کنترل بهینه پویایی مشتری از روش یادگیری ماشین با هسته چندجمله‌ای
محورهای موضوعی : مدیریت صنعتیسید حمید عمادی 1 , ابوالفضل صادقیان 2 * , مژده ربانی 3 , حسن دهقان دهنوی 4
1 - دانشجوی دکتری، مدیریت صنعتی(تولید و عملیات)، گروه مدیریت، واحد یزد، دانشگاه آزاد اسلامی، یزد، ایران
2 - استادیار، گروه مدیریت صنعتی، واحد یزد، دانشگاه آزاد اسلامی، یزد، ایران. (نویسنده مسئول)
3 - استادیار،گروه مدیریت صنعتی، واحد یزد، دانشگاه آزاد اسلامی، یزد ، ایران.
4 - دانشیار،گروه مدیریت صنعتی، واحد یزد، دانشگاه آزاد اسلامی، یزد ، ایران.
کلید واژه: کنترل بهینه, پویایی مشتری, یادگیری ماشین, هسته چندجمله‌ای,
چکیده مقاله :
هدف پژوهش: این پژوهش به توسعه‌ی یک مدل کنترل بهینه برای بررسی پویایی مشتریان با تمرکز بر استراتژی‌های بازاریابی پرداخته است. به کارگیری معادلات دیفرانسیل نشان‌دهنده این واقعیت است که مدل یک سیستم غیرخودکار را مورد مطالعه قرار می‌دهد. هدف اصلی، تحلیل روی رفتار و تغییرات گروه‌های مختلف مشتریان، از جمله دائمی، ارجاعی، و بالقوه است. این تحقیق بر اهمیت اجرای استراتژی‌های بازاریابی موثر برای افزایش کلی تعداد مشتریان و بهبود پویایی آن‌ها تاکید دارد.
روش‌شناسی پژوهش: در این مطالعه، از یک الگوریتم یادگیری ماشین نظارتی جدید که بر پایه هسته‌های چندجمله‌ای فعالیت می‌کند، استفاده شده است. این هسته‌ها امکان مدل‌سازی دقیق توابع پیچیده از داده‌ها را فراهم می‌آورند، به این ترتیب به ما کمک می‌کنند که درک بهتری از پویایی‌های مشتریان حاصل شود. همچنین، با استفاده از رگرسیون بردار پشتیبان کمترین مربعات، یک روش بهینه‌سازی ساده و مؤثر برای استراتژی‌های بازاریابی عرضه می‌گردد. این رویکرد امکان بهینه‌سازی استراتژی‌های بازاریابی را به شکلی فراگیر به اثر کلی این استراتژی‌ها بر مجموعه مشتریان می‌پردازد.
یافته‌ها: یافته‌های این پژوهش نشان می‌دهد که در بازه‌ی زمانی یک سال، تعداد مشتریان دائمی در حال افزایش می‌باشد، درحالی‌که جمعیت مشتریان بالقوه نشان از کاهش دارد. اما تعداد مشتریان ارجاعی در ابتدای دوره مورد بررسی شاهد رشدی چشمگیر بوده و سپس الگویی نوسانی اما مثبت را تجربه می‌کند.
اصالت/ارزش افزوده علمی: این تحقیق، چگونگی کمک تکنیک‌های پیشرفته‌ی یادگیری ماشین به حل چالش‌های مختلف در حوزه‌های مدیریت و بازاریابی را به اثبات می‌رساند، نشان داده‌شده است که چگونه این فناوری‌ها می‌توانند در فهم و به‌کارگیری استراتژی‌های بهینه در گستره‌ای از سازمان‌ها و صنایع تاثیرگذار باشند.
Purpose: This study develops an optimal control model to investigate customer dynamics with a focus on marketing strategies. The use of differential equations reflects that the model considers a non-autonomous system. The primary objective is to analyze the behavior and transitions among different customer groups, including permanent, referral, and potential customers. The research emphasizes the importance of implementing effective marketing strategies to enhance the overall number of customers and improve their dynamics.
