| دانلود رایگان مقاله انگلیسی + خرید ترجمه فارسی
|
|
| عنوان فارسی مقاله: |
ادغام برنامه ریزی های سلسله مراتبی(AHP) و داده کاوی برای پیشنهاد محصول به مشتری بر مبنای ارزش دوام آن |
| عنوان انگلیسی مقاله: |
Integrating AHP and data mining for product recommendation on customer lifetime value |
|
|
| مشخصات مقاله انگلیسی و ترجمه فارسی | |
| سال انتشار | 2005 |
| تعداد صفحات مقاله انگلیسی | 14صفحه با فرمت pdf |
| تعداد صفحات ترجمه مقاله | 19صفحه با فرمت word به صورت تایپ شده با قابلیت ویرایش |
| رشته های مرتبط با این مقاله | مدیریت، علوم اقتصادی |
| گرایش های مرتبط با این مقاله | برنامه ریزی سیستم های اقتصادی، توسعه اقتصادی و برنامه ریزی، مدیریت تکنولوژی، استراتژی های توسعه صنعتی، سیاستهای تحقیق و توسعه، نوآوری تکنولوژی، مدیریت بازرگانی، تجارت الکترونیک و داده کاوی |
| مجله | مدیریت و اطلاعات (Information & Management) |
| دانشگاه | موسسه مدیریت اطلاعات، دانشگاه ملی چیائو تونگ، تایوان |
| کلمات کلیدی | پیشنهاد، بازار یابی، فرآیند تحلیل سلسله مراتبی (AHP)، ارزش طول عمر مشتری، فیلتر مشترک، دسته بندی |
| شناسه شاپا یا ISSN | ISSN 0378-7206 |
| رفرنس | دارد |
| لینک مقاله در سایت مرجع | لینک این مقاله در نشریه Elsevier |
| نشریه | الزویر – Elsevier |
- بخشی از ترجمه:
چکیده
پیشنهاد محصول، فعالیت کسب و کاری می باشد که برای جذب مشتری مهم می باشد. بنابراین، بهبود کیفیت این پیشنهادات برای تامین نیاز مشتریان در محیط رقابتی شدید دارای اهمیت زیادی می باشد. اگرچه سیستم های پیشنهاد دهنده متفاوتی مطرح شده است، اما تعداد کمی ارزش دوام مشتری را بریا شرکت مد نظر قرار داده اند. معمولا ارزش دوام مشتری ((CLV از نظر متغیرهای تازگی، تکرار و پولی (RFM) مورد ارزیابی قرار گرفته اند. به هر حال اهمیت نسبی در بین آن ها با توجه به مشخصات تولید و صنعت متفاوت می باشد. ما روش جدیدی از پیشنهاد محصول را ایجاد کرده ایم که تکنیک های تصمیم گیری گروهی و پردازش اطلاعاتی را مد نظر قرار می دهد. برنامه ریزی های سلسله مراتبی (AHP) نیز برای تعیین وزن نسبی متغیرهای RFM در ارزیابی ارزش دوام و وفاداری مشتری، مد نظر قرار می گیرد. سپس تکنیک های دسته بندی برای مشتریان طبقه بندی شده بر طبق به ارزش وزنی RFM به کار برده شده است. سرانجام روش بررسی قوانین مربوطه بکار گرفته شد، تا پیشنهاد محصول برای هر یک ار گروه های مشتری ارائه شود. نتایج تجربی نشان داده است که این روش ها پا را فراتر نهاده و از RFM های یکسان و روش های فیلترینگ همکاری استفاده کرده اند.
مقدمه
رقابت بیشتر شرکت ها را وادار می کند تا نوع آوری های خود را در بازار برای تامین نیاز مشتری و بهبود رضایت آن ها توسعه دهند. استفاده از اینترنت و رشد تجارت الکترونیک فعالیت های بازار را گسترش داده و حجم عظیمی از اطلاعات مربوط به مشتریان را برای تجزیه و تحلیل ایجاد کرده است. این گونه از فعالیت های اقتصادی با استفاده از تجزیه و تحلیل اطلاعات مربوط به مشتریان برای تعیین اولویت های آن ها دارای اهمیت زیادی بوده و باعث بهبود فرایند تصمیم گیری در بازار می گردد. ایجاد حمایت مناسب برای تامین نیاز مشتری در افزایش موفقیت فروشگاه های آنلاین اهمیت داشته و به این ترتیب موفقیت وب سایت ها بستگی به افزایش کیفیت خدمات و اطلاعات برای ارائه به مشتریان دارد.
- بخشی از مقاله انگلیسی:
Abstract
Product recommendation is a business activity that is critical in attracting customers. Accordingly, improving the quality of a recommendation to fulfill customers’ needs is important in fiercely competitive environments. Although various recommender systems have been proposed, few have addressed the lifetime value of a customer to a firm. Generally, customer lifetime value (CLV) is evaluated in terms of recency, frequency, monetary (RFM) variables. However, the relative importance among them varies with the characteristics of the product and industry. We developed a novel product recommendation methodology that combined group decision-making and data mining techniques. The analytic hierarchy process (AHP) was applied to determine the relative weights of RFM variables in evaluating customer lifetime value or loyalty. Clustering techniques were then employed to group customers according to the weighted RFM value. Finally, an association rule mining approach was implemented to provide product recommendations to each customer group. The experimental results demonstrated that the approach outperformed one with equally weighted RFM and a typical collaborative filtering (CF) method.
1. Introduction
Intense competition is forcing companies to develop innovative marketing activities to capture customer needs and improve customer satisfaction and retention. The use of the Internet and the explosive growth of e-commerce have expanded marketing activities and made large volumes of customer data available for analysis. Businesses can benefit significantly from analyzing customer data to determine their preferences and thus improve marketing decision support. Providing adequate support to meet customer needs can boost the success of on-line e-stores [18] and web site success depends on enhancing information and service quality to serve customers better [21].
| دانلود رایگان مقاله انگلیسی + خرید ترجمه فارسی
|
|
| عنوان فارسی مقاله: |
ادغام برنامه ریزی های سلسله مراتبی(AHP) و داده کاوی برای پیشنهاد محصول به مشتری بر مبنای ارزش دوام آن |
| عنوان انگلیسی مقاله: |
Integrating AHP and data mining for product recommendation on customer lifetime value |
|
|