Розширена анотація українською мовою

Зростаюча конкуренція у сфері роздрібної торгівлі обумовлює необхідність підвищення якості обслуговування споживачів. Головною метою статті є розроблення економіко-математичної моделі для аналізу факторів, що впливають на поведінку та прийняття рішень споживачами у роздрібно-торгівельній мережі. Авторами запропоновано удосконалити модель нейро-поверхні та використовувати адаптивну Fuzzy-регресійну модель (AFLRM). У статті систематизовано переваги адаптивної Fuzzy-регресійної моделі перед еврестичним методом нейро-поверхні. Емпіричне дослідження проведено на основі панельних даних, сформованих для вибірки зі 100 споживачів роздрібно-торгівельної мережі. Для аналізу панельних даних використано модель нейро-поверхні (NRSM), еврестичну модель середнього попиту (MDSM), а також адаптивну Fuzzy-регресійну модель. Наголошено, що адаптивна Fuzzy-регресійна модель забезпечує найвищу точність результатів прогнозування поведінки споживачів. У свою чергу, LINGO модель застосовано для інтерпретації поведінки досліджуваної системи. Результати даної моделі дозволили визначити поведінку системи та лояльність споживачів до певного магазину. Авторами відмічено, що вплив атрибутів послуг та товарів неявно описується адаптивною Fuzzy-регресійною моделлю. При цьому встановлено, що є критичний розрив між лояльністю клієнтів та якістю продуктів (послуг) на який мають статистично значущий вплив такі параметри як: рівень задоволення товаром чи послугами, рівень мотивації, купівельний досвід, рівень довіри та впевненості у якості товару. Визначено, що ефективність маркетингової програми промоції відповідного товару (послугу) повинна визначатись на основі результатів оцінювання рівня лояльності та задоволення споживачів із використанням Fuzzy-регресійної моделі.  Одним із обмежень даного дослідження є незначна вибірка респондентів та їх регіональна приналежність. У зв’язку з цим у подальшому необхідним є аналіз більшої вибірки респондентів із різних міст Саудівської Аравії. 

Ключові слова: евристика, нечіткий, процес Маркова, кінцевий споживач, споживча поведінка, LINGO, ISM.

Класифікація JEL: D2, Q33, M31.

Цитувати як: Rizwanullah, M., Abounar, S., & Qazi, S. (2020). Customer satisfaction and behaviour at retail outlets: an Adaptive Fuzzy Regression Model with LINGO based analysis Marketing and Management of Innovations, 2, 275-285. https://doi.org/10.21272/mmi.2020.2-20

Ця стаття публікуються за ліцензією Creative Commons Attribution International License

