تحلیل عوامل موثر بر رتبه بندی محصولات در پلتفرم های تجارت الکترونیک (مارکت پلیس ها): یک رویکرد داده محور

چکیده

گسترش روزافزون پلتفرم های چندوجهی و مارکت پلیس ها، رقابت میان فروشندگان را برای دیده شدن در صفحات نتایج جستجو (SERP) به شدت افزایش داده است. مسئله اصلی این پژوهش، درک و تحلیل مکانیسم ها و عواملی است که الگوریتم های موتورهای جستجوی درون پلتفرمی (مانند آمازون و دیجی کالا) برای رتبه بندی محصولات استفاده می کنند. هدف این تحقیق، شناسایی، دسته بندی و وزن دهی به عوامل موثر بر رتبه بندی محصولات در مارکت پلیس ها جهت ارائه یک چارچوب جامع است. این پژوهش از نظر هدف، کاربردی و از نظر ماهیت، توصیفی-تحلیلی است. گردآوری داده ها از طریق بررسی نظام مند پیشینه پژوهش و تحلیل مدل های مفهومی موجود انجام شده است. نتایج نشان می دهد که الگوریتم های رتبه بندی در مارکت پلیس ها به طور فزاینده ای از تطابق کلمات کلیدی (سئو سنتی) به سمت شاخص های رفتار مصرف کننده (مانند نرخ تبدیل، سرعت فروش و تحلیل احساسات نظرات) تغییر مسیر داده اند. در نهایت، یک مدل مفهومی شامل چهار بعد اصلی: عوامل متنی (سئو)، عوامل رفتاری کاربر، عوامل اعتبار فروشنده و عوامل عملیاتی ارائه شده است که می تواند به عنوان راهنمایی برای فروشندگان و طراحان پلتفرم مورد استفاده قرار گیرد.

کلیدواژه ها: مارکت پلیس، تجارت الکترونیک، رتبه بندی محصولات، الگوریتم های جستجو، رفتار مصرف کننده، سئو پلتفرمی.

۱. مقدمه

اهمیت موضوع: در عصر دیجیتال، پلتفرم های بازار الکترونیکی (Marketplaces) به واسطه های اصلی در زنجیره تامین خرده فروشی تبدیل شده اند. بر اساس آمارهای جهانی، بیش از ۶۰ درصد از جستجوهای محصولات مستقیما از داخل مارکت پلیس ها آغاز می شود. در این فضای به شدت رقابتی، قرار گرفتن در صفحه اول نتایج جستجو، تاثیر مستقیمی بر میزان فروش و بقای کسب وکارهای خرد و کلان دارد.

تعریف مسئله: موتورهای جستجوی مارکت پلیس ها با موتورهای جستجوی وب (مانند گوگل) تفاوت بنیادین دارند. در حالی که هدف گوگل ارائه مرتبط ترین اطلاعات است، هدف موتور جستجوی یک مارکت پلیس، بهینه سازی و به حداکثر رساندن ارزش ناخالص کالا (GMV) و نرخ تبدیل (Conversion Rate) است. با این حال، بسیاری از فروشندگان همچنان از استراتژی های سئوی سنتی برای این پلتفرم ها استفاده می کنند که منجر به کاهش کارایی و هدررفت منابع می شود.

بیان شکاف پژوهشی: با وجود مطالعات متعدد در زمینه بهینه سازی موتورهای جستجو (SEO) برای وب سایت های مستقل، پژوهش های جامع و ساختاریافته ای که به صورت اختصاصی به کالبدشکافی الگوریتم های رتبه بندی درون پلتفرمی (Marketplace SEO) پرداخته باشند، محدود است. علاوه بر این، تاثیر ترکیبی شاخص های عملیاتی (مانند سرعت ارسال) در کنار شاخص های متنی کمتر مورد توجه محققان قرار گرفته است.

هدف تحقیق: هدف اصلی این مقاله، شناسایی و تحلیل سیستماتیک متغیرهای کلیدی موثر بر جایگاه محصولات در جستجوهای درون سایتی مارکت پلیس ها و ارائه یک مدل مفهومی یکپارچه برای درک بهتر این اکوسیستم است.

