2- ACE فعالیت دوپامین را در منطقه Striatum تعدیل می کند.
3- تعدادی از مطالعات وابستگی بین سطح ACE موجود در مایع مغزی- نخاعی را با بیماری های روانی گزارش کرده اند.
4- تعدادی از مطالعات پیشنهاد کردند ماده P که یک شکل فرعی نروپپتید برای آنزیم ACE می باشد، نقش مهمی در سبب شناسی بیماری های روانی از جمله اسکیزوفرنی دارد (Crescenti et al., 2009).

(( اینجا فقط تکه ای از متن درج شده است. برای خرید متن کامل فایل پایان نامه با فرمت ورد می توانید به سایت feko.ir مراجعه نمایید و کلمه کلیدی مورد نظرتان را جستجو نمایید. ))

این مطالعه اولین مطالعه در ایران است که به بررسی ارتباط بین چندشکلیI/D، ژن آنژیوتنسین و بیماری اسکیزوفرنیا پرداخته است. طبق نتایج بدست آمده، فراوانی آلل D در جمعیت کنترل در ایران 8/62 درصد می باشد. فراوانی های ژنوتیپی و آللی این چند شکلی در مطالعاتی که تاکنون به بررسی ارتباط این چند شکلی و بیماری اسکیزوفرنیا پرداخته اند
تفاوت های آشکاری را نشان می دهند (جدول 5-1). فراوانی آللD ژن آنژیوتنسین در دو مطالعه جداگانه در کشور ترکیه 59 درصد و 60 درصد است و در کشور اسپانیا 9/61 می باشد که شبیه به فراوانی مشاهده شده در کشور ایران استCrescenti et al., 2009) ,Baskan et al., 2010 (.
فراوانی آلل ِD ژن آنژیوتنسین در جمعیت کنترل کشورهای شمال هند، اسرائیل، ژاپن به ترتیب 36 درصد، 39 درصد و 34 درصد است که تفاوت آشکاری با فراوانی این آلل در ایران دارد Arinami et al., 1996),(Subbiah et al., 2011.
همچنین بر اساس مطالعاتی در کشورهای کره و تایوان فراوانی آلل D در جمعیت کنترل این کشورها به ترتیب 8/52، 4/68 درصد گزارش شده است که با فراوانی های گزارش شده در ایران همخوانی دارد Ouyang et al., 2001),(Nadalin et al., 2012.
بر اساس نتایج حاصل از مطالعه حاضر ارتباط معناداری بین آلل D و بیماری اسکیزوفرنیا یافت نشد. نتایج مطالعه ما با نتایج حاصل از کشورهای فلسطین اشغالی، تایوان، ترکیه و کره همخوانی دارد Baskan et al., 2010, Nadalin et al., 2012), Segman et al., 2002, .(Ouyang et al., 2001 این در حالی است که در برخی از کشورها مانند اسپانیا آلل D، احتمال ابتلا به اسکیزوفرنیا را تا 50 درصد کاهش می دهد (Crescenti et al., 2009). در کشور ژاپن، مطالعات نشان داده است که آلل D ممکن است یک فاکتور خطر برای Polydipsia/Water intoxication در بیماران اسکیزوفرنی باشد (Shinkai et al., 2003). همچنین بر طبق تحقیقات انجام شده در کشور هند و مطالعه دیگری در کشور ترکیه، آلل I احتمال ابتلا به اسکیزوفرنیا را کاهش می دهد (Kucukali et al., 2010).
جدول 5-1- مقایسه فراوانی آلل ها و ژنوتیپ های ژن ACE در جمعیت های ژاپن، فلسطین اشغالی، تایوان، اسپانیا، ترکیه، شمال هند، کره، ایران.

