پارس پروژه پرتال خدمات دانشگاهی
این مقاله علمی پژوهشی (isi) به زبان انگلیسی همراه با ترجمه تخصصی از نشریه امرالد مربوط به سال ۲۰۲۰ دارای ۲۵ صفحه ی انگلیسی با فرمت PDF و ۴۳ صفحه ترجمه فارسی به صورت فایل WORD قابل ویرایش می باشد در ادامه این صفحه لینک دانلود رایگان مقاله انگلیسی ، بخشی از ترجمه فارسی مقاله و لینک خرید آنلاین ترجمه ی کامل مقاله موجود می باشد.
کد محصول: M1166
سال نشر: ۲۰۲۰
نام ناشر (پایگاه داده): امرالد
نام مجله: Asia Pacific Journal of Marketing and Logistics
نوع نگارش مقاله: علمی پژوهشی (Research articles)
تعداد صفحه انگلیسی: ۲۵ صفحه PDF
تعداد صفحه ترجمه فارسی: ۴۳ صفحه WORD
قیمت فایل ترجمه شده: ۴۴۰۰۰ تومان
عنوان کامل فارسی:
مقاله انگلیسی ترجمه شده ۲۰۲۰ : شناسایی ساختار بازار برای نظارت بر رقابت محصول با استفاده از مدل هوشمند مبتنی بر رفتار مصرف کننده
عنوان کامل انگلیسی:
Identifying market structure to monitor product competition using a consumer-behavior-based intelligence model
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:
هدف – هدف این مقاله ارائه یک مدل مبتنی بر رفتار مصرف کننده (CBBI) برای شناسایی ساختار بازار به منظور نظارت بر رقابت محصول است. از هوش رقابتی استخراج شده از داده های کلیک استریم تجارت الکترونیک در چین برای بررسی ارتباط بازخورد رفتاری ناهمگون مصرف کنندگان ، یعنی کلیک ، اضافه کردن به موردعلاقه ها، زمان مرور ، افزودن به سبد خرید و حذف از- سبد خرید ، برای تصویرسازی ساختار بازار محصول رقابتی و پیش بینی فروش در سطح محصول استفاده می کنیم.
طراحی / روش / رویکرد – مدل پیشنهادی CBBI ما شامل تصویرسازی و پیش بینی است که داده های کلیک استریم در تجارت الکترونیکی را بررسی می کند. ما با به کارگیری الگوریتم خوشه بندی K-means و تکنیک مقیاس سازی چند بعدی ، تصویرسازی و تقسیم بندی ساختار بازار را در قالب یک نقشه ادراکی انجام می دهیم. همچنین ، ما برای پیش بینی فروش در سطح محصول با در نظر گرفتن بازخورد ناهمگون مصرف کنندگان ، یک رگرسیون خطی بیزی (BLR) به روز شده ایجاد کردیم. BLR به روز شده ما به طور خاص اطلاعات تخمینی دوره های گذشته را برای بررسی اینکه آیا فروش محصول ناشی از اثر حافظه مصرف کننده در تجارت الکترونیکی وابسته به دوره زمانی است یا خیر، ادغام کرده است ، که موجب بهبود BLR متداول توزیع پیشین از نظر میانگین خطای مطلق (MAE) و میانگین ریشه مربع خطا (RMSE) می شود.
یافته ها – تحقیق حاضر با توجه به عملکرد فعالیت های ناهمگون مصرف کنندگان ، سه بخش مختلف از ساختار بازار رقابتی را در یک نقشه ادراکی به تصویر کشیده و محور افقی آن به عنوان نشانه ای از روند صعودی فروش محصول نشان داده شده است. مشخص شد که دوره پنج روزه قبلی بهترین دوره پنجره زمانی برای تاثیر حافظه مصرف کننده بر پیش بینی فروش محصول است. این فرضیه با این مفهوم که فروش محصول وابسته به دوره است ، پشتیبانی می شود. نتایج BLR به روز شده پیشنهادی نشان می دهد که بازخورد اضافه کردن به مورد علاقه ها، افزودن به سبد خرید و حذف از سبد خرید تأثیرات مثبتی بر میزان فروش محصول دارد در حالی که کلیک و زمان مرور اثر معکوس دارد.
