Ứng dụng mạng Neural xây dựng mô hình đánh giá sự hài lòng của các nhà quảng cáo đối với công ty quảng cáo

B GIÁO DC VÀ ÀO TO
TRNG I HC KINH T THÀNH PH H CHÍ MINH


INH TH NHUNG


NG DNG PHNG PHÁP MNG NEURAL
XÂY DNG MỌ HỊNH ÁNH GIÁ S HÀI LÒNG
CA CÁC NHÀ QUNG CÁO I VI CÁC
CÔNG TY QUNG CÁO


LUN VN THC S KINH T


TP.H Chí Minh ậ Nm 2013
B GIÁO DC VÀ ÀO TO
TRNG I HC KINH T TP.HCM


INH TH NHUNG

NG DNG MNG NEURAL XÂY
DNG MỌ HỊNH ÁNH GIÁ S HÀI
LÒNG CA CÁC NHÀ QUNG CÁO I
VI CÔNG TY QUNG CÁO


Chuyên

ngành: Qun tr kinh doanh
Mã s: 60340102

LUN

VN

THC

S

KINH

T




NGI HNG DN KHOA HC:
GS.TS. H C HÙNG



TPHCM NĂM 2013


LI CAM OAN
Tôi xin cam đoan đây là công trình nghiên cu riêng ca tôi. Các s liu, kt qu
nêu trong lun vn là trung thc và cha tng đc ai công b trong bt k công
trình nào khác.

Tôi xin cam đoan các tài liu tham kho trong lun vn đã đc ghi rõ ngun gc.



MC LC
TRANG PH BÌA
LI CAM OAN
MC LC
DANH MC CÁC T VIT TT
DANH MC CÁC HÌNH V
DANH MC CÁC BNG
CHNG 1. M U 1
1.1. Lý do chn đ tài 1
1.2. Mc tiêu nghiên cu 1
1.3. i tng và phm vi nghiên cu 2
1.4. Phng pháp nghiên cu 2
1.5. ụ ngha thc tin 2
1.6. Ni dung đ tƠi nghiên cu 3
CHNG 2. C S LÝ THUYT VÀ MÔ HÌNH NGHIÊN CU 4
2.1. Khái nim v mng neural 4
2.1.1. Mng neural sinh hc 4
2.1.2. Mt s dng thông dng ca hƠm tác đng (Activation function) 6
2.1.4. Phơn loi mng neural 8
2.1.4.1. Phơn loi mng neural 8
2.1.4.2. Mt s loi mng neural 8
2.1.4.3. Nhng u đim vƠ ng dng mng neural 14
2.2. NgƠnh công nghip qung cáo 15
2.2.1. Khái nim v qung cáo 15
2.2.2. Thc trng ngƠnh công nghip qung cáo 17
2.3. S HÀI LọNG KHÁCH HÀNG 19

2.3.1. nh ngha v s hƠi lòng 19
2.3.2. Các mô hình v s hƠi lòng 20


2.3.2.1. Mô hình Kano v s hƠi lòng khách hƠng 20
2.3.2.2. Mô hình hƠi lòng khách hƠng theo chc nng vƠ quan h ca Parasuman
22
2.4. CHT LNG DCH V 22
2.4.1. nh ngha v cht lng dch v 22
2.4.2. Các mô hình cht lng dch v 23
2.4.2.1. Mô hình 5 thƠnh phn cht lng dch v (Parasuraman & cng s, 1985)
23
2.4.2.2. Mô hình 4P (McCarthy, 1960) 24
2.4.2.3. Mô hình SERVQUAL (Parasuraman, 1988) 24
2.4.2.4. Mô hình FSQ and TSQ (GrÖnroos, 1984) 24
2.5. CHT LNG CA MI QUAN H 25
2.6. MÔ HỊNH NGHIểN CU 27
2.7. Tóm tt 29
CHNG 3. PHNG PHÁP NGHIểN CU 30
3.1. Gii thiu 30
3.2. Thit k nghiên cu vƠ quy trình nghiên cu 30
3.3. Nghiên cu s b 32
3.4. Nghiên cu chính thc 32
3.4.1.
Xác đnh kích thc mu 32
3.4.2.
i tng vƠ hình thc thu thp d liu 33
3.4.3.
Các thang đo nghiên cu 33
3.4.4.