که در آن ، و جریان‌های لحظه‌ای سه ‌فاز مجازی هستند که بصورت دلخواه انتخاب می‌شوند به‌طوریکه سینوسی و متعادل باشند و توان لحظه‌ای مجازی نامیده می‌‌شود. فاز جریان‌های مجازی تعیین کننده فاز مرجع در تخمین فاز خواهد بود. با توجه به‌شرط تعادل جریان‌ها می‌توان رابطه فوق را بصورت زیر نوشت :
(۲-۲۶)
بنابراین
(( اینجا فقط تکه ای از متن درج شده است. برای خرید متن کامل فایل پایان نامه با فرمت ورد می توانید به سایت nefo.ir مراجعه نمایید و کلمه کلیدی مورد نظرتان را جستجو نمایید. ))

(۲-۲۷)
رابطه (۲-۲۷)، تعریف شده در شکل (۲-۱۹) را نشان می‌دهد. با توجه به ‌اینکه توان لحظه‌ای دارای یک مقدار متوسط و یک مقدار ac می‌باشد که فرکانس بخش ac برابر اختلاف فرکانس جریان‌های مجازی با ولتاژهای ورودی PLL است. زمانی بخش ac به‌ صفر می‌رسد که فاز خروجی PLL ( که برای ساختن جریان‌های مجازی از آن استفاده می‌شود) با ولتاژهای ورودی PLL سنکرون شود. بنابراین می‌توان مشابه ‌PLL قبلی با بهره گرفتن از یک انتگرال‌گیر و یک کنترل کننده PI و با دادن مرجع صفر برای سیستم را کامل نمود که در شکل (۲-۱۹) مشاهده می‌گردد.

شکل (۲-۱۹) : بلوک دیاگرام حلقه قفل فاز pPLL [۲۰]
لازم به‌توضیح است که عملا هر دو الگوریتم فوق معادل بوده و بنابراین در صورت تشابه ‌ضرایب کنترلی، دارای دینامیک و پاسخ حالت دائمی ‌یکسان خواهد بود. اما این دو روش از نظر حجم محاسبات و یا نوع به‌کارگیری ممکن است متفاوت باشند.
 
(ب) (الف)

(پ)
شکل (۲-۲۰) : نتایج حلقه قفل فاز با ورودی سه فاز متعادل [۲۰]
(الف) : ولتاژهای ورودی، (ب) : فرکانس لحظه ای تخمینی، (پ) : فاز خروجیPLL
 
(ب) (الف)

(پ)
شکل (۲-۲۱) : نتایج حلقه قفل فاز با ورودی سه فاز نامتعادل [۲۰]
(الف) : ولتاژهای ورودی، (ب) : فرکانس لحظه ای تخمینی، (پ) : فاز خروجی PLL
۲-۱-۱۰-۴ پاسخ PLL سه‌ فاز تحت شرایط نامتعادلی ولتاژ
شکل (۲-۲۰) نتایج حلقه قفل فاز ورودی سه فاز متعادل را نشان می‌دهد. همانگونه که مشاهده می‌گردد خروجی فاز PLL بصورت خطی تغییر کرده و لذا بلوک‌های مختلف شکل (۲-۱۸) یا (۲-۱۹) بصورت ایده‌آل عمل می‌کنند. شکل (۲-۲۱) خروجی PLL را هنگامی ‌که ورودی‌های نامتعادل به ‌آن اعمال گردد نشان می‌دهد. مقایسه شکل‌های (۲-۲۰) و (۲-۲۱) وجود خطا در خروجی PLL با ورودی‌های نامتعادل را مشخص می‌سازد. ایجاد لختی در کنترل کننده PLL شرایط را بهتر کرده ولی مطابق شکل (۲-۲۲) پاسخ دینامیکی را کندتر می کند [۲۰].

(ب) (الف)

(پ)
(الف)

(ب) (الف)

(پ)
(ب)
شکل (۲-۲۲) : نتایج حلقه قفل فاز با ورودی سه فاز نامتعادل و ورود اختلال پله ای به‌میزان
(الف) PLL سریعتر ؛ (ب) PLL کندتر؛ در هردومورد؛ (الف) : ولتاژ ورودی، (ب) : فرکانس لحظه ای تخمینی، (پ) : فاز خروجی PLL [20]
برای بهتر نشان دادن تبعات استفاده از PLL جبران نشده، سیستم شکل (۲-۲۳) که ساختار یک مبدل استاتیک برای انتقال از یک منبع DC به ‌AC است مورد توجه قرار می‌گیرد. این ساختار یک منبع تولید توزیع شده (dq) می‌باشد که از اجزاء جدید و مورد توجه در شبکه‌های مدرن امروزی بوده و استفاده از PLL در جهت سنکرون‌سازی با شبکه ضروری می‌باشد. در صورت استفاده از PLL جبران نشده و به‌کارگیری استراتژی کنترل توان، شکل موج‌های جریان خروجی سیستم بصورت شکل (۲-۲۴) بدست می‌آید. عدم تعادل در جریان خروجی شکل (۲-۲۴) آشکار بوده و علاوه بر آن وجود هارمونیک سوم در شکل موج جریان‌ها نیز از طیف هارمونیکی آن‌ها قابل تشخیص می‌باشد [۲۳] .
شکل (۲-۲۳) : ساختار سیستم تبادل قدرت با فیلتر L [23]

