مدل های پیش بینی هوشمند در تجارت الکترونیک از تحلیل داده تا شخصی سازی تجربه مشتری

با رشد چشمگیر و انفجاری تجارت الکترونیک، مشتریان این حوزه با حجم عظیمی از اطلاعات و محصولات مواجه هستند که منجر به سرگردانی اطلاعات و فرسودگی تصمیم گیری می شود. در این بازار رقابتی ارائه تجربه ای شخصی سازی شده که بتواند نیازها و علایق پنهان مشتری را پیش بینی کند، دیگر یک مزیت رقابتی نیست بلکه یک ضرورت برای بقا و رشد کسب وکارها محسوب می شود. مدل های پیش بینی سنتی به دلیل ناتوانی در پردازش داده های پیچیده و چند بعدی (متوالی، بصری، متنی)، کارایی لازم برای شخصی سازی در سطح مدرن را ندارند. در این پژوهش یک مدل ترکیبی و هوشمند مبتنی بر یادگیری عمیق به نام CNN-LSTM-Attention برای پیش بینی قصد خرید مشتریان ارائه می شود. این مدل با ترکیب قدرت شبکه های عصبی پیچشی (CNN) در استخراج ویژگی های محتوایی مانند تصویر و متن (محصول و قابلیت) شبکه های حافظه کوتاه مدت بلند (LSTM) در تحلیل رفتار متوالی کاربر مانند دنباله کلیک ها، یک درک جامع از تعاملات کاربر-محصول ایجاد می کند. مکانیزم توجه (Attention) نیز به مدل اجازه می دهد تا بر روی مهم ترین رویدادها در یک جلسه کاربری تمرکز کرده و سیگنال های پرنویز را فیلتر کند. نتایج اعتبارسنجی مدل روی یک مجموعه داده واقعی از صنعت تجارت الکترونیک نشان می دهد که مدل پیشنهادی در معیارهای Precision@۱۰، Recall@۱۰ و F۱-Score@۱۰ به ترتیب با مقادیر ۰.۸۲، ۰.۷۵ و ۰.۷۸ عملکردی برجسته تر نسبت به مدل های پایه مانند فیلتراسیون همکارانه (CF) و مدل های تک بخشی LSTM و CNN از خود نشان می دهد. این برتری نشان دهنده پتانسیل بالای رویکرد ترکیبی در افزایش دقت پیش بینی و بهبود تجربه مشتری از طریق توصیه های مرتبط تر و به موقع است.

Keywords:

تجارت الکترونیک , پیش بینی , شخصی سازی , یادگیری عمیق , شبکه های عصبی بازگشتی , تحلیل رفتار مشتری , سیستم های توصیه گر