آموزش، مشاوره و اجرای پروژه های مارکتینگ

ریتیل آدیت یا Retail Audit چیست؟ و چه کاربردهایی دارد؟

ریتیل آدیت یا Retail Audit همانطور که از نام آن بر می آید گزارشی است که برای ارزیابی و ممیزی خرده فروشی ها به کار می رود. معمولا شرکتهای تولیدکننده و یا شرکتهای پخش جهت اطلاع از وضعیت بازار دسته محصولات خود به دنبال تهیه این گزارش می روند. این گزارش می تواند شامل اطلاعات زیر باشد: 1. سهم بازار برندهای فعال در صنعت 2. سهم حضور برندهای فعال در صنعت 3. تخمین اندازه بازار در آن صنعت(حجمی و ریالی) 4. روند رشد(مثبت یا منفی) سهم بازار برندهای فعال در صنعت 5. کارایی پخش شرکتهای پخش فعال در صنعت 6. آگاهی از سیاستهای ترویجی و تشویقی برندهای فعال در صنعت

ریتیل آدیت

مرتضی علیاری

1398/01/29

۰ نظر موافقین ۱ مخالفین ۰
مرتضی علیاری

تفاوت تحقیقات بازار کمی و کیفی

در بسیاری از موارد شرکتهایی که علاقمند به انجام تحقیق هستند با انبوهی از سوالات مراجعه می کنند، در حالی که نمی دانند سوالات مورد نظرشان را با چه نوع از تحقیقی می توان جواب داد. ریشه بسیاری از مشکلات در این است که خیلی وقتها شرکتها نمی دانند دنبال چه چیزی هستند؟
به عبارت دیگر بیان مسئله، حلقه گمشده در بسیاری از تحقیقات است.
در بسیاری از موارد نیز اتفاق افتاده که تحقیقات کمی و کیفی به صورت اشتباه به جای هم به کار گرفته شده اند. در این پست سعی خواهم کرد در چند نکته تفاوت این دو نوع تحقیق را روشن کنم:
تحقیقات کمی با تجزیه و تحلیلهای آماری (توصیفی و استنباطی) همراه است. به عبارت دیگر وقتی تحقیق کمی انجام می گیرد که از قبل فرضیه ای را داشته باشیم و با انجام تحقیق بخواهیم آن را به اثبات برسانیم. این در حالی است که یک تحقیق کیفی زمانی انجام می گیرد که هیچ چشم اندازی نسبت به نتیجه تحقیق نداریم.
تحقیقات کمی به دلیل اینکه درگیر تعداد نمونه های زیادی است زمانبر و هزینه بردار است. این در حالی است که تحقیقات کیفی را با تعداد نمونه کم و در مدت کوتاهی می توان انجام داد.
نتایج حاصل از تحقیقات کمی قابل بسط به جامعه بوده و قطعی هستند در حالی که نتایج حاصل از تحقیقات کیفی منحصر به همان نمونه مورد تحقیق بوده و قابل بسط به جامعه نیستند.
در تحقیقات کمی پاسخگو در جواب دادن به سوالات چندان آزاد نیست در حالیکه در تحقیق کیفی پاسخگو کاملا آزاد است نظر خود را بیان نماید.

تفاوت تحقیقات کمی و کیفی
۱ نظر موافقین ۱ مخالفین ۰
مرتضی علیاری

تفاوت خوشه بندی و طبقه بندی در داده کاوی

در پستهای قبلی با یادگیری با نظارت و بدون نظارت آشنا شدیم.

خوشه بندی یا Clustering از روشهای داده کاوی است که از یادگیری بدون نظارت استفاده می کند. در واقع خوشه بندی بدون داشتن یک مثال آموزشی و بدون هر گونه ناظر سعی در پیدا کردن شباهتهای موجود در داده ها دارد به گونه ای که موارد شبیه بهم در یک خوشه قرار می گیرند و موارد داخل دو خوشه متفاوت با هم تفاوت فاحشی دارند. شباهت بین دو مورد بر اساس فاصله اقلیدسی بین آن دو سنجیده می شود به گونه ای که هر چه فاصله بین دو شی کمتر باشد، شباهت بین دو مورد بیشتر و هر چه فاصله بین دو مورد از هم بیشتر باشد، شباهت کمتر است. 

مثال برای خوشه بندی، در نظر گرفتن جاندارن در دو خوشه پستاندار و خزنده است. در خوشه پستانداران، انسان، پلنگ، فیل، و غیره قرار می گیرند. از سوی دیگر، خوشه خزنده شامل مار، مارمولک، اژدها کامودو و غیره می شود.

طبقه بندی، فرایند دسته بندی داده ها به کمک برچسب کلاس هاست.در طبقه بندی یا Classification نیاز به داده های آموزشی هست در حالی که در خوشه بندی نیاز به یادگیری و داده های آموزشی نیست. 

به عنوان مثالی از طبقه بندی، فرم درخواست وام را در بانکها در نظر بگیرید. مشتریان تکمیل کننده این فرمها را می توان طبق سن و دستمزدشان، به عنوان مشتری بدون ریسک یا پرریسک دسته بندی نمود. به این نوع فعالیت، یادگیری تحت نظارت گفته می شود. مدل ساخته شده می تواند برای طبقه بندی داده های جدید مورد استفاده قرار گیرد. گام یادگیری می تواند با استفاده از مجموعه داده های آموزشی تعریف شده، اجرا شود. مدل تولیدی می تواند در قالب یک درخت تصمیم گیری یا مجموعه ای از قوانین باشد.