(ب) (الف)
شکل (۲-۲۴) : نتیجه جریان تزریقی به ‌شبکه در سیستم نمونه، دارای PLL معمولی. (الف) : جریان های سه فاز، (ب) : طیف هارمونیکی جریان [۲۳]
۲-۱-۱۰-۵ روش حذف تأثیر عدم تعادل
یکی از ایده‌های حذف اثر عدم تعادل در خروجی PLL ها، حذف مؤلفه‌های توالی منفی و صفر و قفل کردن PLL با مؤلفه توالی مثبت می‌باشد. با بهره گرفتن از روش مؤلفه‌های متقارن می‌توان جهت استخراج مؤلفه دارای توالی مثبت و اعمال آن به ‌حلقه قفل فاز استفاده نمود. محاسبه ‌مؤلفه‌های متقارن از یک مجموعه سه فاز نامتعادل با بهره گرفتن از تبدیل زیر انجام می‌گیرد [۲۴] .
(۲-۲۸)
که در آن ، و مقادیر فازوری یک کمیت سه فاز نامتعادل هستند و می‌باشد. بنابراین می‌توانیم مؤلفه های عدم ‌تعادل ( و ) بصورت روابط (۲-۲۹) و (۲-۳۰) به‌دست می‌آیند:
(۲-۲۹)
(۲-۳۰)
عکس تبدیل فوق با معکوس‌گیری از ماتریس تبدیل رابطه (۲-۲۸) بیان می‌گردد. فازورهایی در فضای abc مرکب از مؤلفه‌های توالی صفر و منفی با بهره گرفتن از عکس تبدیل بصورت زیر بدست می‌آید :
(۲-۳۱)
با قرار دادن روابط (۲-۲۹) و (۲-۳۰) در رابطه (۲-۳۱) و ساده‌سازی بدست می‌آید :
(۲-۳۲)
چنانچه رابطه فازوری فوق به‌ رابطه زمانی تبدیل گردد بصورت زیر در می‌آید :
(۲-۳۳)
پس می‌توان مؤلفه توالی مثبت را بصورت زیر استخراج نمود :
(۲-۳۴)

Schedule the u^new in VM_max in rp_max according to SD_max
}

شکل ۴-۱۸: الگوریتم ProfRS ]27[.
الگوریتم ماکزیمم­سازی سود بوسیله به­ کارگیری تاخیر جریمه (ProfPD): این الگوریتم بر به تاخیر انداختن درخواست جدید برای پذیرش درخواست­های بیشتر تمرکز دارد. در فاز اول بررسی می­ شود که آیا درخواست جدید می ­تواند با قرارگیری در انتهای صف یک VM شروع­شده قبلی یا با درج آن در یک VM شروع­شده یا با شروع یک VM جدید پذیرفته شود یا نه ( ابتدا در مرحله ۳ با بهره گرفتن از الگوریتم canWait() بررسی می­ شود که آیا درخواست می ­تواند منتظر تکمیل درخواست­های قبلی شود یا نه و اگر نمی­توانست با استراتژی Insert بررسی می­ شود که آیا درخواست جدید می ­تواند قبل از درخواست از قبل پذیرفته شده در یک VM شروع شده فعلی قرار بگیرد (مرحله ۴) و اگر نتواند در مرحله ۵ بررسی می­ شود که آیا درخواست با شروع VM جدید (الگوریتم canInitiateNewVM()) یا با به تاخیر انداختن درخواست جدید (استراتژی :PenaltyDelay()مرحله ۷) پذیرفته می­ شود یا نه. اگر فراهم­کننده SaaS نتواند از این طریق سودی بدست آورد درخواست رد می­ شود (مرحله۱۴) ولی اگر سودی بدست آید الگوریتم حداکثر سود بازگشتی را برمی­گرداند (مرحله۲۳). بقیه مراحل مثل الگوریتم قبل است. شکل ۴-۱۹این الگوریتم را نشان می­دهد. همانطور که گفته شد شکل ۴-۱۲ یک مدل SaaS برای پاسخ­دهی به مشتریان در ابر است و شامل سه زیر لایه است که در ادامه توضیح داده شده ­اند.

