پروپوزال ارائه‌ی یک تحلیل‌گر رفتار مشتریان در کسب‌وکار آنلاین با استفاده از تجزیه‌وتحلیل ترکیبی کلان داده

با ورود به عصر اطلاعات، ارتباطات و ظهور اینترنت کسب‌وکارها به سمت آنلاین و مجازی شدن سوق می‌یابند. تمامی افراد با هر زمینه‌ی فعالیتی می‌توانند به‌راحتی حتی در خانه با خریدوفروش، تراکنش‌های مالی و بانکی، آموزش و یادگیری، چک کردن اطلاعات آب‌وهوا و بسیاری خدمات دیگر در اینترنت فعالیت کنند .

در چنین محیط رقابتی، ارائه‌دهندگان خدمات و صاحبان کسب‌وکار مشتاق هستند بهترین خدمات را ارائه دهند، همچنین آن‌ها درصدد یافتن روش‌هایی برای جلب رضایت مشتری، ارائه‌ی اپلیکیشن‌های کاربرپسند با سهولت بالا و ایجاد اطمینان برای ارائه‌ی بسترهای خرید اینترنتی امن و مطمئن هستند . از سوی دیگر استراتژی‌های تبلیغاتی برای جذب مشتری، برنامه‌های بازاریابی آینده، پیش‌بینی بازار و تحلیل رفتار مشتریان و حتی بهبود روش‌هایی برای فروش محصولاتی که به‌خوبی فروش نرفته‌اند، ازجمله اهداف صاحبان کسب‌وکارهای نوین اینترنتی است. از سوی دیگر با رشد روزافزون داده‌ها، نیاز به بازیابی، جمع‌آوری، ذخیره‌سازی، جست‌وجو، اشتراک‌گذاری، تحلیل، نمایش داده‌ها و به‌کارگیری زیرساخت‌های مناسب برای کلان داده‌ها از اهمیت ویژه‌ای برخوردار شده است به‌طوری‌که امروزه در فناوری اطلاعات، کلان داده به‌عنوان یک روند شناخته‌شده‌ی گسترده ظهور کرده و توجه دولت، صنعت و دانشگاه را به خود جلب کرده است .

 منظور از کلان داده‌، داده‌هایی با حجم، سرعت‌ و تنوع بالا است که به‌منظور بهبود تصمیم‌گیری، کشف بینش و بهینه‌سازی پردازش، نیازمند روش‌های نوین پردازش هستند . آمار CGOC  نشان می¬دهد حجم اطلاعات هر 18-24 ماه دو برابر می‌شود و 90 درصد از داده‌ها در جهان در دو سال اخیر تولیدشده‌اند. همچنین بر طبق پیش‌بینی‌های شرکت بین‌المللی داده (IDC)، حجم داده‌ها از   4.4ZB در طی سال‌های 2013 تا 2020 به 44ZB رشد خواهد کرد. به همین دلیل است که امروزه در صنعت از داده‌ها به‌عنوان «نفت جدید» اقتصاد، یاد می‌شود. از سوی دیگر با افزایش تجربه خرید آنلاین مشتریان با پیشرفت در فن‌آوری و معرفی گوشی‌های هوشمند و تبلت، خرید آنلاین راحت و محبوب شده است تا آنجا که پیش‌بینی‌ها حاکی از آن است که خرید آنلاین در سال 2017 به 370 بیلیون دلار افزایش یابد .

کاربرد کلان داده نه‌تنها تحلیل حجم بالایی از داده است، بلکه یک پردازش پیچیده است که می‌تواند اطلاعات جدید و کاربردی به‌منظور درک و ارزیابی الگوهای موجود و تصمیمات استراتژیک کسب‌وکار را استخراج کند. به‌بیان‌دیگر کلان داده برای غنی‌سازی تجربه مصرف‌کننده بسیار حائز اهمیت است. با توجه به مطالعات انجام‌شده، امروزه کسب‌وکارها از ویژگی‌ها و خصوصیات، به تجربه منتقل‌شده‌اند. به این معنا که تجربه‌ی کاربر مصرف‌کننده، به یک استاندارد جدید و حیاتی تبدیل‌شده است. فرآیند خرید یک محصول یا خدمات دیگر یک اقدام ساده تلقی نمی‌شود بلکه به‌عنوان یک تجربه پیچیده است که می‌تواند تعیین کند مصرف‌کننده به محل خرید بازگردد و یا هرگز بازنگردد .

