Zastosowanie rozmytej funkcji regresji w ocenie poziomu satysfakcji klientów z usług

• Autorzy: Bartłomiej Jefmański

Warianty tytułu

An Application of Fuzzy Regression Analysis in Customer Satisfaction Estimation

• Języki publikacji: PL

Abstrakty

Model regresji rozmytej, zaproponowany przez Tanakę, a określany mianem posybilistycznej funkcji regresji, jest nieparametryczną metodą użyteczną w estymacji rozmytych zależności między zmiennymi. Ma on na celu minimalizację stopnia rozmycia związku między zmiennymi poprzez rozwiązanie zadania programowania matematycznego. W artykule zaprezentowano możliwości wykorzystania regresji rozmytej w badaniach satysfakcji konsumentów, a w szczególności szacowania ich poziomu satysfakcji. Podstawy teoretyczne proponowanego podejścia zaprezentowano na przykładzie analizy wyników otrzymanych z badania satysfakcji studentów jednej z niepublicznych szkół wyższych.(abstrakt oryginalny)

EN

Tanaka's model (fuzzy possibilistic regression) approach is a well known fuzzy regression technique used for the prediction problems including fuzzy type of uncertainty. The aim of that model is to minimize fuzziness between the dependent and the independent variables and the solution to this optimization problem is obtained through an extensive use of the mathematical programming. The aim of the paper is to present a potential of a fuzzy linear regression in customer satisfaction surveys particularly in customer satisfaction estimation. An empirical example of student satisfaction estimation was used to present methodological aspects of this approach.(original abstract)

Słowa kluczowe

PL

Konsument; Satysfakcja klienta

EN

Consumer; Customer satisfaction

• Czasopismo: Prace Naukowe Uniwersytetu Ekonomicznego we Wrocławiu. Taksonomia
• Rocznik: 2011
• Tom: 18
• Numer: nr 176 Klasyfikacja i analiza danych - teoria i zastosowania
• Strony: 312--320

Twórcy

autor

Bartłomiej Jefmański

• Uniwersytet Ekonomiczny we Wrocławiu

Bibliografia

• Chen Y.S., Outliers detection and confidence interval modification in fuzzy regression, "Fuzzy Sets and Systems" 2001, no. 119.
• Lasek M., Data Mining. Zastosowania w analizach i ocenach klientów bankowych, Biblioteka Menedżera i Bankowca, Warszawa 2002.
• Modarres M., Nasrabadi E., Nasrabadi M.M., Fuzzy linear regression models with least square errors, "Applied Mathematics and Computation" 2005, no. 163.
• Opricovic S., Tzeng G.H., Defuzzification within a multicriteria decision model, "International Journal of Uncertainty, Fuzziness and Knowledge-Based Systems" 2003, no. 5.
• Romano R., Fuzzy Regression and PLS Path Modeling: A Combined Two-stage Approach for Multiblock Analysis, praca doktorska, University of Naples [2006].
• Taheri S.M., Trends in fuzzy statistics, "Austrian Journal of Statistics" 2003, vol. 32, no. 3.
• Taheri S.M., Tavanai H., Nasiri M., Possibilistic Regression in False-Twist Texturing, http://www. wseas.us/e-library/conferences/2006elounda1/papers/537-303.pdf.
• Tanaka H., Hayashi J., Watada J., Possibilistic linear regression analysis for fuzzy data, "European Journal of Operational Research" 1989, no. 40.
• Wang H.F., Tsaur R.Ch., Bicriteria variable selection in a fuzzy regression equation, "Computers and Mathematics with Applications" 2000, no. 40.