مقاله ترجمه شده پیشگیری از ریزش مشتری در تجارت الکترونیک با استفاده از استراتژی هوش تجاری مبتنی بر یادگیری ماشین

سال نشر: ۲۰۲۳

نوع نگارش مقاله: علمی پژوهشی (Research articles)

تعداد صفحه انگلیسی: ۸  صفحه PDF

تعداد صفحه ترجمه فارسی:  ۲۴  صفحه WORD

دانلود رایگان مقاله انگلیسی

کد محصول: M1499

نام ناشر (پایگاه داده): الزویر

نام مجله:   Measurement: Sensors

عنوان کامل فارسی:

مقاله انگلیسی ترجمه شده ۲۰۲۳ :  پیشگیری از ریزش مشتری در تجارت الکترونیک با استفاده از استراتژی هوش تجاری مبتنی بر یادگیری ماشین

عنوان کامل انگلیسی:

E-commerce customer churn prevention using machine learning-based business intelligence strategy

چکیده فارسی:

کسب‌وکارها در بخش تجارت الکترونیک، به‌ویژه آنهایی که در بخش “بنگاه به مصرف‌کننده B2C” هستند، درگیر رقابت شدید برای بقا هستند و سعی می‌کنند به پایگاه‌های مشتریان رقبای خود دسترسی پیدا کنند و در عین حال از ریزش مشتریان کنونی پیشگیری کنند. هزینه جذب مشتریان جدید در حال افزایش است زیرا رقبای بیشتری با هزینه های قابل توجه و استراتژی های بازاریابی پیشرفته به بازار می پیوندند ، به همین دلیل حفظ مشتری برای این سازمان ها ضروری می باشد. بهترین اقدام در این شرایط، شناسایی مشتریان بالقوه و جلوگیری از ریزش مشتری با اقدامات حفظ مشتری است. همچنین برای اعمال استراتژی های سفارشی­سازی­شده بازگرداندن مشتری، درک اینکه چرا مشتری تصمیم به رفتن گرفته است، ضروری است.  اطلاعات هر مشتری، از جمله جستجوهای انجام شده، خریدهای انجام شده، دفعات خرید، بررسی های انجام شده، بازخوردها و سایر داده ها، توسط شرکت های تجارت الکترونیک نگهداری می شود. یادگیری ماشین و داده کاوی ممکن است به بررسی این حجم عظیم از داده ها، تجزیه و تحلیل رفتار مشتری و مشاهده فرصت های از دست رفته بالقوه کمک کنند. ماشین بردار پشتیبانی یک روش یادگیری نظارتی محبوب در اپلیکیشن های یادگیری ماشین است. آنالیز پیشگو از رویکرد طبقه‌بندی ترکیبی برای حل مسائل رگرسیون و طبقه‌بندی استفاده می‌کند. در این مقاله فرآیند پیش‌بینی ریزش مشتری در تجارت الکترونیک بر اساس ماشین‌های بردار پشتیبان همراه با یک استراتژی توصیه گر ترکیبی برای طرح‌های حفظ هدفمند ارائه شده است. شما می توانید با ارائه پیشنهادات یا خدمات معقول از ریزش مشتری در آینده جلوگیری کنید.یافته‌های تجربی افزایش معناداری را در نسبت پوشش، نسبت اصابت، درجه افزایش، نسبت دقت و سایر معیارها با استفاده از مدل پیش‌بینی یکپارچه نشان می‌دهند. برای شناسایی موثر گروه‌های مجزا از مشتریان از دست رفته و ایجاد استراتژی حفظ مشتری، انواع مختلف مشتریان از دست رفته با استفاده از اصل RFM دسته‌بندی شدند.

واژه‌های کلیدی: اصطلاحات شاخص- ریزش مشتری در تجارت الکترونیک، الگوریتم ترکیبی، حفظ شخصی سازی شده، ماشین بردار پشتیبانی

Abstract

Businesses in the E-Commerce sector, especially those in the business-to-consumer segment, are engaged in fierce competition for survival, trying to gain access to their rivals’ client bases while keeping current customers from defecting. The cost of acquiring new customers is rising as more competitors join the market with significant upfront expenditures and cutting-edge penetration strategies, making client retention essential for these organizations. The best course of action in this circumstance is to detect prospective churning customers and prevent churn with temporary retention measures. It’s also essential to understand why the customer decided to go away to apply customized win-back strategies. Each customer’s information, including searches made, purchases made, frequency of purchases, reviews left, feedback is given, and other data, is kept on file by the e-commerce company. Machine learning and data mining may be aided by examining this enormous quantity of data, analysing customer behaviour, and seeing potential attrition opportunities. The support vector machine is a popular supervised learning method in machine learning applications. Predictive analysis uses the hybrid classification approach to address the regression and classification issues. The process for forecasting E-Commerce customer attrition based on support vector machines is presented in this paper, along with a hybrid recommendation strategy for targeted retention initiatives. You may prevent future customer churn by suggesting reasonable offers or services. The empirical findings demonstrate a considerable increase in the coverage ratio, hit ratio, lift degree, precision rate, and other metrics using the integrated forecasting model. To effectively identify separate groups of lost customers and create a customer churn retention strategy, categorize the various lost customer types using the RFM principle.

Keywords: Index terms— E-commerce customer churn, Hybrid algorithm, Personalized retention, Support vector machine

تمامی حقوق مادی و معنوی ترجمه ها برای پارس ترجمه محفوظ می باشد

تمامی حقوق مادی و معنوی ترجمه ها برای پارس ترجمه محفوظ می باشد