مرتضی علیاری

1397/1/27

۲ نظر موافقین ۱ مخالفین ۰
مرتضی علیاری

چرا حجم پاورپوینت زیاد می شود؟

مطلبی که می خواهم امروز پست کنم شاید جواب سوال خیلی از دوستان باشد. این را هم بگویم که با جستجو در اینترنت هم به نتیجه جالبی نخواهید رسید.

برای شما هم ممکن است پیش آمده باشد که محاسبات و نمودارهایتان را در اکسل رسم کرده باشید و در نهایت فایل پاورپوینتی ساخته باشید که مجموعه ای از نمودارهای paste شده از Excel است. اگر دقت کرده باشید از نیمه های راه دیگر نمودارها به سختی paste می شوند. دلیل این کار این است که وقتی شما نمودارها را از اکسل paste معمولی می کنید، نمودارها بهمراه فایل اکسل و همه محتویاتش به پاورپوینت انتقال پیدا میکند. حالا تصور کنید نمودارهای شما در یک فایل اکسل و در شیتهای مختلف آن باشد. با عملیات paste در واقع همان یک عدد فایل اکسل را به تعداد نمودارهای داخل پاورپوینت load می کنید. این کار باعث می شود حجم فایل پاورپونت شما به یک باره بزرگ شود.

اما راهکار چیست؟

راز این کار در نحوه paste کردن است. شما به هیچ وجه نباید paste معمولی انجام دهید. برای این کار ابتدا نمودارتان را از اکسل کپی کرده، سپس در پاورپوینت  راست کلیک کنید. حالا می توانید ببینید که آفیس پنج روش برای paste در اختیارتان می گذارد که از قرار زیر هستند:

روشهای PASTE در اکسل

1. Use destination theme & embed workbook

این گزینه برای زمانی است که شما برای نمودارها در اکسل تم خاصی را تعریف کرده اید. بنابراین تم و کل فایل اکسلی را که نمودار در آن تهیه شده با خود به پاورپوینت می آورد.

2. Keep source formatting & embed workbook

با انتخاب این گزینه تمامی فونتها و رنگها و فرمتهایی را که در اکسل تعریف کرده اید بهمراه کل فایل اکسل به پاورپوینت منتقل می شود.

3. Use destination theme & linked data

این گزینه تم تعریف شده در اکسل را بهمراه لینکهای نمودارها در اکسل به پاورپوینت منتقل می کند.

4. Keep source formatting & linked data

با انتخاب این گزینه تمامی فونتها و رنگها و فرمتهایی را که در اکسل تعریف کرده اید بهمراه لینک نمودارها در اکسل به پاورپوینت منتقل می شود.

5. Picture

فقط عکس نمودارها را منتقل می کند.

توصیه می شود برای paste کردن از گزینه 4 استفاده کنید. گزینه های 1 و 2 حجم فایل پاورپوینت را به صورت خیلی سریع بالا می برند.

مرتضی علیاری

1398/1/22

۰ نظر موافقین ۱ مخالفین ۰
مرتضی علیاری

یادگیری ماشین چیست و انواع آن کدامند؟

در این پست شما را با مبحث یادگیری ماشین یا Machine Learning که یکی از مباحث پایه علم هوش مصنوعی است آشنا خواهم کرد. 
مغز شما به صورت ناخود آگاه در طول روز بارها و بارها با استفاده از روش یادگیری ماشین در تمیز دادن چیزهای مختلف از یکدیگر به شما کمک می کند. فرض کنید در کودکی به شما گفته شده نام حیوانی با این شکل خاص و با این قد مثلا اسب است. از آن زمان تاکنون مغز شما به صورت کاملا دقیق تمام حیواناتی را که ویژگی هایی نزدیک به ویژگی های گفته شده را دارند به عنوان اسب می شناسد.
اسب
به عنوان مثالی دیگر فرض کنید تعدادی شکل هندسی به شما داده اند و نام آنها را به شما نگفته اند و از شما خواسته اند که آنها را در دسته های جدا قرار دهید. در اینجا کاری که مغز شما می کند به این صورت است که  ویژگی های مشابهی را در اشکال پیدا می کند و در نهایت اشکال شبیه به هم را در یک دسته قرار می دهد. 
یادگیری بدون ناظر
  در اینجا شما با دو گونه از یادگیری آشنا شدید که در ادامه توضیح داده ام:
نوع اول زمانی است که به شما الگویی مانند اسب را نشان می دهند و از آن پس مغز شما دیگر تمامی اسب ها را خواهد شناخت. به این نوع از یادگیری، یادگیری با ناظر یا Supervised Learning گفته می شود. 
در نوع دوم بدون اینکه آموزشی داده شود به شما تعدادی شکل داده می شود و  خواسته می شود که آنها را در دسته های جدا گانه قرار دهید. مغز شما اشکال را با استفاده از شباهت هایی که با هم دارند در دسته های مختلف دسته بندی می کند. به این نوع از یادگیری، یادگیری بدون ناظر یا Unsupervised Learning کفته می شود.
البته یادگیری ترکیبی نیز وجود دارد که در اینجا به آن پرداخته نشده است.
کامپیوترها نیز درست مشابه مغز انسان با استفاده از مثالهایی که به آنها ارائه می شود و یا با استفاده از ویژگی های مشترک اقدام به یادگیری می کنند که به این فرآیند یادگیری ماشین گفته می شود.
در پایان این پست، امیدوارم که این مطلب برای شما مفید بوده باشد. منتظر پست بعدی باشید که در مورد انواع تکنیکهای یادگیری ماشین خواهد بود.
مرتضی علیاری
98/01/21
۱ نظر موافقین ۱ مخالفین ۰
مرتضی علیاری