دانلود پایان نامه

حاضر با توجه به ماهیت موضوع پژوهش و جامعه آماری مورد مطالعه از روش نمونه گیری غیر احتمالی در دسترس استفاده شده است.
3-4- روش و ابزار گردآوری اطلاعات
جهت گردآوری اطلاعات از دو روش کتابخانه ای و میدانی استفاده شده است. جهت تدوین مبانی نظری و پیشینه تحقیق از روش کتابخانه ای که از کتب و مقالات فارسی و لاتین جمع آوری گردیده، استفاده شده و جهت گردآوری داده ها از جامعه آماری با بهره گرفتن از پرسشنامه از روش میدانی استفاده شده است.
3-4-1- پرسشنامه
این پرسشنامه شامل 20 سوال (گویه) می باشد که در آن برای سنجش میزان رضایت مشتریان از خدمات بانکداری الکترونیک استفاده می شود. پرسشنامه تحقیق شامل دو بخش می باشد. بخش اول مربوط به سوالات جمعیت شناختی مانند سن، جنسیت، میزان درآمد و سطح تحصیلات می باشد و بخش دوم شامل سوالات تخصصی می باشد، سوالاتی که در ارتباط با سوالات تحقیق مطرح شده است. سطح اندازه گیری پرسشنامه فاصله ای و براساس مقیاس 5 درجه ای لیکرت می باشد.
سوالات این پرسشنامه توسط مشتریان تکمیل می شود و از آن ها خواسته شده است تا گویه ها را تا حدی که در مورد رضایت آنها صدق می کند، در طول مقیاس 5 درجه ای لیکرت ( بسیار زیاد، زیاد، نه زیاد نه کم، کم، بسیار کم) مشخص کنند. امتیاز درجه های بسیار کم، کم، نه زیاد نه کم، زیاد و بسیار زیاد به ترتیب از 1 تا 5 می باشد.
3-5- تعیین قابلیت اعتبار یا روایی ابزار پژوهش و قابلیت اعتماد یا پایایی پژوهش
3-5-1- اعتبار یا روایی ابزار پژوهش
اعتبار از خواص ابزار سنجش به شمار می آید که به رابطه ضروری بین مفهوم و معرف می پردازد. سروکار اصلی اعتبار با این سوال است که آیا واقعا همان چیزی را می سنجیم که قصد سنجش آن را داریم؟ در پژوهش حاضر از روش های ارزیابی اعتبار به شرح زیر استفاده شده است(سرمد و همکاران، 1376).
3-5-1-1- اعتبار محتوای پژوهش
اعتبار صوری یا ذهنی مبتنی بر ارزیابی های ذهنی محققان و متخصصانی است که بر روی کیفیت وسیله اندازه گیری صفات مورد بررسی اجماع نظر دارند و مشخص گر این نکته است که تا چه حد وسیله اندازه گیری طراحی شده، آن چیزی را که محقق فکر می کند اندازه می گیرد، اندازه گیری می کند(سرمد و همکاران، 1376).
پس از طراحی و تنظیم پرسشنامه با بازبینی اساتید راهنما و مشاور و مطابقت و بررسی، اعتبار صوری ابزار اندازه گیری مورد توجه قرار گرفت.
3-5-2- قابلیت اعتماد یا پایایی پژوهش
قابلیت اعتماد یا پایایی تحقیق با بهره گرفتن از تکنیک آلفای کرونباخ برآورد شده است. مقدار آلفای کرونباخ بین0-1 در نوسان بوده و هرچقدر به طرف 1 میل کند یا نزدیک شود وسیله اندازه گیری به همان نسبت دارای اعتماد بالایی خواهد بود. یکی از روش های محاسبه پایایی، استفاده از ضریب آلفای کرونباخ است. میزان این ضریب برای نمونه 862/0 به دست آمد که نشان دهنده پایایی خوب سوالات پرسشنامه می باشد.
جدول (3-1): نتیجه آلفای کرونباخ متغیرهای تحقیق
نوع متغیر
تعداد سوالات
نتیجه آلفای کرونباخ
سهولت استفاده از نظر مشتریان
6
682/0
مفید بودن از نظر مشتریان
6
754/0
امنیت و محرمانه بودن
4
648/0
کیفیت ارتباط اینترنتی
4
721/0
3-6- متغیرهای تحقیق
متغیرهای این تحقیق به دو گروه متغیرهای مستقل و وابسته تقسیم می شوند که در ادامه مورد بررسی قرار می گیرند.
3-6-1- متغیرهای مستقل
این متغیر به گونه ای مثبت یا منفی بر متغیر وابسته تاثیر میگذارد یعنی وقتی متغیر وابسته وجود داشته باشد، متغیر وابسته نیز وجود دارد و هر مقدار افزایش درمتغیر مستقل روی دهد.در متغیر وابسته نیز افزایش یا کاهش روی خواهد داد(سکاران، 1384، 85).
