مدل ذهنی MCI بااستفاده از GISعنوان پستی است که قرار است با شما به اشتراک بگذارم. امیدوارم که این پست مورد پسند شما قرار گیرد.
مدل ذهنی MCI (Cliquet ،1990) برخی از مشکلات مشخص مدل MCI را حل می کند، که به مدل MCI ذهنی کاربرد وسیع تری می بخشد. در واقع، داده های عینی مانند MCI، یعنی سطح، فاصله جغرافیایی یا زمانی یا تعداد کارکنان را ادغام نمی کند، بلکه داده های ذهنی، به عبارت دیگر، قضاوت های مصرف کنندگان در مورد این متغیرها، زیرا بار دیگر تصمیمات با توجه به ادراکات افراد از واقعیت و نه مطابق با این واقعیت.
مزایای زیر ظاهر می شود:
– مدل ذهنی MCI از لحاظ نظری می تواند تا آنجا که ممکن است متغیرها را دریافت کند، حتی اگر محدودیتی وجود داشته باشد، می تواند آنها را بپذیرد، به ویژه اینکه بدست آوردن تعداد زیادی از داده های ادراکی (یا ذهنی) آسان تر از داده های عینی است، که اغلب محدود به فواصل، سطح یا تعداد کارکنان ؛ با این حال، اگر این داده های عینی از نظر تعداد محدود باشند، مهمترین آنها در فرآیند تصمیم گیری مصرف کننده نیستند، زیرا درک افراد در ریشه تصمیمات آنها بیشتر است.
2 نمونه ای از استفاده از مدل MCI را می توان در کتاب یافت (Cliquet وهمکاران، 2018).
– مدل ذهنی MCI را می توان با استفاده از روش های هندسی و تبدیل لگاریتمی برای بدست آوردن رگرسیون چندگانه ساده کرد (ناکانیشی و کوپر، 1974).
– اصول به همان اندازه قابل درک هستند (مدل هاف و MCI را ببینید).
– مدل ذهنی MCI نیز بر اساس مدلهای گرانش و مدلهای جاذبه یا سهم بازار است.
– مدل ذهنی MCI از مدل MCI دقیق تر است زیرا بر اساس نظرسنجی هایی که می توان به طور منظم برای نظارت بر تغییرات رفتار مصرف کننده انجام داد، توسط سلول تجزیه جغرافیایی محاسبه می شود. ویژگی داده های ثابت حفظ می شود (Ghosh،1984).
– مدل ذهنی MCI، مانند مدل هاف و مدل MCI، برای ایجاد فروشگاه و درک رفتار مصرف کننده استفاده می شود، اما دقیق تر و دقیق تر در مورد مورد اخیر به دلیل اینکه داده ها بر اساس نظرسنجی از این مصرف کنندگان است. همچنین می تواند برای پیش بینی فروش و ذخیره سهام مکرر استفاده شود (Cliquet، 1990).
– نتایج به نرخ توضیح (ضریب تعیین رگرسیون) توسط مدل MCI ذهنی بسیار بالاتر از MCI و بنابراین بالاتر از مدل هاف منجر می شود.
– پس از افتتاح فروشگاه، مدل ذهنی MCI امکان مدیریت جذابیت خود و به ویژه کمپین های تبلیغاتی آن را ممکن می سازد (Cliquet،1995).
اما مدل ذهنی MCI معایب خود را نیز دارد. برخی شبیه مدل MCI هستند، برخی دیگر مختص به آن:
– مدل ذهنی MCI نیز مانند مدل MCI به تعداد کافی فروشگاه در منطقه مورد مطالعه نیاز دارد.
– ما در اینجا دوباره همان مشکل را با مدل MCI در تعریف یک تجزیه خوب جغرافیایی پیدا می کنیم.
– دارایی IIA نقض می شود (مک فادن 1974) مگر اینکه از روشهای خاصی استفاده شود (به زیر مراجعه کنید).
– مشکل خاص مدل ذهنی MCI مربوط به ارائه داده های ذهنی از نظرسنجی ها و اندازه گیری شده در مقیاس های معمولی است. اگر می خواهیم دقیق باشیم، باید تغییرات خاصی مانند استفاده از مقیاس Thurstone را برای اندازه گیری داده ها در مقیاس های بازه ای در ابتدا، سپس در مقیاس های نسبت با استفاده از تبدیل زتا مربع انجام دهیم (کوپر و ناکانیشی، 1983 ؛ بخش 4.2 را ببینید. .3.3.3) ؛
– نیاز خاص به مدل ذهنی MCI برای انجام نظرسنجی ها هزینه اجرای این مدل را به میزان قابل توجهی افزایش می دهد. این است، با این حال، هزینه ای که باید برای بینش عمیق تر نسبت به تغییرات مکرر در رفتار مصرف کنندگان پرداخت شود، زیرا این نظرسنجی ها می توانند هر چند بار که لازم است تکرار شوند. علاوه بر این، اینترنت دخالت نمی کند بلکه روند خرید مصرف کننده را پشتیبانی و تغییر می دهد.