( اینجا فقط تکه ای از متن پایان نامه درج شده است. برای خرید متن کامل فایل پایان نامه با فرمت ورد می توانید به سایت feko.ir مراجعه نمایید و کلمه کلیدی مورد نظرتان را جستجو نمایید. )

لایه ابزارهای کاربردی که همه سرویس­های کاربردی پیشنهادی توسط SaaS را مدیریت می­ کند.
لایه بستر: شامل سیاست­های نگاشت و زمانبندی برای ترجمه نیازهای QoS به پارامترهای سطح زیرساخت و تخصیص ماشین­های مجازی برای پاسخ به درخواست­ها می باشد.
لایه زیرساخت که آغاز و حذف ماشین­های مجازی را مدیریت می­ کند.
در ]۲۸[ درخواست­های مشتری برای سرویس­های نرم­افزار ERP با توافق بر SLA از پیش­تعریف­شده و ثبت پارامترهای QoS مشتری بررسی شده ­اند که در ادامه شرح داده شده ­اند.
مولفه­های مدل سیستم که شامل عامل، مدل ریاضی، استراتژی نگاشت و الگوریتم است. هر یک از این مولفه­ها در ادامه توضیح داده شده ­اند.
عامل: دو گروه عامل در نظر گرفته شده و برای هر یک پارامترهای SLA در نظر گرفته شده است که در ادامه توضیح داده شده ­اند. ۱- فراهم­کننده: فراهم­کنندگان باید قادر به مدیریت درخواست­ها بطور هوشمندانه و با در نظر SLA باشند. خصوصیات SLA مورد بررسی شامل موارد زیر است.
نوع درخواست (recType): شامل دو نوع “اجاره زمان اول” (مشتری فردی است که یک سرویس جدید درخواست داده است) و “آپگرید سرویس” (شامل اضافه کردن حساب کاربری و یا آپگرید نوع محصول).
نوع محصول (proType): محصول شامل سه نوع استاندارد، حرفه­ای و بنگاه است.
نوع حساب کاربری (accType): حداکثر تعداد حساب­های کاربری که یک مشتری می ­تواند ایجاد کند و شامل سه نوع گروه، تیم و دپارتمان است.
مدت قرارداد (conLen): مدت زمانی که یک سرویس برای مشتری در دسترس است.
تعداد حساب­های کاربری (accNum): تعداد دقیق حساب­های کاربری که مشتری می­خواهد بسازد.
تعداد رکوردها (recNum): حداکثر تعداد رکوردهایی که مشتری قادر به ایجاد آن برای هر حساب در طی تراکنش است.
زمان پاسخ (respTime): مدت زمان سپری­­شده بین پایان یک تقاضای سرویس نرم­افزاری و شروع یک سرویس را گویند. نقض SLA زمانی رخ می­دهد که زمان سپری­شده واقعی از زمان پاسخ از پیش­تعریف­شده در SLA بیشتر شود. سه نوع زمان پاسخ در نظر گرفته شده است. ۱- زمان پاسخ برای اولین باری که سرویس اجاره داده می­ شود.۲- زمان پاسخ برای اضافه کردن حساب کاربری جدید ۳- زمان پاسخ برای آپگرید محصول.
۲- مشتری: لایه بستر از تصاویر VM برای ایجاد نمونه­هایی بر اساس تصمیم نگاشت استفاده می­ کند، بنابراین ویژگی­های زیر برای مکانیزم­ های تخصیص منبع برای تضمین اینکه SLA به اندازه کافی خوب است باید تعریف شوند. ۱- نوع VM (l): بزرگ، کوچک، متوسط ۲- قیمت VM: هزینه پرداختی فراهم­کننده برای استفاده از یک VM برای سرویس­دهی به مشتری در هر واحد زمان ۳- زمان انتقال داده (dataTrafT): مدت زمان انتقال یک گیگابایت داده از یک VM به دیگری ۴- سرعت انتقال داده (dataTrafSpeed).

