منطق فازی

منطق فازی

 

به نام خدا

 

من، دکتر روح‌اله آرزو، مدیر عامل و بنیان‌گذار شرکت **Hello Business**، با بیش از ۱۵ سال تجربه در مدیریت کسب‌وکارها، به وضوح می‌بینم که پیشرفت فناوری اطلاعات چگونه می‌تواند به تحول و بهبود کسب‌وکارهای نوین و به‌ویژه استارتاپ‌ها کمک کند. در این مقاله، به بررسی تأثیرات فناوری اطلاعات بر یک سیستم منطق محور فازی برای ارزیابی سطح اعتماد کسب‌ وکار به مصرف‌کننده (B2C) در تجارت الکترونیک و فرصت‌هایی که این فناوری‌ها ایجاد می‌کنند، می‌پردازم.

 

هدف این مقاله ارائه اپلیکیشن منطق فازی برای استدلال انسانی درباره تبادلات تجارت الکترونیک (e-commerce) است. این مقاله برخی از روابط پنهان مانند ایمنی، میزان شناخته بودن، طراحی و رقابت‌پذیری را آشکار می‌کند. ما تأثیر این عوامل را بر فرایند تصمیم انسانی و نتیجه ای که کسب‌وکار به مصرف‌کننده (B2C) تأثیر می‌گذارند را تحلیل می‌کنیم.

این تحقیق یک مجموعه ابزار برای فروشندگان B2C ارائه می‌دهد تا به نتایج زیر برسند:

– فرایند تصمیم تبادل کاربر دسترسی داشته باشند

– آن را ارزیابی کنند

–  هم‌چنین یک ابزار استدلال کمکی برای کاربر آنلاین ارائه می‌دهد.

مقدمه

در هنگام خرید بصورت آنلاین کاربر به عقل سلیم خود اعتماد میکند و هنگام خرید کالا تنها بر اساس شواهدی که در ذهن دارد و ویژگی های مبهمی که نسبت به محصول دارد و تجربیات کاربران دیگر تصمیم گیری میکند و هیچ ویژگی دقیق و واضحی و قابل لمسی در دسترس کاربر نیست. منطق فازی برای استدلال در مورد مفاهیم ذاتا مبهم استفاده می شود ، مانند “خرید آنلاین راحت است” . بنابراین هدف این تحقیق استفاده از منطق فازی برای استدلال انسانی است که در آن ما به طور خاص بر فرآیندهای موثر بر معاملات تجارت الکترونیک میپردازیم. . سیستم‌های فازی امکان رمزگذاری دانش را به شکلی فراهم می‌کنند که می‌تواند به عنوان یک منعکس‌کننده طرز فکر انسان‌ها در مورد یک مشکل پیچیده مانند خرید آنلاین استفاده شود. انسان معمولاً با عبارات نادرستی مانند بالا و پایین، سریع و کند و سنگین و سبک فکر می کند. تصمیم گیری انسانی پیچیده است و می تواند بر اساس ارزیابی همزمان بسیاری از جنبه ها مانند ترس، تجربه، حریم خصوصی، شهود و غیره باشد و ما این پیچیدگی را بوسیله سیستم فازی مدلسازی خواهیم کرد تا بتوانیم فرآیند تصمیم گیری را کشف کنیم.

در این مقاله با استفاده از جعبه ابزار منطق فازی در نرم افزار متلب میخواهیم یک سیستم خبره فازی برای تجارت الکترونیک B2C که مبتنی بر منطق فازی است را طراحی کنیم. این تحقیق به دنبال سازماندهی دانش بر حسب گروه بندی های منطقی مانند امنیت، شناخته شده بودن ، چیدمان طراحی، رقابت پذیری و اعتماد است.

روش تحقیق

این تحقیق مبتنی بر این منطق است که سطح واقعی هر تراکنش B2C مبتنی بر دو عامل است، یعنی: سطح اعتماد (T) وب سایت مورد نظر چقدر است و این سایت برای اهداف خرید چقدر رقابت پذیر (C) است؟

جایی که S سطح امنیت، F سطح شناخته شده بودن و D سطح طرح بندی طراحی سایت B2C است. فرض این است که عوامل تعیین کننده سطح Trust T تابعی از این سه پارامتر هستند.

T = f ( S,F,D )                                               (۱)

اعتماد دارای پنج زیرمجموعه فازی خواهد بود که هر کدام با تابع عضویت آنها همانطور که در شکل ۱ نشان داده شده است. به طور مشابه امنیت، آشنایی و طراحی را می توان به سه سطح (کم، متوسط و زیاد) تقسیم کرد. از این رو تعداد قوانین فازی برای تعیین سطح اعتماد را می توان به صورت زیر استخراج کرد: امنیت (سه)، آشنایی (سه) و طرح بندی (سه) که ترکیبی از آنها ۲۷ قانون فازی متمایز را ایجاد می کند.

