پیوندهای مفید
اخبار و اعلانات
آمار
| تعداد نشریات | 163 |
| تعداد شماره‌ها | 6,770 |
| تعداد مقالات | 72,914 |
| تعداد مشاهده مقاله | 132,173,174 |
| تعداد دریافت فایل اصل مقاله | 103,731,177 |
شبکه‌های عصبی مصنوعی در پیش‌بینی ارزش طول عمر مشتریان تجارت الکترونیک: نقش شاخص‌های کلیدی عملکردی رضایتمندی مشتریان | ||
| مدیریت بازرگانی | ||
| مقالات آماده انتشار، پذیرفته شده، انتشار آنلاین از تاریخ 17 فروردین 1404 | ||
| نوع مقاله: مقاله علمی پژوهشی | ||
| شناسه دیجیتال (DOI): 10.22059/jibm.2024.375828.4778 | ||
| نویسندگان | ||
| محمد فاریابی* ؛ وحید نوروزی | ||
| گروه مدیریت، دانشکده اقتصاد و مدیریت، دانشگاه تبریز، تبریز، ایران | ||
| چکیده | ||
| هدف: یکی از روندهای پرقدرت سال‌های اخیر که با پیشرفت روزافزون تکنولوژی همراه شده است، کاربردهای شبکه‌های عصبی مصنوعی در مدیریت بنگاه‌های تجاری و کسب‌وکارها می‌باشد؛ ظرفیت‌های این روند به‌قدری گسترده می‌باشد که می‌توان از آن برای تصمیم‌گیری و انتخاب راهبرد‌های کلان و یا خرد در کسب‌وکارها بهره برد. هدف این مطالعه بررسی تأثیر متقابل بین شاخص‌های عملکرد کلیدی امتیاز ترویج‌کننده و امتیاز تلاش مشتری و تأثیر جمعی آنها بر پیش‌بینی ارزش طول عمر مشتری با رویکرد یادگیری ماشینی (شبکه‌های عصبی مصنوعی) می‌باشد و همچنین پژوهش حاضر به دنبال ارائه یک مدل جامع شبکه عصبی مصنوعی با فراپارمترهای بهینه شده برای تکرار در سطح کسب‌وکارها و بهره‌برداری تجاری از این شیوه برای هر کسب‌وکار با داده‌های شخصی خود است. روش‌شناسی: داده‌ها با حفظ امنیت حریم خصوصی مشتریان و حریم خصوصی تجاری - رقابتی، از مشتریان یک سکو (پلتفرم) تجارت الکترونیک ایرانی در سال 1402 به دست آمده و شامل 8000 پروفایل مشتری با متغیرهایی از جمله ارزش طول عمر مشتری، امتیاز ترویج کننده، امتیاز تلاش مشتری و شناسه مشتریان(شناسه‌های 16 رقمی یکتا) است. مدل، یک شبکه عصبی متوالی با لایه‌های متراکم و منظم با فراپارامترهای بهینه‌سازی شده است. عملکرد مدل بر روی یک مجموعه تست 10درصد و اعتبارسنجی 10درصد ارزیابی می‌شود و با استفاده از معیارهای میانگین مطلق خطاها، ضریب تعیین و چند معیار دیگر ارزیابی می‌شود، سپس با استفاده از دو مدل پایهء رگرسیون خطی و درخت تصمیم توانایی مدل شبکه عصبی مصنوعی ارزیابی می‌شود. برای اعتبارسنجی مدل از اعتبارسنجی متقابل چندتایی استفاده می‌شود. در انتها با استفاده از SHAP و PFI مدل تفسیر می‌شود و اهمیت هر متغیر در توضیح ارزش طول عمر مشتری مورد بررسی قرار می‌گیرد. یافته‌ها: نتایج نشان می‌دهد که مدل شبکه عصبی مصنوعی با 2 نورون ورودی در لایه اول، 5 نورون پنهان در لایه دوم، 7 نورون پنهان در لایه سوم و 1 نورون خروجی در لایه آخر (خروجی) به طور موثر روابط پیچیده و غیرخطی امتیاز ترویج‌کننده و امتیاز تلاش مشتری با ارزش طول عمر مشتری را با ضریب تعیین 0.934 و میانگین مطلق خطاهای 142.47 و چند معیار دیگر به‌طور موثر و قدرتمندی پیش‌بینی می‌کند. عملکرد پایدار و بدون برازش بیش از حد با شیوه اعتبارسنجی متقابل در مجموعه‌های آموزشی و آزمایشی در 10دور 10تایی با دور عطف حدود 5 بر تعمیم پذیری مدل تأکید می‌کند و این اجازه را می‌دهد که ارزش طول عمر مشتری را توسط امتیاز ترویج کننده و امتیاز تلاش مشتری پیش‌بینی کنیم. توانایی مدل در گرفتن روابط غیرخطی داده‌ها در مقایسه با مدل‌های پایه (رگرسیون خطی و درخت تصمیم) نیز نشان از قدرت شبکه عصبی مصنوعی دارد، همچنین عیان شد که امتیاز ترویج‌کننده نسبت به امتیاز تلاش مشتری واریانس ارزش طول عمر مشتری را بیشتر توضیح می‌دهد. نتیجه‌گیری: پژوهش حاضر نشان داد که شبکه‌های عصبی مصنوعی تا چه اندازه در یافتن الگوهای نهان در شاخص‌های کلیدی عملکرد می‌توانند مؤثر عمل کنند؛ این مطالعه توانایی شبکه‌های عصبی مصنوعی در پیش‌بینی ارزش طول عمر مشتری را در تجارت الکترونیک ارائه می‌دهد و امکان پیش‌بینی ارزش طول عمر مشتری را توسط امتیاز ترویج‌کننده و ارزش تلاش مشتری، تقسیم‌بندی دقیق مشتریان، تخصیص منابع و رشد استراتژیک را فراهم می‌کند. تحقیقات آینده می‌تواند پیش‌بینی ارزش طول عمر مشتری را از طریق مجموعه‌داده‌های دیگر و گسترش مدل بهبود ببخشد و همچنین می‌توان ظرفیت سایر الگوریتم‌های یادگیری ماشینی را مورد بررسی قرار داد. | ||
| کلیدواژه‌ها | ||
| شبکه عصبی مصنوعی؛ ارزش طول عمر مشتری؛ امتیاز ترویج کننده؛ امتیاز تلاش مشتری | ||
| عنوان مقاله [English] | ||
| Artificial Neural Networks in E-Commerce Customer Lifetime Value Prediction: The Role of Key Performance Indicators of Customer Satisfaction | ||
