-‎--

صنايع

در دنياي رقابتي خرده فروشي آنلاين، شناخت نيازها و ترجيحات مشتريان و ارائه توصيه‌هاي دقيق و مناسب به آنها از اهميت بسزايي برخوردار است. مشتريان با تغييرات پيوسته در رفتار و نيازهايشان، انتظار دارند تا از سيستم‌هاي پيشنهاددهنده بهره‌مند شوند كه توانايي پيش‌بيني نيازهاي آينده آنها را داشته باشند و محصولات و خدمات متناسبي را به آنها پيشنهاد دهند. كسب و كارهاي خرده فروشي به سرعت در حال رشد هستند و بسياري از خرده فروشان به منظور 1) دستيابي به مشتريان بيشتر، 2) پاسخگويي به تقاضاهاي در حال تغيير مصرف كننده، و 3) افزايش فروش و درآمد، علاوه بر كانال هاي آفلاين سنتي خود به صورت آنلاين فروش مي كنند. امروزه براي كسب و كارهاي آنلاين، اهميت توصيه‌هاي مناسب به سرعت در حال رشد است و مردم در حال افزايش انتظارشان براي دريافت توصيه‌هاي مناسب از آن كسب‌وكارها براي شناسايي محصولات و خدمات هستند به همين دليل است كه بسياري از شركت‌ها و وب‌سايت‌ها در سال‌هاي اخير پياده‌سازي سيستم‌هاي توصيه گر را براي شناسايي علايق مشتريان آغاز كرده‌اند. سيستم توصيه كننده براي كمك به شناسايي موارد ضروري كاربران طراحي شده است. اين ابزار نوآورانه به خرده فروشان كمك مي كند تا محصولات متناسب با ترجيحات منحصر به فرد هر مشتري را با در نظر گرفتن تاريخچه خريد، علايق و رفتار خريد كلي آنها توصيه كنند. سيستم هاي توصيه گر در حوزه هاي كاربردي مختلف از جمله گردشگري، هتل ها، رستوران ها و پارك ها ، تبليغات ، تجارت و همچنين تشخيص پزشكي و انتخاب موسيقي نيز استفاده مي شوند. امروزه استفاده از سيستم توصيه گر به عنوان يك استراتژي، در حوزه تجارت الكترونيكي حياتي تلقي مي شود. مطالعات اخير در اين زمينه با هدف حل استراتژي هاي بازاريابي مبتني بر مشتري مداري است. اين سيستم تنها بر تجزيه و تحليل نيازهاي مشتري تمركز نمي كند، بلكه پيش بيني نيازهاي آينده آنها را نيز معطوف مي كند . سطح بالاي رضايت مشتري و كيفيت بالاي سيستم توصيه‌كننده، وفاداري مشتري را تحت تأثير قرار داده و بهبود مي‌بخشد . اين سيستم ها همچنين توانايي افزايش پتانسيل فروش متقابل را دارند . سيستم هاي توصيه گر را مي توان به روش هاي مختلف طبقه بندي كرد. يك ديدگاه آنها را به دو دسته تقسيم مي كند: سيستم هايي كه داده ها را در مورد رفتار خريد قبلي كاربر جمع آوري مي كنند و سيستم هايي كه بر اساس معاملات كاربران فعلي و رفتار آنها در فرآيند خريد كار مي كنند . يك طبقه بندي متفاوت سيستم هاي توصيه گر را به سه دسته اصلي تقسيم مي كند: مبتني بر محتوا، مبتني بر فيلتر مشاركتي و سيستم هاي تركيبي . سيستم مبتني بر محتوا اطلاعات مربوط به محتوا و مشخصات محصول را جمع آوري مي كند، سپس بر اساس اقلام موجود و سابقه خريد مشتريان، توصيه هايي را به كاربران ارائه مي دهد. سيستم هاي مبتني بر فيلتر مشاركتي بر اساس تجربه خريدهاي قبلي مشتري عمل مي كنند. سيستم‌هاي تركيبي با استفاده از روش‌هاي كاربردي در سيستم‌هاي مبتني بر محتوا و مبتني بر فيلتر مشاركتي، مشكلات كاربر ناشي از هر يك از اين سيستم‌ها را شناسايي مي‌كنند و ممكن است شامل روش‌هاي اضافي براي افزايش دقت سيستم توصيه‌گر باشند. در اين مطالعه تلاش شده است تا با استفاده از روش هاي نوين يادگيري ماشين ابتدا بر اساس داده هاي قبلي و ساير پارامترهاي موجود مشتريان را دسته بندي كرده و سپس اقدام به توصيه هاي مناسب به هر گروه از مشتريان نموده در ادامه نقشه مفهومي اين مطالعه را مشاهده خواهيد كرد.

1404/07/25

Designing recommender system based on customer segmentation under uncertainty: a data-driven approach using machine learning in online retailing

9/14/2026 12:00:00 AM

In the competitive an‎d dynamic environment of online retail, recommender systems are considered vital tools for attracting an‎d retaining customers an‎d increasing market share. By analyzing customer data, these systems provide personalized product recommendations, thereby enhancing the shopping experience. In this research, instead of traditional approaches such as analyzing customer behavior with RFM metrics, a novel data-driven method based on machine learning algorithms is presented for customer segmentation an‎d generating personalized recommendations. In the first stage, advanced clustering techniques are used to categorize customers more accurately an‎d flexibly based on their behavioral an‎d transactional characteristics. Then, by leveraging machine learning prediction models, tailored recommendations are dynamically an‎d optimally generated for the needs an‎d preferences of each group. The conducted eva‎luations show that this approach, compared to conventional methods, has higher accuracy in providing recommendations an‎d significantly improves customer experience quality an‎d their loyalty levels. Ultimately, this study demonstrates that the intelligent use of data an‎d machine learning algorithms can play a key role in enhancing recommender systems an‎d improving the competitiveness of online retail businesses. In this research, online retail data will be used, an‎d due to the high diversity of retail items, a specific group of products will be examined in this study.

سيستم پيشنهاد دهنده , تقسيم بندي مشتريان , خرده فروشي آنلاين , يادگيري ماشين , خوشه بندي فازي

Recommendation system , Customer Segmentation , Online Retail , Machine Learning , Fuzzy Clustering

Mohammad Sajjad Khosroabadi

Dr. Mahdi Heydari