اطلاعیه

مقاله ترجمه شده بررسی تاثیر عوامل توصیه گر در رفتار خرید برنامه ریزی نشده مصرف کنندگان آنلاین

دانلود رایگان مقاله بیس انگلیسی خرید و دانلود ترجمه ی مقاله انگلیسی

کد محصول:M416

قیمت فایل ترجمه شده:   ۱۰۰۰۰ تومان

تعداد صفحه انگلیسی

سال نشر: ۲۰۱۱

تعداد صفحه ترجمه فارسی: ۲۰  صفحه word

عنوان فارسی:

مقاله ترجمه شده بررسی تاثیر عوامل توصیه گر در رفتار خرید برنامه ریزی نشده مصرف کنندگان آنلاین

عنوان انگلیسی:

Assessing the impact of recommender agents on on-line consumer unplanned purchase behavior

چکیده فارسی:

عوامل توصیه گر به وسیله بسیاری از کسب و کار های اینترنتی مثل آمازون و نت فلیکس استفاده می شده است.با این حال معدودی نویسندگان چگونگی تحت تاثیر قرار گرفتن رفتار مصرف کننده به وسیله کسانی که به مصرف کنندگان آنلاین بر اساس رفتار خرید اخیرشان پیشنهاد میدادند را مورد مطالعه قرار داده اند.هنوز کمتر کسی به بررسی نقش عوامل توصیه گر در تاثیر تصمیم گیری خرید آنلاین پرداخته است. مطالعه ما از یک مدل نظری برای نشان دادن تاثیر عوامل توصیه گر در رفتار مصرف کننده آنلاین گسترش یافته است. این مدل از طریق شبیه سازی خرید آنلاین که با استفاده مشترک از فیلتر مبتنی بر نتیجه عوامل توصیه گر مورد آزمایش قرار گرفت.توجه ویژه ای روی تاثیر عوامل توصیه گر بر رفتار مصرف کننده شده بود، ما متوجه شدیم که آن، اثر بخشی نتیجه محصول و ترویج، رضایت کاربران با وب سایت و خریدهای برنامه ریزی نشده را، افزایش میدهد.نتایج نشان میدهد که مدل ما تاثیر عوامل توصیه گر بر رفتار مصرف کننده آنلاین را بررسی  و سپس پیشنهادهایی برای سیستم های موثر پیاده سازی ارائه کرده است.

کلمات کلیدی:عوامل توصیه گر، خرید مصرف کننده،خرید برنامه­ریزی نشده،رفتار مصرف کننده آنلاین،تجارت الکترونیکی،رضایت کارکنان وب سایت

ترجمه بخشی از مقاله

۵.۱) توصیه هایی برای بازاریابان

به طور خاص، نتایج به دست آمده نشان داد که عامل پیشنهادی نشان دهنده یک ابزار موثر برای تجارت الکترونیکی B2C است. آنها می توانند با فراهم آوردن امکان دسترسی سریع به اطلاعات های مربوطه بر اقلام مورد جستجو تمرکز دارد، میزان جستجوی محصول را کاهش دهند، و می تواند از ارتقاء محصولات انتخاب شده به طورموثرتری حمایت کند. چنین ارتقاء محصول می تواند سطح رضایت مشتری با وب سایت را افزایش می دهد. علاوه بر این، نتایج ما مزایای بالقوه به کارگیری فن آوری های عامل هوشمند تجارت الکترونیک را نشان می دهد. همانطوری که خرید اینترنتی زیاد میشود و تعداد تصمیم گیری خرید هر کاربر افزایش می یابد، استفاده ازکمک های تصمیم گیری به طور فزاینده ای ضروری می شود. برای بازاریابان کسب و کار درک پیامدهای مثبت و منفی بالقوه عامل های پیشنهادی در خرید آنلاین اهمیت زیادی دارد. آن دسته از سازمان هایی است که اهمیت این تکنولوژی جدید و تاثیرآن را در کسب و کار درک میکنند، برای رقابت در بازار شبکه موقعیت بهتری دارند.

