منوی کاربری
  • پشتیبانی: ۴۲۲۷۳۷۸۱ - ۰۴۱
  • سبد خرید

ترجمه مقاله ارزیابی هوش تجاری بر اساس پروفایل رفتار مشتری با استفاده از ایده کاوی مبتنی بر سرگرمی در هند - نشریه تیلور و فرانسیس

ترجمه مقاله ارزیابی هوش تجاری بر اساس پروفایل رفتار مشتری با استفاده از ایده کاوی مبتنی بر سرگرمی در هند - نشریه تیلور و فرانسیس
قیمت خرید این محصول
۵۸,۰۰۰ تومان
دانلود مقاله انگلیسی
عنوان فارسی
ارزیابی هوش تجاری بر اساس پروفایل رفتار مشتری با استفاده از ایده کاوی مبتنی بر سرگرمی در هند: یک مطالعه موردی
عنوان انگلیسی
Business intelligence appraisal based on customer behaviour profile by using hobby based opinion mining in India: a case study
صفحات مقاله فارسی
28
صفحات مقاله انگلیسی
21
سال انتشار
2020
رفرنس
دارای رفرنس در داخل متن و انتهای مقاله
نشریه
تیلور و فرانسیس - Taylor & Francis
فرمت مقاله انگلیسی
PDF
فرمت ترجمه مقاله
pdf و ورد تایپ شده با قابلیت ویرایش
فونت ترجمه مقاله
بی نازنین
سایز ترجمه مقاله
14
نوع مقاله
ISI
نوع ارائه مقاله
ژورنال
پایگاه
اسکوپوس
ایمپکت فاکتور(IF) مجله
2.751 در سال 2019
شاخص H_index مجله
21 در سال 2020
شاخص SJR مجله
0.490 در سال 2019
شناسه ISSN مجله
1331-677X
شاخص Q یا Quartile (چارک)
Q2 در سال 2019
کد محصول
11182
وضعیت ترجمه عناوین تصاویر و جداول
ترجمه شده است ✓
وضعیت ترجمه متون داخل تصاویر و جداول
ترجمه شده است ✓
وضعیت ترجمه منابع داخل متن
ترجمه شده است ✓
ضمیمه
ندارد ☓
بیس
است ✓
مدل مفهومی
دارد ✓
پرسشنامه
ندارد ☓
متغیر
دارد ✓
رفرنس در ترجمه
در انتهای مقاله درج شده است
رشته و گرایش های مرتبط با این مقاله
مدیریت، مدیریت کسب و کار، مدیریت منابع انسانی، بازاریابی
مجله
Economic Research-Ekonomska Istraživanja
دانشگاه
موسسه فناوری Shree Devi ، مانگالور، کارناتاکا، هند
کلمات کلیدی
هوش تجاری مشتری، رفتار مشتری، تحلیل نظر چند رگرسیونی، سرگرمی، الگوریتم ژنتیک، ثبات اقتصادی
کلمات کلیدی انگلیسی
Customer business intelligence - consumer behaviour - multiple regression opinion analysis - hobby - genetic algorithm - economic sustainability
doi یا شناسه دیجیتال
https://doi.org/10.1080/1331677X.2020.1763822
۰.۰ (بدون امتیاز)
امتیاز دهید
فهرست مطالب
چکیده

1. مقدمه

2. مروری بر مطالعات انجام شده

3. روش تحقیق

3.1 پیش بینی الگوی خرید مشتری بر اساس همبستگی

3.2 افزایش مجموعه داده ها با استفاده از GA

3.3 مدلهای رگرسیون متعدد برای بدست آوردن نتایج مناسب تر

4. تحلیل تجربی و نتایج

4.1 ارزیابی با استفاده از تحلیل همبستگی

4.2 ارزیابی با استفاده از مدل رگرسیون متعدد

5. نتیجه گیری

تصاویر فایل ورد ترجمه مقاله (جهت بزرگنمایی روی عکس کلیک نمایید)
11182-IranArze     11182-IranArze1     11182-IranArze2
نمونه چکیده متن اصلی انگلیسی
ABSTRACT

This research study contributes towards understanding the customer’s behaviour dynamics. In business analysis, it is very important not to ignore the fact that the interaction between human beings implicitly includes an emotional dimension. The research methodology includes the following: (1) customer purchase pattern prediction methods based on correlation; (2) augmentation of data set by using genetic algorithms; and (3) multiple regression models. The analysis indicates how the hobby of a customer is directly related to the purchase patterns and satisfaction level. We applied business intelligence (BI) techniques and concluded that, by using multiple regression method is possible to evaluate the level of customer satisfaction up to the upper limit of security of about 90%. BI tools could be used to employ significant achievements in specific fields based on open innovations. This paper aims at providing further practical guidance in this innovative research field by using a mix of interdisciplinary methods and techniques.

