نوع مقاله : مقاله پژوهشی (آمیخته )
نویسندگان
1
دانش آموخته کارشناسی ارشد مدیریت کسب و کار ،دانشکده علوم انسانی و اجتماعی ،دانشگاه شمال ،آمل،ایران
2
دانشیار ُ گروه مدیریت ،دانشکده علوم انسانی و اجتماعی ، دانشگاه شمال ، آمل ، ایران
3
دانشیار ،گروه مدیریت ،دانشکده علوم انسانی و اجتماعی ،دانشگاه شمال ،آمل،ایران
4
استادیار، گروه مدیریت، دانشکده علوم انسانی و اجتماعی، دانشگاه شمال، آمل، ایران
5
گروه حسابداری، دانشکده مدیریت و حسابداری، پردیس فارابی، دانشگاه تهران، قم، ایران
10.22034/jnamm.2026.569389.1240
چکیده
چکیده
این پژوهش با هدف پیشبینی محصولات مورد نیاز مشتریان تجارت الکترونیک در شرکت فرآوردههای گوشتی کاله و با استفاده از الگوریتمهای یادگیری ماشین انجام شد. پژوهش حاضر از نظر هدف، کاربردی و با رویکردی کمی انجام گرفت. دادههای مورد استفاده، شامل اطلاعات تاریخی خرید مشتریان آنلاین شرکت کاله بود که متغیرهای «قیمت محصول»، «حجم خرید وزنی گذشته»، «نوع محصول»، «دفعات خرید گذشته» و «میزان خرید ریالی گذشته» را در بر میگرفت. برای پیشبینی «محصول مورد نیاز» به عنوان متغیر خروجی، چهار الگوریتم یادگیری ماشین شامل شبکه عصبی مصنوعی، جنگل تصادفی، درخت تصمیم و K-نزدیکترین همسایه پیادهسازی و با معیارهای دقت (Accuracy)، صحت (Precision)، فراخوانی (Recall) و F1-Score ارزیابی شدند. نتایج ارزیابی مدلها نشان داد که الگوریتم شبکه عصبی مصنوعی با کسب بالاترین امتیاز در تمامی معیارهای ارزیابی ( دقت: 95.1%، صحت: 94.2%، فراخوانی: 95.9% و F1-Score: 95.5% ) ، نتایج نشان داد شبکه عصبی مصنوعی بهترین عملکرد را در پیشبینی محصولات مورد نیاز مشتریان دارد؛ مدلهای پژوهش در محیط برنامهنویسی Python نسخه 3.x و با بهرهگیری از کتابخانههای تخصصی Scikit-learn و Keras مبتنی بر TensorFlow پیادهسازی و اعتبارسنجی شدند. پس از آن، به ترتیب الگوریتمهای جنگل تصادفی، درخت تصمیم و K-نزدیکترین همسایه قرار گرفتند. همچنین، تحلیل اهمیت متغیرها نشان داد که «حجم خرید وزنی گذشته» و «دفعات خرید گذشته» بیشترین تأثیر را در پیشبینی مدل داشتهاند. مدل پیشنهادی مبتنی بر شبکه عصبی مصنوعی، قابلیت تبدیل به یک سیستم توصیهگر محصول دقیق و کارآمد را برای شرکت کاله دارد. پیادهسازی این مدل میتواند با پیشبینی دقیق تقاضای آینده مشتریان، به بهینهسازی مدیریت موجودی، افزایش رضایت مشتری و در نهایت رشد فروش شرکت منجر شود.
کلیدواژهها
موضوعات
عنوان مقاله English
Predicting the products needed by e-commerce customers using machine learning algorithms in Kalleh Meat Products Company
نویسندگان English
ahmad firouzi
1
Hamidreza Razavi
2
saeid emamgholizadeh
3
Seyed Hesameddin Motavalli
4
Mohammadreza Razavi
5
1
Master of Business Administration graduate, Faculty of Humanities and Social Sciences, Shomal University, Amol, Iran
2
Associate Professor,Department of Management, Faculty of Humanities and Social Sciences, University of Shomal, Amol, Iran
3
Associate Professor,Department of Management, Faculty of Humanities and Social Sciences, Shomal University, Amol, Iran
4
Assistant Professor, Department of Management, Faculty of Humanities and Social Sciences, Shomal University, Amol, Iran
5
Department of Accounting, Faculty of Management and Accounting, College of Farabi, University of Tehran, Qom, Iran
چکیده English
Abstract
This research was conducted with the aim of predicting the products needed by e-commerce customers in Kalleh Meat Products Company using machine learning algorithms. The present study is applied in terms of purpose and was carried out with a quantitative approach. The data used included historical online purchase records of Kalleh Company's customers, comprising the variables "product price", "past purchase weight volume", "product type", "past purchase frequency", and "past purchase amount in Rials". To predict the "required product" as the output variable, four machine learning algorithms including Artificial Neural Network (ANN), Random Forest, Decision Tree, and K-Nearest Neighbors (KNN) were implemented and evaluated using Accuracy, Precision, Recall, and F1-Score metrics. The model evaluation results showed that the Artificial Neural Network algorithm achieved the highest scores across all evaluation metrics (Accuracy: 95.1%, Precision: 94.2%, Recall: 95.9%, and F1-Score: 95.5%), indicating that the Artificial Neural Network had the best performance in predicting the products needed by customers. The research models were implemented and validated in the Python 3.x programming environment using specialized libraries Scikit-learn and Keras based on TensorFlow. Subsequently, the Random Forest, Decision Tree, and K-Nearest Neighbors algorithms ranked next, respectively. Moreover, the feature importance analysis revealed that "past purchase weight volume" and "past purchase frequency" had the greatest impact on the model's prediction. The proposed model based on the Artificial Neural Network has the potential to be developed into an accurate and efficient product recommender system for Kalleh Company. Implementation of this model can lead to optimized inventory management, increased customer satisfaction, and ultimately sales growth for the company by accurately predicting future customer demand.
کلیدواژهها English
Demand Forecasting
Machine Learning
Recommender System
E-commerce
Artificial Neural Network
Customer Satisfaction
