ارایه یک روش  بهبود میزان فروش فروشگاه های آنلاین بر اساس تحلیل رفتار مشتری با استفاده از داده‌کاوی

نویسندگان

  • فتانه تبرته فراهانی * گروه علوم کامپیوتر، دانشکده فنی و مهندسی، واحد اراک، دانشگاه آزاد اسلامی، اراک، ایران.

https://doi.org/10.22105/msda.v1i2.125

چکیده

هدف: با توجه به رشد روزافزون تجارت الکترونیک و اهمیت تحلیل رفتار مشتریان در بهبود فروش، این مطالعه با هدف ارایه یک مدل داده‌کاوی مبتنی بر خوشه‌بندی فازی انجام شده است. لزوم انجام این تحقیق از نیاز سازمان‌ها به شناسایی الگوهای رفتاری مشتریان و ارتقا اثربخشی استراتژی‌های فروش ناشی می‌شود.

روش‌شناسی پژوهش: در این پژوهش از متدولوژیCRISP  برای داده‌کاوی استفاده شده است. مراحل شامل پیش‌پردازش داده‌ها، نرمال‌سازی، خوشه‌بندی با الگوریتم K-Means و انتخاب ویژگی‌های مؤثر با الگوریتم Fuzzy C-Means  بوده‌اند. داده‌ها از پایگاه  UCI استخراج شده و شامل ویژگی‌های رفتاری کاربران در فروشگاه‌های آنلاین هستند.

یافته‌ها: نتایج نشان داد که مدل پیشنهادی با دقت %96.70 عملکرد بهتری نسبت به سایر الگوریتم‌ها دارد. معیارهای ارزیابی شامل دقت، خطای طبقه‌بندی، Precision، Recall و F-measure بوده‌اند. همچنین ویژگی‌های موثر بر رفتار خرید مشتریان شناسایی و طبقه‌بندی شدند.

اصالت/ارزش‌افزوده علمی :نوآوری این پژوهش در ترکیب الگوریتم‌های  K-Means و FCM در چارچوب CRISP برای تحلیل رفتار مشتریان است. این مدل قابلیت تعمیم به سایر مجموعه داده‌ها را داشته و می‌تواند در بهینه‌سازی تصمیمات بازاریابی و فروش مورد استفاده قرار گیرد.

کلمات کلیدی:

الگوریتم K-Means، داده‌کاوی، رفتار مشتری، فروشگاه آنلاین، خوشه‌بندی فازی

مراجع

  1. [1] Makinde, A. S., Vincent, O. R., Akinwale, A. T., Oguntuase, A., & Acheme, I. D. (2020). An improved customer relationship management model for business-to-business e-commerce using genetic-based data mining process. 2020 international conference in mathematics, computer engineering and computer science (ICMCECS) (pp. 1–7). IEEE. https://doi.org/10.1109/ICMCECS47690.2020.240875
  2. [2] Lee, E. B., Kim, J., & Lee, S. G. (2017). Predicting customer churn in mobile industry using data mining technology. Industrial management & data systems, 117(1), 90–109. https://doi.org/10.1108/IMDS-12-2015-0509
  3. [3] Jamalian, E., & Foukerdi, R. (2018). A hybrid data mining method for customer churn prediction. Engineering, technology & applied science research, 8(3), 2991–2997. http://dx.doi.org/10.48084/etasr.2108
  4. [4] Ahmed, B. S., Maâti, M. L. Ben, & Al-Sarem, M. (2020). Predictive data mining model for electronic customer relationship management intelligence. International journal of business intelligence research (IJBIR), 11(2), 1–10. https://doi.org/10.4018/IJBIR.2020070101%0A
  5. [5] Van Nguyen, T., Zhou, L., Chong, A. Y. L., Li, B., & Pu, X. (2020). Predicting customer demand for remanufactured products: A data-mining approach. European journal of operational research, 281(3), 543–558. https://doi.org/10.1016/j.ejor.2019.08.015
  6. [6] Kaur, E. R., & Kaur, E. K. (2017). Data mining on customer segmentation: A review. International journal of advanced research in computer science, 8(5). https://doi.org/10.26483/ijarcs.v8i5.3479
  7. [7] Joseph, S. I. T., & Thanakumar, I. (2019). Survey of data mining algorithm’s for intelligent computing system. Journal of trends in computer science and smart technology (TCSST), 1(01), 14–24. https://doi.org/10.36548/jtcsst.2019.1.002
  8. [8] Barreau, B., Carlier, L., & Challet, D. (2021). Deep prediction of investor interest: A supervised clustering approach. Algorithmic finance, 8(3–4), 77–89. https://doi.org/10.3233/AF-200296
  9. [9] Agrawal, A., & Choudhary, A. (2016). Perspective: Materials informatics and big data: Realization of the “fourth paradigm” of science in materials science. APL materials, 4, 53208. https://doi.org/10.1063/1.4946894
  10. [10] Halkin, A. (2018). Emotional state of consumer in the urban purchase: processing data. Foundations of Management, 10(1), 99-112.‏ https://doi.org/10.2478/fman-2018-0009
  11. [11] Dananjali, K. T., Ekanayake, J. B., & Karunaratne, A. S. (2019). K-means clustering algorithm to predict the badulla tomato price based on weather factors. International Research Conference of Uva Wellassa University. Uwa Wellassa University of Sri Lanka. https://www.researchgate.net/publication/331375615
  12. [12] Sari, P. K., & Purwadinata, A. (2019). Analysis characteristics of car sales in E-commerce data using clustering model. Journal of data science and its applications, 2(1), 19–28. https://doi.org/10.21108/JDSA.2019.2.19%0D
  13. [13] Madimutsa, T. (2017). Data mining for automated user’s behaviour classification for an e-commerce system [Thesis].
  14. [14] Hasan, F., & Mia, M. J. (2019). Association rules and clustering on sparse data of a leading online retailer. International journal of computer science and information security (IJCSIS), 17(4). https://www.researchgate.net/publication/333132169
  15. [15] Larasati, D. A. H. D., & Sutrisno, T. (2018). Tourism site recommendation in jakarta using decision tree method based on web review. https://papers.ssrn.com/sol3/papers.cfm?abstract_id=3268964

دانلود

چاپ شده

2024-01-05

شماره

دوره 1 شماره 2 (1402): علوم مدیریت و تحلیل تصمیم

نوع مقاله

مقالات شماره جاری

ارجاع به مقاله

تبرته فراهانی ف. (2024). ارایه یک روش  بهبود میزان فروش فروشگاه های آنلاین بر اساس تحلیل رفتار مشتری با استفاده از داده‌کاوی. علوم مدیریت و تحلیل تصمیم , 1(2), 92-101. https://doi.org/10.22105/msda.v1i2.125
Crossref
Scopus
Google Scholar
Europe PMC

مقالات مشابه

##common.pagination##

همچنین برای این مقاله می‌توانید شروع جستجوی پیشرفته مقالات مشابه.