پیش بینی محصولات موردنیاز مشتریان تجارت الکترونیک از الگوریتم های یادگیری ماشین در شرکت فرآورده های گوشتی کاله

این پژوهش با هدف پیش بینی محصولات مورد نیاز مشتریان تجارت الکترونیک در شرکت فرآورده های گوشتی کاله و با استفاده از الگوریتم های یادگیری ماشین انجام شد. پژوهش حاضر از نظر هدف، کاربردی و با رویکردی کمی انجام گرفت. داده های مورد استفاده، شامل اطلاعات تاریخی خرید مشتریان آنلاین شرکت کاله بود که متغیرهای «قیمت محصول»، «حجم خرید وزنی گذشته»، «نوع محصول»، «دفعات خرید گذشته» و «میزان خرید ریالی گذشته» را در بر می گرفت. برای پیش بینی «محصول مورد نیاز» به عنوان متغیر خروجی، چهار الگوریتم یادگیری ماشین شامل شبکه عصبی مصنوعی، جنگل تصادفی، درخت تصمیم و K-نزدیک ترین همسایه پیاده سازی و با معیارهای دقت (Accuracy)، صحت (Precision)، فراخوانی (Recall) و F۱-Score ارزیابی شدند. نتایج ارزیابی مدل ها نشان داد که الگوریتم شبکه عصبی مصنوعی با کسب بالاترین امتیاز در تمامی معیارهای ارزیابی (دقت: ۹۵.۱%، صحت: ۹۴.۲%، فراخوانی: ۹۵.۹% و F۱-Score: ۹۵.۵%)، نتایج نشان داد شبکه عصبی مصنوعی بهترین عملکرد را در پیش بینی محصولات مورد نیاز مشتریان دارد؛ مدل های پژوهش در محیط برنامه نویسی Python نسخه ۳.x و با بهره گیری از کتابخانه های تخصصی Scikit-learn و Keras مبتنی بر TensorFlow پیاده سازی و اعتبارسنجی شدند. پس از آن، به ترتیب الگوریتم های جنگل تصادفی، درخت تصمیم و K-نزدیک ترین همسایه قرار گرفتند. همچنین، تحلیل اهمیت متغیرها نشان داد که «حجم خرید وزنی گذشته» و «دفعات خرید گذشته» بیشترین تاثیر را در پیش بینی مدل داشته اند. مدل پیشنهادی مبتنی بر شبکه عصبی مصنوعی، قابلیت تبدیل به یک سیستم توصیه گر محصول دقیق و کارآمد را برای شرکت کاله دارد. پیاده سازی این مدل می تواند با پیش بینی دقیق تقاضای آینده مشتریان، به بهینه سازی مدیریت موجودی، افزایش رضایت مشتری و در نهایت رشد فروش شرکت منجر شود.

کلیدواژه ها:

پیش بینی تقاضا ، یادگیری ماشین ، سیستم توصیه گر ، تجارت الکترونیک ، شبکه عصبی مصنوعی ، رضایت مشتری