K hoch phơn tích d liu 35
3.5. Tóm tt 36
CHNG 4. KT QU NGHIÊN CU 38
4.1. Gii thiu 38
4.2. Thng kê mô t 38
4.2.1. Mô t mu 38
4.2.2.
M
ô

t


c
á
c

bi

n
41
4.3.

ánh

gi
á

t
han

g

đo
44
4.3.1. ánh giá thang đo bng h s Cronbach alpha 44
4.3.2. ánh giá thang đo bng phơn tích nhơn t 49


4.3.2.1. Thang đo cht lng dch v 49
4.3.2.2. Thang đo cht lng mi quan h 51
4.3.2.3. Thang đo S hƠi lòng khách hƠng 52
4.4. Phơn tích mô hình mng neural 52
4.4.1. Xơy dng mô hình mng 53
4.4.1.1. Phơn chia vƠ chun hóa d liu 53
4.4.1.2. Xác đnh cu trúc mng 55
4.4.1.3. Hun luyn mng 58
4.4.1.4. iu kin dng hun luyn 59
4.4.2. Kt qu sau khi hun luyn 61
4.4.2.1. ánh giá mô hình mng 64
4.4.2.2. Kim tra mô hình mng đi vi tp kim đnh 64
4.4.2.3.  th phơn tán 66
4.4.2.4. Biu đ phơn phi phn d 66
4.4.2.5. Phơn tích đ nhy 67
4.4.3. Nhn xét kt qu phơn tích bng mng neural 69
4.5. Tóm tt 70
CHNG 5. KT LUN 71
5.1.
Kt qu nghiên cu 71
5.2.
Quá trình nghiên cu 71

5.3.
Phơn tích s liu 71
5.4.
Hàm ý cho các nhƠ qun tr 72
5.5.
Hn ch đ tƠi 73
5.6.
Hng m rng đ tƠi 74
TÀI LIU THAM KHO 75
PH LC 81



DANH MC CÁC T VIT TT
R
B
F:
Mng
h
à
m

c

s

x
uy
ê
n

t
â
m
MLP: Mng dn tin
RMSE:
Sai s bình phng trung bình


DANH MC CÁC HÌNH V
Hình 2.1. Mô hình mng neural sinh hc
Hình 2.2. Mô hình neural ca Mc. Culloch và Pitts (1943)
Hình 2.3.  th mt s hàm tác đng
Hình 2.4. Tin trình hc trong mng neural
Hình 2.5. Mng dn tin mt lp
Hình 2.6. Mng dn tin nhiu lp
Hình 2.7. Mô hình mng bán kính xuyên tâm
Hình 2.8. Ngõ ra ca neural lp n
Hình 2.9. Mng hi quy không có neural n và không có vòng lp t phn hi
Hình 2.10. Mng hi quy có các neural n
Hình 2.11. Mô hình Kano v s hài lòng ca khách hàng
Hình 2.12. Mô hình hài lòng theo chc nng và quan h ca Parasuraman 1988
Hình 3.1. Quy trình nghiên cu
Hình 4. 1.

Ngân sách qung cáo ca mu nghiên cu
Hình 4. 2.

Các loi dch v qung cáo mu nghiên cu
Hình 4. 3.

Lnh vc kinh doanh ca mu nghiên cu
Hình 4. 4.

Chng trình hi qui dùng mng Neural
Hình 4. 5.

La chn và phân chia d liu
Hình 4. 6.

Xác đnh s neural trong lp n trong quá trình hun luyn
Hình 4. 7.

La chn các hàm tác đng
Hình 4. 8.

Giá tr trng s và hàm li
Hình 4. 9.

