دانلود مقاله ISI انگلیسی شماره 686 + ترجمه فارسی
عنوان فارسی مقاله

کشف هوش کسب و کار از بررسی های آنلاین محصولات: چارچوب قاعده استقرایی (قیاسی)

کد مقاله سال انتشار مقاله انگلیسی ترجمه فارسی
686 2012 10 صفحه PDF 27 صفحه WORD
خرید مقاله
پس از پرداخت، فوراً می توانید مقاله را دانلود فرمایید.
عنوان انگلیسی
Discovering business intelligence from online product reviews: A rule-induction framework
منبع

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

Journal : Expert Systems with Applications, Volume 39, Issue 15, 1 November 2012, Pages 11870–11879

فهرست مطالب ترجمه فارسی
چکیده
مقدمه 
پژوهش BI و تجزیه و تحلیل بررسی آنلاین محصولات
تجزیه و تحلیل بررسی آنلاین محصولات
استخراج قانون رابطه
نظریه مجموعه های سخت
چارچوب قانون استقرایی برای کشف هوش تجاری (هوش کسب و کار)
چارچوب قانون استقرایی 
استخراج و فیلترکردن ویژگی ها 
روش های قانون استقرایی 
استخراج قانون رابطه
تئوری مجموعه های سخت 
ارزیابی تجربی 
بحث و گفتگو 
نتایج و مسیرهای آینده 
 
