عملکرد و میزان خطای الگوریتم های سری زمانی در پیش بینی رفتار کاربران وب سایت های تجارت الکترونیک

رفتار مشتریان یکی از راه هایی است که بدین وسیله سازمان های خدماتی بدون پرداخت هزینه، می توانند به مزیت رقابتی دست یابند. در این پژوهش تلاش شد تا با استفاده از الگوریتم های سری زمانی، به ارزیابی عملکرد و میزان خطای الگوریتم های مختلف پرداخته شود. براین اساس، با استفاده از داده های جمع آوری شده از سایت دیجی کالا و با توجه به تکرار خرید ۱۰ پرمتقاضی در بازه زمانی ۲۰۱۴ تا ۲۰۱۸ ، از سه الگوریتم پرکاربرد سری زمانی (مدل ARIMA )، شبکه عصبی مصنوعی (مدل MLP ) و رگرسیون درخت تصمیم استفاده شد و نتایج آنها بر اساس سه معیار ارزیابی MSE ، RMSE ، MAE و MPE مورد مقایسه و سنجش قرار گرفت. نتایج نشان داد که الگوریتم شبکه عصبی MLP دارای عملکرد بسیار بهتری نسبت به مدل ARIMA و رگرسیون درخت تصمیم است. به طور خاص میتوان اذعان نمود که، روش شبکه عصبی MLP توانسته از نظر خطای MSE به میزان % ۲۱ / ۹۹ و % ۸۵ / ۹۸ (میزان خطای MSE برای مدل شبکه عصبی برابر با ۰۷۸۶ / ۰ و برای مدل های ARIMA و رگرسیون درخت تصمیم به ترتیب برابر با ۰۵۶۷ / ۱۰ و ۸۸۶۴ / ۶ بوده است) و ازنظر خطای MAE به میزان % ۳۴ / ۹۲ و % ۳۱ / ۸۱ (میزان خطای MAE برای مدل شبکه عصبی برابر با ۱۸۲۶ / ۰ و برای مدلهای ARIMA و رگرسیون درخت تصمیم به ترتیب برابر با ۳۸۵۷ / ۲ و ۹۷۷۳ / ۰ بوده است)، به ترتیب بهتر از مدل ARIMA و رگرسیون درخت تصمیم عمل کرده و پیش بینی دقیق تری درمورد تقاضای محصولات توسط مشتریان موردنظر در سایت دیجی کالا ارائه دهد. در گام بعدی، به منظور توسعه روش های مورد بررسی، به دلیل کارایی بالای الگوریتم MLP در پیش بینی، از تلفیق درخت تصمیم با شبکه عصبی استفاده نموده تا ویژگی های آموزش دیده توسط شبکه عصبی، با دقت مناسبی توسط الگوریتم درخت تصمیم طبقه بندی شوند که این مسئله به پیش بینی دقیق تر کمک می کند. بر همین اساس، نتایج الگوریتم تلفیقی نشان داد که ازنظر معیار MPE ، الگوریتم تلفیقی به طور متوسط برای تمام محصولات به میزان % ۹۰ / ۰ بهبود یافتهاست که این نشان از عملکرد مناسب روش تلفیقی پیشنهادی در تعیین رفتار مشتریان نسبت به خرید محصولات از وبسایت دیجی کالا است.

Keywords:

تجارت الکترونیک , الگوریتم های سری زمانی , پیش بینی رفتار