امتیاز ترویج کننده

هدف: یکی از روندهای پُرقدرت سال های اخیر که با پیشرفت روزافزون تکنولوژی همراه شده است، کاربردهای شبکه های عصبی مصنوعی در مدیریت بنگاه های تجاری و کسب وکارهاست. ظرفیت های این روند، به قدری گسترده است که می توان از آن برای تصمیم گیری و انتخاب راهبردهای کلان یا خُرد در کسب وکارها بهره برد. هدف این مطالعه، بررسی تأثیر متقابل بین شاخص های عملکرد کلیدی امتیاز ترویج کننده و امتیاز تلاش مشتری و تأثیر جمعی آن ها بر پیش بینی ارزش طول عمر مشتری با رویکرد یادگیری ماشینی (شبکه های عصبی مصنوعی) است. افزون بر این، پژوهش حاضر به دنبال ارائه یک مدل جامع شبکه عصبی مصنوعی با فراپارمترهای بهینه شده برای تکرار در سطح کسب وکارها و بهره برداری تجاری از این شیوه، برای هر کسب وکار با داده های شخصی خود است. روش: داده ها با حفظ امنیت حریم خصوصی مشتریان و حریم خصوصی تجاری رقابتی، از مشتریان یک سکو (پلتفرم) تجارت الکترونیک ایرانی در سال ۱۴۰۲ به دست آمده و شامل ۸۰۰۰ پروفایل مشتری با متغیرهایی از جمله ارزش طول عمر مشتری، امتیاز ترویج کننده، امتیاز تلاش مشتری و شناسه مشتریان (شناسه های ۱۶ رقمی یکتا) است. مدل، یک شبکه عصبی متوالی با لایه های متراکم و منظم با فراپارامترهای بهینه سازی شده است. عملکرد مدل روی یک مجموعه آزمون ۱۰درصد و اعتبارسنجی ۱۰درصد و با استفاده از معیارهای میانگین مطلق خطاها، ضریب تعیین و چند معیار دیگر ارزیابی می شود؛ سپس با استفاده از دو مدل پایه رگرسیون خطی و درخت تصمیم، توانایی مدل شبکه عصبی مصنوعی ارزیابی می شود. برای اعتبارسنجی مدل، از اعتبارسنجی متقابل چندتایی استفاده می شود. در انتها با استفاده از SHAP و PFI مدل تفسیر و اهمیت هر متغیر در توضیح ارزش طول عمر مشتری بررسی می شود. یافته ها: نتایج نشان می دهد که مدل شبکه عصبی مصنوعی با ۲ نورون ورودی در لایه اول، ۵ نورون پنهان در لایه دوم، ۷ نورون پنهان در لایه سوم و ۱ نورون خروجی در لایه آخر (خروجی)، روابط پیچیده و غیرخطی امتیاز ترویج کننده 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 به طور مؤثر و قدرتمندی پیش بینی می کند. عملکرد پایدار و بدون برازش بیش از حد با شیوه اعتبارسنجی متقابل در مجموعه های آموزشی و آزمایشی در ۱۰دور ۱۰تایی با دور عطف حدود ۵ بر تعمیم پذیری مدل تأکید می کند و این اجازه را می دهد که ارزش طول عمر مشتری را توسط امتیاز ترویج کننده و امتیاز تلاش مشتری پیش بینی کنیم. توانایی مدل در گرفتن روابط غیرخطی داده ها در مقایسه با مدل های پایه (رگرسیون خطی و درخت تصمیم) نیز گویای قدرت شبکه عصبی مصنوعی است. همچنین مشخص شد که امتیاز ترویج کننده نسبت به امتیاز تلاش مشتری، واریانس ارزش طول عمر مشتری را بیشتر توضیح می دهد. نتیجه گیری: پژوهش حاضر نشان داد که شبکه های عصبی مصنوعی تا چه اندازه در یافتن الگوهای نهان در شاخص های کلیدی عملکرد می توانند مؤثر عمل کنند؛ این مطالعه توانایی شبکه های عصبی مصنوعی در پیش بینی ارزش طول عمر مشتری را در تجارت الکترونیک ارائه می دهد و امکان پیش بینی ارزش طول عمر مشتری را توسط امتیاز ترویج کننده و ارزش تلاش مشتری، تقسیم بندی دقیق مشتریان، تخصیص منابع و رشد استراتژیک را فراهم می کند. در تحقیقات آینده می توان پیش بینی ارزش طول عمر مشتری را از طریق مجموعه داده های دیگر و گسترش مدل بهبود داد و همچنین، ظرفیت سایر الگوریتم های یادگیری ماشینی را بررسی کرد.