تحلیل رفتار خرید مشتریان با استفاده از مدل یادگیری عمیق LSTM و مکانیزم توجه: بهبود استراتژیهای بازاریابی و مدیریت مشتریان در فروشگاه های آنلاین
- سال انتشار: 1403
- محل انتشار: نهمین کنفرانس بین المللی مطالعات بین رشته ای در مدیریت و مهندسی
- کد COI اختصاصی: ICOCS09_076
- زبان مقاله: فارسی
- تعداد مشاهده: 555
نویسندگان
کارشناسی ارشد مدیریت دولتی گرایش مدیریت سیستمهای اطلاعاتی MISدانشگاه علامه طباطبایی تهران ایران
چکیده
زمینه و مقدمه: تحلیل رفتار خرید مشتریان در فروشگاه های آنلاین با استفاده از داده های بزرگ و یادگیری عمیق به دلیل افزایش تجارت الکترونیک و اهمیت بهبود استراتژیهای بازاریابی و مدیریت مشتریان اهمیت بسیاری دارد. این مطالعه به بررسی این موضوع میپردازد و تلاش میکند خلا موجود در دانش موجود را پر کند.سوال تحقیق یا اهداف: هدف اصلی این پژوهش، توسعه یک مدل یادگیری عمیق با استفاده از پنج لایه LSTM و مکانیزم توجه برای پیشبینی رفتار خرید مشتریان و بهبود استراتژیهای بازاریابی، مدیریت موجودی و شخصی سازی تجربه مشتریان است.روشها: در این مطالعه از داده های تراکنشهای خرید یک فروشگاه آنلاین بریتانیایی استفاده شد. مدل پیشنهادی شامل پنج لایه ۱ LSTM و مکانیزم توجه برای شناسایی الگوهای رفتاری مشتریان طراحی شد. داده ها پیش پردازش و برای آموزش، اعتبارسنجی وتست مدل به مجموعه های مختلفی تقسیم شدند. معیارهای عملکرد شامل دقت، صحت، بازخوانی و امتیاز F۱ برای ارزیابی مدل به کار گرفته شد.نتایج: مدل پیشنهادی توانست به دقت %۹۶، صحت %۹۴، بازخوانی %۹۵ و امتیاز F۱ برابر با ۰.۹۴۵ دست یابد. این نتایج نشاندهنده توانایی بالای مدل در پیشبینی دقیق رفتار خرید مشتریان و شناسایی الگوهای رفتاری آنها است. همچنین تحلیل زمانی خریدها نشان داد که رفتار خرید مشتریان در ماه های مختلف سال متفاوت است.نتیجه گیری: یافته های این پژوهش نشان دهنده اهمیت و پتانسیل بالای استفاده از یادگیری عمیق در تحلیل رفتار مشتریان در حوزه بازاریابی و مدیریت مشتریان است. این مدل میتواند به فروشگاه های آنلاین در بهبود استراتژیهای بازاریابی، مدیریت موجودی و شخصی سازی تجربه مشتریان کمک کند. برای تحقیقات آینده، پیشنهاد میشود که از دیتاستهای متنوع تر و بزرگتری استفاده شده و مدلهای ترکیبی و تکنیکهای پیشرفته تر مورد بررسی قرار گیرند.کلیدواژه ها
یادگیری عمیق، مکانیزم توجه، رفتار خرید مشتریان، تحلیل داده های بزرگ، استراتژیهای بازاریابی، مدیریت مشتریان.مقالات مرتبط جدید
- آینده نظام آموزشی در عصر هوش مصنوعی
- کاربرد الگوریتمهای فراابتکاری ترکیبی در پیشبینی بار شبکه های هوشمند
- واکاوی ظرفیت سنجی مسئولیت حقوقی هوش مصنوعی در پرتو قوانین داخلی و بین المللی
- Design and Optimization of Catalysts with Multi-Objective Optimization Algorithms Based on Artificial Intelligence
- Enhancing Synchronizability in Identical Chaotic Complex Networks: Application of Genetic Algorithms for Edge Rewiring
اطلاعات بیشتر در مورد COI
COI مخفف عبارت CIVILICA Object Identifier به معنی شناسه سیویلیکا برای اسناد است. COI کدی است که مطابق محل انتشار، به مقالات کنفرانسها و ژورنالهای داخل کشور به هنگام نمایه سازی بر روی پایگاه استنادی سیویلیکا اختصاص می یابد.
کد COI به مفهوم کد ملی اسناد نمایه شده در سیویلیکا است و کدی یکتا و ثابت است و به همین دلیل همواره قابلیت استناد و پیگیری دارد.