بخشی از مقاله
چکیده
امروزه با توجه به افزایش میزان تنوع در محصولات و نیازهای مشتریان و همچنین هزینههای فزایندهای که برای ذخیره و پردازش دادهها وجود دارد، شخصیسازی پیشنهادها از اهمیت ویژهای برخوردار است؛ زیرا تخصیص درست محصولات به مشتریان علاوه بر رضایت مشتری، بهرهوری فروشندگان را بهطور چشمگیری افزایش میدهد. به همین دلیل در سالهای اخیر استفاده از سیستمهای توصیهگر بسیار متداول شده و کاربرد وسیعی در حوزههای مختلف ازجمله فروشگاههای آنلاین، کتاب، فیلم، موسیقی، مقالات تحقیقاتی، رستورانها، هایپرمارکتها، اخبار، موتورهای جستجو و... دارد.
این سیستمها علاوه بر اینکه به کاربران کمک میکنند تا به توصیههای شخصی که مختص خود آنهاست دست یابند و تصمیمگیری بهتری داشته باشند، بلکه با پیشنهاد محصولات اضافی به مشتری باعث افزایش فروش شده و همچنین به حفظ و نگهداری مشتریان کمک شایانی میکنند. این مقاله یک روش نوین و ابتکاری جهت توصیه محصولات مناسب به مشتریان در صنعت عمدهفروشی ارائه میدهد. پژوهش ما شامل سه مرحله است.
در مرحله اول به کمک دادههای دموگرافیک مربوط به مشتریان و روش خوشهبندی، توصیه محصولاتی که در سبد خرید آنها موجود نبوده انجام میشود. در مرحله دوم با استفاده از دادههای تراکنشی مربوط به مشتریان، توصیه محصولات موجود در سبد خرید آنها صورت میگیرد و در مرحله نهایی با استفاده از روش قواعد انجمنی، وابستگی بین کالاها شناسایی شده و به کمک آن توصیههای ایجاد شده در مراحل قبلی تعدیل میگردد.
-1 مقدمه
یک سیستم پیشنهاددهنده، زیرمجموعهای از سیستم فیلترینگ اطلاعات است که به دنبال پیشبینی "امتیازی" است که کاربر به یک محصول اختصاص میدهد. این سیستمها با روشهای تحلیلی احتمال خرید یک محصول توسط مشتری را محاسبه کرده و با توجه به آن پیشنهاد خرید به مشتری ارائه میدهند .[1] در این سیستمها، پیشبینی امتیاز یا اولویت محصولات و خدمات عمدتا بر اساس دو رویکرد پالایش گروهی1 و محتوا مبنا2 انجامشده که بر اساس تجربیات مشابه مشتریان دیگر و یا بر اساس رفتار گذشته خود مشتری، مدلی را ایجاد کرده و محصولاتی را که ممکن است موردعلاقه مشتری باشد معرفی میکند .[2]
با استفاده از این سیستمها میتوان برای هر مشتری متناسب با نیاز او، محصولات را تبلیغ کرده و درنتیجه میزان فروش را افزایش و هزینههای ناشی از یکسان در نظر گرفتن مشتریان یا از قلم انداختن کالاهای موردنیاز توسط مشتری را کاهش داد. طبق مطالعات انجامشده، در سالهای اخیر، استفاده از سیستمهای توصیهگر در حوزه بازارهای آنلاین افزایش چشمگیری داشته، درحالیکه نقش آنها در بازار حقیقی کمتر موردتوجه قرارگرفته است. دراینبین مطالعاتی در حوزههای گردشگری، سلامت، صنایع غذایی و ... صورت گرفته اما بررسی تأثیر سیستمهای توصیهگر در صنعت عمدهفروشی بسیار اندک است.
درنتیجه با توجه به کاربرد بسیار گسترده این سیستمها در افزایش بازدهی مشتری و فروشنده، بهکارگیری آن در صنعت عمدهفروشی میتواند بسیار مفید واقع شود. در این پژوهش از مجموعه داده مربوط به یکی از شرکتهای معروف توزیع و پخش در کشور بهمنظور بررسی تأثیر سیستمهای توصیهگر در صنعت عمدهفروشی استفاده میشود زیرا این شرکت به دلیل استفاده از نرمافزارهای مناسب جهت حفظ و نگهداری دادههای مربوط به مشتریان خود، بستر مناسبی برای ایجاد و پیادهسازی سیستم توصیهگر دارد.