1. Introduction

The core idea of business intelligence (BI) is to recognise the behavior of the customer and to predict their purchase pattern for improvement of the business as well as for a better environmental sustainability. Efficient decision making based on BI is essential to ensure competitiveness for sustainable growth (Jin & Kim, 2018). However, in literature, there is no universally accepted definition of BI. BI plays an essential role in areas such as sales representatives’ performance, customer loyalty, and product performance (Athanasoulias & Chountalas, 2019). Remarkable BI applications have also been reported in a wide variety of occupational fields, from health care and airlines to major IT and telecommunication firms (Watson, 2009). Cebotarean (2011) suggested that BI is related to computer-based techniques used in spotting, digging-out, and analyzing business data, such as sales revenue by products and/or departments, or by associated costs and incomes. Larson and Chang (2016) argued that BI includes an information value chain for gathering raw data, turning these data into useful information, management decision making, driving business results, and raising corporate value.

5. Conclusions

Initially, the data records are clustered on the basis of weights using correlation technique, which is explained in the section 3.1. It is observed from the result and analysis that, with the huge data records, it is still possible to improve the accuracy of the result. As the data collection through communicating with the people is tedious and time consuming, it is decided to enhance the data using GA and is demonstrated in the section 3.2. The techniques of GA are applied with different bits of crossover operations and mutation. The newly generated data record is further mutated to modify its characteristics as per the GA procedure. GAs provide a well-established framework for implementing artificial intelligence tasks such as classification, learning, and optimisation. The results revealed that out of total records, 0.6 percentages are rejected due to improper data and also due to manual filtering.

نمونه چکیده ترجمه متن فارسی
چکیده

این تحقیق به درک دینامیک های رفتار مشتری کمک می کند. در تحلیل های تجاری، نادیده نگرفتن این حقیقت بسیار مهم است که تعامل بین انسان ها در برگیرنده یک بعد عاطفی می باشد. روش انجام تحقیق شامل موارد زیر است 1) روش های پیش بینی الگوی خرید مشتری بر اساس همبستگی، 2) افزایش مجموعه داده ها با استفاده از الگوریتم های ژنتیک و 3) مدلهای چند رگرسیونی. این تحقیق بیانگر این است که چگونه سرگرمی یک مشتری دارای ارتباط مستقیم با الگوهای خرید و میزان رضایت می باشد. ما از تکنیک های هوش تجاری (BI) استفاده کردیم و نتیجه گیری کردیم که با استفاده از روش چند رگرسیونی امکان ارزیابی میزان رضایت مشتری تا حد بالای امنیت 90% وجود دارد. ابزار BI می توانند برای دست یابی به پیشرفت های قابل توجه در حوزه های خاص بر اساس نوآوری های آزاد استفاده شوند. هدف این مقاله، ارائه راهنمای کاربردی در حوزه نوآوری با استفاده از ترکیبی ار روش ها و تکنیک های بین رشته ای می باشد.

1. مقدمه

نظریه اصلی هوش تجاری (BI)، تشخیص رفتار مشتری و پیش بینی الگوهای خرید برای ارتقای تجارت و همچنین ثبات محیطی بهتر است. تصمیم گیری موثر بر اساس BI برای اطمینان از رقابت پذیر بودن رشد پایدار لازم است (جیم & کیم 2018). به هر حال، در مطالعات انجام شده، هیچ تعریف جامع و پذیرفته شده ای برای BI وجود ندارد. BI نقش ضروری در حوزه هایی چون عملکرد نمایندگان فروش، وفاداری مشتری، و عملکرد محصول ایفا می کند (آنتاناسولیاس & چانتالاس 2019). کاربردهای قابل توجه BI نیز در حوزه های شغلی مختلف از سلامت و خطوط هوایی تا IT و شرکت های مخابراتی می باشند (واتسون 2009). سبوتارن در سال 2011 بیان کرد که BI با تکنیک های کامپیوتری مورد استفاده در آماده سازی، کاوش و تحلیل داده های تجاری مثل درآمد فروش محصول / دپارتمان های فروش یا هزینه ها و درآمد مرتبط در ارتباط است. لارسون و چانگ در سال 2016 بیان کردند که BI شامل زنجیره ارزش اطلاعات برای گردآوری اطلاعات خام، تبدیل این داده ها به اطلاعات مفید، مدیریت تصمیم گیری، ارائه نتایج تجاری و افزایش ارزش مشارکت می باشد.

5.نتیجه گیری

ابتدا، داده های ثبت شده بر اساس وزن ها و با استفاده از تکنیک همبستگی دسته بندی شدند که در بخش 3.1 تشریح شده است. با توجه به نتایج و تحلیل ها بدیهی است که با استفاده از مجموعه بزرگی از داده ها، امکان ارتقای دقت نتایج وجود دارد. چون کار گردآوری داده ها از طریق ارتباط با مردم زمان بر و دشوار است، تصمیم گرفته شده است تا میزان داده ها با استفاده از GA افزایش داده شود که در بخش 3.2 توضیح داده شده است. تکنیک های GA با عملیات مختلف و جهش های متفاوت مورد استفاده قرار می گیرند. داده هایی که جدید گروآوری شده اند جهش داده می شوند تا ویژگی های آنها همانند تکنیک های GA اصلاح شوند. تکنیک GA یک چارچوب منسجم برای استفاده از وظایف هوش مصنوعی از جمله دسته بندی، یادگیری و بهینه سازی است. نتایج نشان می دهد که از میان تمام گزارشات، 0.6 درصد پذیرفته نشده اند زیرا داده ها نامناسب بوده اند و فیلترینگ آنها دستی بوده است.


بدون دیدگاه