ابتکار / ارزش – در حالی که ساختار بازار محصول رقابتی مشخص شده، بازخورد ناهمگون مصرف کننده را نسبت به انتخاب های محصول جایگزین تبیین می کند ،این مقاله با گسترش مطالعات مربوط به ترجیحات همگون مصرف کننده در زمینه بازاریابی به ما کمک می کند. پیکربندی نقشه ادراکی در رابطه با فروش وابسته به دوره زمانی محصولات ، شمول موثر برنامه رفتار مصرف کننده در تحقیقات پیش بینی فروش محصول در تجارت الکترونیکی را تسهیل می کند. این مقاله به فروشندگان و خرده فروشان کمک می کند تا تأثیرات بازخورد ناهمگون و اثر حافظه مصرف کننده را بر میزان رقابت از نظر فروش محصولات، بهتر درک کنند. نتایج تحقیق همچنین پیامدهای مدیریتی در مورد شکل دهی به رقابت با استفاده از استراتژی های مختلف مدیریت محصول در پلتفرم های تجارت الکترونیکی را ارائه می دهد.
کلمات کلیدی ساختار بازار ، هوش رقابتی ، رقابت محصول ، فروش محصول ، اثر حافظه مصرف کننده ، کلیک استریم ، رگرسیون خطی بیزی ، نقشه های ادراکی
۱.مقدمه
رقابت در Amazon.com ، رهبر بازارهای تجارت الکترونیکی جهانی ، از سال ۲۰۱۷ به ۲۰۱۸ افزایش ۸ درصدی را تجربه کرده است (گراسو، ۲۰۱۸). فروشندگان آنلاین تلاش بیشتری می کنند تا استراتژی های مدیریت محصول خود را به طور مداوم با رقابت فشرده بازار تنظیم کنند. به طور خاص ، شرکت های فعال در تجارت الکترونیکی تمایل دارند محصولات خود را با تجزیه و تحلیل ساختار بازار ، شناسایی محصولات رقیب و شناخت کالاهای محبوب ، انتخاب کنند. کاملاً مشخص است که بازخورد مصرف کننده یا واکنش های بازار ، مدیریت دانش را برای ساختار بازار محصول رقابتی تسریع می کند ، که اصلی ترین استراتژی برای کمک به شرکت ها در شکل گیری مزیت رقابتی است (دی و همکاران، ۱۹۷۹؛ پورتر، ۱۹۷۹؛ فائو و لوم، ۲۰۰۰). با این حال ، در شرایط رقابت پویا کنونی ، برای انجام استراتژی های دقیق بخش بندی بازار برای تثبیت موقعیت پویای محصول ، به داده های بلادرنگ و مدل های تجاری موثر یا توسعه فن آوری در رشته بازاریابی نیاز است…
۸- محدودیت ها و مسیرهایی برای تحقیقات آتی
این تحقیق با محدودیت های متعددی روبرو است. اول ، ناهمگونی داده های کلیک استریم مصرف کننده در این مطالعه به طور کامل در نظر گرفته نشده است. این ممکن است در این موضوع تأثیر داشته باشد که چرا کلیک و زمان مرور کاربر بر روی فروش محصول تأثیر منفی می گذارد و تحت چه شرایط مرزی این دو نوع بازخورد می تواند اثرات متقابل داشته باشند. این تأثیرات منفی ممکن است نشان دهد که ، وقتی مصرف کنندگان به سمت انگیزه لذت جویانه سوق پیدا می کنند ، روی محصولات بیشتر کلیک می کنند و زمان بیشتری را بدون انجام تراکنش صرف می کنند. تحقیقات بیشتر توصیه می کنند تا ناهمگونی مصرف کننده در نظر گرفته شود. دوم ، فصلی بودن می تواند بر فروش محصولات گروه های کالایی مختلف ، به ویژه محصولات پوشاک تأثیر بگذارد. با این حال ، فصلی بودن به عنوان یک متغیر ورودی برای پیش بینی فروش محصول در مدل در نظر گرفته نشد. همچنین بررسی بیشتر اثر فصلی بودن برای سنجش دقیق ساختار بازار ضروری خواهد بود. اطلاعات بیشتر در مورد هر دو این عوامل می تواند یافته های تجربی مطالعه فعلی را افزایش دهد.
