satisfaction Data.
Języki publikacji
Przedstawiono modele, które można wykorzystać do analizy danych w zakresie satysfakcji klientów: model cząstkowych najmniejszych kwadratów w ujęciu regresji (PLS), model sztucznej sieci neuronowej (SSN). Omówiono wady i zalety sztucznych sieci neuronowych. Dokonano analizy danych poprzez model sztucznych sieci neuronowych oraz model regresji, a także omówiono badanie satysfakcji klientów losowo wybranych aptek w Polsce wykorzystując do oceny wyników analizę regresji i sztucznych sieci neuronowych.
The use of artificial neural networks (ANN) as an alternative approach to regression has gained popularity in different fields, and some studies have demonstrated the superiority of ANN over regression. The literature points to several limitations in regression that are overcome by ANN. This paper demonstrates the usefulness of ANN in customer satisfaction analysis. The author suggests that the application of ANN in customer satisfaction analysis is useful in identifying existing patterns in the data, and synergies between the drivers of satisfaction. The advantages of using ANN are highlighted and the managerial implications of ANN to identify the key drivers and set priorities for improvements are demonstrated. (original abstract)
  • Uniwersytet Ekonomiczny w Poznaniu
  • Anderson E.W., Fornell C, Foundations of the American customer satisfaction index, "Total Quality Management" 2000, 11, 7, s. 869-882.
  • Anton J., Customer relationship management. Making hard decisions with soft numbers, Upper Saddle River, NJ: Prentice Hall 1996.
  • Bishop CM., Neural networks for pattern recognition, Oxford University Press, Oxford 1995.
  • Callan R., The essence of neural networks, Prentice Hall Europe, London 1999.
  • Fadlall A., Lin C.H., An analysis of the applications of neural networks in finance, "Interfaces" 2001, 31, 4 (July/August), s. 112-122.
  • Fausett L., Fundamentals of neural networks, Upper Saddle River, NJ: Prentice-Hall 1994.
  • Gronholdt L., Martensen A., Kristensen K., The relationship between customer satisfaction and loyalty: cross-industry differences, "Total Quality Management" 2000, 11,4/5/6 (July), s. 509-514.
  • Hackl P., Westlund A.W., On structural equation modelling for customer satisfaction measurement, "Total Quality Management" 2000, 11,4/5/6, s. 820-825.
  • Hassoum M.H., Fundamentals of artificial neural networks, MA: The MIT Press, Cambridge, 1995.
  • Hill T, Remus W., Neural network approach for intelligent support of managerial decision making, "Decision Support System's" 1994, 11, s. 449-459.
  • Johnson M.D., Gustafsson A., Improving customer satisfaction, loyalty, and profit, University of Michigan Business School Management Series, CA: Jossey-Bass, San Francisco 2000.
  • Jones TO., Sasser W.E. Jr., Why satisfied customers defect, "Harvard Business Review" 1995, 73, 6 (November-December), s. 88-99.
  • Nguyen N., Cripps A., Predicting housing value: a comparison of multiple regression analysis and artificial neural networks, "Journal of Real Estate Research" 2001, 22, 3, s. 313-336.
  • Rust R.T., Zahorik A.J., Kciningham T.L., Return on quality: measuring the financial impact of your company's quest for quality, 111: Probus, Chicago 1994.
  • Rust R.T., Zahorik A.J., Keiningham TL., Service marketing, HarperCollins, New York 1996.
  • Ryan M.J., Rayner R., Morrison A., Diagnosing customer loyalty drivers: partial least squares vs regression, "Marketing Research" 1999, 11,2 (Summer), s. 19-26.
  • Uysal M., Roubi S.E., Artificial neural networks versus multiple regression in tourism demand analysis, "Journal of Travel Research" 1999, 38, November, s. 111-118.
  • Vavra T.G., Improving your measurement of customer satisfaction: a guide to creating, conducting, analyzing and reporting customer satisfaction measurement program, Wis.: ASQ Quality Press, Milwaukee 1997.
  • Willson E., Wragg T, We cannot diagnose the patient's illness... but experience tells us what treatment works, "International Journal of Market Research" 2001, 43, 2, s. 189-215.
  • Witkowska D., Sztuczne sieci neuronowe i metody statystyczne - wybrane zagadnienia finansowe, C.H. Beck, Warszawa 2002.
  • Wray B., Palmer A., Bejou D., Using neural network analysis to evaluate buyer-seller relationships, "European Journal of Marketing" 1994, 28, 10, s. 32-48.
Typ dokumentu
Identyfikator YADDA
JavaScript jest wyłączony w Twojej przeglądarce internetowej. Włącz go, a następnie odśwież stronę, aby móc w pełni z niej korzystać.