3-6-2- متغیر وابسته
پژوهش گر بیش از هر چیز به متغیر وابسته علاقه مند است، هدف وی از توصیف یا پیش بینی تغییر پذیری متغیر وابسته است(سکاران، 1384، 83).
متغیر وابسته، متغیر پاسخ، برون داد یا ملاک است و عبارت است از وجهی از رفتار یک ارگانیسم که تحریک شده است.متغیر وابسته مشاهده یا اندازهگیری میشود تا تاثیر متغیر مستقل بر آن معلوم و مشخص شود(دلاور، 1383، 59). در این تحقیق رضایت مشتری بعنوان متغیر وابسته شناخته می شود.
3-7- تجزیه و تحلیل داده ها و اطلاعات
3-7-1- مدل شبکه عصبی
معماری شبکه: به معنی تعیین تعداد گره های ورودی، تعداد لایه های مخفی، گره های مخفی و تعداد گره های خروجی می باشد. انتخاب این پارامترها بستگی به مسئله مورد بحث دارد.
لایه های مخفی و گره های مخفی: گره های مخفی در لایه های مخفی به شبکه عصبی اجازه می دهند خصوصیات داده ها را کشف و شناسایی نماید تا بوسیله آن نگاشت های غیرخطی پیچیده را بین متغیرهای ورودی و خروجی برقرار نماید. در مورد تعداد گره های مخفی شبکه های عصبی ملزم به رعایت اصل صرفه جویی می باشند که در آن قدرت تعمیم بهتر را از آن شبکه با تعداد گرههای مخفی کمتر می داند. محققین برای محدود نمودن تعداد گره های مخفی برای جلوگیری از مسئله یادگیری بیش از حد تعداد آنها را حداکثر دو برابر تعداد گره های ورودی در نظر گرفته اند که در اغلب موارد این انتخاب ابتکاری، نتایج خوبی داده است‌‌ .‌
تعداد گره های ورودی: برابر است با تعداد مشاهدات تاخیری که برای کشف کردن الگوی اساسی در سری زمانی استفاده می شود. ایده ال آن است که تعداد کمی از گره های ورودی بتوانند خصوصیات منحصر به فرد موجود در داده ها را به شبکه معرفی نمایند. یکی ازمسائل مهم و شاید مهم ترین
مسئله در پیش بینی سریهای زمانی انتخاب تعداد ورودی ها می باشد. زیرا هر الگوی ورودی شامل اطلاعات مهمی در مورد ساختار خود همبسته پیچیده داده ها می باشد.
تعداد گره های خروجی: در پیش بینی سری های زمانی اغلب تعیین تعداد گره های خروجی وابسته به افق پیش بینی می باشد. دو نوع افق پیش بینی در مطالعات مورد استفاده قرار گرفته است. نخست افق پیش بینی یک روز بعد است و دوم، افق پیش بینی چند روز بعد می باشد. معمولا تعداد گره های خروجی برای نوع اول یک و برای نوع دوم یک یا چند گره است.
اتصالات گره ها: اتصالات بین گره ها اساس رفتار شبکه را مشخص می نمایند. در اکثر موارد مخصوصاً در مورد پیش بینی، از شبکه با اتصالات کامل بین گره ها استفاده می شود.
تابع تبدیل: تابع تبدیل یا فعال ساز یا فشرده ساز، ارتباط بین ورودی و خروجی یک گره و یک شبکه را مشخص می نماید. این توابع درجه ای از غیرخطی بودن را به شبکه تزریق می نماید که برای اکثر کاربردهای شبکه عصبی ارزشمند و مهم می باشد. توابع تبدیل به کار گرفته شده توسط محققان در پیش بینی اغلب سیگموئید (لجستیک)، تانژانت هیپربولیک و خطی بوده اند(بوید و کاسترا، 1996).
نرمال کردن داده ها: نرمال سازی داده ها باعث می شود داده های مورد استفاده در دامنه ای خاص، فشرده و هماهنگ شوند. نرمال سازی مخصوصاً در مواقعی که از توابع سیگموئید یا تانژانت هیپرپولیک به عنوان تابع تبدیل شبکه استفاده می شود توصیه می شود(ژانگ و پاتوو ، 1998).
درتحقیقات عمدتاً از دو روش نرمالسازی خطی وآماری به شرح زیر استفاده میشود: (نمایانگر داده خام ،و به ترتیب مینیمم و ماکزیمم و نرمال شده آن می باشد.
1. نرمال کردن خطی داده ها‌ ]0 و 1[ :
3-1)

