ارائه مدل راهبردی مبتنی بر رویکرد یادگیری ماشین به منظور سنجش خودکار نظرات و کاوش اطلاعات کالاها در بازاریابی دیجیتال
الموضوعات : پژوهش های مدیریت راهبردیعلیرضا عاشوری رودپشتی 1 , هرمز مهرانی 2 , کریم حمدی 3
1 - دانشجوی دکتری مدیریت بازاریابی، گروه مدیریت بازرگانی، واحد علوم و تحقیقات، دانشگاه آزاد اسلامی، تهران، ایران.
2 - استادیار گروه مدیریت، موسسه آموزش عالی غزالی، قزوین، ایران
3 - دانشیار مدیریت بازرگانی، گروه مدیریت بازرگانی، واحد علوم و تحقیقات، دانشگاه آزاد اسلامی، تهران، ایران
الکلمات المفتاحية: هوش مصنوعی, یادگیری ماشین, بازاریابی دیجیتال, قابلیت‌های بازاریابی, نظرکاوی,
ملخص المقالة :
مطالعه حاضر با استفاده از تکنیک های یادگیری ماشین و نظرکاوی کوشیده است تا بتواند مدل راهبردی خودکار به منظور طبقه بندی و کاوش نظرات ارائه شده در مورد کالا، برند یا خدماتی خاص ارائه نماید. بکارگیری چنین مدل راهبردی می تواند در شناسایی خصوصیات برندها و خوشه بندی عاملی بین آن ها بسیار کارآمد بوده و اطلاعات بسیار ارزشمندی در این زمینه ارائه دهد. نتایج حاصل از این ارزیابی می تواند در تهیه استراتژی های مدیریت بازاریابی و بهبود کمی یا کیفی عامل مذکور بکار برده شود. مدل مبتنی بر یادگیری ماشین و شبکه عصبی عمیق با شناسایی نظرات مرتبط، خصوصیات مختلف را در سطوح گوناگون ارزشیابی سنجیده و نظرات را بسته به کیفیت ارائه بصورت خودکار طبقه بندی می نماید. خروجی این مدل با بکارگیری قابلیت های بازاریابی در بهبود فروش کالا/برند/خدمات تعریف شده بصورت کارآمد وارد شده است. مجموعه داده بکار گرفته شده در این مطالعه مربوط به مجموعه نظرات کاربران فارسی زبان سایت فروش انلاین دیجیکالا و هلوکیش می باشد که بصورت آموزشی- آزمایشی (70% داده آموزشی و 30% داده آزمایشی) طی سه مدل متناوب بارگذاری گردیده که به منظور شناسایی و طبقه بندی ویژگی های مختلف کالاها و خدمات ارائه شده در مجموعه داده مورد استفاده بوده است. مدل پیشنهادی جهت ارزیابی توانمندی از توابع خطا برای محاسبه میزان خطای محاسباتی استفاده نموده تا بتواند میزان انحراف از مقادیر درستی را برای اطلاعات پیش بینی شده خود ارائه دهد. بدین منظور از ارزیابی خطای میانگین مربعات و خطای جذر میانگین مربعات بهره گرفته شده است. نتایج حاصله نشان دهنده دقت بالای مدل ارزیابی ها و پیش بینی شرایط مختلف می باشد.
Al-Hajjar D & Syed A.Z. (2015). Applying sentiment and emotion analysis on brand tweets for digital marketing. In: 2015 IEEE Jordan Conference on Applied Electrical Engineering and Computing Technologies (AEECT), doi: 10.1109/AEECT.2015.7360592.
Berthon, R.P., Pitt, L.F., Plangger, K & Shapiro, D. (2012). Marketing meets Web 2.0, social media, and creative consumers: Implications for international marketing strategy. Business Horizons, Vol. 55. No. 3. 261- 271.
Bhor H.N., Koul T., Malviya R & Mundra K. (2018). Digital media marketing using trend analysis on social media. In: 2018 2nd International Conference on Inventive Systems and Control (ICISC), doi: 10.1109/ICISC.2018.8399038.
Chiu H.C., Hesieh Y., Li Y & Lee M. (2005). Relationship marketing and consumer switching behavior. Journal of Business Research, 58(12): 1681- 1689.
Chollet F (2017). Deep Learning with Python. Manning Publications, 384 p.
Dou, W., Lim, K. H., Su, C., Zhou, N & Cui, N. (2010). Brand positioning strategy using search engine marketing. MIS Quarterly, 261-279.
Garant A (2017). Social media competitive analysis and text mining: a case study in digital marketing in the hospitality industry. MSc. Thesis, Mikkelin kampus, Aalto University.
Hassoun M. (2003). Fundamentals of Artificial Neural Networks. A Bradford Book press, 511.
Lamberton C & Stephen A.T. (2016). A Thematic Exploration of Digital, Social Media, and Mobile Marketing Research's Evolution from 2000 to 2015 and an Agenda for Future Research. Journal of Marketing, 80(6): 146-172.
Liu, B (2012). Sentiment Analysis: Mining Opinions, Sentiments, and Emotions. Cambridge University Press, 381 p.
Malcolm, H (2015). Cyber Monday clocks record sales as mobile sales surge, USA Today, Dec 2. Accessed http://www.usatoday.com/story/money/2015/12/01/cyber-mondaysalesresults/7660 2534/.
Pathak, X & Pathak-Shelat, M (2017). Sentiment analysis of virtual brand communities for effective tribal marketing. Journal of Research in Interactive Marketing, 11(1): 16-38.
Phillips E (2015). Retailers scale up online sales distribution networks. The Wall Street Journal, November 17- 2015. Accessed http://www.wsj.com/articles/retailers-scale-up-online-salesdistribution- networks-1447792869.
Saura J.R., Palos-Sanchez P.R & Correia M.B (2019). Digital Marketing Strategies Based on the E-Business Model: Literature Review and Future Directions. In Organizational Transformation and Managing Innovation in the Fourth Industrial Revolution; IGI Global: Hershey, PA, USA, pp. 86-103
Sharda R., Delen D & Turban E. (2014). Business Intelligence and Analytics: Systems for Decision Support. Pearson, 656 p.
Toubia O & Stephen A.T (2013). Intrinsic vs. image-related utility in social media: Why do people contribute content to twitter?. Marketing Science, 32(3): 368-392.
Wedel M & Kannan P.K. (2016). Marketing Analytics for Data-Rich Environments, Working Paper, Robert H. Smith School of Business, University of Maryland, College Park, MD 20742.
Witten I.H., Frank E., Hann M.A & Pal C.J. (2016). Data Mining: Practical Machine Learning Tools and Techniques.Morgan Kaufmann Pub, 654 p.
Yadav M.S & Pavlou P.A. (2014). Marketing in Computer-Mediated Environments: Research Synthesis and New Directions. Journal of Marketing, 78(1): 20-40.
_||_
