پارس پروژه پرتال خدمات دانشگاهی
این مقاله علمی پژوهشی (ISI) به زبان انگلیسی از نشریه الزویر مربوط به سال ۲۰۲۳ دارای ۸ صفحه انگلیسی با فرمت PDF می باشد در ادامه این صفحه لینک دانلود رایگان مقاله انگلیسی و بخشی از ترجمه فارسی مقاله موجود می باشد.
کد محصول: M11499
سال نشر: ۲۰۲۳
نام ناشر (پایگاه داده): الزویر
نام مجله: Measurement: Sensors
نوع مقاله: علمی پژوهشی (Research articles)
فرضیه: ندارد
متغیر: ندارد
مدل مفهومی: ندارد
پرسشنامه : ندارد
تعداد صفحه انگلیسی: ۸ صفحه PDF
عنوان کامل فارسی:
مقاله انگلیسی 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
برای دانلود رایگان مقاله انگلیسی بر روی دکمه ذیل کلیک نمایید
وضعیت ترجمه: این مقاله تاکنون ترجمه نشده برای سفارش ترجمه تخصصی مقاله بر روی دکمه ذیل کلیک نمایید (کد مقاله:M1499)
مقالات مرتبط با این موضوع: برای مشاهده سایر مقالات مرتبط با این موضوع (با ترجمه و بدون ترجمه) بر روی دکمه ذیل کلیک نمایید
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 سفارشی 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 پیشنهاد 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
شکل ۴. استراتژی پیشنهاد ترکیبی مبتنی بر اقدامات حفظ مشتری.
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
۱.Introduction
cause of the growth and process of network technology and social information. With the advent of “Internet +” e-commerce, traditional businesses must use the Internet platform to open up new markets and profit growth points, and online companies drive the rapid growth of the retail market in the network [1]. The development of the internet retail business has increased industry competition. Because the customer churn rate in the e-commerce industry is so high, business owners must examine ways to reduce customer churn in online purchasing. Because the customer’s behaviour is predictable, it is possible to predict the customer’s future trading inclinations using the relevant data acquired and the necessary analysis [2]…
۳.Conclusion
Multiple marketing studies have shown that retaining existing consumers is the greatest option for sustaining a B2C E-Commerce business, as penetration of the competition’s client base is nearly five times more expensive than retention. Furthermore, a new customer must be considered valuable after a longer period and a greater number of transactions. According to a study conducted by Bain & Co, a. 5% increment in client maintenance can bring about a 25% expansion in benefit. Another figure shows that dynamic clients accomplish more Business than new shoppers in B2C E-Commerce. The likelihood of Business from dynamic clients is 60%. These variables underline the significance of holding clients and reducing churn. This study provides a framework that uses machine learning methods, specifically support vector machines, to detect probable client attrition…