Algorithm 3:Pseudo-code for ProfPD algorithm

Input: New user’s request parameters (u^new), expInvRet^new_{i j}
Output: Boolean
Functions:admissionControl()
{IF (there is any initiated VM) THEN
{For each vm_i in each resource provider rp_j DO
{ IF (! canWait(u^new, vm_i)) THEN
{ IF (! canInsert(u^new, vm_i)) THEN
{ IF (! canInitiateNew(u^new, rp _j)) THEN
continue;
IF (! canPenaltyDelay(u^new, rp _j)) THEN
continue
}
}
}
}
Else IF (! canInitiateNew(u^new, rp _j)) THEN
Return reject
IF (PotentialScheduleList is empty) THEN
Return reject
Else { Get the max[ret^new_{i j} , SD_{i j} ] in PotentialScheduleList
IF (max(ret^newi j ) < =expInvRet^new_{i j} ) THEN
Return accept
Else Return reject
}

جدول ۴-۱: توصیف یافته های تحقیق
بر مبنای نتایج مندرج در جدول ۴-۱ در ارتباط با توصیف یافته ها ملاحظه می شود که:
۱) مبلغ چک برگشتی مشتریان در شرکت های نمونه بر حسب میلیون ریال اقلا صفر و حداکثر ۲۶۱۶۲بوده است. به طور متوسط مبلغ چک برگشتی مشتریان ۷۶۴۸ با انحراف معیار ۶۳۳۹ میلیون ریال بوده است.
۲) ارزش وثیقه ملکی مشتریان به منظور اخذ تسهیلات در شرکت های نمونه بر حسب میلیون ریال اقلا ۱۹۰ و حداکثر ۶۴۲۸۲۸۳ بوده است. به طور متوسط ارزش وثیقه ملکی مشتریان ۲۲۷۰۰۱ با انحراف معیار ۵۶۱۷۵ میلیون ریال بوده است.
۳) مبلغ تسهیلات دریافتی مشتریان در شرکت های نمونه بر حسب میلیون ریال اقلا ۱۱۷ و حداکثر ۳۹۵۵۸۶۷ بوده است. به طور متوسط مبلغ تسهیلات دریافتی مشتریان ۱۳۹۶۹۳ با انحراف معیار ۳۴۵۶۵۲ میلیون ریال بوده است.
۴) مبلغ گردش بستانکار حساب جاری مشتریان در شرکت های نمونه بر حسب میلیون ریال اقلا ۴ و حداکثر ۱۷۷۷۹۱۸ بوده است. به طور متوسط مبلغ گردش بستانکار حساب جاری مشتریان ۲۵۵۳۵با انحراف معیار ۱۱۲۸۳ میلیون ریال بوده است.
۵) مبلغ متوسط موجودی حساب جاری مشتریان در شرکت های نمونه بر حسب میلیون ریال اقلا ۱۳ و حداکثر ۸۳۷۶ بوده است. به طور متوسط مبلغ موجودی حساب جاری مشتریان ۱۴۰۳با انحراف معیار ۱۰۶۷ میلیون ریال بوده است.
۶) سابقه اعتباری مشتریان در شرکت های نمونه بر حسب مرتبه اقلا ۲ و حداکثر ۵۰۰۰ بوده است. به طور متوسط سابقه اعتباری مشتریان ۲۵۸ با انحراف معیار ۶۹۲ مرتبه بوده است.
۷) سابقه حساب جاری مشتریان در شرکت های نمونه بر حسب مرتبه اقلا ۲ و حداکثر ۱۲ بوده است. به طور متوسط سابقه حساب جاری مشتریان ۶/۵ با انحراف معیار ۰۷/۲مرتبه بوده است.
۸) ریسک اعتباری مشتریان در شرکت های نمونه به طور نسبی اقلا ۰۱/۰ و حداکثر ۳۰/۰ بوده است. به طور متوسط ریسک اعتباری مشتریان ۱۶/۰ با انحراف معیار ۰۷/۰بوده است.
۹) ریسک تعدیل شده اعتباری مشتریان در شرکت های نمونه بر مبنای محاسبات لگاریتمی اقلا ۰۶/۴- و حداکثر ۸۵/۰- بوده است. به طور متوسط ریسک تعدیل شده اعتباری مشتریان ۸/۱- با انحراف معیار ۶۹/۰ بوده است.
۴-۴- تحلیل پیش فرض ها
در این تحقیق به تبع تحقیقات مشابه یا مرتبط جهت اعتبار سنجی مشتریان حقوقی بانک ملی در استان اصفهان از روش رگرسیون خطی مرکب مقطعی و شبیه سازی با بهره گرفتن از شبکه های عصبی استفاده شده است. بر همین اساس پیش از به کارگیری روش های اعتبار سنجی، پیش فرض های استفاده از این روش ها مورد ارزیابی قرار گرفته اند. این پیش فرض ها مشتمل بر نرمال بودن توزیع متغیرهای تابعی و مستقل، نرمال بودن توزیع باقی مانده های مدل برآوردی، ثبات واریانس ها، استقلال خطی متغیرهای مستقل، بزرگی یا به سمت یک میل کردن ضریب تعیین برآوردی می باشد. در این بخش از شرح یافته های تحقیق به نتایج ارزیابی این پیش فرض ها اشاره شده است.
۴-۴-۱- نرمال بودن توزیع متغیرها
آماره های توصیفی جدول ۴-۱ مشتمل بر ضرایب چولگی و کشیدگی نشان می دهد که توزیع متغیر وابسته و مقدار تعدیل شده آن یعنی ریسک اعتباری مشتریان و ریسک تعدیل شده در نمونه تصادفی تقریبا نرمال است. از آن جهت که مقادیر این شاخص ها تقریبا به صفر میل کرده و می توان با اغماض ، نرمال بودن متغیر ها را پذیرفت. در عین حال برای قضاوت نسبت به نرمال بودن توزیع متغیرها در سطح جامعه آماری از آزمون ناپارامتریک کولموگروف- اسمیرونوف استفاده شده است. در این آزمون فرض نرمال بودن توزیع متغیر در مقابل نرمال نبودن توزیع آزمون می شود. این آزمون را غالبا در تحقیقات مشابه فقط در مورد متغیرهای وابسته انجام می دهند، ولی در این تحقیق هم برای متغیر وابسته و هم برای متغیرهای مستقل انجام پذیرفته است.

