پیوندهای مفید
اخبار و اعلانات
آمار
| تعداد نشریات | 163 |
| تعداد شماره‌ها | 6,762 |
| تعداد مقالات | 72,842 |
| تعداد مشاهده مقاله | 131,925,945 |
| تعداد دریافت فایل اصل مقاله | 103,553,020 |
شبکه‌های عصبی مصنوعی در پیش‌بینی ارزش طول عمر مشتریان تجارت الکترونیک: نقش شاخص‌های کلیدی عملکردی رضایتمندی مشتریان | ||
| مدیریت بازرگانی | ||
| مقالات آماده انتشار، پذیرفته شده، انتشار آنلاین از تاریخ 17 فروردین 1404 | ||
| نوع مقاله: مقاله علمی پژوهشی | ||
| شناسه دیجیتال (DOI): 10.22059/jibm.2024.375828.4778 | ||
| نویسندگان | ||
| محمد فاریابی* ؛ وحید نوروزی | ||
| گروه مدیریت، دانشکده اقتصاد و مدیریت، دانشگاه تبریز، تبریز، ایران | ||
| چکیده | ||
| هدف: یکی از روندهای پرقدرت سال‌های اخیر که با پیشرفت روزافزون تکنولوژی همراه شده است، کاربردهای شبکه‌های عصبی مصنوعی در مدیریت بنگاه‌های تجاری و کسب‌وکارها می‌باشد؛ ظرفیت‌های این روند به‌قدری گسترده می‌باشد که می‌توان از آن برای تصمیم‌گیری و انتخاب راهبرد‌های کلان و یا خرد در کسب‌وکارها بهره برد. هدف این مطالعه بررسی تأثیر متقابل بین شاخص‌های عملکرد کلیدی امتیاز ترویج‌کننده و امتیاز تلاش مشتری و تأثیر جمعی آنها بر پیش‌بینی ارزش طول عمر مشتری با رویکرد یادگیری ماشینی (شبکه‌های عصبی مصنوعی) می‌باشد و همچنین پژوهش حاضر به دنبال ارائه یک مدل جامع شبکه عصبی مصنوعی با فراپارمترهای بهینه شده برای تکرار در سطح کسب‌وکارها و بهره‌برداری تجاری از این شیوه برای هر کسب‌وکار با داده‌های شخصی خود است. روش‌شناسی: داده‌ها با حفظ امنیت حریم خصوصی مشتریان و حریم خصوصی تجاری - رقابتی، از مشتریان یک سکو (پلتفرم) تجارت الکترونیک ایرانی در سال 1402 به دست آمده و شامل 8000 پروفایل مشتری با متغیرهایی از جمله ارزش طول عمر مشتری، امتیاز ترویج کننده، امتیاز تلاش مشتری و شناسه مشتریان(شناسه‌های 16 رقمی یکتا) است. مدل، یک شبکه عصبی متوالی با لایه‌های متراکم و منظم با فراپارامترهای بهینه‌سازی شده است. عملکرد مدل بر روی یک مجموعه تست 10درصد و اعتبارسنجی 10درصد ارزیابی می‌شود و با استفاده از معیارهای میانگین مطلق خطاها، ضریب تعیین و چند معیار دیگر ارزیابی می‌شود، سپس با استفاده از دو مدل پایهء رگرسیون خطی و درخت تصمیم توانایی مدل شبکه عصبی مصنوعی ارزیابی می‌شود. برای اعتبارسنجی مدل از اعتبارسنجی متقابل چندتایی استفاده می‌شود. در انتها با استفاده از SHAP و PFI مدل تفسیر می‌شود و اهمیت هر متغیر در توضیح ارزش طول عمر مشتری مورد بررسی قرار می‌گیرد. یافته‌ها: نتایج نشان می‌دهد که مدل شبکه عصبی مصنوعی با 2 نورون ورودی در لایه اول، 5 نورون پنهان در لایه دوم، 7 نورون پنهان در لایه سوم و 1 نورون خروجی در لایه آخر (خروجی) به طور موثر روابط پیچیده و غیرخطی امتیاز ترویج‌کننده و امتیاز تلاش مشتری با ارزش طول عمر مشتری را با ضریب تعیین 0.934 و میانگین مطلق خطاهای 142.47 و چند معیار دیگر به‌طور موثر و قدرتمندی پیش‌بینی می‌کند. عملکرد پایدار و بدون برازش بیش از حد با شیوه اعتبارسنجی متقابل در مجموعه‌های آموزشی و آزمایشی در 10دور 10تایی با دور عطف حدود 5 بر تعمیم پذیری مدل تأکید می‌کند و این اجازه را می‌دهد که ارزش طول عمر مشتری را توسط امتیاز ترویج کننده و امتیاز تلاش مشتری پیش‌بینی کنیم. توانایی مدل در گرفتن روابط غیرخطی داده‌ها در مقایسه با مدل‌های پایه (رگرسیون خطی و درخت تصمیم) نیز نشان از قدرت شبکه عصبی مصنوعی دارد، همچنین عیان شد که امتیاز ترویج‌کننده نسبت به امتیاز تلاش مشتری واریانس ارزش طول عمر مشتری را بیشتر توضیح می‌دهد. نتیجه‌گیری: پژوهش حاضر نشان داد که شبکه‌های عصبی مصنوعی تا چه اندازه در یافتن الگوهای نهان در شاخص‌های کلیدی عملکرد می‌توانند مؤثر عمل کنند؛ این مطالعه توانایی شبکه‌های عصبی مصنوعی در پیش‌بینی ارزش طول عمر مشتری را در تجارت الکترونیک ارائه می‌دهد و امکان پیش‌بینی ارزش طول عمر مشتری را توسط امتیاز ترویج‌کننده و ارزش تلاش مشتری، تقسیم‌بندی دقیق مشتریان، تخصیص منابع و رشد استراتژیک را فراهم می‌کند. تحقیقات آینده می‌تواند پیش‌بینی ارزش طول عمر مشتری را از طریق مجموعه‌داده‌های دیگر و گسترش مدل بهبود ببخشد و همچنین می‌توان ظرفیت سایر الگوریتم‌های یادگیری ماشینی را مورد بررسی قرار داد. | ||
| کلیدواژه‌ها | ||
| شبکه عصبی مصنوعی؛ ارزش طول عمر مشتری؛ امتیاز ترویج کننده؛ امتیاز تلاش مشتری | ||
|
آمار تعداد مشاهده مقاله: 170 |
||
سامانه مدیریت نشریات علمی. قدرت گرفته از سیناوب