Giá tr hàm li theo s ln lp ca quá trình hun luyn
Hình 4. 10.

Kt qu sau khi chy mô hình mng neural
Hình 4. 11.

Mô hình mng sau khi hun luyn
Hình 4. 12.

S đ mô hình mng neural
Hình 4. 13.

Biu đ so sánh gia giá tr tính toán và giá tr thc t
Hình 4. 14.

Kt qu phân tích đ nhy


DANH MC CÁC BNG
Bng 4.1.

Thng kê ngân sách dành cho qung cáo ca mu nghiên cu
Bng 4.2.

Dch v qung cáo

Bng 4.3.

Các loi hình kinh doanh

Bng 4.4.

Bng thng kê các bin
Bng 4.5.

So sánh giá tr sai s ca các mô hình
1



CHNG 1. M U

1.1. Lý do chn đ tài
Trong xu th ca xã hi hin đi, qung cáo đã giúp doanh nghip đa sn phm
đn vi khách hàng. Tình hình kinh t càng khó khn, các doanh nghip càng đu
t cho hot đng qung cáo ca mình và đc bit là càng quan tâm v tính hiu qu
ca qung cáo. Nu nh trc đây, doanh nghip t làm qung cáo cho mình thì
hin nay, đ tng đc tính hiu qu doanh nghip cn đn công ty qung cáo đ
lên chin lc, Ủ tng và k hoch qung cáo. Chính điu này đã dn đn s
lng các công ty qung cáo  Vit Nam tng lên đt bin trong nhng nm gn
đây.Tuy nhiên, theo Hip hi Qung cáo Vit Nam, ngành công nghip qung cáo
Vit Nam cha làm tròn vai trò ca mình, phát trin t do mà không theo mt trình
t nào. Bài nghiên cu này nhm xác đnh các nhân t nh hng đn s hài lòng
ca các nhà qung cáo s dng dch v ca các công ty qung cáo. T mt góc
nhìn thc t, bài nghiên cu cung cp mt nn tng lỦ thuyt hu ích cho các công
ty qung cáo có các gii pháp nâng cao s hài lòng ca khách hàng đi vi mình.
Hin nay, mng thn kinh nhân to (Artificial neural networks) là mt k
thut tng đi phc tp nhng có nhiu u đim và đc s dng nhiu trong các
ng dng thuc lnh vc khoa hc k thut vi nhiu mc đích nghiên cu khác
nhau. Do đó, khác vi các nghiên cu truyn thng trc đây s dng phng pháp
hi quy, nghiên cu này đ xut phng pháp tip cn đo lng s hài lòng khách
hàng da trên mng thn kinh nhân to.
1.2. Mc tiêu nghiên cu
Khám phá ra các nhân t có liên quan đn s hài lòng ca các nhà qung cáo đi
vi các công ty qung cáo. Vì vy, vn đ ca lun vn nhm:

Xác đnh các nhân t nh hng đn s hài lòng khách hàng khi s dng dch v
ca các công ty qung cáo.

Xây dng thang đo đo lng các nhân t trên.
2

Phân tích các nhân t tác đng đn s hài lòng khách hàng

ng dng phng pháp mng neural đ xây dng mô hình và đánh giá mc đ
tho mãn ca khách hàng khi s dng dch v ca công ty qung cáo.
1.3. i tng và phm vi nghiên cu

i tng nghiên cu là s hài lòng ca các nhà qung cáo đi vi các công ty
qung cáo.