( اینجا فقط تکه ای از متن فایل پایان نامه درج شده است. برای خرید متن کامل پایان نامه با فرمت ورد می توانید به سایت feko.ir مراجعه نمایید و کلمه کلیدی مورد نظرتان را جستجو نمایید. )

در ابتدا برای بررسی نرمال بودن توزیع متغیر وابسته از آزمون کولموگروف اسمیرونوف استفاده شده است. این آزمون برای متغیر ریسک اعتباری مشتریان و ریسک تعدیل شده اعتباری به عنوان متغیر وابسته تحقیق انجام شد، و نتیجه آن حاکی از نرمال بودن توزیع متغیر وابسته بود. جدول خروجی آزمون K-S در نرم‌افزار آماری برای این متغیر به شرح جدول ۴-۲ است:

جدول ۴- ۲ .آزمون کولموگروف اسمیرنوف برای متغیر وابسته و مقدار تعدیل شده آن
با توجه به جدول فوق و آماره Z کولموگروف اسمیرنوف از آنجائی­که سطح معناداری (۴۵۲/۰ , ۸۷۵/۰) بیشتر از ۰۵/۰ است فرضیه H0 پذیرفته شده لذا با اطمینان ۹۵% می توان گفت متغیر وابسته یا ریسک اعتباری نسبی مشتریان در شرکت های مورد بررسی و ریسک تعدیل شده اعتباری از توزیع نرمال برخوردار است.
در ادامه برای بررسی نرمال بودن توزیع متغیر های مستقل نیز از آزمون کولموگروف اسمیرونوف استفاده شده است. آماره آزمون K-S و سطح معناداری در نرم‌افزار برای این متغیرها به شرح جدول ۴-۳ است:

متغیر های تعامل، دانش، رسیک انسانی، میزان احساسی بودن و غیر قابل آزمایش بودن

کاربران پیشرفته، اکثریت مرتبط، اکثریت نامرتبط

k-means

کاترینا مانپا

۲۰۰۶

فنلاند

سهولت کاربری، امنیت، منزلت، ویژگی های کمکی، وضعیت مالی فردی، سرمایه گذاری و اکتشاف