تصویر در شکل ۲ مراحل و فرآیندهای درگیر را نشان میدهد. همانطور که میدانیم سیستم فازی دارای ورودی – فازی سازی- … – عکس فازی سازی – خروجی است و در این سیستم امنیت، و شناخته شده بودن یا طراحی سایت به عنوان ورودی و میزان سطح اعتماد به عنوان خروجی در تجارت الکترونیک B2C است.

 

ورودی(های) اولیه مجموعه ای واضح از اعداد هستند. این مقادیر از سطح عددی به سطح زبانی تبدیل می شوند. پس از آن قوانین فازی اعمال شده و موتور استنتاج فازی اجرا می شود. این منجر به یک سطح B2C معین به عنوان درجات مختلف عضویت در زیر مجموعه های فازی ابرمجموعه B2C می شود. آخرین مرحله که فرآیند فازی سازی است، که در آن زمان یک مقدار عددی برای احتمال تراکنش B2C استخراج می کنیم.

جمع آوری و پردازش اطلاعات

این مطالعه از یک نظرسنجی مبتنی بر وب استفاده میکند. با وجود اینکه فقط کسانی می توانند در این نظرسنجی شرکت کنند که دسترسی به اینترنت داشته باشند و این شرایط دقیقاً همان چیزی است که برای پاسخ دهندگان این مطالعه مطلوب است.

یک آزمایش با هدف اینکه آیا ابزارها پدیده های مورد نظر را ضبط میکنند یا خیر انجام شد.

وبسایت در اینترانت منتشر شد و آدرس آن در اختیار افرادی قرار گرفت که در کلاس های سیستم های اطلاعاتی و علوم کامپیوتر ثبت نام کرده بودند قرار گرفت. از پاسخ دهندگان خواسته شد تا سه وب سایت را تجزیه و تحلیل کنند:

Amazon.com

Lastminute.com

Uaemall.com

از پاسخ دهندگان خواسته شد تا کل فرآیند خرید را در سه وب سایت انجام دهند اما به آنها گفته شد که برای خرید کالا روی دکمه خرید کلیک نکنند. در طول این فرآیند، آنها باید به پنج دسته سوالات زیر یعنی: امنیت، شناخته شده بودن ، طراحی، قابل اعتماد بودن، رقابت پذیری و در نهایت انتخاب سطح مناسب B2C پاسخ می دادند. چهار سؤال در مورد امنیت، شناخته شده بودن و طراحی، یک سؤال راجع به مورد اعتماد بودن، چهار سؤال در مورد رقابت پذیری و یک سؤال در سطح B2C وجود داشت. پس از تجزیه و تحلیل وب سایت و پاسخ به سؤالات، در نهایت آزمودنی ها باید اعتماد و سطح B2C وب سایت خاص را شناسایی می کردند.

سپس از پاسخ دهندگان خواسته شد که سطح اعتماد سایتی که بررسی کرده اند را رتبه بندی کنند:

اعتماد بسیار کم، اعتماد پایین، اعتماد متوسط، اعتماد بالا و اعتماد بسیار بالا

نتایج بالا بر اساس ۵ پارامتری که اشاره شد رتبه بندی شد ، از پاسخ دهندگان مجدد خواسته شد که بر اساس ۲ پارامتر سطح اعتماد و رقابت پذیری وبسایت را رتبه بندی کنند. این سطح از B2C بعداً در مطالعه با سطح تولید شده توسط منطق فازی مقایسه خواهد شد.

قوانینی که سطح اعتماد و رتبه بندی B2C را نشان می دهد

۲ قانون زیر در نظر گرفته شده است:

 

 

همانطور که در شکل زیر نشان داده شده است، در مجموع ۲۷ قانون برای Trust استنتاج شده است. به طور مشابه قوانینی که سطح B2C را برای ورودی های مختلف نشان می دهد ۱۵ قانون است. این قوانین اساس سیستم استنتاج مرکب را تشکیل می دهند.

تجزیه و تحلیل پارامتر اعتماد در مقابل پارامتر امنیتی

برای درک کامل مشارکت عوامل مختلف در سطح اعتماد، لازم است که سهم هر عامل را به طور جداگانه بررسی کنیم.

سهم شناخته شده بودن و طراحی در سه سطح ثابت نگه داشته شده است، یعنی: کم، متوسط و زیاد .

