پیش بینی انتخاب محصول توسط مشتریان مبتنی بر بازاریابی عصبی با الگوریتم هوش جمعی سالپ آشوبی (مقاله پژوهشی دانشگاه آزاد)
درجه علمی: علمی-پژوهشی (دانشگاه آزاد)
آرشیو
چکیده
تعیین الگوی تصمیم گیری مشتریان در خرید محصولات یکی از موارد مهم در بازاریابی است و هدف از مقاله، ارائه راهکار جدید در بازاریابی عصبی در پیش بینی انتخاب محصولات توسط مشتریان است. در این تحقیق سیگنال های مغزی از بیست وپنج نفر شرکت کننده با محدوده سنی 18 تا 38 سال در زمان مشاهده 14 محصول مختلف استفاده شده است که گروه اول شامل 10 مرد و 6 زن با گستره سنی 18 تا 23 سال، گروه دوم شامل 8 مرد و 5 زن با گستره سنی 25 تا 30 سال و گروه سوم شامل 7 مرد و 4 زن با گستره سنی 31 تا 38 سال بودند. برای انتخاب ویژگی در این مقاله الگوریتم جدیدی مبتنی بر هوش جمعی سالپ آشوبی ارائه شده است که می تواند با قدرت جستجوی بالا، ویژگی های مؤثر را مشخص نماید و برای پیش بینی نهایی از طبقه بندهای مختلف در قالب یادگیری چندتایی استفاده شده است. در مدل پیشنهادی، از روش طیف های مرتبه بالا در استخراج ویژگی ها از سیگنال مغزی استفاده شده که شامل بیش از هفتصد ویژگی است و سپس انتخاب ویژگی با الگوریتم هوش جمعی سالپ پیشنهادی تعداد ویژگی ها از 742 به 198 کاهش یافته است. نتایج نشان داده است که مدل پیشنهادی توانسته به طور میانگین در تشخیص انتخاب کاربران در همه محصولات دقت 99/75 درصد داشته باشد که نشان دهنده بهبود 75/3 درصدی نتایج نسبت به تحقیقات مشابه است.Predicting product choice by customers based on neuromarketing with Chaotic salp swarm algorithm
Understanding how consumers make decisions is one of the important things in customer behavior that is addressed by neuromarketing. The purpose of this article is to present a new solution in neuromarketing by receiving brain signals and extracting and selecting important features and classification to increase the prediction of product selection by customers. In this article, brain signals from twenty-five participants who have seen the products have been received and characterized by the high-order spectrum method. In order to select the best features, in this article, the swarm algorithm of salp chaos has been presented, which can identify the effective features with high search power, and for the final prediction, different classifications have been used in the form of multiple learning. In the proposed model, the high-order spectra method was applied in extracting the phase information of the electroencephalogram signal in order to investigate the relationship between liking and disliking the product, which included more than seven hundred features. Then feature selection was used with the improved Salp swarm algorithm with logistic chaos mapping and the features were reduced from 742 to 198 features. The results showed that the proposed model was able to have an average accuracy of 75.99% in detecting the choice of users in all products, which shows a 3.75% improvement in the results compared to similar researches.
تبلیغات