Phm vi nghiên cu là các nhà qung cáo  Vit Nam.
1.4. Phng pháp nghiên cu
Theo thông l t các nghiên cu khác nhau đo lng s hài lòng trên th gii chng
hn nh kho sát s hài lòng khách hàng  Châu Âu và ch s s hài lòng khách
hàng  M, bài nghiên cu này s dng phng pháp kho sát (Coelho & Esteves
2007) đ thu thp d liu. D liu đc thu thp bng bng câu hi thông qua nn
tng internet.
Mu ca nghiên cu này bao gm các nhà qung cáo ca Vit Nam có s dng các
dch v qung cáo ca các công ty qung cáo, bao gm c các hat đng nhm
khuych trng và xây dng hình nh nhãn hiu, phát trin th trng phân phi,
thúc đy bán l, tiêu dùng.
Sau khi xem xét tài liu, các nhân t có th gii thích s hài lòng tng th ca nhà
qung cáo đã đc xác đnh. Nhân t đc chng minh trc đây là mi quan h
tích cc tác đng đn s hài lòng đi vi mt dch v đc xem xét. Các câu hi có
hai phn. Phn đu tiên gii quyt s hài lòng vi cht lng dch v đc cung cp
bi công ty qung cáo, trong khi đó phn th hai x lý cht lng mi quan h.
Bng câu hi đc s dng thang đo Likert nm đim.
1.5. ụ ngha thc tin

Kt qu nghiên cu s giúp các công ty cung cp dch v qung cáo đánh giá đc
cht lng dch v đã cung cp trong thi gian qua. Bng phng pháp tip
cn mng neural đ xác đnh các yu t nh hng chính đn s hài lòng khách
hàng mt cách phi tuyn tính. Da trên các yu t này, các công ty qung cáo có
3



các gii pháp nhm nâng cao cht lng dch v, tng thêm mc đ tho mãn ca
khách hàng, đu t vào các trng tâm đó đ tránh các lãng phí không cn thit.
1.6. Ni dung đ tƠi nghiên cu
 tài nghiên cu đc chia thành 5 chng vi ni dung c th nh sau:

Chng 1: M đu

Chng 2: C s lỦ thuyt và mô hình nghiên cu

Chng 3: Phng pháp nghiên cu

Chng 4: Kt qu nghiên cu


Chng 5: Kt lun



4

CHNG 2. C S LÝ THUYT VÀ MÔ HÌNH NGHIÊN CU

2.1. Khái nim v mng neural
2.1.1. Mng neural sinh hc
Theo bài nghiên cu Li, W. & Li, C. (2006), mng neural nhân to (ANN - Artificial
neural Networks) là mng đc xây dng bng cách sao chép li các nguyên lỦ t
chc ca h neural ca con ngi. B óc ca con ngi là mt h neural gm có 1010
đn 1012 neurals đc t chc có cu trúc vào khong 200 mô hình khác nhau di
dng nhiu lp.

Hình 2.1. Mô hình mng neural sinh hc
“Ngun: Li, W. & Li, C. (2006)”
Cu trúc c bn ca mt neural ca h neural con ngi gm: các đu vào
(dendrite), thân neural (soma) và đu ra (axon). Mi neural có nhiu đu vào và ch
mt đu ra. Thân neural là phn t x lỦ có chc nng thu nhn tt c các thông tin
đn t các đu vào, tính toán và đa ra quyt đnh  ngõ ra đ gi thông tin đn các
neural khác. Synap (terminal buttons) là khp ni gia đu vào ca neural này vi
đu ra ca neural khác .
Tín hiu đin áp đc truyn t neural này sang neural khác. Tín hiu đin áp
dng đc coi nh là tín hiu kích đng (excitory) đ kích đng neural gi tín
hiu đn nhiu neural khác và đin áp âm đc xem nh là tín hiu c
5



ch (inhibitory) đ c ch neural gi tín hiu đn nhiu neural khác. in áp không
thì không có tín hiu kt ni gia hai neural.
i vi h neural con ngi có cu trúc c bn gm: Lp neural đu vào (lp này
đc kt ni vi các phn t cm bin nh ming, mt, tai, mi và da), các lp
neural n và lp neural đu ra (lp này đc kt ni vi các phn t c nh tay,

chân). Cng đ kt ni synap xác đnh lng tín hiu truyn đn đu vào và giá tr
cng đ synap đc gi là trng s.
 xây dng mt mng neural nhân to ging nh h neural con ngi,
McCulloch, W. & Pitts, W. (1943) đã đ ra cu trúc c bn ca mt neural th i
trong mô hình ca mng neural nhân to nh sau:




