عنوان پایان‌نامه
ارایه مدلی براطراحی وتوسعه یک سیستم پیشنهاد دهنده محصول
- رشته تحصیلی
- مهندسی صنایع
- مقطع تحصیلی
- کارشناسی ارشد
- محل دفاع
- کتابخانه پردیس 2 فنی شماره ثبت: 2186;کتابخانه مرکزی -تالار اطلاع رسانی شماره ثبت: 54964
- تاریخ دفاع
- ۱۷ مهر ۱۳۹۱
- دانشجو
- روشنک خالقی
- استاد راهنما
- عباس کرامتی
- چکیده
- توسعه¬ی روزافزون اینترنت نحوه¬ی تعاملات مشتریان و سازمان¬ها را دستخوش تحولات چشمگیری نموده است؛ یکی از مهم¬ترین پیامدهای این پدیده پیدایش و گسترش وب¬سایت¬های تجارت الکترونیک و افزایش گرایش کاربران به بهره¬گیری از خدمات خریدوفروش آنلاین است. تنوع خدمات و اقلام عرضه¬شده در این وب¬سایت¬ها، می¬تواند انتخاب محصولات مناسب از جانب مشتریان را به فرآیندی پیچیده و زمانبر مبدل نماید. "سیستم¬های پیشنهاددهنده" با شناسایی ترجیحات مشتریان، آنان را در مواجه با انبوه اطلاعات یاری نموده و محصولات و خدماتی منطبق با سلایقشان به آنها ارائه می¬نماید. به¬کارگیری این سیستم¬ها در بستر وب-سایت¬های تجارت¬ الکترونیک با فراهم¬آوردن زمینه¬ای برای ارائه خدمات شخصی به کاربران می¬تواند در جذب و ابقا مشتریان و حفظ قابلیت¬های رقابتی این مؤسسات مؤثر واقع گردد. هدف این پژوهش ارائه¬ی مدلی برای توسعه یک سیستم پیشنهاددهنده محصول به مشتریان یک خرده-فروشی آنلاین، با بهره¬گیری از مجموعه¬ای از تکنیک¬های داده¬کاوی است؛ با استناد به چهارچوب پیشنهادی مدل، نخست مشتریان با تکیه بر رویکرد بخش¬بندیِ مبتنی بر ارزشِ طول عمر و با لحاظ نمودن نسبیِ ترجیحات، بر اساس مشخصه¬های مدل RFM خوشه¬بندی می¬شوند. سپس با بهره¬گیری از یک ساختار پیشنهاددهیِ دو مرحله¬ای پیشنهادات گوناگون در دو سطح متمایز از رده¬بندی محصول به هر یک از مشتریان هدف ارائه شده¬است. در مرحله نخست با بهره¬گیری از تکنیک "کشف قوانین انجمنی"، تراکنشهای مشتریان هر خوشه در سطح کلاس¬¬ محصولات بررسی شده و با شناساییِ الگوها و وابستگی¬های پنهان در داده¬ها، قوانین پیشنهاددهیِ معتبر استخراج و لیستی متشکل از کلاس محصولات پیشنهادی، به هر یک از مشتریان هدف ارائه می¬شود. در مرحله¬ی دوم با بهره¬گیری از رویکرد "فیلترینگ مشارکت¬محور" و با استناد به خروجی¬های مرحله پیش، ترجیحات خرید مشتریان در سطح اقلامِ کلاس¬محصولات پیشنهادی شناسایی شده و لیست نهایی اقلام محصول به هر یک از مشتریان هدف پیشنهاددهی می¬گردد. نتایج حاصل از پیاده-سازی مدل حاکی از آن است که مدل پیشنهادی با کاهش معضلات ناشی از دو پدیده¬ی "عدم¬تراکم" و "مقیاس¬پذیری"، در قیاس با مدل¬های مشابهی که با تکیه بر رویکرد سنتی "فیلترینگ مشارکت¬محور" توسعه می¬یابند، از عملکرد نسبی مطلوب¬تری برخوردار است. بعلاوه در این تحقیق، نقش رویکرد بخش¬بندی و رتبه¬بندی مبتنی بر ارزش طول عمر در انتخاب استراتژی¬های مناسب پیشنهاددهی در قبال گروه¬هایی از مشتریان که ویژگی¬های ارزشی مشابهی دارند، مورد بحث قرار گرفته¬است. دستاوردهای حاصل از این پژوهش می¬تواند در تدوین استراتژی¬های بازاریابی و بطور خاص تحقق برنامه¬های مرتبط با حوزه¬ی "بازاریابی تک¬به¬تک"، تعیین استراتژی¬های پیشنهاددهی در قبال بخش¬های گوناگون بازار مشتریان، و در نهایت رونق کسب¬وکارِ وب¬سایت¬های فعال در حوزه¬ی تجارت الکترونیک مؤثر واقع گردد.
- Abstract
- The rapid growth of World Wide Web has affected the nature of interactions between customers and companies enormously. One significant consequence of this phenomenon is defiantly the emergence and development of e-commerce websites and online stores all over the web. In spite of its great benefits, online shopping could turn into a complicated procedure from the customer point of view. In most cases, online shoppers are faced with overload of information about different products and services; as a result, deciding which products or services best fit their needs, may become a difficult or even a time consuming process. Recommender systems help online shoppers handle the information overload problem by offering products or services in accordance with their preferences. The application of recommender systems, as a part of one-to-one marketing campaigns, would facilitate the product selection process, provide more customer satisfaction and could eventually increase the sales of e-commerce websites. This thesis develops a product recommender system for the users of an online retail store by using data mining techniques. First, customers are clustered according to their “RFM” values considering their relative preferences over different product categories by means of “k-means” algorithm. Then, by applying a two-phase recommendation methodology which is based on a hybrid of “association rule mining” and “collaborative filtering” techniques, the system offers the list of recommendations to target customers at two different levels of product taxonomy, respectively “product categories” and “product items”. The experimental results show that, by alleviating data Sparsity and scalability limitations, the proposed recommender model has a better performance when compared to some other similar models such as models which are developed based on the conventional collaborative filtering technique. The results of this research could be effectively used to accomplish the objectives of one-to-one marketing campaigns and develop personalized product recommendation strategies for different customer segments of E-commerce websites regarding their lifetime value.
