سکوی پیشنهاد دهنده هوشمند در کسب و کار الکترونیک با بهره گیری از تکنولوژی هوش مصنوعی و شبکه عصبی عمیق
محورهای موضوعی : دانش نو در مدیریت بازاریابی
علی نجفی
1
,
جواد نیک نفس
2
,
سندس بهادری
3
,
علیرضا اسفندیاری مقدم
4
1 - گروه مدیریت،واحد همدان،دانشگاه آزاد اسلامی،همدان،ایران
2 - گروه مدیریت،واحد همدان،دانشگاه آزاد اسلامی،همدان،ایران
3 - گروه کامپیوتر،واحد ایلام،دانشگاه آزاد اسلامی،ایلام،ایران
4 - گروه مدیریت،واحد همدان،دانشگاه آزاد اسلامی،همدان،ایران
کلید واژه: سکوی پیشنهاد دهنده, هوشمند سازی, کسب و کار الکترونیک, یادگیری ماشین, شبکه عصبی عمیق,
چکیده مقاله :
در این پژوهش، مدل ترکیبی جدیدی برای محصولات متنوع کسب و کارهای مختلف به یک مشتری به صورت تکی، بسته و ترکیبی در تجارت الکترونیک بازار ارائه و پیشنهاد می گردد،که تا کنون در تحقیقات انجام شده از آن استفاده نشده است . در ابتدا، داده های موجود در داده های فروشگاه دیجی کالا جمع آوری شده و در سطوح وفاداری و پیش پردازش می خوشه بندی می شوند، شود. در ادامه، مشتریان با استفاده از متغیرهای موثر بر اساس الگوریتم SOM
تعیین می شوند.در نهایت،مدل طبقه بندی الگوریتم قوانین ارتباط در هر بسته محصول نیز توسط الگوریتم Apriori
برای توصیه باندلینگ محصول به مشتریان اعمال می شود. مدل کشف شده مسیر جدیدی برای شخصی‌سازی باندلینگ محصول است و مدیران بازاریابی می‌توانند از آن در تصمیم‌گیری‌های خود استفاده کنند. با اعمال مدل پیشنهادی، باندلینگ محصول با دقت بیشتری تعیین می‌شوند. شرکت ها می توانند با در نظر گرفتن سطوح مختلف وفاداری مشتری و ویژگی های هر بخش بازار، بازاریابی مستقیم انجام دهند و بسته بندی محصول مناسب را به مشتریان خود توصیه کنند. آنها همچنین می توانند انواع مختلفی از تبلیغات مانند تخفیف و کوپن را به مشتریان ارائه دهند. بنابراین، شرکت ها می توانند مشتریان جدید را جذب کنند، مشتریان فعلی را برای خرید ترغیب کنند و مشتریان ارزشمند خود را حفظ کنند.
In this research, a new combined model for offering diverse products of different businesses to a customer in a group (bundling) in e-commerce market has been presented, which has not been used in the research conducted so far. At first, the data in the DigiKala store data is collected and clustered in levels of loyalty and pre-processing, it becomes SOM. In the following, customers using effective variables based on the algorithm
are determined. Finally, the Apriori Algorithm classification model of the communication rules in each product package is also by the algorithm
Vector machine is applied to recommend product bundling to customers. The discovered model is a new way to personalize product bundling and marketing managers can use it in their decisions. By applying the proposed model, product bundling is determined more accurately. Companies can do direct marketing and recommend appropriate product bundling to their customers by considering different levels of customer loyalty and the characteristics of each market segment. They can also offer different types of promotions such as discounts and coupons to customers. Thus, companies can attract new customers, motivate existing customers to buy, and retain valuable customers
[1] J. Bobadilla, F. Ortega, A. Hernando, A. Gutiérrez, Recommender systems survey, Knowledge-Based Systems, 46 (2013) 109-132
[2] S. Tan, J. Bu, C. Chen, B. Xu, C. Wang, X. He, Using rich social media information for music recommendation via hypergraph model, ACM Transactions on Multimedia Computing, Communications and Applications, 7S (2011) 1-22.