– مدل ذهنی MCI بیشتر از مدل MCI با جاذبه موقت، یعنی با رفتار تحرک مصرف کنندگان خارج از محدوده عرضه آنها سازگار نیست.
در مورد جاذبه موقت (یعنی جذب جریانهای مرتبط با تحرک مشتری)، برخی فعالیتهای خرده فروشی و خدماتی تحت عنوان مدلهای جذب قطبی قرار نمی گیرند (به فصل 2 مراجعه کنید). متداول ترین مثال، تجارت هتل است. روش تاسیس هتل کاملاً متفاوت از روش فروشگاهی است. هدف جذب مشتری سیار و بنابراین قرار گرفتن در جاده های اصلی یا نزدیک ایستگاه ها یا فرودگاه ها است. یک روش مبتنی بر رگرسیون برای تکرار مفاهیم هتل ایجاد شده است (ویند و همکاران، 1989). SMIC برای مدیریت جذابیت فروشگاه های مبلمان (Cliquet،1990)، برای انتخاب بهترین تبلیغات در بازار مبلمان (Cliquet،1995) یا تقسیم بندی هایپرمارکت های اسپانیا (Gonzàlez-Benito،2000) استفاده شده است.
یکی از مزایای مدل ذهنی MCI انعطاف پذیری آن در انتخاب متغیرها است. کیفیت دیگر این مدل توانایی جایگزینی برخی اقدامات، به عنوان مثال در مورد درک مصرف کننده از تبلیغات، با ارزیابی تبلیغات در این مورد با تجزیه و تحلیل اقدامات مشترک است (Green ، Srinivasan،1990). ماتریس های مبادله (جانسون،1974)، یکی از روش های جمع آوری داده ها برای تجزیه و تحلیل مشترک، می تواند مورد استفاده قرار گیرد. از طرح های تجربی کسری نیز می توان زمانی استفاده کرد که تعداد محرک ها بسیار زیاد باشد (چاپوئل،1973 ؛ فیلیپو 1985 ؛ پیلت،1992).
4.2.3.3. مشکلات در اجرای مدلهای تعامل فضایی رقابتی
بنابراین MCI و مدل ذهنی MCI باید بر چندین مشکل مربوط به موارد زیر غلبه کنند:
– اساس گرانشی این مدلها ؛
– توزیع جغرافیایی منطقه مورد مطالعه و ثبات پارامترها ؛
– ویژگی های مقیاس هایی که داده ها در آنها اندازه گیری می شود ؛
– نقض فرضیه IIA
4.2.3.3.1. پایه گرانشی
آیا مدل MCI و مدل ذهنی مدل MCI مدل گرانش هستند؟
یک مدل گرانش از لحاظ نظری از دو متغیر تشکیل شده است: جرم و فاصله با ضریب عموماً برابر 2، اما اگر قانون ریلی و مدل هاف به این محدودیت ها احترام بگذارند، نمی توان در مورد MCI و مدل ذهنی MCI، که باز می شود، همین را گفت. تا مقدار بیشتری متغیر علاوه بر این، فاصله ممکن است در نتیجه رگرسیون چندگانه از نظر آماری معنی دار نباشد (Cliquet ،1990): در این مورد، گرانش دیگر اهمیتی ندارد. در واقع، برخی از فروشگاهها دارای جاذبه ای هستند که متناسب با فاصله نیست، اما منطق آستانه را رعایت می کند (Malhotra،1983): این امر در مورد بازار مبلمان (Cliquet،1995) و به طور کلی برای خرید کالاهایی که نیاز به تحقیق دارند، صادق است. ما فقط می توانیم مشاهده کنیم که MCI و مدل ذهنی MCI مدلهای جاذبه نیستند، بلکه مدلهای جاذبه فضایی هستند.
برگرفته از کتاب:
ژئومارکتینگ (بازاریابی مکانمحور)
چطور با فاکتور مکان، سودآوری کسب و کارمان را افزایش دهیم؟
مترجم:دکتر سعید جوی زاده،مهندس زینب زرگری
4 نظرات