| Περίληψη : | Πολλές μελέτες έχουν επικεντρωθεί στην ανάλυση της διαδικτυακής αγοραστικής συμπεριφοράς των πελατών σε ηλεκτρονικά καταστήματα. Ωστόσο, ο στόχος αυτής της εργασίας είναι να προβλέψει τους επισκέπτες που είναι πιο πιθανό να καταλήξουν σε αγορά πριν αυτοί ολοκληρώσουν την ηλεκτρονική τους περιήγηση στο κατάστημα.Με άλλα λόγια, το μοντέλο που χρησιμοποιήθηκε προβλέπει σε πραγματικό χρόνο την πιθανότητα αγοράς κάθε πελάτη σε κάθε «κλικ» που κάνει για να δει κάποιο προϊόν στο ηλεκτρονικό κατάστημα, με βάση τις σελίδες προϊόντων που έχει ήδη επισκεφτεί. Τα Markov-Chain μοντέλα παρέχουν τις πιθανότητες για το ποιο μπορεί να είναι το επόμενο προϊόν που θα επισκεφτεί ο πελάτης, λαμβάνοντας υπόψη τη διαδρομή που ακολουθήθηκε για να φτάσει κάποιος σε αυτήν τη σελίδα. Επομένως, τα μοντέλα Markov-Chain είναι κατάλληλα για τη μοντελοποίηση δεδομένων πλοήγησης στο Διαδίκτυο, καθώς είναι συμπαγή, απλά κατανοητά και βασίζονται σε μια καλά εδραιωμένη θεωρία, ενώ ταυτόχρονα διασφαλίζουν τη διαδοχικότητα των σχέσεων.
A lot of studies have focused on the analysis of the online purchasing behavior of customers on e-commerce sites, however, The aim of this study is to identify potential purchasing opportunities during the session rather than after the customer has finished shopping and begun to complete the transaction. In other words, in this project was implemented an approach that predicts in real time each customer’s probability of purchasing at a given click, based on individual’s observed click-path. By predicting purchasing probabilities for a given click, all it needs, to distinguish those visitors that are more likely to result in purchases from those that are less likely, is to set a probability threshold at an early stage of the clickstream. Providing the results of the analysis of this implementation, such a threshold is suggested, however the final decision regarding this threshold is up to each e-commerce manager, since it is considered to be part of business’s policy and strategy. Markov models provide the probability of the next link chosen when viewing a Web page, while taking into account the path followed to reach that page. Therefore, Markov Models are well suited for modeling user Web navigation data, since they are compact, simple to understand, and based on a well-established theory, while at the same time ensure the sequential relationships.
|
|---|
Copyright © 2013 Βιβλιοθήκη Ο.Π.Α. Με την επιφύλαξη παντός δικαιώματος.