وب سایت ها فن آوری های موثری را برای کمک به مصرف کنندگان از طریق تجربه خرید آنلاین که به احتمال زیاد برای به دست آوردن یک مزیت رقابتی است، پیاده سازی می کنند.عوامل خرید هوشمند به احتمال زیاد نقش مهمی را در طراحی استراتژی های بازاریابی جدید بازی می کند .نیازی به گفتن نیست، ویژگی عوامل هوشمند باید قبل ازاینکه چنین ابزارهایی بتواند پذیرش گسترده را بدست آورند، به خوبی درک شوند.

۵.۱.۱) پیشنهادهایی به توسعه دهندگان و مجریان عامل پیشنهادی

 در حالی که مطالعه ما به وضوح منافع کسب و کار استفاده از عامل پیشنهادی را نشان می دهد و بینش مدیریتی بسیاری را مهیا می کند، آن هم  برخی مشکلات و محدودیت های فنی / عملیاتی را به بار می آورد. از آنجا که به رتبه بندی فیلم برای شکل دادن پیشنهادهای محصول نیاز داریم، ما محدود بودیم که کدام فیلم ها میتواند شامل پایگاه داده ما شود. آخرین مجموعه داده ای که ما می توانستیم استفاده کنیم خیلی جدید بود. بسیاری از دانش آموزانی که شرکت کردند اظهار نظر داشتند که انتشار فیلم جدید جالب تر بوده است اما شامل نمی شود. اگر چه آنها همه قادر به پیدا کردن فیلم های قدیمی تر بودند (که برخی از آنها دیده بودند و به خرید علاقه مند شده بودند) این فیلم جزو بالاترین رتبه فیلم ها که باید لیست می شدند نبودند. این محدودیت ممکن است  بر تعدادی از خریدهای  برنامه ریزی نشده تاثیر داشته باشند یا نداشته باشند.

همچنین، رویکرد فیلترکردن همکاری برای عامل پیشنهادی که دراین مطالعه استفاده شد برخی محدودیت ها داشت .مشکل اول شروع سرد آن است که زمانی اتفاق می افتد که عامل پیشنهادی نیاز به پیشنهادهایی به یک کاربر جدید دارد که اولویت اطلاعات وجود ندارد.برای پرداختن به این، عامل پیشنهادی، نیاز به برخی راه ها که یا جمع آوری داده ها با اولویت اولیه و یا استفاده از
اولویت داده ها از کاربر دیگری تا برخی اطلاعات در مورد کاربر جدید جمع آوری شود. دراین مطالعه ، تصمیم به جمع آوری داده ها با اولویت اولیه از هر موضوع با درخواست آنها برای رای دادن به مجموعه ای از فیلم ها گرفتیم.

ضمیمه الف) خلاصه ای از اقدامات برای متغیرها در این مطالعه

عامل توصیه گر: متغیر مستقل اصلی در این مطالعه. در حالی که توصیه های فیلم به گروه کنترل به طور تصادفی از لیست کل فیلم های موجود انتخاب می شود، توصیه های فیلم به گروه آزمایش که آن را با الگوریتم فیلترهای مشترک ازعامل پیشنهادی ایجاد میکند  این است که فیلم هایی که  یک کاربر خاص به بررسی و توصیه فیلم هایی که کاربران در یک گروه مشابه دارای امتیاز بسیار است را تجزیه و تحلیل میکند.

Abstract

Recommendation agents (RAs) have been used by many Internet businesses such as Amazon and Netflix. However, few authors have studied how consumer behavior is affected by those that make suggestions to online consumers based on their recent shopping behavior. Fewer still have examined the role that RAs play in influencing impulse purchasing decisions online. Our study developed a theoretical model to illustrate the impact of RAs on online consumer behavior. The model was tested through an online shopping simulation which used a collaborative filtering based product RA. Particular attention was paid to the effects of an RA on consumer behavior; we found that it increased promotion and product search effectiveness, user satisfaction with the website, and unplanned purchases. Results showed that our model provided insights into the impact of an RA on online consumer behavior and thus provided suggestions for implementing effective systems.

دیدگاهتان را بنویسید

نشانی ایمیل شما منتشر نخواهد شد. بخش‌های موردنیاز علامت‌گذاری شده‌اند *

Time limit is exhausted. Please reload the CAPTCHA.