برای دامنه [a ,b] نرمال کردن خطی با فرمول انجام می شود.
2. نرمال کردن آماری که و به ترتیب میانگین و انحراف معیار داده ها می باشند.
مجموعه تست و آموزش : برای استفاده از شبکه های عصبی مجموعه داده ها معمولا به دو مجموعه تست و آموزش تقسیم می شوند. محققان در مسائل پیش بینی و تقریب توابع 20 درصد از کل داده ها را به عنوان مجموعه تست در نظر می گیرند و بقیه را برای آموزش استفاده می نمایند. گاهی اوقات از مجموعه سومی به نام مجموعه اعتبار و تکنیک اعتبارسنجی متقابل استفاده می شود. بدین صورت که قسمتی از مجموعه داده ها به عنوان مجموعه اعتبار در نظر گرفته می شود و همانطور که یادگیری شبکه به وسیله مجموعه آموزش دنبال می شود قدرت تعمیم شبکه برای مجموعه اعتبار ارزیابی می شود. در نقطه ای که یادگیری شبکه بهتر می شود، ولی قدرت تعمیم شبکه برای مجموعه اعتبار رو به کاهش می نهد، یادگیری شبکه باید متوقف شود. در این نقطه در شبکه پدیده یادگیری بیش از حد در حال اتفاق افتادن است. این تکنیک اغلب برای مجموعه داده های زیاد مورد استفاده قرار می گیرد و در مجموعه داده های کم و معمولی همان دو مجموعه تست و آموزش کافی می باشد.
برای مدل سازی پیش بینی با بهره گرفتن از شبکه های عصبی، از نرم افزار مناسب استفاده شده است. پس از آن با توجه به تنوع مدل های در دسترس و تجربی بودن طراحی معماری شبکه، انواع مختلف شبکه با تعداد ورودیهای متفاوت و معماری های مختلف شبکه؛ تعداد عناصر متفاوت در لایه های پنهان شبکه ها، تعریف شده و با توجه به میانگین مجذور خطا با هم مقایسه شده اند.
با انتخاب و ترکیب چند نظر و با عنایت به ویژگی های جامعه مورد مطالعه و در دسترس بودن اطلاعات، مدل سازی شبکه انجام شد. برای آموزش شبکه، از شبکه عصبی پیشخور عمومیت یافته با یک لایه پنهان و تعداد4 عنصر استفاده گردیده است. برای تعیین تعداد عناصر لایه پنهان، همانطور که درقضیه کولموگروف آمده است، تعداد حداکثر2N+1 عنصر پنهان برای آموزش کافی شبکه لازم است.
بنابراین مدل مورد استفاده شبکه پیشخور عمومیت یافته با تعداد یک لایه پنهان با 3 عنصر و تابع غیرخطی تانژانت هابپر بولیک، با تعداد تکرار 1000 استفاده گردید.در روش شبکه عصبی در ابتدا داده های مربوط به رضایت مشتری به عنوان مجموعه آموزش در نظر گرفته و سپس بعد از آموزش شبکه و به حداقل رساندن خطای آموزش، از داده های عنوان مجموعه آزمون، بکاربرده می شود. که بدین منظور این داده ها را در نرم افزار اکسل مرتب کرده سپس با بهره گرفتن از نرم افزار Neuro Solution و SPSS به ساختن معماری شبکه عصبی می پردازیم .
