دانلود مقاله ISI انگلیسی شماره 104768
ترجمه فارسی عنوان مقاله

کشف الگوهای تولید محصول در نظر گرفتن: مطالعه موردی قیمت خودرو قیمت اطلاعات قیمت نقل قول داده ها

عنوان انگلیسی
Uncovering Patterns of Product Co-consideration: A Case Study of Online Vehicle Price Quote Request Data
کد مقاله سال انتشار تعداد صفحات مقاله انگلیسی
104768 2018 17 صفحه PDF
منبع

Publisher : Elsevier - Science Direct (الزویر - ساینس دایرکت)

Journal : Journal of Interactive Marketing, Volume 42, May 2018, Pages 1-17

ترجمه کلمات کلیدی
اطلاعات بزرگ، تجزیه و تحلیل ساختار بازار، صنعت خودرو، مدل های پاسخ فروش حریم خصوصی،
کلمات کلیدی انگلیسی
Big Data; Market structure analysis; Automotive industry; Sales response models; Privacy;
ترجمه چکیده
مصرف کنندگان اغلب قبل از انجام خرید، گزینه های متعددی از یک محصول مشابه را در نظر می گیرند. کشف الگوهای غالب چنین ملاحظاتی مشترک می تواند به کسب و کار بیشتر در مورد ساختار رقابتی بازار در ذهن مصرف کننده بیشتر یاد دهد. تحقیقات انجام شده نشان داده است که انواع مختلف اطلاعات فعالیت آنلاین و آفلاین (مانند سبدهای خرید، تاریخچه جستجو و مرور، اشاره به رسانه های اجتماعی) می توانند برای ارزیابی مشارکت محصول استفاده شوند. در این مقاله، ما یک مورد از کشف الگوهای همکاری را با استفاده از مجموعه داده های گسترده ای از درخواست های خرید اینترنتی آنلاین از خریداران اتوماتیک ایالات متحده مطالعه می کنیم. چالش اصلی ما این است که برای حفاظت از حریم خصوصی هیچ شناسایی فردی (ناشناس یا غیرقطعی) در داده ها وجود ندارد. چنین کمبود اطلاعات ما را از استفاده از روش های موجود مانند تجزیه و تحلیل وابستگی برای تعیین هماهنگی جلوگیری می کند. با این حال، با استفاده از الگوهای فضایی زمان در داده ها، ما قادر به کشف الگوهای احتمالی ملاحظات مشترک در بازار خودرو ایالات متحده است. به عنوان یک اعتبار سنجی و تصویری از سودمندی آن، ما ساختار بازار تخمینی را در یک مدل پاسخ فروش جاسازی می کنیم و نشان می دهد که بهبود قابل توجهی در عملکرد پیش بینی شده است.
پیش نمایش مقاله
پیش نمایش مقاله  کشف الگوهای تولید محصول در نظر گرفتن: مطالعه موردی قیمت خودرو قیمت اطلاعات قیمت نقل قول داده ها

چکیده انگلیسی

Consumers often consider multiple alternatives from the same product category prior to making a purchase. Uncovering the predominant patterns of such co-considerations can help businesses learn more about the competitive structure of the market in the mind of the consumer. Extant research has shown that various types of online and offline consumer activity data (e.g., shopping baskets, search and browsing histories, social media mentions) can be used to infer product co-considerations. In this paper, we study a case of uncovering co-consideration patterns using a massive dataset of online price quote requests from U.S. auto shoppers. The main challenge we face is that, for privacy protection, no unique individual identifier (anonymous or otherwise) is contained in the data. Such a data deficiency prevents us from using existing methods such as affinity analysis for inferring co-considerations. However, by leveraging spatiotemporal patterns in the data, we manage to probabilistically uncover the predominant patterns of co-considerations in the U.S. auto market. As a validation and illustration of its usefulness, we embed the inferred market structure in a sales response model and show a substantial improvement in predictive performance.