دانشگاه آزاد اسلامی واحد تهران جنوب

صفحه اصلی / دومین همایش دوسالانه پژوهش های نوپدید در حسابداری،مالی و مدیریت

مدل‌های پیش‌بینی هوشمند در تجارت الکترونیک: از تحلیل داده تا شخصی‌سازی تجربه مشتری

نویسندگان :

محمد شیخی¹ شاهین شیخان²

1- دانشگاه آزاد اسلامی واحد تهران جنوب 2- دانشگاه آزاد اسلامی واحد تهران جنوب

کلمات کلیدی :

تجارت الکترونیک،پیش‌بینی،شخصی‌سازی،یادگیری عمیق،شبکه‌های عصبی بازگشتی،تحلیل رفتار مشتری

چکیده :

با رشد چشمگیر و انفجاری تجارت الکترونیک ، مشتریان این حوزه با حجم عظیمی از اطلاعات و محصولات مواجه هستند که منجر به سرگردانی اطلاعات و فرسودگی تصمیم‌گیری می‌شود. در این بازار رقابتی، ارائه تجربه ‌ای شخصی‌ سازی‌شده که بتواند نیازها و علایق پنهان مشتری را پیش‌بینی کند، دیگر یک مزیت رقابتی نیست، بلکه یک ضرورت برای بقا و رشد کسب‌وکارها محسوب می‌شود. مدل‌های پیش‌بینی سنتی به دلیل ناتوانی در پردازش داده‌های پیچیده و چندبعدی (متوالی، بصری، متنی) ، کارایی لازم برای شخصی‌سازی در سطح مدرن را ندارند. در این پژوهش، یک مدل ترکیبی و هوشمند مبتنی بر یادگیری عمیق به نام CNN-LSTM-Attention برای پیش‌بینی قصد خرید مشتریان ارائه می‌شود. این مدل با ترکیب قدرت شبکه‌های عصبی پیچشی (CNN) در استخراج ویژگی‌های محتوایی (مانند تصویر و متن محصول) و قابلیت شبکه‌های حافظه کوتاه‌مدت بلند (LSTM) در تحلیل رفتار متوالی کاربر (مانند دنباله کلیک‌ها)، یک درک جامع از تعاملات کاربر-محصول ایجاد می‌کند . مکانیزم توجه (Attention) نیز به مدل اجازه می‌دهد تا بر روی مهم‌ترین رویدادها در یک جلسه کاربری تمرکز کرده و سیگنال‌های پرنویز را فیلتر کند. نتایج اعتبارسنجی مدل روی یک مجموعه داده واقعی از صنعت تجارت الکترونیک نشان می‌دهد که مدل پیشنهادی در معیارهای Precision@10 , Recall@10 و F1-Score@10 به ترتیب با مقادیر 82/0 – 75/0 و 78/0 عملکردی برجسته‌تر نسبت به مدل‌های پایه مانند فیلتراسیون همکارانه (CF) و مدل‌های تک‌بخشی LSTM و CNN از خود نشان می‌دهد. این برتری نشان‌دهنده پتانسیل بالای رویکرد ترکیبی در افزایش دقت پیش‌بینی و بهبود تجربه مشتری از طریق توصیه‌های مرتبط‌تر و به‌موقع است.