[3] Kang, D., Park, M. J., Lee, D. H., & Rho, J. J. (2017). Mobile services with handset bundling and governmental policies for competitive market. Telematics and Informatics, 34(1), 323-337.
[4] Choi, H. S., & Chen, C. (2019). The effects of discount pricing and bundling on the sales of game as a service: An empirical investigation. Journal of Electronic Commerce Research, 20(1), 21-34.
[5] Jana Plananska, Karoline Gamma,Product bundling for accelerating electric vehicle adoption: A mixed-method empirical analysis of Swiss customers,Renewable and Sustainable Energy Reviews,olume 154,2022,111760, ISSN1364-0321, https ://doi.org/10.1016/ j.rser .2021 .111760.
[6] J. Chang, C. Gao, X. He, D. Jin and Y. Li, "Bundle Recommendation and Generation with Graph Neural Networks," in IEEE Transactions on Knowledge and Data Engineering, doi: 10.1109/TKDE.2021.3114586.
[7] Zhang, Z., Luo, X., Kwong, C. K., Tang, J & ,.Yu, Y. (2022). Return and refund policy for product and core service bundling in the dual‐channel supply chain .International Transactions in Operational Research.(247-223 ,126).
[8] Jena, S.K., Ghadge, A. Product bundling and advertising strategy for a duopoly supply chain: a power-balance perspective. Ann Oper Res 315, 1729–1753 (2022). https://doi.org/10.1007/s10479-020-03861-9
[9] Qing Zhang, Yini Zheng,Pricing strategies for bundled products considering consumers’ green preference,Journal of Cleaner Production,Volume344,2022,130962,ISSN0959-6526, https://doi.org/10.1016/ j.jclepro . 2022.130962.
[10] Z. Zhang, H. Lin, K. Liu, D. Wu, G. Zhang, J. Lu, A hybrid fuzzy-based personalized recommender system for telecom products/services, Information Sciences, 235 (2019) 117-129
[11] Doha, A., Ghasemaghaei, M., & Hassanein, K. (2017). Social bundling: A novel method to enhance consumers’ intention to purchase online bundles. Journal of Retailing and Consumer Services, 35, 106-117.
[12] Shao, L., & Li, S. (2019). Bundling and product strategy in channel competition. International Transactions in Operational Research, 26(1), 248-269.
[13] Hosseini, M.-P., et al., Deep Learning Architectures, in Deep Learning: Concepts and Architectures. 2019, Springer International Publishing. p. 1-24.
[14] Lopez Pinaya, W.H., et al., Chapter 10 - Convolutional neural networks, in Machine Learning, A. Mechelli and S. Vieira, Editors. 2020, Academic Press. p. 173-191.
[15] Samira Pouyanfar, Saad Sadiq, Yilin Yan, Haiman Tian, Yudong Tao, Maria Presa Reyes,(2018), A Survey on Deep Learning: Algorithms, Techniques, and Applications, ACM Computing SurveysVolume 51Issue 5Article No.: 92pp 1–36https://doi.org/10.1145/3234150
[16] Yassine Afoudi, Mohamed Lazaar, Mohammed Al Achhab, Hybrid recommendation system combined content-based filtering and collaborative prediction using artificial neural network,Simulation Modelling Practice and Theory,Volume 113,2021,102375,ISSN 1569-190X, https://doi.org/10.1016/j.simpat.2021.102375.
[17] A. Baskota and Y. -K. Ng, "A Graduate School Recommendation System Using the Multi-Class Support Vector Machine and KNN Approaches," 2018 IEEE International Conference on Information Reuse and Integration (IRI), Salt Lake City, UT, USA, 2018, pp. 277-284, doi: 10.1109/IRI.2018.00050.
[18] Shan Suthaharan,Machine Learning Models and Algorithms for Big Data Classification, 2016, Volume 36 ,ISBN : 978-1-4899-7640-6
