پارس پروژه پرتال خدمات دانشگاهی
سلام دوست من ، توی این پست براتون یه مقاله انگلیسی ترجمه شده جدید که در مورد تجارت الکترونیک هست، منتشر کردیم. این مقاله یه مقاله ISI و علمی پژوهشی هست که توی پایگاه الزویر در سال ۲۰۲۳ منتشر شده. فایل انگلیسی شامل ۸ صفحه PDF و فایل ترجمه ۲۴ صفحه WORD و قابل ویرایشه، مثل همیشه مقاله انگلیسی رو می تونید رایگان دانلود کنید. بخش هایی از ترجمه هم براتون رایگان گذاشتم که قبل از خرید ، کیفیت ترجمه رو بررسی کنید. از کیفیت ترجمه هم نگم براتون که مثل همیشه عالییییه. برای خرید ترجمه کامل مقاله روی گزینه خرید و دانلود آنی ترجمه کلیک کنید بعد از پرداخت لینک دانلود بهتون نشون داده میشه، به ایمیلتونم ارسال میشه. اگر سوالی بود می تونید زیر این پست کامنت بزارید سریع جوابتونو میدم.
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
تعداد صفحه ترجمه فارسی: ۲۴ صفحه WORD
قیمت فایل ترجمه شده: ۸۵۰۰۰ تومان
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
برای دانلود رایگان مقاله انگلیسی بر روی دکمه ذیل کلیک نمایید
وضعیت ترجمه: این مقاله به صورت کامل ترجمه شده برای خرید ترجمه کامل مقاله بر روی دکمه ذیل کلیک نمایید (لینک دانلود بلافاصله بعد از خرید نمایش داده می شود)
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
۱.مقدمه
فناوری اینترنت به دلیل رشد فناوری شبکه و اطلاعات اجتماعی، زندگی مشتریان را به شدت تحت تاثیر قرار داده است. با ظهور تجارت الکترونیک “اینترنت +”، کسب و کارهای سنتی باید از بستر اینترنت برای ایجاد بازارهای جدید و کسب سود استفاده کنند و شرکت های آنلاین رشد سریع بازار خرده فروشی در شبکه را هدایت کنند [۱]. توسعه کسب و کارهای خرده فروشی آنلاین رقابت صنعتی را افزایش داده است. از آنجایی که نرخ ریزش مشتری در صنعت تجارت الکترونیک بسیار بالا است، صاحبان مشاغل باید راههایی را برای کاهش ریزش مشتری در خرید آنلاین بررسی کنند. از آنجایی که رفتار مشتری قابل پیش بینی است، می توان تمایلات معاملاتی آینده مشتری را با استفاده از داده های مربوطه به دست آورده و تحلیل های لازم را پیش بینی کرد [۲]. برای محدود کردن تعداد مشتریان از دست رفته، صاحبان مشاغل میتوانند مصرفکنندهای را که تمایل به قطع ارتباط دارد شناسایی کرده و کارهای پیشکنترلی مورد نیاز را انجام دهند. در سالهای اخیر پیشبینی ریزش مشتری در خرید آنلاین در تحقیقات شرکت های تجارت الکترونیک بیشتر مورد توجه قرار گرفته است [۳]. ریزش مشتری، که به عنوان فرسایش نیز شناخته میشود، زمانی اتفاق میافتد که یک مشتری فعلی به ارتباط خود با یک شرکت پایان میدهد و دیگر از خدمات آن استفاده نمیکند یا محصولات آن را نمیخرد. مشتریان در یک موقعیت تجارت الکترونیکی می توانند در یکی از چهار حالت باشند: جدید، فعال، غیرفعال یا سرگردان [۴]. موفقیت این صنعت کاملاً مبتنی بر ظرفیت آن برای فعال نگه داشتن مشتریان برای مدت طولانی است. به دلیل رقابت شدید این صنعت، دستیابی به یک مصرف کننده جدید نسبتاً گران است. در صورت وجود یک مشتری جدید، نقطه سر به سر مالی یک شرکت (بازده سرمایه) معمولاً تنها پس از تکمیل چند تراکنش توسط مشتری در طول زمان حاصل می شود [۵]…
۲.۲. تشخیص ریزش مشتری
مدلهای آماری و الگوریتمهای یادگیری ماشین نمونههایی از تکنیکهای تجزیه و تحلیل پیشبینیکننده هستند که میتوان برای ثبت امتیازهای ریسک برای هر مشتری استفاده کرد و امکان تشخیص پیشگیرانه ریزش را فراهم میکند. دادههای مربوط به استفاده، نظرات مشتری، ویژگی های جمعیتشناختی مشتری، امتیاز خالص مروجان، الگوهای خرید و سایر ویژگیهای ورودی همه در این فرآیند استفاده میشوند. از زمانی که یک مشتری در یک شرکت تجارت الکترونیک B2C ثبت نام می کند، همه این اطلاعات در دسترس آنها قرار می گیرد. بنابراین، مرحله بعدی نهایی کردن چارچوبی برای پردازش این داده ها است. این روش یک روش استفاده از مدل های آماری مبتنی بر تکنیک های رگرسیون مانند رگرسیون لجستیک برای پیش بینی ریزش های آینده نگر است. روش دیگر استفاده از فناوری های یادگیری ماشینی مانند ماشین بردار پشتیبان است…
۳.نتیجه گیری
مطالعات متعدد در زمینه بازاریابی نشان داده اند که حفظ مشتریان فعلی بهترین گزینه برای حفظ تجارت الکترونیک B2C است، زیرا نفوذ به پایگاه مشتری رقبا تقریباً پنج برابر گرانتر از حفظ مشتری است. علاوه بر این، یک مشتری جدید باید پس از یک دوره طولانی تر و تعداد بیشتری از تراکنش ها ارزشمند تلقی شود. طبق مطالعه انجام شده توسط Bain & Co، a. افزایش ۵ درصدی در حفظ مشتری می تواند ۲۵ درصد افزایش درآمد را به همراه داشته باشد. مطالعه دیگری نشان می دهد که مشتریان پویا در تجارت الکترونیک B2C خرید بیشتری نسبت به خریداران جدید انجام می دهند. احتمال خرید مشتریان پویا ۶۰٪ است. این متغیرها بر اهمیت حفظ مشتریان و کاهش ریزش تاکید می کنند. این مطالعه چارچوبی را ارائه میکند که از روشهای یادگیری ماشین، بهویژه از ماشینهای برداری برای تشخیص ریزش احتمالی مشتری استفاده میکند. حجم عظیمی از اطلاعات قابل دسترس برای سازمانهای تجارت الکترونیکی را میتوان برای یافتن استانداردهای رفتاری استخراج کرد و هرگونه انحراف از الگوها یا نمونههای مورد انتظار را میتوان به عنوان یک ریزش مشتری بالقوه در نظر گرفت. تکنیکهای حفظ شخصی سازیشده نیز با استفاده از استراتژیهای توصیه ترکیبی توسعه مییابند. علاوه بر این، روشهای مجموعهای با مدل SVM مقایسه میشوند تا نشان دهیم که آیا می توان از آنها برای افزایش فرآیند تشخیص ریزش استفاده شود یا خیر.
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…