دانلود مقاله تحلیل زمانی رفتار مصرف کننده آنلاین
چکیده
مقدمه
بررسی ادبیات
روش شناسی و توصیف مجموعه داده ها
نتایج
بحث و محدودیت
نتیجه گیری
در دسترس بودن داده ها
یادداشت ها
مراجع
Abstract
Introduction
Literature review
Methodology and dataset description
Results
Discussion and limitations
Conclusion
Data availability
Notes
References
چکیده
تجزیه و تحلیل داده ها نقش مهمی را در زمینه چشم انداز کسب و کار دیجیتال، به ویژه در مورد فروش آنلاین، با هدف افزایش درک رفتارهای مشتری در قلمرو آنلاین ایفا می کند. ما دیدگاه‌های اخیر و یافته‌های تجربی را از چندین سال تحقیقات علمی مرور می‌کنیم. علاوه بر این، ما ترکیب روش‌های محاسباتی را برای بررسی دقیق رفتار مشتری آنلاین پیشنهاد می‌کنیم. ما ساخت درخت تصمیم، قوانین انجمن GUHA (General Unary Hypotheses Automaton) و تجزیه و تحلیل مفهوم رسمی را برای مجموعه داده ورودی 9123 سفارش (معاملات) تغذیه ورزشی، غذاهای سالم، لباس های تناسب اندام و لوازم جانبی اعمال می کنیم. داده‌های 2014 تا 2021، که هشت سال را پوشش می‌دهند، به کار گرفته شده‌اند. ما اکتشافات تجربی را ارائه می کنیم، در یک گفتمان انتقادی در مورد این یافته ها شرکت می کنیم، و محدودیت های ذاتی در فرآیند تحقیق را مشخص می کنیم. درخت تصمیم برای طبقه بندی سه ماهه چهارم سال حاکی از آن است که مهمترین ویژگی ها کشور، دسته سود ناخالص و تحویل است. طبقه بندی ساعت صبح بیانگر این است که مهمترین ویژگی ها جنسیت و کشور است. بنابراین، استراتژی‌های بازاریابی بالقوه می‌تواند شامل شرایط ناهمگون برای مردان و زنان بر اساس این یافته‌ها باشد. تجزیه و تحلیل گروه های شناسایی شده از مشتریان توسط شبکه های مفهومی و قوانین انجمن GUHA می تواند برای بازاریابی هدفمند، توصیه های شخصی یا درک ترجیحات مشتری ارزشمند باشد.
Abstract
Data analytics plays a significant role within the context of the digital business landscape, particularly concerning online sales, aiming to enhance understanding of customer behaviors in the online realm. We review the recent perspectives and empirical findings from several years of scholarly investigation. Furthermore, we propose combining computational methods to scrutinize online customer behavior. We apply the decision tree construction, GUHA (General Unary Hypotheses Automaton) association rules, and Formal concept analysis for the input dataset of 9123 orders (transactions) of sports nutrition, healthy foods, fitness clothing, and accessories. Data from 2014 to 2021, covering eight years, are employed. We present the empirical discoveries, engage in a critical discourse concerning these findings, and delineate the constraints inherent in the research process. The decision tree for classification of the year’s fourth quarter implies that the most important attributes are country, gross profit category, and delivery. The classification of the morning time implies that the most important attributes are gender and country. Thus, the potential marketing strategies can include heterogeneous conditions for men and women based on these findings. Analyzing the identified groups of customers by concept lattices and GUHA association rules can be valuable for targeted marketing, personalized recommendations, or understanding customer preferences.
Introduction
Analyzing consumers’ online purchasing habits can provide many advantages for commercial entities, marketing professionals, and consumers. Classifiers based on decision trees can be applied to predict market trends, specifically for determining when to buy or sell. Decision trees are the transparent and efficient option for machine learning because they sort data attributes at each node to arrive at a decision (Samarth 2023; Vaca et al. 2020). Several researchers proposed a system to enhance the shopping experience at fashion retail outlets. This system smartly groups together various items and customer profiles, which it encounters online and in physical stores. It leverages the power of mining association rules to foresee the shopping patterns of new customers (Bellini et al. 2023; Fan et al. 2023).
Formal concept analysis (FCA) (Carpineto and Romano 2004; Ganter and Wille 1999; Poelmans et al. 2013) is a method of data analysis based on a lattice theory that has great potential to study how people behave online. This method offers visualization capabilities to explore the relationships in the object-attribute tables that are present, for example, by customer transactions and their characteristics. Combining well-known methods like decision trees and pattern-finding has made these studies more attractive to a broader audience.
Conclusion
In this paper, we presented the analysis of real e-shop consumer behavior data in eastern Europe, which contains data from 9123 orders of sports nutrition, healthy foods, fitness clothing, and accessories from 2014 to 2021. For analysis, we applied the methods of decision trees, GUHA association rules, and Formal concept analysis. We found that each of these methods provides various possibilities to have a greater look at consumer behavior of online e-shops.