Hình 2.2. Mô hình neural ca Mc. Culloch và Pitts (1943)
x
j
(k): tín hiu vào th j  thi đim k
y
i
(k): tín hiu ra ca neural i  thi đim k
w
ij
: trng s trên tín hiu vào th j

t
: ngng tác đng ca neural i
f : hàm tích hp (integration function)
a(.): hàm chuyn hay hàm tác đng (activation function) Khi đó đu ra s là:
y
i
(k)=a(

w
ij

biu din cng đ kt ni gia neural th j vi neural th i. w
ij
> 0 tng ng
vi tín hiu kích đng, w
ij
< 0 tng ng vi tín hiu c ch và w
ij
= 0 thì không có
s kt ni gia hai neural .

W
i1
W
i2
W
im
∑

a

(.)

X
1
X
2
X
m
y
i


i
6



2.1.2. Mt s dng thông dng ca hƠm tác đng (Activation function)

Hàm bc nhy đn v: a(f) =

Hàm du:
a(f) =

Hàm dc:
a(f) =

Hàm tuyn tính: a(f) = net =f

Hàm sigmod đn cc: a(f)= , >0

Hàm sigmod lng cc: a(f)= - 1, >0


Hình 2.3.  th mt s hàm tác đng
A) Hàm bc nhy, B) Hàm du, C)Hàm dc, D) Hàm tuyn tính
E) Hàm sigmod đn cc, F) Hàm sigmod lng cc
“Ngun: Mc. Culloch và Pitts (1943)”

7

2.1.3.
Ti
n

t
r
ì
nh

h
c

Tin trình hc là tin trình quan trng ca con ngi, nh hc mà b não
ngày càng tích ly nhng kinh nghim đ thích nghi vi môi trng và x lỦ tình
hung tt hn. Mng neural xây dng li cu trúc b não thì cn phi có kh nng
nhn bit d liu thông qua tin trình hc, vi các thông s t do ca mng
có

th
thay đi liên tc bi nhng thay đi ca môi trng và mng neural ghi nh giá tr
đó.

Hình 2.4. Tin trình hc trong mng neural
“Ngun: Mc. Culloch và Pitts (1943)”
Trong quá trình hc, giá tr đu vào đc đa vào mng và theo dòng chy trong
mng to thành giá tr  đu ra.
Tip đn là quá trình so sánh giá tr to ra bi mng neural vi giá tr thc đã có.
Nu hai giá tr này ging nhau thì không thay đi gì c. Tuy nhiên, nu sai lch
gia hai giá tr này vt quá giá tr sai s mong mun thì quá trình s đi
ngc mng t đu ra v đu vào đ thay đi mt s kt ni.
ây là mt quá trình lp liên tc và có th không dng khi không tìm các giá tr
trng s kt ni sao cho đu ra to bi mng neural bng đúng đu ra mong
mun. Do đó trong thc t ngi ta phi thit lp tiêu chun da trên mt giá tr sai
8

s nào đó ca hai giá tr này, hay da trên mt s ln lp xác đnh.
 tin cho vic trình bày, ta kỦ hiu y là giá tr kt xut ca mng neural, t là giá tr
ra mong mun, e là sai lch gia hai giá tr này: e = t – y
2.1.4. Phơn loi mng neural
2.1.4.1. Phơn loi mng neural
Trong nghiên cu ca Ravi, S.B., Warren, W.F. & Jos G.A.M (2002), mng neural
đc phân loi theo 2 dng chính:
Phân loi theo cu trúc liên kt gm có mng truyn thng và mng hi tip.
Phân loi theo s lp gm có mng đn lp và mng đa lp.
2.1.4.2. Mt s loi mng neural
a. Mng dn tin
Có th nói mng neural dn tin là mt kiu mng đn gin trong vic sp
đt mng. Trong mng này thông tin ch truyn trên mt hng duy nht, t lp
đu vào, qua lp n (nu có) và kt thúc ti lp đu ra.
Mng dn tin mt lp (Single layer perceptron)
Trong mt mng neural mt lp, các neural đc t chc di dng ch có lp đu
vào và lp đu ra.
x
1

