شماره ركورد
16512
شماره راهنما(اين فيلد مربوط به كارشناس ميباشد لطفا آن را خالي بگذاريد)
16512
پديد آورنده
فردين حقي
عنوان
ارايه ي مدلي جهت پيش بيني رفتار خريد مشتريان بر اساس تحليل نگرش با استفاده از متن كاوي در شبكه هاي اجتماعي
مقطع تحصيلي
كارشناسي ارشد
رشته تحصيلي
سيستم هاي اقتصادي و اجتماعي
تاريخ دفاع
آذر 1395
استاد راهنما
دكتر كاظم نقندريان
استاد مشاور
دكتر مهدي غضنفري
دانشكده
صنايع
چكيده
در سالهاي اخير، رشد انفجاري رسانههاي برخط، مانند وبلاگها و سايتهاي شبكههاي اجتماعي، مشتريان را قادر ميسازد تا نظرات و تجربيات خريد خود را به آساني در اختيار ديگران بگذارند. رفتار مشتريان ميتواند متاثر از نگرش افراد به كالاها و نامهاي تجاري بوده و فرآيند تصميمگيري خريد و انتخاب كالا را تحت تاثير قرار دهد. ميتوان با استفاده از تحليل نظرات مشتريان عوامل موثر بر رفتار خريد آنها را شناسايي نمود. روشهاي سنتي تحليل نظرات خريد به دليل حجم بالاي اطلاعات، تنوع و نياز به ارائهي پاسخهاي سريع نميتواند در اين زمينه كارساز باشد. ما رويكردي جديد جهت تحليل نظرات بر اساس نگرش با استفاده از متنكاوي و در نهايت مدلي جهت پيشبيني رفتار خريد مشتريان بر اساس تحليل نگرش با استفاده از تكنيكهاي متنكاوي و كاوش محتوايي در سه شبكهي اجتماعي محبوب و پرطرفدار ارائه داديم. مطالعهي موردي پژوهش در صنعت خودرو براي 6 نام تجاري لوكس و مشهور و 4 نام تجاري صنعت الكترونيك ميباشد. رفتار خريد مشتري در اين پژوهش با در نظر گرفتن تحليل ابعاد نگرش بررسي شده است. ما از روش توليد اننشانهها براي توليد بردار ويژگيها و الگوريتمهاي يادگيري ماشين را جهت ردهبندي متون نظرات به عنوان يك رويكرد تركيبي به كار برديم. نتايج نشان داد كه توجه به نگرش مشتريان در شبكههاي اجتماعي ميتواند پيشبيني نسبتا دقيقي را از رفتار آتي آنها در اين صنعت ارائه دهد. همچنين تاثير فرآيند منطقي شكلگيري نگرش بر رفتار خريد مشتريان و تاثيرات بر ديگر مشتريان بيشتر از فرآيند احساسي و يادگيري شكلگيري نگرش مشتريان در شبكههاي اجتماعي است. اين رويكرد در صنعت لوازم الكترونيك براي چهار نام تجاري به كار گرفته شد و نتايج نشان داد كه تحليل نگرش در اين صنعت نميتواند مشابه صنعت خودرو پيشبيني خوبي براي رفتار مشتريان ارائه دهد چرا كه رفتار خريد مشتريان در اين صنعت به نگرش مشتريان بستگي نداشته و فرآيند خريد اغلب به صورت تكراري، هيجاني و يا ساير عواملي كه به دليل محدوديتها امكان بررسي آنها در اين تحقيق نبود ميباشد.
واژههاي كليدي: رفتار خريد مشتريان، متنكاوي، شبكههاي اجتماعي، ابعاد نگرش، پيشبيني رفتار
تاريخ ورود اطلاعات
1395/11/16
تاريخ بهره برداري
1/1/1900 12:00:00 AM
دانشجوي وارد كننده اطلاعات
فردين حقي
چكيده به لاتين
In recent years, the explosive growth of online media, such as blogs and social networking sites, has enabled costumers to write and share their personal purchasing experiences and opinions with other people. Buying behavior can be influenced by costumer attitude toward products brands and features. Opinion analysis can be used for identifying factors impacting on buying behavior. Traditional Opinion analysis methods cannot be useful because need huge volume of information, variety and quick response. We propose a novel approach for costumer behavior prediction based on attitude dimensions analysis by using text mining techniques and content mining in social network in three popular social media.We investigate automobile industries for six luxury and famous brands and also four electronic product brands as a case study. We addressed costumer buying behavior Results show that attention to costumer attitude can predict fairly accurate future behavior in automobile industries .We use n-grams method for generation feature vectors and machine learning approach for classification as a multi-approach. Results show positive behavior more stems by cognitive behavioral than emotional behavior and costumer follow more cognition opinion than emotional. We also test this approach in electronic products and results show that this model cannot predict costumer behavior well. In this case, Costumer behavior is not dependent on costumer attitude. Therefore, it is concluded that in the automobile industries costumers buying behavior is based on the costumer attitude toward the goods and is not dependent on electronics industries. Many factors can influence on costumer buying behavior like iterative, exciting buying behavior that Due to limitations not point in this research.
Keywords: Costumer behavior, Text mining, social network, Attitude dimension, Behavior prediction