ترجمه مقاله مدیریت: شیوه عملیاتی سنجش خلق دانش

عنوان انگلیسی مقاله: Knowledge creation measurement methods
عنوان فارسی مقاله: شیوه های عملیاتی سنجش خلق دانش
دسته: مدیریت دانش
فرمت فایل ترجمه شده: فایل Word ورد 2007 یا 2003 (Docx یا Doc) قابل ویرایش
تعداد صفحات فایل ترجمه شده: 16
_______________________________________
چکیده

هدف این مقاله بررسی عملیاتی خلق دانش می پردازد. با توجه به اهمیت خلق دانش برای ثروت ملی و شرکتها، ارزیابی اندازه گیری آن یک کار ارزشمند است، با این وجود، تحقیق حاضر طیف وسیعی از اندازه گیریها را به کار می برد و این عدم بررسی عملیاتی توافق شده ساختاری مانع برای بررسی تجربی قوی است. هدف این مقاله بررسی روشهای اندازه گیری حال حاضر و ایجاد یک طبقه بندی از ارزیابیهای بوجود آوردن دانش است. طرح/ روش / رویکرد روش طبقه بندی چهار مرحله ای بشرح زیر است. به منظور تولید اطلاعات در مورد ویژگیهای اساسی روش های اندازه گیری، تحقیقات تجربی مربوطه مورد بررسی قرار گرفته و تجزیه و تحلیل محتوا در مورد اقدامات حاصل شده انجام می گیرد. بررسی ادبیات شامل تحقیق کلمات کلیدی در بانگهای اطلاعاتی کتابشناختی است که یک نمونه از 63 مقاله تجربی که در بر گیرنده ارزیابیهای خلق دانش است بدست می دهد. هر دوی این نویسندگان بطور مستقل یک نقشه شناختی از این اقدامات بر اساس سه ویژگی متفاوت بوجود آورده اند. یافته ها سهم اصلی از این مقاله توسعه یک طبقه بندی سلسله مراتبی از ارزیابیهای خلق دانش است. این طبقه بندی که د رآن حرکت بالای سلسله مراتب، طبقه بندی مفهومی گسترده فراهم می آورد و حرکت پاییز پالایش مفهومی را تأمین می کند از طریق اندازه گیریهای طبقه بندی به روشی که ارزیابی در برابر تعاریف موجود قابل قیاس را تسهیل نماید باعث پیشرفت تحقیق خلق دانش می شود. محدودیتهای تحقیق/ مفاهیم محدودیتهای تحقیق از مسائل بنیادی تعصبی ریشه می گیرد. علاوه بر نشان دادن تعصب برخی از تعصبات ممکن است با توجه به قرار دادن ارزیابیها در داخل فرآیند یا دسته بندیهای بیرونی در برنامه نویسی وارد گردیده باشند. اصالت / ارزش این تحقیق پیامدهای قابل توجهی را برای تحقیقات آینده در خلق دانش دارد: این طبقه بندی هماهنگی بین مفهوم ساخت دانش و ارزیابی و تمایز بین خلق دانش و دیگر سازه های مربوطه نظیر نوآوری را تسهیل می کند. چنین طبقه بندی روشن تر شدن شباهتها و تفاوتها میان بخشهای خلق دانش توسعه ویژگیهای جدید برای تحقیقات آینده و شناسایی مناطق غفلت از مطالعه آسان می سازد.

استراتژی بازاریابی جدید برای بازاریابی مستقیم (ترجمه مقاله بازرگانی)

عنوان انگلیسی مقاله: A new marketing strategy map for direct marketing
عنوان فارسی مقاله: یک نقشه استراتژی بازاریابی جدید برای بازاریابی مستقیم
دسته: مدیریت و بازرگانی
فرمت فایل ترجمه شده: فایل Word ورد 2007 یا 2003 (Docx یا Doc) قابل ویرایش
تعداد صفحات فایل ترجمه شده: 23
_______________________________________
چکیده
بازاریابی مستقیم یکی از موثرترین شیوه های بازاریابی بسیارکارا با هدف حداکثر کردن ارزش دوره عمرمشتریان می باشد. بسیاری از شیوه های یادگیری که به قیمت حساس هستند مشتریان با ارزش را شناسایی می کنند تا سود مورد انتظارشان را حداکثر کنند. با این حال این شیوه ها تا زمانی که سود کل را برای دوره زندگی مشتریان حداکثر می کند، نمی تواند کنترلی بر عیوب احتمالی داشته باشد. متاسفانه فعالیتهای بازاریابی بهینه برای بدست آوردن حداکثر سود اغلب در حداقل کردن عیوب احتمالی بسیار ضعیف عمل می کند، چون با این روشها بین اهداف تناقض هایی پدید می آید. در این مقاله ما روش تصمیم گیری متوالی (ترتیبی) را برای حداکثر کردن سود با در نظر گرفتن عیوب احتمالی در بازاریابی مستقیم، ارائه می کنیم. ما الگوریتم یادگیری تقویتی را می پذیریم تا فعالیتهای بازاریابی بهینه متوالی را تعیین کنیم. با این یافته ها نقشه استرتژی را طراحی می کنیم که به مدیران بازاریابی کمک می کند تا مجموعه فعالیت متوالی بهینه و کوتاهترین راه را برای رسیدن به وضعیت مورد مطلوب را شناسایی کند. در نتیجه، این استراتژی به طراحی ایده آلی برای مجموعه فعالیتهای موثر منتهی می شود.