y
1





x
2

y
2







x
m

y
n





Lp đu vào

Lp đu ra

Hình 2.5. Mng dn tin mt lp
“Ngun: Ravi, S.B., Warren, W.F. & Jos G.A.M (2002)”
9

Mng dn tin nhiu lp (Multilayer perceptron)
Là mng dn tin kt ni các d liu đu vào vi d liu đu ra tng ng. Nó bao
gm t ba (hoc nhiu hn) lp mng neural vi các hàm tác đng phi
tuyn tính. Mi nút trong mt lp kt ni vi mi nút ca mng tip theo
khác thông qua trng s (weight).
Lp neural đu vào ca mng có m đu vào, đó là x1, …, xi, …, xm. Lp
neural n có r phn t x lỦ vi các đu ra, đó là z1, …, zq,…, zr và lp neural đu ra
ca mng có n phn t x lỦ vi n đu ra, đó là y1,…, yi…, yn. Trng s kt ni gia
đu vào th j ca lp neural đu vào vi phn t x lỦ th q ca lp neural n là v
qj

và trng s kt ni gia phn t x lỦ th q ca lp neural n vi phn t x lỦ th i
ca lp neural đu ra là wiq nh  hình 2.6.
x
j

(j=1 m)


v
qj

z
q

(q=1 r)


w

jq

Y
i

(i=1 n)

x
1

y
1





x
2

y
2







x

m

y
n



Lp đu vào
Lp n Lp đu ra


Hình 2.6. Mng dn tin nhiu lp
“Ngun: Ravi, S.B., Warren, W.F. & Jos G.A.M (2002)”
D liu hun luyn : {x(k), d(k), k =1, 2, … p}


10




L

p


n


net

q =



Z
q
= f(net
q
) = f(

L

p

r
a


net
i
= = (
hàm

tích

hp



neural

th

i)



y
i
= f(net
i
) =
f(

(hàm

tác

đng



neural

th

i)


Hàm mc tiêu

:

 E(w) =

Quá trình hun luyn (lut hc lan truyn ngc)
Bc 1: Chn tc đ hc
0
, chn sai s cc đi Emax
Bc 2: t giá tr đu E = 0, k = 1
Gán giá tr ngu nhiên cho các trng s.
Bc 3: Tính ngõ ra ca mng vi tín hiu vào là x(k):
y
i
(k) = f(net
i
) = f( ) = f(
Cp nht trng s cho lp n và lp ra ca mng:
Tính sai s tích ly:
E= E +
Thc hin vòng lp  bc 3 vi k chy t 1 đn p
Bc 4: Kt thúc mt chu trình hun luyn
Nu E < Emax thì kt thúc quá trình hc
Nu E > Emax thì gán E = 0, k = 1 và tr li bc 3.
Chú Ủ: Trong mng dn tin nhiu lp, vic hun luyn mng dùng gii thut
11



lan truyn ngc chu tác đng bi các yu t:
 Tr khi đng ca các trng s: các trng s nên khi đng vi các giá

tr bé và ngu nhiên. Các giá tr ln ca vector trng s có th làm hàm
tác đng bão hòa khi bt đu hc.
 Hng s hc:
ln s hi t nhanh nhng có th gây vt l, do đó có
th chn
gim dn
 Hàm mc tiêu - Lut hc.
 D liu hun luyn.
 S nút n.
b. Mng
h
à
m

c

s

x
uy
ê
n

t
â
m

(
R
B

F

-

R
a
di
a
l

B
a
sics

F
unc
t
io
n

ne
t
wo
r
k)

Trong mng dn tin nhiu lp, lp đu vào kt ni vi lp n là s kt hp tuyn
tính ca các đu vào thông qua ma trn trng s. Còn trong mng hàm c s xuyên
tâm (RBF) thì các neural n đc tính toán da trên các hàm c s bán kính ca
các đu vào.