به این منظور از تکنیکهای دادهکاوی مانند خوشهبندی3، معیارهای اندازهگیری شباهت و قواعد انجمنی 4 جهت ایجاد مدل جدیدی برای ارائه توصیهها و پیشنهادها، متناسب با اهداف کاربر و سازمان بهره گرفتیم. در این تحقیق پس از مقدمه به بیان پیشینه پژوهش میپردازیم، سپس روش تحقیق را بیان کرده، در ادامه به تحلیل نتایج بدستآمده پرداخته و در نهایت یک جمعبندی کلی ارائه میشود.
-1-1 پیشینه پژوهش
تحقیقات انجام شده در زمینهی سیستمهای توصیهگر از حیث نوع سیستم، تکنیک مورد استفاده و صنعت بهکارگیری آن بسیار متنوع است. برخی از پژوهشهای صورت گرفته در این حوزه عبارتند از: بریز و همکاران در سال 1998 یک سیستم توصیهگر مجهول با رویکرد پالایش گروهی را معرفی کردند. آنها از تکنیکهای طبقهبندی درخت تصمیم و بیزی برای توسعه مدل خود بهره گرفتند .[3] چایوسکا و همکاران در سال 2000 نقش سیستمهای توصیهگر را در حوزه سلامت مورد ارزیابی قرار داده و یک سیستم توصیهگر معلوم با رویکرد محتوا مبنا معرفی کردند.
در این پژوهش از روش بیزی برای مدلسازی استفادهشده است .[4] چو و همکاران در سال 2002 نشان دادند رویکرد پالایش گروهی باوجود کاربرد وسیع در حوزههای مختلف، در بازارهای اینترنتی به دلیل وجود حجم وسیعی از اطلاعات، عملکرد خوبی ندارد. آنها در این مقاله یک سیستم توصیهگر بر مبنای ترکیبی از تکنیکهای دادهکاوی مانند درخت تصمیم، قوانین انجمنی و طبقهبندی محصول معرفی کردند که اثربخشی و کیفیت توصیههای ارائهشده در کسبوکارهای اینترنتی را بهبود بخشید . [5]
گوش و همکاران در سال 2003 روشهای برنامهریزی غیرخطی را برای توسعه یک سیستم توصیهگر معلوم با رویکرد محتوا مبنا مورداستفاده قرار دادند .[6] چو و همکاران در سال 2005 یک روش جدید با بهرهگیری از تکنیک بیزی برای افزایش کیفیت پیشنهادهای ارائهشده با رویکرد پالایش گروهی و با استفاده از دادههای مربوط بهتوالی خرید مشتری، ارائه کردند.
آنها معتقد بودند که ترجیحات مشتریان در طول زمان متغیر است درحالیکه روشهای پالایش گروهی موجود استاتیک هستند و تنها اطلاعات خرید مشتری در یک دوره معین را در نظر میگیرند، درنتیجه توصیههای ارائهشده توسط آنها مناسب نیست و باید از اطلاعات مربوط بهتوالی خرید استفاده کرد .[7] مانوئلز و همکاران در سال 2007 نشان دادند که استفاده از روشهای تصمیمگیری چند معیاره5 در سیستمهای توصیهگر هنوز بهطور سیستماتیک بررسی نشده است، درحالیکه در ادبیات مرتبط چندین مورد دیدهشده که با برخی از روشهای تصمیمگیری چند معیاره تعامل دارند. آنها در این مقاله ابعادی را معرفی میکنند که برای شناسایی و تشخیص سیستمهای توصیهگر چندمعیاره استفاده میشود .[8]
کیم و همکاران در سال 2008 یک سیستم توصیهگر معلوم با رویکرد پالایش گروهی را در حوزه بازارهای آنلاین معرفی کردند. آنها در این مقاله برای بخشبندی بازار از روش خوشهبندی K-means استفاده کردند و بهمنظور بهینهسازی نقطه اولیه در این روش، الگوریتم ژنتیک را به کار بردند. نتایج بهدستآمده نشان میدهد تقسیمبندی بازار با استفاده از این روش نسبت به روش K-means مؤثرتر بوده و همچنین میتوان مدل پیشنهادی را بهعنوان یک ابزار پیشپردازش برای سیستمهای توصیهگر مورد تأیید قرار داد .[9]