کلمات کلیدی
تجارت الکترونیکی - بررسی آنلاین - داده کاوی - متن کاوی - تئوری مجموعه راف - هوش کسب و کار - اعتبار آنلاین -
ترجمه چکیده
بررسی آنلاین محصولات، منبع مهمی برای هوش کسب و کار (BI) محسوب می شود که به مدیران و بازاریابان در درک دغدغه ها و علایق مشتریان کمک می کند. حجم زیاد داده های بررسی شده کار تحلیل دغدغه های مشتریان را به صورت دستی دشوار می سازد. بدین منظور، برای آسان کردن این تجزیه و تحلیل، ابزارهای اتوماتیک به وجود آمده اند. با این حال بیشتر این ابزارها فاقد توانایی در استخراج روابط بین عبارات غنی بررسی شده و رتبه بندی مشتری می باشند. مدیران و بازاریابان اغلب برای پیدا کردن رابطه ها به صورت دستی به خواندن بازدید های حجیم کلی روی می آورند. به منظور پرداختن به این چالش ها، شرح و بسط دسته جدیدی از سیستم های BI را بر اساس تئوری مجموعه های سخت، یادگیری قاعده استقراء و روش های بازیابی اطلاعات پیشنهاد کردیم. چارچوب جدیدی را برای طراحی سیستم های BI ایجاد کردیم که بر اساس این رابطه بین دسته بندی های مشتری و بررسی هایشان را می توان استخراج کرد. با استفاده از بازدید محصولات مختلف از روی Amazon.com، آزمایش های کیفی و کمی را برای ارزیابی عملکرد سیستم BI که بر اساس چارچوب توسعه یافته انجام دادیم. نتایج نشان می دهد که سیستم به دقت بالایی دست یافته و پوشش موجود مرتبط با کیفیت قاعده است. همچنین قوانین جالب وآموزنده ای با پشتیبانی بالا و ارزش اعتماد ارائه شده است. یافته ها حاوی پیامدهای مهمی برای تجزیه و تحلیل تمایلات بازار و مدیریت اعتبار تجارت الکترونیک است.
ترجمه مقدمه
زمانی که تجارت الکترونیک از تعامل بیشتر میان کاربران با برنامه های 2.0 وب پشتیبانی می کند، محتوای تولید شده توسط کاربر که در این سایت ها مطرح شده به طور قابل توجهی در حال رشد است. کاربران نه تنها از محتوای وب بهره می برند، بلکه همچنین داده های حجیمی از مشارکت شان را تولید می کنند که اغلب بر تصمیم گیری های کاربران دیگر نیز اثر می گذارد. مطالعه ای نشان می دهد که بیش از سه چهارم از 2078 کاربر گزارش کرده اند که بررسی محصولات آنلاین تاثیر بسزایی بر تصمیم گیری خرید و فروش شان برجای گذاشته است (کامسکور، 2007). این بررسی های از محصول آنلاین حاوی تشریحاتی در مورد اولویت ها، نظرات و توصیه های کاربر است که به عنوان منبع اصلی از هوش کسب و کار به کار گرفته می شود (BI). این موضوع به مدیران و بازاریابان کمک می کند که درک بهتری از مشتریان داشته باشند. پیتر دراکر به عنوان پژوهشگر در زمینه مدیریت تاکید می کند که این سوال «در نزد مشتری چیزی ارزش و اعتبار تلقی می شود» ممکن است به منظوردرک ماموریت و هدف تجاری به عنوان مهم ترین سوال برای پاسخ دادن تلقی شود (دراکر، 2003). با این حال، حجم بسیاری از داده های مربوط به بررسی آنلاین محصولات اطلاعات قابل توجهی را ایجاد می کند که متقابلا مشکلات اضافی را نیز به بار می آورد (بومن، دانتزیگ، منبر، و شوارتز، 1994)، این موضوع مسئله کشف BI را از روی بررسی ها و تجزیه و تحلیل نگرانی های مشتری را دشوار می کند. دو قسمت اصلی از اطلاعات موجود در هر بررسی آنلاین شامل محتوای متنی و رتبه بندی عددی است که به ترتیب جنبه های توجه و تمایلات مشتری را نشان می دهد. با این حال، هیچ یک از این دو به تنهایی گزارش کاملی از «ارزش» واقعی محصول را ارائه نمی کنند (دراکر، 2003)، که توضیح درستی از رضایت مشتری به شمار می رود؛ بنابراین، وظیفه مهم یک مدیر این است که بین رتبه بندی عددی و محتوای متنی این بررسی ها به منظور درک چیزی که مشتری در محصول ارزش گذاری می کند، ارتباط برقرار کند. این کار به طور معمول با خواندن و استخراج دستی عبارات و کلمات کلیدی انجام می گیرد که دغدغه های مشتری و ارتباط دستی بین استخراج عبارات و رتبه بندی عددی را نشان می دهد. با وجود مفید بودن این موضوع، چنین تجزیه و تحلیلی وقت گیر است و به سرعت رشد بررسی های آنلاین را افزایش نمی دهد. ابزارها و تکنیک های خودکار برای تجزیه و تحلیل بررسی های آنلاین ارائه شده اند. این آثار سعی دارند تاثیر بررسی ها را بر روی خرید و فروش (زو و ژانگ، 2010)، توصیه محصولات (ایشیر، ژانگ، سیموف، و دبینهم، 2007)، ارزیابی سودمندی بررسی ها (دینگ و لیو، 2007)، شناسایی ویژگی های محصول مهم (ژانگ، 2008)، تشخیص بررسی کاذب (جیندال و لیو، 2007)، و به طور خلاصه محتوا بررسی شده را مورد مطالعه قرار دهند (ژوانگ، جینگ، و زو، 2006). با این حال، پژوهشی که وظیفه مدیریتی مرتبط بین رتبه بندی عددی و محتوای متنی این بررسی ها را پشتیبانی می کند به طور گسترده بدست نیامد؛ بنابراین، این مسئله که چگونه محتوای متنی این بررسی ها به رتبه بندی عددی کمک می کند به طور گسترده ای مورد خطاب قرار نگرفته است. درک این رابطه در مقادیر بالایی از داده های بررسی شده آنلاین می تواند به مدیران تجارت الکترونیک برای تصمیم گیری موثر در بخش مدیریت برند، ارتقاء محصول و مدیریت اعتبار کمک کند. در این مقاله، در مورد آثار موجود در بخش تجزیه و تحلیل بررسی های محصول آنلاین بحث و گفتگو می کنیم و این رویکردهای موجود را به صورت انتقادی بررسی می کنیم. بدنبال الگوی علمی طراحی شده (هونیر، مارس، پارک، و رم، 2004)، چارچوب جدیدی برای طراحی دسته جدیدی از سیستم های BI ایجاد کردیم که محتوای متنی و رتبه بندی عددی بررسی های محصول آنلاین را به هم وابسته می کند. در مقایسه با علم رفتاری، الگوی علمی طراحی شده انتخاب شده است، چون که بر ایجاد و ارزیابی آثار ابتکاری که الزامات تجزیه و تحلیل مدیران تجارت الکترونیک، بازاریابان و متخصصین BI را مورد مخاطب قرار می دهد، تاکید می کند. در روند ایجاد مصنوعات مان، مبانی نظری و محاسباتی از داده کاوی (لیو، 2007؛ پاولاک، 1982) و بازیابی اطلاعات (ساللتون، 1989؛ ساللتون، وانگ، و یانگ، 1975) را مطرح می سازیم. بر اساس تئوری مجموعه های سخت و روش های استخراج قانون استقرایی به کار رفته در این چهارچوب، به عنوان نمونه ای از سیستم برای استخراج رابطه بین صدها رتبه بندی مشتری و بررسی های متنی مرتبط با وب سایت Amazon.com توسعه دادیم. برای نشان دادن عملکرد سیستم، دو روش داده کاوی برای استخراج قواعد تصمیم گیری خودکار به منظور درک درستی از این رابطه به اجرا در آمده است. با استفاده از آزمایش های کیفی و کمی، به طور تجربی سیستمی را آزمایش کردیم که تحت روش ها و تنظیمات مختلف پیکربندی شده بود. عملکرد افزایشی سیستم در طول انواع مختلفی از بررسی های آنلاین محصولات به اثبات رسیده است. این نتایج پیامدهای قوی در زمینه مدیریت نام تجاری و تجزیه و تحلیل تمایلات بازار آنلاین به همراه داشته است.
پیش نمایش مقاله
پیش نمایش مقاله کشف هوش کسب و کار از بررسی های آنلاین محصولات: چارچوب قاعده استقرایی (قیاسی)