Список використаних джерел

1. Antony, J., Antony, F. J., & Ghosh, S. (2004). Evaluating service quality in a UK hotel chain: a case study. International Journal of Contemporary Hospitality Management, 16(6), 380-384. [Google Scholar] [CrossRef]
2. Asai, H. T. S. U. K., Tanaka, S., & Uegima, K. (1982). Linear regression analysis with fuzzy model. IEEE Trans. Systems Man Cybern, 12, 903-907. [Google Scholar]
3. Ban, H. J., Choi, H., Choi, E. K., Lee, S., & Kim, H. S. (2019). Investigating key attributes in experience and satisfaction of hotel customer using online review data. Sustainability, 11(23), 6570. [Google Scholar] [CrossRef]
4. Bertels, K., Jacques, J. M., Neuberg, L., & Gatot, L. (1999). Qualitative company performance evaluation: Linear discriminant analysis and neural network 
5. Bishop, C. M. (1994). Neural networks and their applications. Review of Scientific Instruments, 65(6), 1803-1832. https://doi.org/10.1063/1.1144830. [Google Scholar] [CrossRef]
6. Deng, W. J., Chen, W. C., & Pei, W. (2008). Back-propagation neural network based importance-performance analysis for determining critical service attributes. Expert Systems with Applications, 34(2), 1115-1125. [Google Scholar] [CrossRef]
7. Foster, D.C. (1997). Neural net analysis ferrets out-totally satisfied customers. Marketing News, 31(22),17–18. [Google Scholar]
8. Hansemark, O. C., & Albinsson, M. (2004). Customer satisfaction and retention: the experiences of individual employees. Managing Service Quality: An International Journal.[Google Scholar][CrossRef]
9. Kuo, R.J. (2001). A sales forecasting system based on fuzzy neural network with initial weights generated by genetic algorithm. European Journal of Operational Research, 129(3), 496–502. [Google Scholar] [CrossRef]
10. Kwong, C. K., Wong, T. C., & Chan, K. Y. (2009). A methodology of generating customer satisfaction models for new product development using a neuro-fuzzy approach. Expert Systems with Applications, 36(8), 11262-11270. [Google Scholar] [CrossRef]
11. Lawson, C., & Montgomery, D. C. (2006). Logistic regression analysis of customer satisfaction data. Quality and Reliability Engineering International, 22(8), 971-984. [Google Scholar][CrossRef]
12. Matzler, K., Bailom, F., Hinterhuber, H. H., Renzl, B., & Pichler, J. (2004). The asymmetric relationship between attribute-level performance and overall customer satisfaction: a reconsideration of the importance–performance analysis. Industrial marketing management, 33(4), 271-277. [Google Scholar] [CrossRef]
13. Oralhan, B., Kumru, U. Y. A. R., & Oralhan, Z. (2016). Customer satisfaction using data mining approach. International Journal of Intelligent Systems and Applications in Engineering, 63-66. [Google Scholar] [CrossRef]
14. Rana, S. S., Osman, A., & Islam, M. A. (2014). Customer satisfaction of retail chain stores: Evidence from Bangladesh. Journal of Asian Scientific Research, 4(10), 574. [Google Scholar]
15. Scherpen, F., Draghici, A., & Niemann, J. (2018). Customer Experience Management to Leverage Customer Loyalty in the Automotive Industry. Procedia-Social and Behavioral Sciences, 238, 374–380. [Google Scholar] [CrossRef]
16. Sharma, V. M., & Klein, A. (2020). Consumer perceived value, involvement, trust, susceptibility to interpersonal influence, and intention to participate in online group buying. Journal of Retailing and Customer Services, 52, 6969-6989. [Google Scholar] [CrossRef]
17. Vakulenko, Y., Shams, P., Hellström, D., & Hjort, K. (2019). Online retail experience and customer satisfaction: the mediating role of last mile delivery. The International Review of Retail, Distribution and Consumer Research, 29(3), 306-320. [Google Scholar] [CrossRef]
18. Weitz, B. A., & Jap, S. D. (1995). Relationship marketing and distribution channels. Journal of the academy of Marketing Science, 23(4), 305-320. [Google Scholar] [CrossRef]
19. West, P. M., Brockett, P. L., & Golden, L. L. (1997). A comparative analysis of neural networks and statistical methods for predicting consumer choice. Marketing Science, 16(4), 370-391. [Google Scholar] [CrossRef]
20. Yay, M., & Akinci, E. D. (2009). Application of ordinal logistic regression and artificial neural networks in a study of student satisfaction. Cypriot Journal of Educational Sciences, 4(7), 58-69.
21. Yilmaz, K. G., & Belbag, S. (2016). Prediction of consumer behavior regarding purchasing remanufactured products: a logistics regression model. International Journal of Business and Social Research, 6(2), 01-10. [Google Scholar]
22. Youn, H., & Gu, Z. (2010). Predict US restaurant firm failures: The artificial neural network model versus logistic regression model. Tourism & Hospitality Research, 10(3), 171-187. [Google Scholar] [CrossRef]
23. Zare, H., & Emadi, S. (2020). Determination of Customer Satisfaction using Improved K-means algorithm. Soft Compututing. [Google Scholar] [CrossRef]