فصل چهارم
تجزیه و تحلیل داده ها
4-1- مقدمه
پس از آنکه محقق داده ها را گردآوری، استخراج وطبقه بندی نمود، مرحله جدیدی از فرایند تحقیق که تجزیه وتحلیل داده ها است، آغاز می شود. این مرحله در تحقیق اهمیت زیادی دارد، زیرا نشان دهنده تلاشها و زحمات فراوان گذشته است.در این مرحله محقق با بهره گرفتن از روش های مختلف سعی می کند اطلاعات و داده ها را در جهت مقایسه با نتیجه مورد انتظار، ارزیابی و مورد بررسی قرار دهد. در مرحله تجزیه وتحلیل داده ها آنچه مهم است، این است که محقق باید اطلاعات وداده ها را در مسیر هدف تحقیق، پاسخگویی به سوال یا سوالات تحقیق و نتیجه مورد انتظار خود جهت داده مورد تجزیه وتحلیل قرار دهد.
در این فصل از تحقیق حاضر، همانطور که در فصل سوم بیان گردید برای جمع آوری اطلاعات مورد نیاز از ابزار پرسشنامه استفاده شده است. جهت تجزیه و تحلیل داده های جمع آوری شده از هر دو روش آمار توصیفی و استنباطی استفاده گردیده است. جهت توصیف متغیرهای تحقیق در قالب جدول و نمودار از آمار توصیفی جنسیت، سن، میزان تحصیلات، میز
ان درآمد و همچنین توصیفی کلی از وضعیت پاسخگویی پاسخ دهندگان به سوالات پرسشنامه آورده شده است. متغیرهای پژوهش در نرم افزارExcel طبقه بندی شده، و از نرم افزارهای SPSS و Neuro solution برای اجرای مدل شبکه عصبی و تجزیه تحلیل داده ها و پاسخ به سوالات تحقیق استفاده شده است. سوالات تحقیق عبارت است از:
1. ویژگی های اساسی مشتریان در تعیین مشتریان راضی کدام است ؟
2. میزان رضایت مشتریان از کیفیت خدمات الکترونیکی ارائه شده با بهره گرفتن از شبکه های عصبی مصنوعی چگونه است ؟
4-2- یافته های تحقیق
4-2-1- نتایج توصیفی
در این قسمت بعد از گرد آوری داده ها و اطلاعات با بهره گرفتن از آمار توصیفی که شامل شاخص های مرکزی و پراکندگی مانند فراوانی، درصد فراوانی، نمودار و جداول می باشد به توصیف نمونه پرداخته می شود.
4-2-1-1- وضعیت جنسیت پاسخگویان
جدول (4-1): توزیع فراوانی پاسخ گویان بر حسب جنسیت
جنسیت
فراوانی
درصد
مرد
98
65
زن
52
35
جمع کل
150
100
یافته های جدول فوق بیانگر این است که 65 درصد از مشتریان مورد مطالعه مرد و 35 درصد از آنها زن هستند.
شکل (4-1): توزیع فراوانی پاسخگویان بر حسب جنسیت
4-2-1-2- وضعیت تحصیلات پاسخگویان
جدول (4-2): توزیع فراوانی پاسخگویان بر حسب تحصیلات
تحصیلات
فراوانی

