دانلود ترجمه مقاله کاربرد منطق فازی برای تحلیل احساسات شبکه اجتماعی در بازاریابی

1. مقدمه 2. روش تحقیق 3. نتایج 4. نتیجه گیری

چکیده – مقدار داده هایی که به صورت آزادانه از شبکه های اجتماعی قابل دسترس است به صورت ساعتی رو به افزایش است. بسیاری از این داده ها مربوط به درک و نظرات مشتریان از سازمان ها بوده و به همین دلیل برای جمع آوری کنندگان هوش تجاری در بازاریابی، مدیریت ارتباط با مشتری و حفظ مشتری مورد توجه قرار دارد. با استفاده از محاسبات نرم، به ویژه منطق فازی، امکان طراحی، ایجاد و ساخت ربات های اجتماعی که بتوانند نظرات مشتری در شبکه های اجتماعی را تحلیل کنند، وجود دارد. برنامه نویسی بیشتر به این ربات های اجتماعی اجازه می دهد تا با مصرف کنندگان تعامل داشته و ربات های اجتماعی که به دقت تولید شده اند قادر به انتشار کمپین های بازاریابی هستند. اهداف این مقاله ایجاد مدلی برای تحلیل احساسات داده های شبکه اجتماعی است. مقدمه: متداول ترین شبکه های اجتماعی مورد استفاده، فیس بوک، یوتیوب، اینستاگرام و توئیتر است. در حال حاضر، تقریبا 500 میلیون توئیت در هر روز یعنی 6000 توئیت در هر ثانیه وجود دارد (Internetlivestats، 2017). تعداد دقیق کاربران در جدول زیر نشان داده شده است. بازاریاب ها از رسانه اجتماعی به عنوان بخشی از استراتژی بازاریابی خود استفاده می کنند. قبل از برنامه ریزی یک کمپین در رسانه اجتماعی، بازاریاب ها باید اطلاعاتی در رابطه با مصرف کننده و محیط اطراف خود کسب کنند. آن ها باید درباره شخصیت مصرف کننده، تجارب گذشته آن ها، واکنش آن ها به کمپین ها، وفاداری به برند و درک برندها بدانند. این مساله از اهمیت بالایی برخوردار است، چون بازاریاب ها بر اساس آنچه درباره مخاطبان خود می دانند، تصمیماتی را اتخاذ می کنند (توتن و سولومون، 2014). هر چه بیشتر به عنوان بازاریاب اطلاعات کسب می کنیم، می توانیم تصمیمات بهتری بگیریم. جمع آوری اطلاعات درباره مصرف کنندگان برای ایجاد آگاهی نسبت به بازارها و آنالیز هوش رقابتی مراحل بسیار مهمی در ایجاد استراتژی بازاریابی برای سازمان است. اطلاعات بیشتر به معنای اتخاذ تصمیمات آگاهانه تر است. شبکه های رسانه اجتماعی به ما منبع اطلاعاتی زیادی در رابطه با مصرف کنندگان، مشخصات جمعیت شناسی آن ها، درک و افکارشان خواهد داد. محتوا توسط کاربران شبکه های اجتماعی ایجاد شده و شامل نظرات و تجربیات آن ها بوده و این اطلاعات می تواند در قالب ورودی باینری (لایک بر روی پست در فیسبوک)، متن، صوتی یا تصویری باشد. این آیتم ها برخی مواقع در پلتفرم های رسانه اجتماعی به اشتراک گذاشته شده و یک گفت و گو حول آن ایجاد می شود.

The amount of data freely available from social networking grows on an hourly basis. Much of this data concerns consumers perceptions and opinions of organizations, and as such is of interest to business intelligence gatherers in marketing, for customer relationship management and customer retention. With the use of soft computing, specifically fuzzy logic, it will be possible to design, create and build social bots that can analyse consumer comments in social media networks. Further programming would allow these social bots to interact with consumers, and carefully produced social bots would be able to disseminate marketing campaigns. This paper proposes a model for sentiment analysis of social media network data. Introduction: The most commonly used social media networks are Facebook, YouTube, Instagram and Twitter. Currently, there are approximately 500 million tweets on Twitter per day, that’s 6000 every second. (Internetlivestats, 2017). The exact numbers of users are shown in Table 1 below. Marketers use social media as part of their marketing strategy. Before planning a social media campaign, marketers need to know something about the consumer and their environment. They need to know the personality of the consumer, their past experiences, their responses to campaigns, brand loyalty, and perception of brands. This is very important as marketers base decisions on what they know about their target audience (Tuten & Solomon, 2014). The more we understand as marketers, the better decisions we can make. Gathering up information about consumers to create insight into markets, and to analyse competitive intelligence are very important steps in creating a marketing strategy for the organisation. More information means more informed decisions. Social media networks have given us an additional source of information on consumers, their demographics, their perceptions, and their thoughts. The content is created by the users of social media networks, and includes their opinions, experiences, and this data can be in the form of binary input ('likes' on a Facebook post), text, audio or visual. These items are shared, sometimes across social media platforms, and a conversation will build around them.

ترجمه این مقاله در 10 صفحه آماده شده و در ادامه نیز صفحه 8 آن به عنوان نمونه قرار داده شده است که با خرید این محصول می توانید، فایل WORD و PDF آن را دریافت نمایید.