Введение

В последние годы, с огромным ростом интернет-технологий, онлайн-покупки стали одним из самых популярных способов совершения покупок. В настоящее время существует так много веб-сайтов электронной коммерции, что наиболее привлекательным веб-сайтом может быть тот, который глубоко признает своих клиентов. Однако каждый день в Интернете создается слишком много информации, пользователи веб-сайтов могут столкнуться с проблемами загрузки и поиска информации. расходы, что означает, что пользователям труднее найти точную информацию (Chen., and Liang., 2010). Если веб-сайт может соответствовать спросу клиентов и рекомендовать клиентам на основе этого спроса, он, возможно, станет очень популярным. уменьшить давление информационной перегрузки, персонализированная рекомендательная система была разработана как решение для принятия решения в сложной информационной ситуации (Isinkaye, Folajimi and Ojokoh., 2015). В последние несколько лет многие рекомендательные системы использовались для выяснения требования пользователей в процессе поиска (Linden.et al., 2003; Nageswara., 2008)

Что такое персонализированная система рекомендаций.

PRS определяется как инструмент, который помогает пользователям принимать решения с помощью информации, имеющей отношение к требованиям клиентов (Isinkaye, Folajimi and Ojokoh., 2015), которая включает в себя различные области, такие как искусственный интеллект, статистика и другие (Ricci, et al., 2011). Из всех видов персонализированных инструментов система рекомендаций является наиболее подходящей и популярной в бизнесе электронной коммерции (Shahabi., and Chen., 2003). Что делает система рекомендаций, так это сделать персонализированные рекомендации, автоматизированные в Интернете и обеспечивающие индивидуальную персонализацию для каждого пользователя [Schafer., et al, 2001], что означает, что эта система будет предлагать продукты клиентам после их входа на веб-сайт. Наиболее применимое предложение пользователей предоставляется рекомендацией системы, так что сложность выбора клиентов уменьшится (Chen., and Liang., 2010). Рекомендация всегда основана на некоторых личных данных клиентов, таких как предыдущее покупательское поведение, и затем она будет предсказывать возможную покупку в будущем. Из-за различий между разными людьми рекомендации не будут одинаковыми. Безос, генеральный директор Amazon, сказал: «Если у меня есть 2 миллиона клиентов в Интернете, у меня должно быть 2 миллиона магазинов в Интернете».

Функции, полезные для электронной коммерции

Цель веб-сайта, использующего рекомендательную систему, вероятно, состоит в том, чтобы получить больше прибыли. В последние несколько лет многие рекомендательные системы использовались для выявления потребностей пользователей и поддержки их процессов принятия решений (Ricci. et al., 2011). Компании, возможно, могут получить больше дохода после использования PRS, особенно в продажах. Существуют три основные функции, которые PRS увеличивают продажи в электронной коммерции (Schafer., et al, 2001).

Первая функция называется превращение браузера в покупателя. Многие посетители просто просматривают веб-сайты, ничего не покупая. Но во время этого процесса система получает некоторые данные. Например, если покупательница просто ищет платье, она может искать платье на этот веб-сайт, то она может просмотреть некоторые из предметов, найденных на веб-сайте. В ходе этого процесса данные этого клиента и характеристики платьев, которые она смотрела раньше, были проанализированы системой рекомендаций. Если она не покупает любое платье, в следующий раз, когда она снова войдет на веб-сайт, система порекомендует ей несколько похожих платьев. Что бы клиенты ни смотрели на веб-сайте, система автоматически представит продукты, которые, вероятно, соответствуют требованиям клиентов.

Во-вторых, компании улучшают свои продажи за счет перекрестных продаж. Перекрестные продажи обеспечиваются путем рекомендации некоторых дополнительных продуктов для выбора покупателями с помощью PRS. Например, если покупатель купил ноутбук, при оформлении заказа система может предложить покупателю некоторые электронные устройства, относящиеся к ноутбукам, такие как мыши или наушники. Этот метод основан на покупательской привычке клиентов. Когда клиенты покупают новый продукт, например, письменный стол, они могут купить стул и книжную полку или другую мебель по в то же время, потому что эти продукты имеют отношение друг к другу. Основываясь на этой ситуации, PRS вводит продукты, которые связаны с тем, что клиенты купили или уже находятся в корзине.

И последнее — повысить лояльность клиентов. Лояльность клиентов — важный фактор в работе веб-сайтов. Веб-сайт использует PRS для изучения поведения клиентов, чтобы система могла соответствовать их требованиям. Чем больше клиентов используют этот веб-сайт, другими словами, обучают систему своим требованиям, тем больше эта система знает о клиентах, что означает, что система может предлагать продукты, которые близки к их потребностям. Клиенты могут просто платить за лучший. Таким образом, система помогает укрепить лояльность между клиентами и веб-сайтами. Более того, отношения между клиентами и веб-сайтами очень сложны. уничтожить, потому что, если другие веб-сайты хотят привлечь этих клиентов, им следует уделять столько же времени и энергии от клиентов, что и на предыдущем сайте. Однако это может занять много времени (Pine и др., 1995).

Справочный список, индекс цитирования, список литературы, библиография:

Чен, Денг-Нэн и др. «Интернет-система персонализированных рекомендаций по выбору мобильного телефона: разработка, внедрение и оценка». Экспертные системы с приложениями 37.12 (2010): 8201–8210.

Пайн, Б. Джозеф, Дон Пепперс и Марта Роджерс. Хотите сохранить своих клиентов навсегда?. Гарвардская деловая пресса, 1995.

Шафер, Дж. Бен, Джозеф А. Констан и Джон Ридл. «Приложения для рекомендаций по электронной коммерции». Применения интеллектуального анализа данных в электронной коммерции. Спрингер США, 2001. 115–153.

Риччи, Франческо, Лиор Рокач и Брача Шапира. «Введение в справочник по рекомендательным системам». Руководство по системам рекомендаций. Спрингер США, 2011. 1–35.

Isinkaye, F.O., YO Folajimi, and B.A. Ojokoh. «Системы рекомендаций: принципы, методы и оценка». Египетский журнал информатики 16.3 (2015): 261–273.

Линден, Грег, Брент Смит и Джереми Йорк. «Амазонка. com: совместная фильтрация по элементам». Интернет-вычисления IEEE 7.1 (2003): 76–80.

Рао, К. Нагешвара. «Область применения и функциональная классификация рекомендательных систем — обзор». Журнал библиотечных и информационных технологий DESIDOC 28.3 (2008): 17.