Mng RBF có th đc hun luyn nhanh chóng và do có cu trúc mng đc bit
nên mng RBF rt ít khi ri vào các vùng cc tr cc tiu.
Cu trúc mng RBF: cng là mng truyn thng ba lp.
Lp n s dng:
Hàm tng ngõ vào có dng hàm cu
Hàm kích hot là hàm Gass có dng
: (x) =

Lp ra s dng:
Hàm tng ngõ vào là hàm tuyn tính. Hàm kích hot là hàm kích hot đn v trong
mng RBF thì ngng ca các neural là bng 0.
12





Hình 2.7. Mô hình mng bán kính xuyên tâm
“Ngun: Ravi, S.B., Warren, W.F. & Jos G.A.M (2002)”
Các phng trình tính toán truyn tín hiu t lp vào đn lp ra ca mng
:

Ngõ ra ca neural th q (thuc lp n)

Z
q
=
Trong đó: X là vector ngõ vào
m
q

là tâm hàm RBF (trng s ca neural lp n th q)

q

là b rng hàm RBF ca neural n th q

= khong cách Euclide


13





Hình 2.8. Ngõ ra ca neural lp n
“Ngun: Ravi, S.B., Warren, W.F. & Jos G.A.M (2002)”
Ngõ ra ca neural th i (thuc lp ra):
y
i
= i = . q = .

Hàm sai s:
E =

Khi s dng mng RBF, ta cn chú Ủ các đim sau
:

 La chn dng hàm kích hot
phù hp vi mô hình.

 Tính toán s lng tâm ti u. Nu nhiu tâm quá s không đ d liu đ hun
luyn mng, còn nu tâm ít quá s cho mô hình sai lch.
 Tìm v trí tâm và s lng d liu thích hp đ hun luyn mng.
c. Mng neural quy hi
Là nhng mô hình vi hai lung d liu có hng. Trong khi mng dn tin truyn
d liu theo mt đng thng thì nhng mng neural quy hi có ít nht mt phn
hi t nhng neural x lỦ sau quay tr li các neural x lỦ trc đó.

14




Hình 2.9. Mng hi quy không có neural n và không có vòng lp t phn hi
“Ngun: Ravi, S.B., Warren, W.F. & Jos G.A.M (2002)”

Hình 2.10. Mng hi quy có các neural n
“Ngun: Ravi, S.B., Warren, W.F. & Jos G.A.M (2002)”
2.1.4.3. Nhng u đim vƠ ng dng mng neural
Mt cách tng quát, phân tích đa hi quy đc dùng đ gii thích mi quan h gia
các yu t nhn thc ca khách hàng và s hài lòng ca h. Các h s hi quy s gii
thích đc mc đ quan trng ca mi yu t lên s hài lòng (Rust, R.T., Zahorik,
A.J., Keiningham, T.L., 1994). Tuy nhiên, vic gii thích nh vy ít nhiu s xy ra
15



s tng quan trong mi quan h bên trong gia các yu t đc lp và s dn đn vn
đ đa cng tuyn.
Vic s dng gii thut mng neural nhân to đc xem là mt la chn

