ارائه مدل ترکیبی RL–LSTM برای پیش‌بینی پویا و دقیق ارزش طول عمر مشتری در فروشگاه‌های آنلاین

ارائه مدل ترکیبی RL–LSTM برای پیش‌بینی پویا و دقیق ارزش طول عمر مشتری در فروشگاه‌های آنلاین

فروزان بلگوری1 حسن ضیافت2

1) دانشجوی کارشناسی ارشد مهندسی فناوری اطلاعات، دانشگاه آزاد اسلامي واحد الكترونيكي، ایران
2) استادیار گروه کامپیوتر دانشگاه آزاد اسلامی واحد نطنز، ایران

کد IOI مقاله : AAHD-ABFEGB
محل انتشار : کنفرانس ملی فناوری اطلاعات، نانوتکنولوژی، هوش مصنوعی و آینده پژوهی فناوری (itnaf.ir)
چکیده :
    با گسترش تجارت الکترونیک و افزایش رقابت در بازارهای دیجیتال، پیش‌بینی دقیق ارزش طول عمر مشتری (CLV) به یکی از چالش‌های اصلی مدیریت ارتباط با مشتری تبدیل شده است. هدف این پژوهش ارائه یک مدل ترکیبی مبتنی بر یادگیری عمیق و یادگیری تقویتی برای پیش‌بینی پویا و دقیق CLV در فروشگاه‌های آنلاین است. در روش پیشنهادی، داده‌های تراکنشی و رفتاری مشتریان پس از مرحله پیش‌پردازش، در قالب شبکه عصبی LSTM جهت استخراج وابستگی‌های زمانی و الگوهای رفتاری مورد استفاده قرار گرفتند. سپس الگوریتم یادگیری تقویتی به‌منظور بهینه‌سازی تصمیمات و افزایش دقت پیش‌بینی با مدل LSTM ادغام شد. برای ارزیابی عملکرد مدل، داده‌های Retail Online مورد استفاده قرار گرفت و نتایج با الگوریتم‌های کلاسیک شامل رگرسیون خطی، جنگل تصادفی، XGBoost و LSTM مقایسه شد. معیارهای ارزیابی شامل RMSE، MAE، MAPE و ضریب تعیین (R²) بودند. نتایج نشان داد مدل ترکیبی RL–LSTM نسبت به مدل‌های پایه عملکرد بهتری داشته و توانسته خطای پیش‌بینی را به‌صورت قابل توجهی کاهش دهد. یافته‌های این پژوهش نشان می‌دهد استفاده از مدل‌های ترکیبی مبتنی بر یادگیری عمیق و یادگیری تقویتی می‌تواند ابزار مؤثری برای شناسایی مشتریان باارزش و بهینه‌سازی تصمیمات بازاریابی در فروشگاه‌های آنلاین فراهم آورد.

کلمات کلیدی : ارزش طول عمر مشتری یادگیری ماشین یادگیری عمیق یادگیری تقویتی lstm تجارت الکترونیک مدیریت ارتباط با مشتری