Abstract
Purpose: The objective of this paper is to propose a consumer-behavior-based intelligence (CBBI) model to identify market structure so as to monitor product competition. Competitive intelligence extracted from Chinese e-business clickstream data is exploited to examine the relevance of consumers’ heterogeneous behavioral feedback, namely, click, tag-into-favorite, time-of-browsing, add-into-cart, and remove-from-cart, to visualize the competitive product market structure and to predict product-level sales.
Design/methodology/approach: Our proposed CBBI model consists of visualization and prediction, which explore e-business clickstream data. We conduct the visualization and segmentation of market structure in the form of a perceptual map by employing K-means clustering algorithm and multidimensional scaling technique. Concurrently, we developed an updated Bayesian linear regression (BLR) to predict product-level sales by considering consumers’ heterogeneous feedback. Our updated BLR specifically integrated the estimated knowledge of the previous periods to verify whether product sales are period-dependent due to the consumer memory effect in e-commerce, improving the conventional BLR of diffuse prior distribution setup in terms of mean absolute error (MAE) and root mean squared error (RMSE).
Findings: Considering the performance of consumers’ heterogeneous actions, the present research visualized three different segments of the competitive market structure in a perceptual map, and its horizontal axis is shown as a signal of the ascending trend of product sales. The previous five-day period was ascertained to be the best size of a time window for the consumer memory effect on product sales prediction. This hypothesis is supported by the concept that product sales are period-dependent. The results of the proposed updated BLR indicate that consumer tag-into-favorite, add-into-cart, and remove-from-cart feedback have positive impacts on product-level sales while click and time-of-browsing have the opposite effect.
Originality/value: While the identified competitive product market structure elaborates consumer heterogeneous feedback toward alternative product choices, this paper contributes by extending those homogeneous consumer preferences-related marketing studies. The perceptual map’s configuration in respect to period-dependent product sales facilitates the effective inclusion of consumer behavior application in product sales prediction research in e-commerce. This paper helps sellers and retailers better comprehend the impacts of heterogeneous feedback and the consumer memory effect on the degree of competition in the form of product sales. The research results also offer a managerial implication about shaping the competitive edge by conducting different product management strategies in e-commerce platforms.
Keywords: Market structure, Competitive intelligence, Product competition, Product sales, Consumer memory effect, Clickstream, Bayesian linear regression, Perceptual maps
۱.Introduction
The competition to Amazon.com, the leader of global electronic commerce marketplaces, experienced an 8 percent increase from2017 to 2018 (Grasso, 2018).More and more online sellers struggle to constantly adjust their product management strategies to cope with intensive market competition. Specifically, firms in e-business tend to choose their products by analyzing market structure, speculating what is popular in a certain marketplace, and what their competitors are selling. It is well recognized that consumer feedback or market responses expedite knowledge management for competitive product market structure, which is the core strategy for helping firms shape their competitive advantage (Day et al., 1979; Porter, 1979; Phau and Lum, 2000). However, in the current dynamic competition environment, it requires real-time data and effective business models or technological advancement in the discipline of marketing to conduct accurate market segment strategies to achieve dynamic product positioning…
۸.Limitations and future research directions
This research is subject to several limitations. First, consumer heterogeneity of clickstream data is not fully considered in this study. This might have had some influence on why consumer click and time of-browsing have negative impacts on product sales and under what boundary conditions these two types of feedback could have opposite effects. These negative impacts may indicate that, when consumers shift to hedonic motivation, they will click products more and spend more time without making a transaction. Further research is encouraged to take consumer heterogeneity into consideration. Second, seasonality could influence product sales of different product categories, especially clothing products. However, seasonality was not considered as an input variable to predict the product sales in the model. It would also be relevant to further explore the effect of seasonality to measure market structure more precisely. More data on both of these factors could enhance the empirical findings of the current study…
| مقالات مرتبط با این موضوع |
|
دانلود مقاله انگلیسی مدیریت با ترجمه دانلود مقاله انگلیسی در مورد بازاریابی با ترجمه دانلود مقاله انگلیسی در مورد مدیریت بازرگانی با ترجمه |