trong cách tip cn phân tích đa hi quy và đã có nhiu bài nghiên cu cho thy s
tt hn ca mng neural trong vic phân tích đa hi quy (Fausett, L., 1994).
Mng neural nhân to mô phng tri thc con ngi bng vic thit lp mô hình
nhng mng thn kinh song song trong não s dng nhng hàm toán hc. Vic áp
dng mng neural đã đc xem xét và áp dng  mt s bài báo trc đây.
Theo Johnson, M. D. & Gustafsson, A. (2000), nhng u đim ca mng neural so
vi phân tích đa hi quy đc nêu ra:
Mc đ phc tp trong mi quan h ca mô hình hi quy b gii hn đi vi mô
hình tuyn tính. Gii thut mng neural có th gii quyt mi quan h phi tuyn
gia các yu t nh hng và s hài lòng khách hàng.
Th hai, mô hình mng neural không b ph thuc vào mô hình chi tit
nh phân tích đa hi quy. Trong mô hình hi quy, ngi phân tích phi mô t rõ
mi quan h bng mt hàm toán hc gia các bin khám phá gii thích
đc (explanatory variables) vi bin đáp ng (response variable) da trên các
gi thit và kin thc trc đó. Trong khi đó, đi vi mng neural, bn
thân mng s “t hc” và tìm ra mi quan h tim n trong chui d liu.
Th ba, mng neural t đng đánh giá mc đ nh hng bên trong có th ca hai
hoc nhiu yu t đc lp đi vi s hài lòng. Theo cách này, mng neural có th
đa ra s nh hng khi kt hp ca 2 hay nhiu yu t vi nhau lên s hài lòng.
Cui cùng, mng neural gim thiu vn đ đa cng tuyn hn so vi phân tích hi
quy.
2.2. NgƠnh công nghip qung cáo
2.2.1. Khái nim v qung cáo
Qung cáo là mt hình thc giao tip, tip th và đc s dng đ khích l hoc
thuyt phc đi tng (khán gi, đc gi hay thính gi, đôi khi mt nhóm c th). Kt
16



qu mong mun thng là hng ngi tiêu dùng chp thun mt li đ ngh thng

mi. Mc đích ca qung cáo cng có th đ trn an nhân viên, c đông rng hin ti
công ty đang phát trin bn vng. Thông đip qung cáo thng đc tr cho các nhà
tài tr và đc xem trên phng tin truyn thông khác nhau, bao gm phng tin
truyn thông đi chúng nh báo chí, qung cáo truyn hình, tp chí, đài phát thanh
qung cáo, qung cáo ngoài tri, hoc cách thc mi nh blog, web hoc tin nhn.
Các mc tiêu qung cáo xác đnh ca hai loi c bn ca qung cáo: qung cáo doanh
nghip và qung cáo sn phm:
 Qung cáo doanh nghip: loi hình qung cáo này thiên v qung bá thng
hiu công ty hn là bán sn phm. Mc đích là ci thin hình nh, uy tín, và
quan h ca công ty vi các đi tác giao dch. Nó không ch bao gm ngi
tiêu dùng và công ty, mà còn các nhà cung cp, c đông, nhân viên và cng
đng nói chung. Qung cáo doanh nghip tp trung vào thng hiu và uy tín
ca công ty. Loi hình qung cáo này đôi khi đc s dng bi các công ty ln
vi nhiu phân nhánh đ hp nht thng hiu. Nó cng đc s dng đ đy
mnh sn phm công ty trong th trng.
 Qung cáo sn phm: mc tiêu là bán mt sn phm. Phng thc này nhm
vào đi tng ngi dùng cui hoc nhà đi din và nhà phân phi. Qung cáo
sn phm có th đc phân loi nh tiên phong, cnh tranh và qung cáo nhc
nh.
Qung cáo tiên phong phát trin các nhu cu c bn, đó là nhu cu v mt loi sn
phm ch không phi là mt thng hiu c th. Qung cáo này đc áp dng
trong giai đon đu gii thiu sn phm vi khách hàng tim nng.
Qung cáo cnh tranh đ phát trin nhu cu la chn, đó thng là nhu cu sn
phm ca mt nhà sn xut c th hn là mt loi sn phm chung chung. Mt công
ty đi mi thng đc da vào qung cáo cnh tranh theo nh vòng đi sn phm.
Sau quá trình tiên phong, hu ht các nhà sn xut đang cung cp các sn phm
cnh tranh, các công ty phi sáng to nhng u đim vt tri cho sn phm ca