پیش بینی رضایت مشتری در عمده فروشی B۲B آنلاین: رویکرد گروهی با تنظیم ابرپارامتر الگوریتم ژنتیک و تبیین پذیری SHAP

با شتاب گیری تجارت الکترونیک، پیش بینی رضایت مشتری برای تصمیم گیری های داده محور ضروری است. این پژوهش با تکیه بر داده های ۳۴۹ سفارش از یک عمده فروشی آنلاین صنعتی در ایران، مسئله را به صورت طبقه بندی چندکلاسه (ماهیت ترتیبی) صورت بندی کرده و یک چارچوب گروهی رای گیری اکثریت (Majority Voting) بر فراز سه مدل CatBoost، جنگل تصادفی (RF) و شبکه عصبی چندلایه (MLP) ارائه می کند. ابرپارامترهای (Hyperparameters) هر مدل به طور جداگانه با الگوریتم ژنتیک تنظیم و ارزیابی بر مبنای داده های تفکیک شده و معیارهای استاندارد انجام شده است. نتایج، نشان می دهد مدل گروهی رای گیری اکثریت در مقایسه با بهترین مدل منفرد، عملکرد متوازن تری دارد؛ به طور مشخص به Accuracy = ۰.۹۵۷۵ دست یافته و در ارزیابی TOPSIS با وزن های برابر برای مقایسه چهار مدل پیشنهادی، رتبه نخست را کسب کرده است. تحلیل توضیح پذیری با میانگین قدرمطلق مقادیر SHAP در کل کلاس ها نشان می دهد «روزهای گذشته از آخرین خرید» و شاخص های ارزش/حجم سبد (مانند وزن کل خرید) مهم ترین محرک های پیش بینی رضایت/نارضایتی هستند، درحالی که متغیرهای صرف مالی (نظیر کمیسیون) و جمعیت شناختی (دموگرافیک) نقش کم اثر تری دارند. چارچوب پیشنهادی -با اتکا به ترکیب مدل ها، تنظیم ژنتیکی و تبیین پذیری- انتقال پذیر به سایر بافت های عمده فروشی آنلاین است و به عنوان ابزاری کاربردی برای بهبود رضایت مشتری پیشنهاد می شود.

کلیدواژه ها:

پیش بینی رضایت مشتری ، یادگیری ماشین ، الگوریتم ژنتیک ، تحلیل رفتار مصرف کننده ، تجارت الکترونیک