تحلیل رفتار مشتریان در بازاریابی آنلاین با استفاده از الگوریتم های داده کاوی

با گسترش خرید و فروش اینترنتی و افزایش حجم داده های رفتاری مشتریان استفاده از الگوریتم های داده کاوی به یکی از ابزارهای کلیدی در طراحی راهبردهای بازاریابی آنلاین تبدیل شده است. انتخاب الگوریتم مناسب نقش مهمی در دقت تحلیل ها، بهبود تصمیم گیری و افزایش سودآوری کسب وکارهای اینترنتی دارد. هدف این مقاله، دسته بندی، مقایسه و تحلیل کاربرد الگوریتم های داده کاوی در تحلیل رفتار مشتریان بر اساس اهداف مختلف بازاریابی آنلاین است. در این مقاله الگوریتم ها را در چهار حوزه اصلی شامل پیش بینی قصد خرید، بخش بندی مشتریان، تحلیل سبد خرید و رویگردانی و نگهداشت مشتریان مورد ارزیابی قرار می دهد. نتایج نشان می دهد که الگوریتم های درخت تصمیم و رگرسیون لجستیک به دلیل تفسیرپذیری مناسب در تحلیل رفتار و نگهداشت مشتریان عملکرد مطلوبی دارند، در حالی که شبکه های عصبی مصنوعی نظیر DNN، MLP و LSTM و مدل ترکیبی درخت تصمیم و کی نزدیک ترین همسایگی دقت بالاتری در پیش بینی رفتار مشتریان ارائه می کنند، همچنین مدل های RFM و RFMVDA همراه با خوشه بندی K-Means در بخش بندی مشتریان و قوانین انجمنی در تحلیل سبد خرید از اثر بخشی قابل توجهی برخوردار هستند. افزون بر این، یک مدل ترکیبی مبتنی بر شاخص های RFM، خوشه بندی K-Means و تلفیق مدل های کلاسیک و یادگیری عمیق پیشنهاد شده است که می تواند ضمن حفظ تفسیرپذیری دقت پیش بینی رفتار مشتریان را بهبود بخشد.

کلیدواژه ها:

الگوریتم های داده کاوی ، تحلیل رفتار مشتریان ، خرید و فروش اینترنتی ، داده کاوی