ارزش تجربه مشتری از طریق 3 متغیر اندازه‌گیری می‌شود:1- مشتری،2-کسب‌وکار 3- فن‌آوری. برای پیش‌بینی رفتار مشتری هنگامی‌که یک محصول انتخاب می‌شود و به فروش می‌رسد همه این متغیرها باید در نظر گرفته شوند. در این مورد ممکن است فن‌آوری بیش‌ازحد باشد یا تمرکز آن سازمان یا مرکز خرید بیشتر روی جنبه‌ی تجاری و منفعت مالی باشد اما در صورت تمرکز بر منافع غیر پولی مانند افزایش رضایت کاربر، افزایش وفاداری مشتری، افزایش راه‌حل تصویب و تقویت رابطه فن‌آوری با کسب‌وکار، منافع پولی بیشتری در درازمدت به دست خواهد آمد . درنتیجه برای کسب مزیت رقابتی در کسب‌وکار نوین، توانایی تولید حجم زیادی از داده هنر نیست بلکه استفاده از مهارت‌های تحلیلی استخراج و کشف اطلاعات نهفته به‌منظور پیش‌بینی رفتار مشتریان و بهبود فضای کسب‌وکار مجازی و افزایش رضایت کاربران امری اجتناب‌ناپذیر است .

در این خصوص روش‌های مختلفی برای استخراج معنی‌دار اطلاعات وجود دارد. ازجمله این روش‌ها تجزیه‌وتحلیل آماری، الگوریتم‌های یادگیری ماشین، بهینه‌سازی و الگوریتم‌های استخراج متن است. با استفاده از تکنیک‌های مختلف یادگیری ماشین مانند طبقه‌بندی، الگوریتم ژنتیک، خوشه‌بندی یا الگوریتم K نزدیک‌ترین همسایه، صاحبان کسب‌وکار می‌توانند به‌طور بالقوه مشتری‌های مختلف، بخش‌ها، پیش‌بینی ترجیحات و هزینه‌های توانایی‌ها مشتریان را شناسایی کنند و در تبلیغ بهتر از آن‌ها استفاده کنند. در تکنیک‌های داده‌کاوی نیز بر اساس اطلاعات جمعیت مصرف‌کنندگان همراه با فعالیت‌های آنلاین آن‌ها با ترکیب اطلاعات مربوط به موقعیت جغرافیایی یک کاربر، زمان روز یا هفته‌ای که آن‌ها از فروشگاه محصولاتی را خریداری کرده‌اند، فعالیت مصرف‌کننده قابل پیش‌بینی است . یکی از رویکردهای پیش‌بینی رفتار مشتریان استفاده از داده‌های تراکنش است. به‌عنوان‌مثال، در  یک مدل با استفاده از خوشه‌بندی سلسله مراتبی و یک مدل مارکوف پنهان (HMM) برای پیش‌بینی رفتار مشتری بر اساس داده‌های معاملات ارائه‌شده است. در همچنین از مدل مارکوف برای پیش‌بینی احتمال کلیک بر اساس زمان صرف شده توسط مشتری در سایت استفاده کرده است. در روش‌های استخراج مدل رفتار مشتریان را از نظر معیارهای مانند مجموعه داده‌ها، متغیرهای وابسته، انواع مختلف طبقه‌بندی‌ها، تکنیک‌های تقسیم‌بندی / خوشه‌بندی و پیش‌بینی‌های مختلف به سه دسته تقسیم کرده است:

1. تجمعی : در این روش برای همه‌ی مشتریان یک مدل، توسعه داده می‌شود.

2. قسمت‌بندی : مشتریان به بخش‌های مختلفی طبقه‌بندی‌شده و برای هر بخش یک مدل توسعه داده می‌شود.

3. یک‌به‌یک: در این روش برای هر مشتری خاص یک مدل توسعه داده می‌شود.

 نتایج نشان می‌دهد روش دوم و سوم به‌طور قابل‌توجهی بهتر از روش اول است. در مقایسه با تمامی روش‌های ذکرشده در بالا، آنالیز کلان داده از جمله بهترین فرایندهایی است، که یک دید مهندسی و همه‌جانبه ازآنچه مصرف‌کنندگان خرید می‌کنند و همچنین می‌توانند درک کنند چرا مشتریان یک محصول یا خدمات خاص را خریداری می‌کنند، ایجاد می‌کند . اما رشد عظیم و متنوع داده‌ها، استخراج معنی‌دار و قابل‌اجرا اطلاعات از کلان داده‌ها خود یک چالش است. در ادامه به توضیح این چالش و هدف این پژوهش در غلبه بر این چالش پرداخته می‌شود.