شماره ركورد
23607
شماره راهنما
IT2 133
عنوان
پيش بيني وفاداري مشتريان فروشگاه هاي برخط براساس تحليل نظرات مشتريان
مقطع تحصيلي
كارشناسي ارشد
رشته تحصيلي
مهندسي فناوري اطلاعات - تجارت الكترونيكي
دانشكده
مهندسي كامپيوتر
تاريخ دفاع
بهمن ماه 1402
صفحه شمار
76 ص.
استاد راهنما
سيد فخرالدين نوربهبهاني
كليدواژه فارسي
پيشبيني وفاداري رفتاري مشتري , تحليل نظرات مشتريان , پردازش زبان طبيعي , يادگيري ماشين , مدل RFM
چكيده فارسي
با رقابتيتر شدن محيط كسب و كارها مطالعه وفاداري مشتري بيش از پيش حياتي شدهاست به نحوي كه اگر كسب و كاري مشترياني راضي و وفادار نداشته باشد، فاقد كارايي خواهد بود و در رقابت با سايرين شكست ميخورد. از آنجايي كه در يك كسب و كار اطلاعات مختلفي از مشتريان و سابقه رفتاري آنها در تعامل با شركت ذخيره ميشود، مديران ميتوانند براساس اين اطلاعات، مشتريان خود را به دستههاي متفاوتي (مثلا بر اساس وفاداري) تقسيم كنند تا به جاي اينكه نسبت به تمام مشتريان خود رفتارييكسان در پيش گيرند بتوانند براي هر دسته از مشتريان استراتژيهايي متناسب با مديريت ارتباط با مشتري مربوط به آن دسته اتخاذ كنند. همچنين براي حفظ و بهبود وضعيت درآمدييك كسب و كار حفظ كاربران فعلي آن شركت مقرون به صرفهتر از جذب مشترياني جديد ميباشد و از اين جهت نيز تجزيه و تحليل رفتار مشتريان و پيشبيني وفاداري آنها بسيار ارزشمند و مهم ميباشد.
از طرفي ديگر با افزايش استفاده از اينترنت و پيشرفت تكنولوژي دادههاي عظيمي به صورت بدون ساختار در فضاي اينترنت توليد شده است، با اين حال تحقيقات كمي در حوزهيپيشبيني وفاداري وجود دارد كه در آنها از اين دادههايبدون ساختار استفاده شده باشد.
از اين رو در اين پايان نامه مدلي ايجاد شده است كه در آن به كمك تحليل متن نظرات مشتريان، وفاداري رفتاري آنها پيشبينيشود. مراحل اين پژوهش به اين صورت ميباشد كه نظرات مشتريان بعد از پيشپردازش، با استفاده از سه مدل زباني مختلف BERT، ALBERTو RoBERTa به بردارهايي با مقاديري عددي تبديلميشوند. در ادامه به منظور پيشبيني وفاداري رفتاري مشتريان علاوه بر اين بردارهاي عددي از مقادير مربوط به امتيازهايي كه در كنار نظرات متني وجود دارد نيز استفاده شده تا مدلهايپيشبيني كنندهي مختلفي با استفاده از شبكههاي عصبي ايجاد شوند. در اين پژوهش براي سنجش و برچسب گذاري امتياز وفاداري مشتريان از مدل RFM استفاده شده است. در مرحلهي بعديبا استفاده از الگوريتم بهينه سازي ژنتيك بهترين تركيب ممكن براي ساخت و آموزش مدلهايپيشبيني كنندهي وفاداري مشتريان با استفاده از تحليل متن نظرات مشتريانمشخص شده است. اين تركيبها شامل تنظيمات مدل RFM، مدل زباني، تنظيمات شبكههاي عصبي مدلها و تعداد نمونههاي موجود در دستههاي آموزشي ميباشد.در نهايت عملكرد مدلهاي ساخته شده در حالات مختلف ارزيابي شده و بر اساس آنها نتيجه گيريهاييصورت گرفته است.
تاريخ نمايه سازي
1403/03/29
نام نمايه ساز
همدم نوروزي
كليدواژه لاتين
Prediction of customer behavioral loyalty , Customer comments analysis , Natural language processing , Machine learning , RFM model
عنوان لاتين
Predicting Loyalty of Online Stores Customers Using Analysis of Reviews
گروه آموزشي
مهندسي فناوري اطلاعات
چكيده لاتين
As the business environment becomes increasingly competitive, the study of customer loyalty has grown more vital. Without satisfied and loyal customers, a business may lack efficiency and struggle to compete with others. By storing various customer information and behavioral history, managers can categorize customers based on factors like loyalty to tailor their approaches intelligently. Retaining existing customers is often more cost-effective for a business than acquiring new ones, making the analysis of customer behavior and loyalty prediction crucial to maintaining and improving business revenues.
Despite the wealth of unstructured data generated in the Internet space due to increased internet usage and technological advancements, there is a scarcity of research on loyalty prediction utilizing this data. In this thesis, models have been developed to predict customersʹ behavioral loyalty through text analysis of customer comments. The research involves preprocessing customer comments, converting them into numerical vectors using language models (BERT, ALBERT, and RoBERTa), and incorporating satisfaction scores to build predictive models using neural networks.
The RFM model is utilized in this research to measure and classify customer loyalty points. By employing a genetic optimization algorithm, the study determines the optimal combination of settings for developing and training customer loyalty predictive models, considering various factors like RFM model settings, language models, neural network configurations, and training batch sizes. The performance of the constructed models is evaluated under diverse scenarios, leading to insights and conclusions.
تعداد فصل ها
6
فهرست مطالب pdf
32865
نويسنده