Abstract:
پیشبینی خرید مشتریان یکی از موضوعاتی است که در حال حاضرمورد توجه بسیاری از شرکتهای بزرگ است. همه این شرکتها دوست دارند بدانند چگونه میتوانند رفتار مشتریها را پیشبینی کنند. تا به حال به این موضوع فکر کردهاید که اگر بتوانید رفتار مشتریان خودتان را پیشبینی کنید چه اتفاقی خواهد افتاد؟ فکر کنید زمانی که با مشتری قصد خرید دارد بدون اینکه یک کلمه حرف بزند شما بلافاصله چیزی که مدنظرش هست را به او بدهید! در این حالت میدانید چه اتفاقی خواهد افتاد؟ فروشتان چندین برابر خواهد شد و هم چنین نیاز به صرف هزینههای بازاریابی هم نخواهید داشت. تکنیکهای داده کاوی یکی از روشها برای پیشبینی خرید مشتریان میباشد. متدلوژی: متدلوژی مورد استفاده در این مقاله CRISP میباشد و که جامعه آماری ما پایگاه داده الماس با بیش از ۴۰۰۰ رکورد و دارای پارامترهای سن، جنسیت، تحصیلات، شغل، درآمد، استان، الویت خرید، خرید اولیه، خرید نهایی، کالا، برند و.... میباشد که مدل سازی،که با استفاده ازنرمافزار رپیدماینر مدلها را پیادهسازی میکنیم که مدل پیشنهادی ما در این تحقیق مدل ترکیبی با درخت تصمیم و کی- نزدیکترین همسایگی که با الگوریتمهای RuleModel ،, Naïve Bayes Random Fores و Random Tree مقایسه میشود. نتایج: تجزیه و تحلیل دادهها جمعآوری شده که در این مطالعه که در انتها با بررسی دقت و صحت مدلها و مقایسه آنها باهم به این نتیجه رسیدیم که مدل پیشنهادی ما یعنی مدل ترکیبی درخت تصمیم و کی نزدیکترین همسایکی دارای دقت ۹۲.۱۶% میباشد.
Machine summary:
1- مقدمهبا گسترش جمعیت و تامین نیازهای بشری و همچنین ترافیکهای سنگین شهری و کاهش هزینههای جانبی و الکترونیکی شدن اکثر امور از جمله خرید باعث گردیده است مردم بیشتر به سمت خرید از فروشگاه و خردهفروشیهای آنلاین روی بیاورند و همه شرکتها و فروشگاه برآن شدهاند که برای بهبود کسب کار و سودآوری بیشتر به فکر روشهای باشند که نیازهای مشتریان را قبل خرید تا حد بالای تشخیص داده و بیشتر محصولات و برندهای مناسب ویژگی و خصوصیات مشتریان، در سبدفروش قراردهند از این رو پژوهشگران به فکر راهکارهای هستند که با استفاده از اطلاعات و دادههای بدست آمده از مشتریان و استفاده از تکنیکهای مختلف داده کاوی به مدلهای دقیقتری برای پیشبینی خرید مشتریان دست یابند[1].
امروزه کاربرد الگوریتمها در فرایندهای روزمره بهمراتب بیشتر و کاربردیتر شده است یکی از روشهای مناسب و دقیق برای مسائل پیشبینی، استفاده از ترکیب الگوریتمهاست، در این روش با ترکیب الگوریتمها و بهرهگیری از مزایای الگوریتمهای متفاوت، دقت بیشتری حاصل خواهد شد.
در این تحقیق از مجموعه داده برای تجزیه و تحلیل و دستهبندی مشتری بر اساس رفتار خرید آنها استفاده شده است.
5. عملکرد الگوریتمهای طبقهبندی برای پیشبینی رفتارهای خرید آنلاین مصرف کننده با استفاده از داده صنعت خرده فروشی آنلاین یکی از بزرگترین و سریعترین صنایع در حال رشد جهان است که حجم عظیمی از دادههای فروش آنلاین دارد.
در این پژوهش روشی را برای پیشبینی رفتار خرید مشتری EC با ترکیب چند الگوریتم طبقهبندی این روش با استفاده از دادههای وب از یک شرکت پیشرو EC آزمایش و ارزیابی شد.