Methodology: In this study, a novel supervised machine learning algorithm based on polynomial kernels is employed. These kernels enable accurate modeling of complex functions from data, thereby enhancing our understanding of customer dynamics. Moreover, the Least Squares Support Vector Regression (LSSVR) technique is utilized to offer a simplified and effective optimization method for marketing strategies. This approach comprehensively addresses the optimization of strategies by assessing their overall impact on the customer base.
Findings: The results reveal that over a one-year period, the number of permanent customers increases, while the population of potential customers declines. Referral customers exhibit a sharp initial growth followed by a fluctuating yet overall positive trend throughout the analysis period.
Originality/Value: This research demonstrates how advanced machine learning techniques can address various challenges in the fields of management and marketing. It shows how these technologies can significantly contribute to understanding and implementing optimal strategies across a wide range of organizations and industries
Bakshizadeh, Nastaran, Azimi, Parham. (2019). Optimization of a supply chain network using the simulation technique and Harmony Search algorithm. Industrial Management Studies, 17(54), 67-109. https://doi.org/10.22054/jims.2019.2247.1069.
Berman, B. (2016). Referral marketing: Harnessing the power of your customers. Business Horizons, 59(1), 19-28.https://doi.org/10.1016/j.bushor.2015.08.001.
Castillo, A., Benitez, J., Llorens, J., Luo, X. R. (2021). Social media-driven customer engagement and movie performance: Theory and empirical evidence. Decision Support Systems, 145:113516. https://doi.org/10.1016/j.dss.2021.113516.
Foroudi, P., Gupta, S., Sivarajah, U., & Broderick, A. (2018). Investigating the effects of smart technology on customer dynamics and customer experience. Computers in Human Behavior, 80, 271-282. https://doi.org/10.1016/j.chb.2017.11.014.
Islam, S., Amin, S. H., & Wardley, L. J. (2024). A supplier selection & order allocation planning framework by integrating deep learning, principal component analysis, and optimization techniques. Expert Systems with Applications, 235, 121121. https://doi.org/10.1016/j.eswa.2023.121121.
Ledro, C., Nosella, A., & Dalla Pozza, I. (2023). Integration of AI in CRM: Challenges and guidelines. Journal of Open Innovation: Technology, Market, and Complexity, 9(4), 100151. https://doi.org/10.1016/j.joitmc.2023.100151.
Li, X., Zhuang, Y., Lu, B., & Chen, G. (2019). A multi-stage hidden Markov model of customer repurchase motivation in online shopping. Decision Support Systems, 120, 72-80. https://doi.org/10.1016/j.dss.2021.113516.
Lyutov, A., Uygun, Y., & Hütt, M. T. (2019). Managing workflow of customer requirements using machine learning. Computers in Industry, 109, 215-225. https://doi.org/10.1016/j.compind.2019.04.010.
Mehrkanoon, S., & Suykens, J. A. (2015). Learning solutions to partial differential equations using LS-SVM. Neurocomputing, 159, 105-116. https://doi.org/10.1016/j.neucom.2015.02.013.
Mehrkanoon, S., Falck, T., & Suykens, J. A. (2012). Approximate solutions to ordinary differential equations using least squares support vector machines. IEEE transactions on neural networks and learning systems, 23(9), 1356-1367. https://doi.org/10.1109/TNNLS.2012.2202126.
Mosaddegh, A., Albadvi, A., Sepehri, M. M., & Teimourpour, B. (2021). Dynamics of customer segments: A predictor of customer lifetime value. Expert Systems with Applications, 172, 114606. https://doi.org/10.1016/j.eswa.2021.114606.
Ortakci, Y., & Seker, H. (2024). Optimising customer retention: An AI-driven personalised pricing approach. Computers & Industrial Engineering, 188, 109920. https://doi.org/10.1016/j.cie.2024.109920.
Pakniyat, A., Parand, K., & Jani, M. (2021). Least squares support vector regression for differential equations on unbounded domains. Chaos, Solitons & Fractals, 151, 111232. https://doi.org/10.1016/j.chaos.2021.111232.
Parand, K., Hasani, M., Jani, M., Yari, H. (2021). Numerical simulation of Volterra–Fredholm integral equations using least squares support vector regression. Computational and Applied Mathematics; 40:1-5. https://doi.org/10.1007/s40314-021-01471-0