طراحی چارچوب تبیین پذیر مبتنی بر یادگیری ماشین برای پیش بینی خرید مجدد مشتریان پلتفرم های فروش آنلاین بلیت رویداد

پیش بینی خرید مجدد برای پلتفرم های فروش آنلاین بلیت، صرفا یک مسئله بازاریابی نیست؛ این پیش بینی می تواند مبنای تخصیص بودجه ارتباط با مشتری، شخصی سازی پیشنهاد رویداد و سنجش کیفیت تجربه خرید قرار گیرد. با این حال، ماهیت ناهمگن رویدادها، فاصله های زمانی نامنظم میان خریدها و عدم توازن میان مشتریان بازگشتی و غیر بازگشتی، استفاده مستقیم از الگوهای متعارف تجارت الکترونیکی را با محدودیت روبه رو می کند. هدف پژوهش حاضر ارائه یک چارچوب تبیین پذیر برای پیش بینی خرید مجدد مشتریان در پلتفرم های فروش آنلاین بلیت رویداد است. پژوهش از نظر هدف کاربردی توسعه ای و از نظر روش، مبتنی بر مرور هدفمند ادبیات و طراحی چارچوب مفهومی است. منابع مرتبط با خرید مجدد، تحلیل داده های تراکنشی، یادگیری ماشین، عدم توازن طبقاتی و هوش مصنوعی تبیین پذیر بررسی و بر اساس تناسب با زمینه بلیت رویداد تلفیق شدند. چارچوب پیشنهادی پنج لایه دارد: آماده سازی و ناشناس سازی داده، مهندسی ویژگی های رفتاری و رویدادمحور، آموزش و مقایسه الگوریتم ها، ارزیابی چندمعیاره و تبیین خروجی مدل. در این چارچوب، متغیرهای تازگی، تکرار و ارزش خرید با ویژگی هایی مانند تنوع رویداد، فاصله خرید تا اجرا، نوع سانس، حساسیت به تخفیف، نرخ لغو و الگوی زمانی خرید تکمیل می شوند. رگرسیون لجستیک به عنوان خط پایه و جنگل تصادفی، XGBoost و LightGBM به عنوان مدل های غیرخطی پیشنهاد شده اند. برای جلوگیری از برداشت نادرست از عملکرد مدل، استفاده هم زمان از ROC-AUC، PR-AUC، دقت مثبت، بازخوانی، امتیاز F۱ و کالیبراسیون ضروری دانسته شد. یافته تحلیلی پژوهش نشان می دهد ارزش مدیریتی مدل زمانی افزایش می یابد که پیش بینی احتمال خرید مجدد با تبیین سهم ویژگی ها از طریق SHAP همراه شود. چارچوب ارائه شده، مبنایی برای اجرای پژوهش تجربی و طراحی سامانه تصمیم یار حفظ مشتری در پلتفرم های رویداد فراهم می کند.

کلیدواژه ها:

خرید مجدد ، فروش آنلاین بلیت ، یادگیری ماشین ، مهندسی ویژگی ، هوش مصنوعی تبیین پذیر