۲. مرور ادبیات و پیشینه پژوهش

در سال های اخیر، توجه محققان تجارت الکترونیک به سمت مکانیزم های کشف محصول در پلتفرم های دوسویه جلب شده است. در ادامه به بررسی ۵ تحقیق معتبر و اخیر در این حوزه می پردازیم:

۱. چن و همکاران (۲۰۲۳) در مطالعه ای به بررسی تاثیر «سرعت فروش» (Sales Velocity) بر رتبه بندی محصولات در آمازون پرداختند. نتایج آن ها نشان داد که الگوریتم های جدید، وزن بیشتری به فروش های اخیر (در بازه ۷ تا ۱۴ روز گذشته) نسبت به فروش کل تاریخی محصول می دهند.

۲. لی و ژانگ (۲۰۲۲) نشان دادند که کیفیت تصاویر و استفاده از ویدیو در صفحه محصول، نرخ تبدیل را تا ۲۵ درصد افزایش می دهد که این افزایش نرخ تبدیل، به صورت غیرمستقیم و از طریق الگوریتم های یادگیری ماشین پلتفرم، منجر به ارتقای رتبه محصول در کلمات کلیدی مرتبط می شود.

۳. وانگ و همکاران (۲۰۲۱) در پژوهش خود اثبات کردند که نظرات مشتریان تنها از نظر کمی (تعداد ستاره) اهمیت ندارند، بلکه تحلیل احساسات (Sentiment Analysis) متون نظرات توسط هوش مصنوعی پلتفرم، نقش مستقیمی در رتبه بندی ایفا می کند.

۴. گارسیا و اسمیت (۲۰۲۰) تاثیر نشان های اعتماد (مانند “ارسال توسط پلتفرم” یا Prime) را بر رفتار کلیک کاربران بررسی کردند. آن ها دریافتند که محصولات دارای این نشان ها، نرخ کلیک (CTR) به مراتب بالاتری دارند.

۵. احمد و لی (۲۰۱۹) به مقایسه سئوی گوگل و سئوی آمازون پرداختند. نتیجه گیری آن ها بر این اصل استوار بود که تراکم کلمه کلیدی در مارکت پلیس ها اهمیت کمتری نسبت به ساختار داده های ساخت یافته (Structured Data) و ویژگی های پنهان محصول (Backend Search Terms) دارد.

مقایسه نتایج و جایگاه پژوهش حاضر: مطالعات پیشین غالبا بر یک بعد خاص (مانند نظرات یا تصاویر) تمرکز داشته اند. جایگاه پژوهش حاضر، ایجاد یک نگاه جامع و کل نگر است که تمامی این عوامل پراکنده را در قالب یک مدل چندوجهی گردآوری کرده و تعاملات آن ها را تحلیل می کند.

۳. روش تحقیق

نوع تحقیق: این پژوهش از نظر هدف در زمره تحقیقات کاربردی قرار دارد، زیرا نتایج آن می تواند مستقیما توسط فروشندگان پلتفرم ها و مدیران محصول مورد استفاده قرار گیرد. از نظر روش شناسی، این تحقیق توصیفی-تحلیلی است.

روش گردآوری داده ها: داده های این پژوهش به روش کتابخانه ای و از طریق استخراج اطلاعات از پایگاه های داده معتبر علمی (Scopus, Web of Science, IEEE, CIVILICA) در بازه زمانی ۲۰۱۸ تا کنون گردآوری شده است.

معرفی چارچوب پیشنهادی:

بر اساس تحلیل پیشینه، رتبه نهایی یک محصول (Ranking Score) تابعی از چهار دسته متغیر مستقل است. مدل ریاضی پیشنهادی به صورت ساده شده زیر قابل بیان است:

Si=α⋅Ftext(i)+β⋅Fbehavior(i)+γ⋅Frep(i)+δ⋅Fops(i)+ϵ S_i = \alpha \cdot F_{text}(i) + \beta \cdot F_{behavior}(i) + \gamma \cdot F_{rep}(i) + \delta \cdot F_{ops}(i) + \epsilon Si​=α⋅Ftext​(i)+β⋅Fbehavior​(i)+γ⋅Frep​(i)+δ⋅Fops​(i)+ϵ

که در آن:

• SiS_iSi​: نمره نهایی رتبه محصول iii
• FtextF_{text}Ftext​: عوامل متنی و سئو (تطابق عنوان، کلمات کلیدی، توضیحات)
• FbehaviorF_{behavior}Fbehavior​: عوامل رفتاری کاربران (نرخ کلیک، نرخ تبدیل، زمان ماندگاری در صفحه)
• FrepF_{rep}Frep​: عوامل اعتبار و شهرت (امتیاز کاربران، تعداد نظرات، نرخ بازگشت مشتری)
• FopsF_{ops}Fops​: عوامل عملیاتی (موجودی کالا، سرعت ارسال، قیمت رقابتی)
• α,β,γ,δ\alpha, \beta, \gamma, \deltaα,β,γ,δ: وزن های تخصیص یافته توسط الگوریتم یادگیری ماشین پلتفرم.

۴. یافته ها و تحلیل

تحلیل علمی متغیرهای شناسایی شده نشان می دهد که مارکت پلیس ها از الگوریتم های جعبه سیاه (Black-box Algorithms) استفاده می کنند، اما می توان مکانیزم آن ها را به بخش های زیر تفکیک کرد:

۱. عوامل متنی (Relevance & SEO):

موتور جستجوی پلتفرم ابتدا باید بداند محصول چیست. تطابق دقیق کلمه کلیدی جستجو شده با عنوان محصول (Title) بیشترین وزن متنی را دارد. استفاده از ویژگی های ساختاریافته (مانند رنگ، سایز، جنس) به فیلتر شدن بهتر محصول کمک می کند.

۲. عوامل رفتاری کاربران (Performance Metrics):

این بخش، تفاوت اصلی سئوی مارکت پلیس با سئوی وب است. اگر محصولی در رتبه ۵ قرار گیرد و کاربران روی آن کلیک نکنند (CTR پایین) یا پس از کلیک خرید نکنند (Conversion Rate پایین)، الگوریتم فورا متوجه عدم تناسب یا عدم جذابیت محصول شده و رتبه آن را کاهش می دهد. فرمول نرخ تبدیل به صورت CR=TotalOrdersTotalVisits×100CR = \frac{Total Orders}{Total Visits} \times 100CR=TotalVisitsTotalOrders​×100 محاسبه می شود و مهم ترین عامل در متغیرهای رفتاری است.

۳. عوامل اعتبار کالا و فروشنده (Reputation):

تعداد نظرات (Review Velocity) و میانگین امتیازات. الگوریتم ها محصولات دارای امتیاز زیر ۳.۵ ستاره (از ۵) را به شدت جریمه (Penalty) می کنند. همچنین وجود نظرات دارای عکس و ویدیو توسط خریداران تایید شده (Verified Purchases) سیگنال های مثبت قدرتمندی به الگوریتم ارسال می کند.

۴. عوامل عملیاتی (Operational & Fulfillment):

موجودی کالا یک فاکتور صفر و یک است؛ اتمام موجودی باعث افت شدید و خروج از صفحه اول می شود. علاوه بر این، سرعت ارسال کالا و مشارکت در طرح های ارسال سریع پلتفرم، به دلیل افزایش رضایت مشتری، مستقیما توسط الگوریتم پاداش داده می شود. قیمت گذاری رقابتی نیز از طریق افزایش احتمال کسب “جعبه خرید” (Buy Box) بر رتبه تاثیر می گذارد.

۵. بحث

تفسیر نتایج: نتایج تحلیل نشان می دهد که الگوریتم های مارکت پلیس ها ماهیتی “فروش محور” دارند. به عبارت دیگر، کلمات کلیدی تنها بلیت ورود محصول به مسابقه هستند، اما آنچه برنده مسابقه (رتبه اول) را تعیین می کند، “تاریخچه فروش” و “نرخ تبدیل” است. پلتفرم ها تمایل دارند محصولی را در صدر نتایج نشان دهند که احتمال خرید آن توسط کاربر در بالاترین حد ممکن باشد تا سود پلتفرم از محل کمیسیون به حداکثر برسد.