| نویسندگان [English] | ||
| Mohammad Faryabi؛ Vahid Norouzi | ||
| Department of Management, Faculty of Economics and Management, University of Tabriz, Tabriz, Iran | ||
| چکیده [English] | ||
| Purpose: The rapid advancement of machine learning has enabled innovative applications across various business domains. This research explores the potential of neural networks to enhance customer relationship management by accurately predicting Customer Lifetime Value (CLV). By leveraging key performance indicators, including Net Promoter Score (NPS) and Customer Effort Score (CES), as input features, a neural network model is developed. This model aims to establish a predictive relationship between these metrics and CLV, providing valuable insights for businesses to optimize customer retention and revenue generation strategies. The proposed approach offers a scalable and customizable solution, enabling organizations to tailor the model to their specific needs and leverage the power of AI to drive data-driven decision-making. Methodology: The data was collected in 2023 from customers of an Iranian e-commerce platform while ensuring the security of customer privacy and business-competitive confidentiality. The dataset includes 8,000 customer profiles with variables such as Customer Lifetime Value (CLV), Promoter Score (PS), Customer Effort Score (CES), and unique 16-digit customer identifiers. The model is a sequential neural network with dense and regularized layers, optimized through hyperparameter tuning. The model’s performance is evaluated on a 10% test set and a 10% validation set, using metrics such as Mean Absolute Error (MAE), R² (coefficient of determination), and other criteria. Additionally, the artificial neural network model’s performance is compared with two baseline models: linear regression and decision tree. Cross-validation is employed for model validation. Finally, the model is interpreted using SHAP and PFI methods, analyzing the importance of each variable in explaining Customer Lifetime Value. Findings: The results indicate that the artificial neural network model, with 2 input neurons in the first layer, 5 hidden neurons in the second layer, 7 hidden neurons in the third layer, and 1 output neuron, effectively captures the complex and nonlinear relationships between Promoter Score (PS), Customer Effort Score (CES), and Customer Lifetime Value (CLV). The model achieves a coefficient of determination (R²) of 0.934 and a Mean Absolute Error (MAE) of 142.47, alongside several other performance metrics. The stable performance without overfitting, as validated through 10-fold cross-validation over 10 rounds, with an early stopping point around the fifth epoch, highlights the model's generalization capability. This allows for robust prediction of Customer Lifetime Value based on PS and CES. The model's ability to capture nonlinear relationships in the data outperformed baseline models (linear regression and decision tree), demonstrating the strength of the neural network. Furthermore, it was revealed that PS explains more variance in CLV than CES does. Conclusion: This study demonstrated how effectively artificial neural networks can identify hidden patterns within key performance indicators. It highlights the capability of artificial neural networks to predict Customer Lifetime Value (CLV) in e-commerce, enabling the prediction of CLV using Promoter Score (PS) and Customer Effort Score (CES), along with facilitating precise customer segmentation, resource allocation, and strategic growth. Future research could improve CLV prediction by exploring additional datasets and extending the model, as well as investigating the potential of other machine learning algorithms. | ||
| کلیدواژه‌ها [English] | ||
| Artificial Neural Network, Customer Lifetime Value, Promoter Score, Customer Effort Score | ||
|
آمار تعداد مشاهده مقاله: 182 |
||
سامانه مدیریت نشریات علمی. قدرت گرفته از سیناوب