دانلود ترجمه مقاله مطالعه ای بر دسته بندی آنلاین محصولات

1. مقدمه 2. بررسی مقالات در زمینه رتبه بندی محصولات 3. توسعه فرضیات 4. روش تحقیق و تحلیل داده ها 5. بحث و بررسی 6. مفاهیم، محدودیت ها و نتیجه گیری

دلالت ها، محدودیت ها و نتیجه گیری: به این ترتیب در این مقاله نشان دادیم که مدل رتبه بندی آنلاین رضایت مشتری برای توجیه نمره رتبه، مناسب تر از توضیحات سنتی مبتنی بر کیفیت است. این یعنی رتبه بندی مشتری از محصول به انتظارات آنها از این محصولات و عملکرد محصول بستگی دارد. این نتیجه دلالت های غنی و عینی هم برای تحقیقات و هم در عمل دارد. توسعه و آزمون تجربی این مدل، دانش نظری ما را با افزودن انتظار مشتری به عنوان عاملی تعیین کننده برای رتبه بندی آنلاین افزایش می دهد. نتایج تجربی نشان می دهد که این مدل ابزاری ارزشمند برای تحلیل رتبه بندی های آنلاین این تحقیق فراهم می کند و نقطه شروع معتبری برای بررسی دقیق تر خطاهاست. بدون درون بینی های تحقیق حاضر، اگرمتخصصان رتبه بندی و تولید کنندگان بر این فرض بی اعتبار متکی باشند که رتبه بندی آنلاین محصول کیفیت واقعی را منعکس می کند، ممکن است نتیجه گیری های درستی برای تصمیم گیری براساس بررسی های موجود نداشته باشند. در مقابل این، مکانیسم های رتبه بندی باید بهینه شود. ما ایجاد سیستم رتبه بندی را پیشنهاد می کنیم که امکان وارد کردن انتظارات از محصولات خاص را برای کاربران فراهم کند. به این ترتیب، می توان محصولات را براساس رتبه بندی مطابق با انتظارات طبقه بندی کرد. برای مثال، کاربری که می خواهد چند عکس بگیرد، انتظاراتش از دوربین دیجیتال با یک عکاس حرفه ای فرق می کند. با در نظر گرفتن فقط نمره رتبه بندی، ممکن است هر دو نوع دوربین برای هر دو نوع کاربر توصیه شود و دوربین مبتدیان نادیده گرفته شود و بالعکس. مسئله این است که سیستم های فعلی رتبه بندی مطابق با انتظارات مختلف براساس یک مقدار رتبه بندی نیستند. حتی سیستم های فعلی رتبه بندی چند معیاری (مثلا در ebay.com)، که امکان رتبه بندی محصول براساس چندین معیار (مثلا قدرت) را فراهم می کنند، برای این رویکرد مناسب نیستند. زیرا ممکن است انتظارات همزمان به چند معیار مرتبط باشند (مثلا کیفیت و پشتیبانی). با ارزیابی انتظارات و میزان برآورد آنها به صورت جداگانه، تولیدکنندگان می توانند از انتظارات کاربران از محصولات خودشان و رقیب باخبر شوند تا بتوانند استراتژی های بازاریابی بهتری اتخاذ کنند. از سوی دیگر، آنها می توانند بفهمند که مشتریان شان تا چه حدی از برآورده شدن این انتظارات راضی هستند و در نتیجه طراحی بهتری برای محصول انجام دهند. بعلاوه، میزان درستی سیستم های توصیه کننده را می توان به این ترتیب بهبود داد. اگر خرده فروشان از انتظارات مشتری از یک محصول آگاه باشند، می توانند محصولات جالب تری با ارزش انتظارات مشابه فراهم کنند.

Implications, limitations, and conclusion: In this study, we have shown that the customer satisfaction model of online product ratings is better suited to explain the score of ratings than traditional quality-centered explanations. This means that customers' ratings of products depend on their expectation about these products and their performance. This finding has rich and concrete implications for both research and practice. The development and empirical test of this model advances theoretical knowledge by introducing the customers' expectation as a determinant of online ratings. Thereby, we refine the current understanding of the baseline of online ratings. The empirical results suggest that the model provides a valuable tool to analyze online ratings and is a valid starting point to elaborate on biases more accurately. Without the insights of this study, practitioners in retailing and manufacturing may draw erroneous conclusions for marketing decisions based on existing reviews if they rely on the invalid assumption that online product ratings reflect true quality. To counteract this, rating mechanisms have to be optimized. We re-commend establishing a rating system that allows users to input their individual expectations of specific products. This way, products can be ranked according to a rating based on the confirmation of expectations. For example, a user who wants to take a few snapshots has other expectations towards a digital camera than a professional photographer. When considering solely the rating score, both camera types might look like they were recommended for both user types but the camera for beginners will most certainly not meet the expectations of professional photographers and vice versa. The problem is that the different expectations are not accounted for by current rating systems based on a single rating value. Even current multi-criteria rating systems (as used, e.g., on ebay.com), which allow ratings for several criteria (e.g., robustness) of a product are not suited for this approach. This is because expectations may relate to several criteria simultaneously (e.g., quality and support). By assessing expectations and the degree of fulfilment separately, manufacturers can learn about users' expectations of their own and competing products which enables them to develop better marketing strategies. On the other hand, they can deduce how satisfied their customers are with the degree to which these expectations are met which enables better product designs. Furthermore, the accuracy rate of recommender systems can be improved this way. If retailers know the customer's expectation of a product, they can suggest further potentially interesting products with similar expectation values.