 

شکل ۴ نشان می دهد که سطح اعتماد به طور یکنواخت برای افزایش امنیت درک شده یک وب سایت برای هر سطح مشخصی از شناخته شده بودن و طراحی (F و D) افزایش می یابد. با این حال، وقتی F و D هر دو «بالا» هستند (مقدار عددی ۷)، سطح اعتماد برای حداکثر امنیت در حداکثر خود است. این سه منحنی یک ویژگی مشترک دارند که انحنای “پله ای شکل” را نشان می دهند.

جالب است بدانید که برای سطوح «پایین» و «متوسط» F و D، Trust توسعه‌یافته تقریباً تا سطح امنیت حدود ۵ یکسان است. سپس یک تغییر شدید در سطح اعتماد بین “کم” و “متوسط” وجود دارد و اعتماد درک شده برای “متوسط” F و D به سطح “بالا” نزدیک می شود. یک مشاهدات کلی این است که اعتماد برای هر مقدار مشخصی از شناخته شده بودن و طراحی به طور مثبت با امنیت مرتبط است. این مشاهده برای ذهن انسان نیز قابل قبول است. یکی از ویژگی‌هایی که از این شکل فاش می‌شود این است که برای سطوح «بالا» امنیت، تفاوت اعتماد برای سطوح «متوسط» و «بالا» F و D کمتر معنادار است. این نتیجه را نمی‌توان از ابتدا پیش‌بینی کرد.

تجسم اعتماد به عنوان تابعی از امنیت و شناخته شده بودن سایت

اکنون سعی می کنیم سطح Trust را به عنوان تابعی پیوسته از پارامترهای ورودی آن تجسم کنیم. شکل ۵ تلاش می کند تا تنوع Trust را همانطور که در قوانین Trust محصور شده است به تصویر بکشد. بالاترین گرادیان برای اعتماد زمانی است که آشنایی «متوسط» و امنیت «متوسط» تا «بالا» باشد. این نشان می‌دهد که وقتی مردم تا حدودی با یک وب‌سایت آشنا هستند، افزایش کمی در سطوح امنیتی از میزان امنیت متوسط تا بالا، اعتماد آنها را به میزان قابل توجهی افزایش می‌دهد. زمانی که فاکتورهای ورودی بیشتر افزایش می یابد، در آن سطح باقی می ماند. این نتیجه به نوعی غیرمنتظره است و ممکن است به دلیل ماهیت فازی سیستم خبره باشد که در آن سطح “اعتماد” یا “حقیقت” ۱۰۰٪ غیر واقعی است.

نتیجه

تجارت الکترونیک به دلیل رشد تعداد وب‌سایت‌های آنلاینی که محصولاتی با تنوع بسیار زیاد ارائه می‌دهند، انتخاب‌های بیشتری را به مصرف‌کنندگان داده است. در مقاله ما، ابزاری برای کمک به مصرف کنندگان و فروشندگان برای تجزیه و تحلیل سطح اعتماد درک شده در یک وب سایت خاص تعریف شده است. مصرف کنندگان را می توان به طور کلی به دو گروه دسته بندی کرد، یعنی کسانی که از نظر فنی از یک سایت انتقاد می کنند و قادر به اندازه گیری ویژگی های امنیتی آن هستند و کسانی که اینطور نیستند. از این رو، نظرسنجی می تواند بر اساس ظاهر واقعی ویژگی های مختلف، تصمیم خرید را محکم تر کند.

 

مزیت ها:

• این داده ها را به FIS برای Trust و B2C داده و کاربر می تواند تصمیم خرید خود را با تصمیم دیگران بر اساس نتیجه سیستم خبره فازی مقایسه کند.
• برای کسانی که از نظر فنی تمایل چندانی ندارند، این نظرسنجی به آنها کمک می‌کند تا حضور یک ویژگی را اندازه‌گیری کنند.
• پس از تکمیل تمام الزامات Trust، FIS for Trust می تواند برای ارائه سطح درک شده ای استفاده شود که کاربر بتواند با سطح خود مقایسه کند.
• فروشنده میتواند از داده‌های نظرسنجی که در طول زمان جمع‌آوری می‌شود جهت اصلاح مجموعه‌های قوانین موجود استفاده نماید و سود ببرد.
• فروشنده می‌تواند از داده‌های نظرسنجی برای تعیین سطح اعتماد سایت بر اساس تصور کاربر استفاده کند و در صورت نیاز تأثیر منفی بر سطح اعتماد ، آن را اصلاح کند.

محدودیت:

یکی از محدودیت‌های FIS ساخته‌شده در این مطالعه این است که همه مکان‌ها در بخش پیشین یک قانون با عملیات AND مرتبط هستند که در آن عملیات OR نیز می‌تواند مستقر شود. در این صورت مفهوم و تجمیع قانون به طور قابل توجهی متفاوت خواهد بود.

 

درباره ما
به پیج اینستاگرامی ما بپیوندید