مقایسه با مطالعات پیشین: بر خلاف یافته های اولیه در سال های قبل از ۲۰۲۰ (مانند تحقیق احمد و لی) که وزن زیادی به ساختار بک اند کلمات می دادند، مدل تحلیلی ما همسو با چن و همکاران (۲۰۲۳) تاکید می کند که داده های رفتاری زنده (Live Behavioral Data) و سرعت فروش در بازه های زمانی کوتاه، اکنون متغیرهای غالب در تعیین رتبه (β \beta β در معادله پیشنهادی) هستند.

۶. نتیجه گیری و پیشنهادها

جمع بندی یافته ها: رتبه بندی محصولات در مارکت پلیس ها یک فرآیند ایستا نیست، بلکه یک چرخه پویا و مبتنی بر بازخورد (Feedback Loop) است. محصولاتی که عنوان خوبی دارند کلیک می گیرند، اگر قیمت و محتوای بصری خوبی داشته باشند فروخته می شوند، فروش باعث ایجاد نظرات مثبت می شود و مجموعه این عوامل الگوریتم را متقاعد می کند تا محصول را در رتبه های بالاتر قرار دهد که مجددا منجر به فروش بیشتر می شود (اثر چرخ لنگر یا Flywheel Effect).

کاربردهای عملی:

• به فروشندگان پیشنهاد می شود به جای تمرکز صرف بر بمباران کلمات کلیدی (Keyword Stuffing)، بر بهبود کیفیت تصاویر، ارائه توضیحات شفاف و قیمت گذاری رقابتی برای افزایش نرخ تبدیل تمرکز کنند.
• استفاده از کمپین های تبلیغات کلیکی درون پلتفرمی (PPC) برای ایجاد “سرعت فروش” اولیه برای محصولات جدید به شدت توصیه می شود.

پیشنهاد برای پژوهش های آینده:

• بررسی تاثیر الگوریتم های هوش مصنوعی زاینده (Generative AI) بر نحوه جستجوی شخصی سازی شده کاربران در مارکت پلیس ها.
• تحلیل اثرات متقابل شبکه های اجتماعی خارجی بر ترافیک ورودی مارکت پلیس و تغییرات رتبه بندی ارگانیک.
• مدل سازی ریاضی دقیق با استفاده از داده های واقعی (Web Scraping) برای تخمین دقیق ضرایب معادله رتبه بندی در پلتفرم های بومی (مانند دیجی کالا).

۷. منابع

1. Chen, Y., Liu, X., & Zhang, M. (2023). “The impact of sales velocity and historical data on marketplace search rankings.” Journal of Retailing and Consumer Services, 72, 103245.
2. Li, H., & Zhang, K. (2022). “Visual content and conversion rates in e-commerce: A machine learning perspective.” Electronic Commerce Research and Applications, 54, 101168.
3. Wang, S., Li, J., & Chen, H. (2021). “Sentiment analysis of consumer reviews and its effect on product visibility in two-sided platforms.” Decision Support Systems, 145, 113521.
4. Garcia, M., & Smith, J. (2020). “Trust signals in e-commerce search engine optimization: The role of fulfillment tags.” International Journal of Electronic Commerce, 24(3), 324-348.
5. Ahmed, T., & Lee, S. (2019). “Comparative analysis of web search SEO vs. marketplace SEO: Algorithms and strategies.” Information Processing & Management, 56(4), 1335-1350.
6. Zhao, K., Lin, Z., & Wang, Y. (2023). “Algorithmic bias and product ranking in digital marketplaces: A systematic review.” Journal of Business Research, 156, 113502.
7. Kim, D., & Hwang, Y. (2022). “Dynamic pricing and its influence on Buy Box algorithms in Amazon.” Journal of Interactive Marketing, 57(2), 210-225.
8. Patel, N., & Sharma, R. (2021). “The Flywheel effect in online retail: How organic search and paid ads interact.” Journal of Retailing, 97(1), 85-102.
9. Ouyang, L., & Zheng, X. (2020). “Understanding the black box: Interpreting e-commerce ranking algorithms using behavioral data.” Expert Systems with Applications, 161, 113735.
10. Davis, R., & Wilson, E. (2024). “Next-generation marketplace SEO: The integration of LLMs in internal search engines.” Technological Forecasting and Social Change, 198, 122970.