ارائه مدل ترکیبی RL-LSTM برای پیشبینی پویا و دقیق ارزش طول عمر مشتری در فروشگاههای آنلاین

با گسترش تجارت الکترونیک و افزایش رقابت در بازارهای دیجیتال پیش بینی دقیق ارزش طول عمر مشتری (CLV) به یکی از چالشهای اصلی مدیریت ارتباط با مشتری تبدیل شده است. هدف این پژوهش ارائه یک مدل ترکیبی مبتنی بر یادگیری عمیق و یادگیری تقویتی برای پیشبینی پویا و دقیق CLV در فروشگاههای آنلاین است. در روش پیشنهادی، داده های تراکنشی و رفتاری مشتریان پس از مرحله پیش پردازش در قالب شبکه عصبی LSTM جهت استخراج وابستگی های زمانی و الگوهای رفتاری مورد استفاده قرار گرفتند سپس الگوریتم یادگیری تقویتی به منظور بهینه سازی تصمیمات و افزایش دقت پیشبینی با مدل LSTM ادغام شد. برای ارزیابی عملکرد مدل داده های Retail Online مورد استفاده قرار گرفت و نتایج با الگوریتم های کلاسیک شامل رگرسیون خطی، جنگل تصادفی، XGBoost و LSTM مقایسه شد. معیارهای ارزیابی شامل MAPE، MAE، RMSE و ضریب تعیین (R) بودند. نتایج نشان داد مدل ترکیبی RL-LSTM نسبت به مدل های پایه عملکرد بهتری داشته و توانسته خطای پیش بینی را به صورت قابل توجهی کاهش دهد. یافته های این پژوهش نشان می دهد استفاده از مدل های ترکیبی مبتنی بر یادگیری عمیق و یادگیری تقویتی می تواند ابزار موثری برای شناسایی مشتریان با ارزش و بهینه سازی تصمیمات بازاریابی در فروشگاه های آنلاین فراهم آورد.

کلیدواژه ها:

ارزش طول عمر مشتری ، یادگیری ماشین ، یادگیری عمیق ، یادگیری تقویتی ، LSTM ، تجارت الکترونیک ، مدیریت ارتباط با مشتری