کلمات کلیدی: تصمیم گیری های متوالی، یادگیری تقویتی، استراتژی بازاریابی مستقیم، مدیریت ارتباط با مشتری، نقشه استراتژی های بازاریابی

مقدمه

بازاریابی مستقیم یکی از روشهای بسیار موثر برای حداکثر کردن سودهای مورد انتظار است. تعدادی از روشهای یادگیری که به قیمت حساس هستند بر مشتریان سودآوری پیش بینی شده در بازاریابی مستقیم تاکید می کنند. با این حال، هدف معمولی این روشها فقط حداکثر کردن سود کوتاه مدت مرتبط با هر مجموعه فعالیت بازاریابی است. آنها تمامی تعاملات خروجی های تصمیم گیری را نادیده می گیرند، با اینکه ممکن است توالی از تصمیمات بازاریابی در طول زمان شکل بگیرد. این استراتژی های تصمیم گیری مستقل نمی تواند ضامن حداکثر کردن سودهای کل در دوره زندگی مشتری باشد چون انها اغلب وقتی تصمیم گیری ترتیبی در طول زمان پیش بیاید، تعاملات بین نتایج تصمیم گیری را نادیده می گیرند. 

ترجمه مقاله روانشناسی: کاربردهای عقیده کاوی

عنوان انگلیسی مقاله: A State Of The Art Opinion Mining And Its Application Domains
عنوان فارسی مقاله: عقیده کاوی و کاربردهای آن
دسته: روانشناسی و مدیریت
فرمت فایل ترجمه شده: فایل Word ورد 2007 یا 2003 (Docx یا Doc) قابل ویرایش
تعداد صفحات فایل ترجمه شده: 10
_______________________________________
چکیده
شرکت های صنعتی و تولیدی که محصولات جدید تولید می کنند، می خواهند بدانند مشتریانشان چه احساسی نسبت به این محصولات دارند و این اطلاعات را می توان با مطالعه عقیده ها در پورتال های نظرسنجی بدست آورد. در عین حال، کاربران یا مشتریان نیز می خواهند بدانند کدام محصول را بخرند پس این نظرات را می خوانند و سعی می کنند تصمیم گیری کنند. دیده شده است که عقیده های آنلاین روز به روز محبوب تر می شوند و این عقاید، غنی بودن اطلاعات را نشان می دهند که می تواند برای صنعت و مشتریان مفید باشد. با این حال، اینجام این کار به صورت دستی سخت و زمانبر است. به عنوان مثال، سازمان های تولیدی ترجیح می دهند اطلاعات به فرمتی باشد که برای استفاده راحت تر باشد، پس اتوماتیک کردن این فرایند بسیار مفید است. اینجاست که عقیده کاوی به میان می آید. در وب، عقاید را می توان به فرم متن، تصویر، صوت یا داده ویدئویی بیان کرد. این مقاله از متن کاوی فاصله می گیرد چون در این زمینه بسیار کار شده است. عقیده کاوی را می توان یک زیر اصل از زبان شناسی محاسباتی تعریف کرد که با عقیده ای که یک سند بیان می کند در ارتباط است. طبقه بندی احساسات تعیین کننده ذهنیت، قطبیت (مثبت و منفی) و قدرت قطبیت (مثبت ضعیف، مثبت میانه و مثبت قوی) یک متن عقیده است. عبارات مختلفی توسط محققان استفاده می شود تا احساسات را طبقه بندی کنند: عقیده کاوی، تحلیل احساسات، استخراج احساسات یا رتبه بندی کارا. ما در این مقاله برای سادگی از عبارات عقیده کاوی که همه این عبارات را دربر می گیرد استفاده می کنیم.

زمینه های مرتبط با عقیده کاوی

استخراج اطلاعات (IE): آیا تبدیل اطلاعات متنی بدون ساختار به فرمت ساخت یافته که عموماً در پایگاه داده ها ذخیره و برای اهداف داده کاوی استفاده می شود، بر اساس یادگیری زبان ماشین است. داده های خاص، استخراج و در قالب موجود قرار می گیرند. این کار دقت اطلاعات بازیافتی را بهبود می بخشد و می تواند به عنوان پایه ای برای گروه بندی داده های استخراج شده استفاده شود.