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

رفتار مشتریان یکی از راه هایی است که بدین وسیله سازمان های خدماتی بدون پرداخت هزینه، می توانند به مزیت رقابتیدست یابند. در این پژوهش تلاش شد تا با استفاده از الگوریتم های سری زمانی، به ارزیابی عملکرد و میزان خطایالگوریتم های مختلف پرداخته شود. براین اساس، با استفاده از داده های جمع آوری شده از سایت دیجی کالا و با توجه بهتکرار خرید ۱۰ پرمتقاضی در بازه زمانی ۲۰۱۴ تا ۲۰۱۸ ، از سه الگوریتم پرکاربرد سری زمانی (مدل ARIMA )، شبکهعصبی 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 دارایعملکرد بسیار بهتری نسبت به مدل ARIMA و رگرسیون درخت تصمیم است. بهطور 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 شبکهعصبی 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 / ۰و برای مدل های ARIMA و رگرسیون درخت تصمیم به ترتیب برابر با ۳۸۵۷ / ۲ و ۹۷۷۳ / ۰ بوده است)، به ترتیب بهتر ازمدل ARIMA و رگرسیون درخت تصمیم عمل کرده و پیش بینی دقیق تری درمورد تقاضای محصولات توسط مشتریانموردنظر در سایت دیجیکالا ارائه دهد. در گام بعدی، به منظور توسعه روش های مورد بررسی، به دلیل کارایی بالایالگوریتم MLP در پیش بینی، از تلفیق درخت تصمیم با شبکه عصبی استفاده نموده تا ویژگی های آموزش دیده توسطشبکه عصبی، با دقت مناسبی توسط الگوریتم درخت تصمیم طبقهبندی شوند که این مسئله به پیشبینی دقیقتر کمکمی کند. بر همین اساس، نتایج الگوریتم تلفیقی نشان داد که ازنظر معیار MPE ، الگوریتم تلفیقی به طور متوسط برای تماممحصولات به میزان % ۹۰ / ۰ بهبود یافته است که این نشان از عملکرد مناسب روش تلفیقی پیشنهادی در تعیین رفتار مشتریاننسبت به خرید محصولات از وب سایت دیجی کالا است.

Keywords:

تجارت الکترونیک , الگوریتم های سری زمانی , پیش بینی رفتار