به دنبال شکل گیری ماهیت رقابتی شدید در محیط کسب وکار، مشتری و رضایت او محور فعالیت های بسیاری از سازمان ها قرارگرفته است. مدلهای تعالی چارچوب مشترکی برای خودارزیابی در جهت ارتقاء سطح عملکرد سازمان فراهم نموده و نتایج مشتری یکی از معیارهای مهمی است که در این مدلها از امتیاز بالایی برخوردار است. سنجش کیفیت محصول بر اساس قضاوت ذهنی مشتریان نیز یکی از گام های اساسی بهبود کیفیت می باشد که رابطه ی تنگاتنگی با رضایت مشتریان دارد. از جمله صنایع مهمی که با شرایط رقابتی فزاینده ای مواجه است صنعت کاشی و سرامیک می باشد. در سال های اخیر این صنعت با مشکلاتی همچون، عدم کارایی تولید، بحران مازاد عرضه نسبت به تقا ضا و هزینه های فراوان روبه رو بوده که درنهایت به کاهش کیفیت تولیدات آن ها، ریزش مشتریان و کاهش سهم بازار منجر شده است. زبه دنبال شکل گیری ماهیت رقابتی شدید در محیط کسب وکار، مشتری و رضایت او محور فعالیت های بسیاری از سازمان ها قرارگرفته است. مدلهای تعالی چارچوب مشترکی برای خودارزیابی در جهت ارتقاء سطح عملکرد سازمان فراهم نموده و نتایج مشتری یکی از معیارهای مهمی است که در این مدلها از امتیاز بالایی برخوردار است. سنجش کیفیت محصول بر اساس قضاوت ذهنی مشتریان نیز یکی از گام های اساسی بهبود کیفیت می باشد که رابطه ی تنگاتنگی با رضایت مشتریان دارد. از جمله صنایع مهمی که با شرایط رقابتی فزاینده ای مواجه است صنعت کاشی و سرامیک می باشد. در سال های اخیر این صنعت با مشکلاتی همچون، عدم کارایی تولید، بحران مازاد عرضه نسبت به تقا ضا و هزینه های فراوان روبه رو بوده که درنهایت به کاهش کیفیت تولیدات آن ها، ریزش مشتریان و کاهش سهم بازار منجر شده است. این پژوهش با استفاده از شبکه عصبی مصنوعی به پیش بینی رضایت مشتریان با توجه به چگونگی عملکرد شرکت های تولیدی کاشی و سرامیک استان یزد بر اساس مدل تعالیefqm و ارزیابی کیفیت محصولات آن ها پرداخته است تا بر اساس آن بتوان با اصلاح عملکرد سازمان در حوزه های مختلف، به سطح بالاتری از رضایت مشتری دست یافت. شاخص های ارزیابی به دست آمده نشان از طراحی مناسب شبکه داشت و مدل توانست با نرخ 80% رضایت مشتریان را پیش بینی کند. پس از انجام آنالیز حساسیت، معیار فرآیندها و رهبری به ترتیب مهم ترین معیار شناخته شدند. در جهت سنجش کیفیت، ابتدا تمام مشخصه های کیفی و سپس ابعاد کیفیت وارد شبکه شدند که شبکه به ترتیب توانست با قدرت 89/58 درصد و 83/33 درصد کیفیت محصولات را پیش بینی کند. در الویت بندی نیز،گستردگی شبکه توزیع و بعد فنی محصول بالاترین مرتبه را داشتند. در انتها از روش شبکه عصبی احتمالی (pnn)، k-nn و رگرسیون ترتیبی به منظور پیش¬بینی و طبقه بندی داده ها استفاده گردید که pnn وk-nn قدرت پیش بینی بهتری نسبت به روش رگرسیون ترتیبی داشتند.