مطالب مرتبط با کلیدواژه

تحلیل رفتار مشتری


۱.

ارزیابی ساختار وب¬سایت با استفاده از مدل¬سازی رفتار بازدیدکنندگان: یک مطالعه موردی(مقاله علمی وزارت علوم)

کلیدواژه‌ها: تحلیل رفتار مشتری مدل¬سازی وب¬سایت وب¬کاوی؛ گراف

حوزه های تخصصی:
تعداد بازدید : ۱۵۶۷ تعداد دانلود : ۸۴۶
رشد رو به گسترش اینترنت و به تبع آن، توسعه کسب¬و¬کارهای الکترونیک در جهان باعث شده تا وب¬سایتها از اهمیت بالایی برخوردار شده، نقش غیرقابل‌انکاری در برقراری ارتباط الکترونیکی بین سازمانها و مؤسسات با مشتریانشان پیدا کنند. هرچند در سالهای ابتدایی توسعه خدمات الکترونیکی، توسعه وب¬سایت از نظر کمی و اندازه مورد توجه بود، اما اکنون توسعه وب¬سایتها از نظر کیفی و کارایی مد نظر است؛ به این معنا که چگونه و با چه ابزارهایی می¬توان عملکرد وب¬سایتها را بهبود داد تا مشتریان زودتر و مؤثرتر به مقاصد خود در وب¬سایت دست¬یافته، از سرگشتگی آنها در شبکه عظیم صفحات وب جلوگیری گردد. در این راستا، ساختار وب¬سایت، بیانگر نحوه سازمان¬دهی پیوندها و ارتباطات صفحات وب¬سایت بوده، ارزیابی آن نیازمند استفاده از روش و شاخصی مناسب است. این مقاله، علاوه بر مرور روشهای فعلی مدل¬سازی وب¬سایت و ارزیابی ساختار آن، روشی را برای اندازه¬گیری وضعیت فعلی ساختار ارتباطات صفحات سایت ارائه کرده و نتایج استفاده از آن را در سایت یکی از دانشگاههای کشور ارائه می¬کند.
۲.

تحلیل رفتار مشتری با استفاده از کاوش کاربری وب(مقاله علمی وزارت علوم)

کلیدواژه‌ها: تحلیل رفتار مشتری داده کاوی کاوش کاربری وب خرده فروشیِ برخط

حوزه های تخصصی:
تعداد بازدید : ۵۳۰ تعداد دانلود : ۳۳۴
در راهبرد های اخیر بازاریابی، مشتریان از منابع مهم سازمان قلمداد می شوند. بر اساس این، کسبدانش درباره مشتریان و درک نیازهای آنها برای حفظ مشتریان در تجارت الکترونیک بسیار ضروری است. پیش بینی رفتار خرید مشتریانِ برخط دشوار است؛ زیرا به ندرت بازدید آنها از فروشگاه ها به خرید واقعی ختم می شود و این موضوع برای بازاریابان و پژوهشگران نوعی چالش شده است؛ از این رو، برای داشتن کسب وکارِ برخط موفق باید رفتار مشتریان را تحلیل کرد. بنابراین، این پژوهش با دو هدفِ الف) طرح چارچوبی برای افزایش دقت تحلیل و شناخت گروه های مشتریان و ب) ارائه مدل و قوانینی برای پیش بینی رفتار آ نها، رفتار مشتریان را تحلیل می کند. در این پژوهش از روش کریسپ و الگوریتم کا-میانگین برای خوشه بندی مشتریاناستفاده شده است؛ سپس با اختصاص سه نوع برچسب خرید، خریدنکردن و انتظار خرید به مشتریان و با استفاده از درخت تصمیم C5 مشتریان دسته بندی شدند. درنهایت، مدلی با دقت 63.6% و مجموعه ای از 261 قانون مناسب با اطمینان 70% برای کسب وکار به دست آمد.