بد گمان ها، مشتاق ها، بی میل ها، عملگراها

k-means

اوزدمیر و همکاران

۲۰۰۷

ترکیه

ریسک درک درک شده، سودمندی، سهولت کاربری

پذیرندگان بانکداری اینترنتی، عدم پذیرندگان

Cluster Analysis

اون جو لی و همکاران

۲۰۰۴

کره­ جنوبی

اهمیت ویژگی های درک شده، ریسک درک شده، سازگاری با خدمات بانکداری موجود و سازگاری با فناوری های رایانه و اینترنت

عدم پذیرندگان دائم ،پذیرندگان احتمالی و پذیرندگان

Cluster Analysis

منبع: پژوهشگر
همچنین در ارتباط با بخش­بندی مشتریان در صنعت بانکداری و صنایع مرتبط با آن پژوهش های زیادی در داخل و خارج از کشور انجام شده است که در جدول زیر خلاصه ای از این پژوهش های انجام شده آورده می شود. قبل از ارائه جدول لازم است که درباره بعضی از واژه های مرتبط توضیحاتی ارائه شود.
RFM^[71]:
بخش­بندی رفتاری شامل RFM ( تازگی، فراوانی، پول)، دانش بیشتری را از اولویت های خروجی در مشتری و پیشگویی های رفتاری دقیقتری را نسبت به سایر بخش­بندی ها ارائه می کند. این موضوع بدان دلیل است که سنجه های رفتاری اطلاعاتی را در خصوص نوع تفکر و خرید مشتریان در اختیار ما قرار می دهند. از مهمترین ویژگی های این روش می توان به سادگی آن اشاره کرد که هیچ نرم افزار آماری خاصی مورد نیاز نبوده و نتایج به سادگی توسط نیروهای کسب و کار قابل درک هستند.
CLV^[72]:
این مفهوم اشاره به ارزش حال جریان سود مورد انتظار آینده در طول افق یک دوره زمانی مشخص طی زمان ارتباط با مشتری دارد. این چرخه رویکردی است که براساس چهار مرحله دوره عمر مشتری را تقسیم می کند: ۱- سطح ورود ۲- سطح برپایی ۳- سطح فعال ۴- سطح برتر. در این مفهوم باید هدف این باشد تا جایی که ممکن است به مشتریان بیشتری در سطح برتر دست پیدا کنیم اما بخش بندی مشتریان در آن نقطه متوقف نمی شود (inmon, 2005).
AHP^[73]:
روش تحلیل سلسله مراتبی (AHP) بیش از سایر روشها در علم مدیریت مورد استفاده قرار گرفته است.تحلیل سلسله مراتبی یا به عبارت دیگر AHP  یکی از محبوب ترین و پر کاربرد ترین روش ها ی تصمیم گیری است. در ارزیابی هر موضوعی ما نیاز به معیار اندازه گیری با شاخص داریم، انتخاب شاخص مناسب به ما امکان می دهد که مقایسه درستی بین جایگزینی ها به عمل آوریم. اما وقتی که چند یا چندین شاخص برای ارزیابی در نظر گرفته می شود، کار ارزیابی پیچیده می شود و پیچیدگی کار زمانی با لا می گیرد که معیار های چند یا چندین گانه باهم در فضا و از جنس های مختلف باشند. در این هنگام کار ارزیابی و مقایسه از حالت ساده تحلیلی که ذهن قادر به انجام آن است خار ج می شود و به یک ابزار تحلیل عملی قوی نیاز خواهد بود. یکی از ابزارهای توانمند برای چنین وضعیت هایی ( فر آیند تحلیل سلسله مراتبی) است. این روش برای سطح بندی و درجه بندی استفاده می شود هرچند که برای تحلیل های اجتماعی و اقتصادی نیز ممکن است به کار رود.

(( اینجا فقط تکه ای از متن درج شده است. برای خرید متن کامل فایل پایان نامه با فرمت ورد می توانید به سایت feko.ir مراجعه نمایید و کلمه کلیدی مورد نظرتان را جستجو نمایید. ))

جدول۱۳٫۲ : خلاصه پژوهش های مرتبط با بخش­بندی مشتریان

پژوهشگر

سال

کاربرد