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


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

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

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


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.

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


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uChng 5: Kt lun
4

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



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


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
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


jq

Y
i

(i=1 n)

x
1

y
1 x
2

y
2

x

q =



Z
q
= f(net
q
) = f(

L

p

r
a


net
i
= = (
hàm

tích

hp



neural

:

 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

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.

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.

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