دانلود ترجمه مقاله مدل داده کاوی برای پیش بینی رفتار خرید مشتری در تجارت الکترونیک

1. مقدمه 2. کارهای مرتبط 3. جمع آوری داده ها 4. چارچوب سیستم 5. آزمایش ها و نتایج 6. نتیجه گیری

چکیده – امروزه محیط تجارت الکترونیک در تبادل دانش کالا بین مصرف کنندگان با سایرین از نقش قابل توجهی برخوردار است. یکی از کاربردهای مهم داده کاوی که می توان به آن اشاره نمود، پیش بینی دقیق الگوهای خرید مشتری در بازار تجارت الکترونیک است. به منظور دستیابی به سود بالا در تجارت الکترونیک، ارتباط بین مشتری و کالا از اهمیت فزاینده ای برخوردار است. همچنین امروزه، بسیاری از وب‌سایت‌های تجارت الکترونیک با سرعت فزاینده و آنی افزایش یافته اند و رقابت تنها با یک کلیک ماوس امکانپذیر شده است. از اینرو می توان اینگونه عنوان نمود که، بقا در کسب‌وکار و بهبود سود مستلزم پیش‌بینی دقیق رفتار خرید، تمرکز بر مشتریان، ارائه خدمات شخصی‌سازی شده و توجه به ترجیحات آنها است. در پژوهش حاضر، برای افزایش دقت پیش‌بینی و یافتن قوانین ارتباطی برای مجموعه‌ اقلام پرتکرار یک مدل داده کاوی ارائه شده است. همچنین، برای کاهش اندازه مجموعه داده با هدف افزایش زمان اجرا برای مدل پیشنهادی، از الگوریتم خوشه‌بندی K-means استفاده شده است. در مدل پیشنهادی از چهار طبقه‌بندی‌کننده مختلف e C4.5, J48, CS-MC4 و MLR استفاده شده است. همچنین الگوریتم اپریوری توصیه هایی را برای اقلام بر اساس خریدهای قبلی ارائه می دهد. لازم به ذکر است که، مدل پیشنهادی بر روی مجموعه داده‌های معامله‌گر Northwind نیز مورد آزمایش قرار گرفته است. یافته های بدست آمده حاکی از آن است که، دقت آرشیو نتایج هنگامیکه تعداد خوشه‌ها 8 بوده است برابر با 95.2% می باشد. مقدمه: تکنیک بررسی داده ها از یک دسته متفاوت، داده کاوی [1] نامیده می شود. لازم به ذکر است که، این داده ها شامل اطلاعات مهمی هستند. علاوه بر این، در داده کاوی دانش بیشتری استخراج می شود. شایان ذکر است که، داده کاوی استراتژی موثری برای استخراج و شناسایی الگوها در مجموعه داده های عظیم است که روش هایی از یادگیری ماشین، آمار و سیستم پایگاه داده را در خود گنجانده است [2،3]. امروزه سازمان های شرکتی در تلاش هستند تا استراتژی بازاریابی دیجیتال و بازارهای رقابتی را برای دستیابی به مزایای تجاری در سراسر جهان اتخاذ کنند. از طرف دیگر، برای تحقق این مزایای رقابتی، مشاغل تجارت الکترونیک ابتدا بایستی از احساسات، افکار و فرصت های مشتریان خود در زمینه محصولات و خدمات خود آگاهی داشته باشند [4].

Nowadays e-commerce environment plays an important role to exchange commodity knowledge between consumers commonly with others. Accurately predicting customer purchase patterns in the e-commerce market is one of the critical applications of data mining. In order to achieve high profit in e-commerce, the relationship between customer and merchandise are very important. Moreover, many e-commerce websites increase rapidly and instantly and competition has become just a mouse-click away. That is why the importance of staying in the business, and improving the profit needs to accurately predict purchase behavior and target their customers with personalized services according to their preferences. In this paper, a data mining model has been proposed to enhance the accuracy of predicting and to find association rules for frequent item sets. Also, K-means clustering algorithm has been used to reduce the size of the dataset in order to enhance the runtime for the proposed model. The proposed model has used four different classifiers which are C4.5, J48, CS-MC4, and MLR. Also, Apriori algorithm to provide recommendations for items based on previous purchases. The proposed model has been tested on Northwind trader’s dataset and the results archives accuracy equal 95.2% when the number of clusters were 8. INTRODUCTION: The technique of examining data from a different category is known as data mining [1]. This data contains important information, also in data mining additional knowledge will be extracted. Also, it is a helpful strategy for extracting and detecting patterns in huge data sets that incorporate methods from machine learning, statistics, and database system [2, 3]. Nowadays corporate organization is attempting to adopt a digital marketing strategy and competitive markets in order to gain worldwide commercial benefits. on the other hand, to get such competitive advantages, e-commerce businesses must first comprehend their customers' sentiments, thoughts, and seasons in relation to their products and services [4].

ترجمه این مقاله در 17 صفحه آماده شده و در ادامه نیز صفحه 15 آن به عنوان نمونه قرار داده شده است که با خرید این محصول می توانید، فایل WORD و PDF آن را دریافت نمایید.