چکیده انگلیسی

Online product reviews are a major source of business intelligence (BI) that helps managers and marketers understand customers’ concerns and interests. The large volume of review data makes it difficult to manually analyze customers’ concerns. Automated tools have emerged to facilitate this analysis, however most lack the capability of extracting the relationships between the reviews’ rich expressions and the customer ratings. Managers and marketers often resort to manually read through voluminous reviews to find the relationships. To address these challenges, we propose the development of a new class of BI systems based on rough set theory, inductive rule learning, and information retrieval methods. We developed a new framework for designing BI systems that extract the relationship between the customer ratings and their reviews. Using reviews of different products from Amazon.com, we conducted both qualitative and quantitative experiments to evaluate the performance of a BI system developed based on the framework. The results indicate that the system achieved high accuracy and coverage related to rule quality, and produced interesting and informative rules with high support and confidence values. The findings have important implications for market sentiment analysis and e-commerce reputation management.

مقدمه انگلیسی

As e-commerce supports higher interactivity among users with Web 2.0 applications, user-generated content posted on these sites is growing significantly. Users not only consume Web content, but also produce massive data of their participation, often affecting other users’ decisions. A study finds that more than three-quarters of the 2078 users reported that online product reviews had a significant influence on their purchase decisions (comScore, 2007). These online product reviews contain descriptions about user preferences, comments, and recommendations that serve as a major source of business intelligence (BI), helping managers and marketers to better understand customers. Management scholar Peter Drucker emphasizes that “what is value to the customer” may be the most important question to answer in order to realize a business’s mission and purpose (Drucker, 2003). However, the large volume of online product review data creates significant information overload problems (Bowman, Danzig, Manber, & Schwartz, 1994), making it difficult to discover BI from the reviews and to analyze customer concerns. Two major pieces of information available in each online review are its textual content and the numerical rating, which respectively indicate the aspects of customer concerns and the customer sentiment. However, neither of these two alone provides the full account of a product’s real “value” (Drucker, 2003), which is the true explanation of the customer’s satisfaction. An important task of a manager is therefore to correlate between the numerical ratings and the textual content of the reviews in order to understand what the customer values in a product. This task is typically done by manually reading and extracting key phrases or words that indicate customer concerns and by manually relating between the extracted phrases and the numerical ratings. Despite its usefulness, such analysis is time-consuming and does not scale up to the rapidly growing online reviews. Automated tools and techniques have been proposed to analyze online reviews. These works try to study the reviews’ impact on sales (Zhu & Zhang, 2010), to recommend products (Aciar, Zhang, Simoff, & Debenham, 2007), to calculate the utility of the reviews (Ding & Liu, 2007), to identify key product features (Zhang, 2008), to detect false reviews (Jindal & Liu, 2007), and to summarize review content (Zhuang, Jing, & Zhu, 2006). However, research that supports the managerial task of correlating between the numerical ratings and textual content of the reviews is not widely found. The problem of how the reviews’ textual content contributes to the numerical ratings is thus not widely addressed. Understanding this correlation in large amounts of online review data could help e-commerce managers to make effective decisions on brand management, product promotion, and reputation management. In this paper, we discuss existing works on analyzing online product reviews and critically review these existing approaches. Following a design science paradigm (Hevner, March, Park, & Ram, 2004), we develop a new framework for designing a new class of BI systems that correlate the textual content and the numerical ratings of online product reviews. In contrast to behavioral science, the design science paradigm was chosen because it emphasizes on building and evaluating innovative artifacts that address the analysis needs of e-commerce managers, marketers, and BI practitioners. In the process of building our artifacts, we drew upon the theoretical and computational foundations of data mining (Liu, 2007 and Pawlak, 1982) and information retrieval (Salton, 1989; Salton, Wong, & Yang, 1975). Based on the rough set theory and inductive rule mining methods used in the framework, we developed as an instantiation a system for extracting the relationship between hundreds of customer ratings and their corresponding textual reviews posted on Amazon.com’s Web site. To demonstrate the applicability of the system, two data mining methods were implemented to extract automatically decision rules to guide the understanding of the relationship. Using quantitative and qualitative experiments, we empirically tested the system that was configured under different methods and settings. The system’s enhanced performance was demonstrated over different types of products’ online reviews. The results have strong implications for brand management and online market sentiment analysis.

نتیجه گیری انگلیسی

A major source of business intelligence, online product reviews impact directly on company reputation and brand perception that can be translated to substantial changes in market share and profitability. Automated tools have emerged to support the analysis of these reviews, however most lack the capability of extracting the relationships between the reviews’ rich expressions and the customer ratings. Based on the theories and methods in inductive rule learning, rough set theory (RST), and information retrieval, we developed and validated a new framework for discovering business intelligence from online product reviews. A BI system was developed as an instantiation of the framework to induce automatically decision rules that relate the keywords occurring in online reviews and the customer ratings. Using the reviews of four products sold on Amazon.com, we experimented with the association rule mining (ARM) method, RST exhaustive algorithm, and RST LEM2 algorithm to study how they contribute differently to the quality of decision rules. The experimental results suggest that ARM algorithm achieved the best scalability and efficiency, and induced rules that have the highest level of support and highest confidence for the product with the largest number of reviews, while RST algorithms produced rules that are the most informative, most interesting, and have the highest confidence values. These IT artifacts provide new tools to managers and marketers to analyze their rapidly-growing online product reviews. The results have important implications for market sentiment analysis, online reputation management, and search engine optimization. Our evaluation methodology, which includes a new metric called “word-rating score,” provides new guidelines for future research to evaluate BI analytics. Future work can consider expanding the review datasets to cover different types of product, testing other methods for BI discovery, and studying reviews with varied distributions of ratings. Considering the rapid growth of e-commerce and the widespread use of online product reviews, companies that lack the capability of efficient and effective analysis of these reviews could lose significant competitive advantage.

خرید مقاله
پس از پرداخت، فوراً می توانید مقاله را دانلود فرمایید.