 
 
درصد
کمتر از دیپلم
6
4
دیپلم
26

برای دانلود متن کامل پایان نامه ، مقاله ، تحقیق ، پروژه ، پروپوزال ،سمینار مقطع کارشناسی ، ارشد و دکتری در موضوعات مختلف با فرمت ورد می توانید به سایت  77u.ir  مراجعه نمایید
رشته مدیریت همه موضوعات و گرایش ها : صنعتی ، دولتی ، MBA ، مالی ، بازاریابی (تبلیغات – برند – مصرف کننده -مشتری ،نظام کیفیت فراگیر ، بازرگانی بین الملل ، صادرات و واردات ، اجرایی ، کارآفرینی ، بیمه ، تحول ، فناوری اطلاعات ، مدیریت دانش ،استراتژیک ، سیستم های اطلاعاتی ، مدیریت منابع انسانی و افزایش بهره وری کارکنان سازمان

در این سایت مجموعه بسیار بزرگی از مقالات و پایان نامه ها با منابع و ماخذ کامل درج شده که قسمتی از آنها به صورت رایگان و بقیه برای فروش و دانلود درج شده اند

17.34
کاردانی
23
15.34
کارشناسی
65
43.34
کارشناسی ارشد
30
20
جمع کل
150
100
آماره های استخراج شده در رابطه با وضعیت تحصیلات مشتریان، بیانگر این مطلب است که 4 درصد از این مشتریان دارای تحصیلات زیر دیپلم، 17.34 درصد دیپلم، 15.34 درصد کاردانی، 43.34 درصد کارشناسی و تنها 20 درصد از مشتریان دارای تحصیلات کارشناسی ارشد بوده اند.
شکل (4-2): توزیع فراوانی مشتریان بر حسب تحصیلات
4-2-1-3- وضعیت سنی پاسخگویان
جدول (4-3) : توزیع فراوانی پاسخگویان بر حسب رده سنی
رده سنی
فراوانی
درصد
کمتر از 20 سال
13
8.67
20-30 سال
70
46.67
30-40 سال
45
30
40 سال و بالاتر
22
14.67
جمع کل
150
100
نتایج حاصله در رابطه با وضعیت سنی مشتریان نمایانگر این مطلب است که از کل نمونه آماری، 8.67 درصد به مشتریان زیر 20 سال، 46.67 درصد به مشتریان 20 تا 30 سال، 30 درصد به مشتریان 30 تا 40 سال و 14.67 درصد به مشریان 40 سال و بالاتر اختصاص داشته است.

شکل (4-3) : توزیع فراوانی پاسخگویان بر حسب رده سنی
4-2-1-4- وضعیت درآمد پاسخگویان
جدول (4-4) : توزیع فراوانی پاسخگویان بر حسب میزان درآمد
میزان درآمد
فراوانی
درصد
کمتر از 300 هزار تومان
20
13.34
بین 300-750 هزار تومان
54
36
بین 750-000/200/1تومان
42
28
بالاتر از 000/200/1 تومان
34
22.67
جمع کل
150
100
یافته های جدول بیانگر این است که 13.34 درصد از مشتریان درآمد کمتر از 300 هزار تومان، 36 درصد درآمد بین 300 تا 750 هزار تومان، 28 درصد درآمد بین 750 هزار تا 000/200/1 تومان و 22.67 درصد نیز درآمد بالای 000/200/1 تومان را دارا می باشند.
شکل (4-4) : توزیع فراوانی پاسخگویان بر حسب میزان درآمد
4-2-2- یافته های استنباطی
4-2-2-1- پیش بینی از طریق شبکه عصبی مصنوعی
شبکه عصبی مورد استفاده برای شناسایی مشتریان راضی، شبکه عصبی پیشخور عمومیت یافته و تابع انتقال مورد استفاده تابع تانژانت هایپربولیک می باشد. کلیه لایه های این ساختار شامل لایه ورودی، لایه مخفی و لایه خروجی به صورت پشت سر هم(سری) قرار گرفته اند. در لایه ورودی شبکه، ما از 4 متغیر یا همان 4 نورون به نام های سهولت استفاده از نظر


دیدگاهتان را بنویسید