فهرست نشریات علمی دسترسی آزاد ایران

هدف: یکی از روندهای پُرقدرت سال‌های اخیر که با پیشرفت روزافزون تکنولوژی همراه شده است، کاربردهای شبکه‌های عصبی مصنوعی در مدیریت بنگاه‌های تجاری و کسب‌وکارهاست. ظرفیت‌های این روند، به‌قدری گسترده است که می‌توان از آن برای تصمیم‌گیری و انتخاب راهبردهای کلان یا خُرد در کسب‌وکارها بهره برد. هدف این مطالعه، بررسی تأثیر متقابل بین شاخص‌های عملکرد کلیدی امتیاز ترویج‌کننده و امتیاز تلاش مشتری و تأثیر جمعی آن‌ها بر پیش‌بینی ارزش طول عمر مشتری با رویکرد یادگیری ماشینی (شبکه‌های عصبی مصنوعی) است. افزون‌بر این، پژوهش حاضر به‌دنبال ارائۀ یک مدل جامع شبکۀ عصبی مصنوعی با فراپارمترهای بهینه شده برای تکرار در سطح کسب‌وکارها و بهره‌برداری تجاری از این شیوه، برای هر کسب‌وکار با داده‌های شخصی خود است. روش: داده‌ها با حفظ امنیت حریم خصوصی مشتریان و حریم خصوصی تجاری ـ رقابتی، از مشتریان یک سکو (پلتفرم) تجارت الکترونیک ایرانی در سال ۱۴۰۲ به‌دست‌آمده و شامل ۸۰۰۰ پروفایل مشتری با متغیرهایی از جمله ارزش طول عمر مشتری، امتیاز ترویج‌کننده، امتیاز تلاش مشتری و شناسۀ مشتریان (شناسه‌های ۱۶ رقمی یکتا) است. مدل، یک شبکۀ عصبی متوالی با لایه‌های متراکم و منظم با فراپارامترهای بهینه‌سازی شده است. عملکرد مدل روی یک مجموعۀ آزمون ۱۰درصد و اعتبارسنجی ۱۰درصد و با استفاده از معیارهای میانگین مطلق خطاها، ضریب تعیین و چند معیار دیگر ارزیابی می‌شود؛ سپس با استفاده از دو مدل پایۀ رگرسیون خطی و درخت تصمیم، توانایی مدل شبکۀ عصبی مصنوعی ارزیابی می‌شود. برای اعتبارسنجی مدل، از اعتبارسنجی متقابل چندتایی استفاده می‌شود. در انتها با استفاده از SHAP و PFI مدل تفسیر و اهمیت هر متغیر در توضیح ارزش طول عمر مشتری بررسی می‌شود. یافته‌ها: نتایج نشان می‌دهد که مدل شبکۀ عصبی مصنوعی با ۲ نورون ورودی در لایۀ اول، ۵ نورون پنهان در لایۀ دوم، ۷ نورون پنهان در لایۀ سوم و ۱ نورون خروجی در لایۀ آخر (خروجی)، روابط پیچیده و غیرخطی امتیاز ترویج‌کننده و امتیاز تلاش مشتری با ارزش طول عمر مشتری را با ضریب تعیین 934/0 و میانگین مطلق خطاهای 47/142 و چند معیار دیگر را به‌طور مؤثر و قدرتمندی پیش‌بینی می‌کند. عملکرد پایدار و بدون برازش بیش از حد با شیوۀ اعتبارسنجی متقابل در مجموعه‌های آموزشی و آزمایشی در ۱۰دور ۱۰تایی با دور عطف حدود ۵ بر تعمیم‌پذیری مدل تأکید می‌کند و این اجازه را می‌دهد که ارزش طول عمر مشتری را توسط امتیاز ترویج‌کننده و امتیاز تلاش مشتری پیش‌بینی کنیم. توانایی مدل در گرفتن روابط غیرخطی داده‌ها در مقایسه با مدل‌های پایه (رگرسیون خطی و درخت تصمیم) نیز گویای قدرت شبکۀ عصبی مصنوعی است. همچنین مشخص شد که امتیاز ترویج‌کننده نسبت به امتیاز تلاش مشتری، واریانس ارزش طول عمر مشتری را بیشتر توضیح می‌دهد. نتیجه‌گیری: پژوهش حاضر نشان داد که شبکه‌های عصبی مصنوعی تا چه اندازه در یافتن الگوهای نهان در شاخص‌های کلیدی عملکرد می‌توانند مؤثر عمل کنند؛ این مطالعه توانایی شبکه‌های عصبی مصنوعی در پیش‌بینی ارزش طول عمر مشتری را در تجارت الکترونیک ارائه می‌دهد و امکان پیش‌بینی ارزش طول عمر مشتری را توسط امتیاز ترویج‌کننده و ارزش تلاش مشتری، تقسیم‌بندی دقیق مشتریان، تخصیص منابع و رشد استراتژیک را فراهم می‌کند. در تحقیقات آینده می‌توان پیش‌بینی ارزش طول عمر مشتری را از طریق مجموعه داده‌های دیگر و گسترش مدل بهبود داد و همچنین، ظرفیت سایر الگوریتم‌های یادگیری ماشینی را بررسی کرد.