DOI: https://doi.org/10.1109/tem.2023.3348991
تاريخ النشر: 2024-01-01
المؤلف: Keyan Jin وآخرون
الموضوع الرئيسي: التقنيات المتقدمة في مجالات متنوعة
نظرة عامة
يوفر قسم ورقة البحث نظرة شاملة على دمج تحليلات البيانات الضخمة والذكاء الاصطناعي (AI) في التسويق الرقمي، مع التركيز على تطوير ممارسات مستدامة. يُعرف التسويق الرقمي بأنه الترويج وبيع المنتجات أو الخدمات من خلال المنصات عبر الإنترنت، بهدف جذب الجماهير المستهدفة بشكل فعال. تؤكد الدراسة على أهمية فهم خصائص البيانات الضخمة، التي تتكون من مجموعات بيانات ضخمة ومعقدة، وتستكشف آليات التعلم المدفوعة بالذكاء الاصطناعي، مما يؤدي إلى إنشاء نموذج غابة عشوائية (RFM) مصمم خصيصًا للتسويق الرقمي المستدام.
تُستخدم دراسة حالة من العالم الحقيقي تتعلق بالمؤسسة X لجمع وتحليل بيانات العملاء، حيث يتم تطبيق نموذج RFM للتنبؤ بعدد العملاء المحتملين. تكشف النتائج عن تمثيل كبير للأفراد المرتبطين بالجامعة عبر مختلف الفئات العمرية، حيث يشكل العمال والمعلمون 41% و31% من التركيبة السكانية للعملاء، على التوالي. بالإضافة إلى ذلك، تشير توزيع الأسعار إلى أن 52% من العملاء يقع ضمن نطاق 150-300 دولار. يُظهر نموذج RFM دقة تنبؤية متفوقة مقارنةً بالانحدار اللوجستي التقليدي، حيث يتنبأ بفعالية بحجم العملاء على مدى فترة سبعة أيام. تؤكد هذه الدراسة على إمكانات نموذج RFM المدفوع بالذكاء الاصطناعي لتعزيز استراتيجيات التسويق الرقمي المستدام من خلال توقعات دقيقة لعدد العملاء.
مقدمة
ت outlines مقدمة هذه الورقة البحثية تطور التسويق من الأشكال التقليدية إلى الرقمية، مع التأكيد على الدور الكبير للتقدم التكنولوجي، لا سيما في البيانات الضخمة والذكاء الاصطناعي (AI). مع تحول سلوك المستهلك بشكل متزايد نحو المنصات عبر الإنترنت، تُجبر الشركات على تعديل استراتيجياتها للاستفادة من الرؤى المستندة إلى البيانات لتحسين اتخاذ القرارات وكفاءة العمليات. يتم تسليط الضوء على دمج تحليلات البيانات الضخمة مع التسويق الرقمي كنهج تحويلي يعزز من وضع السوق وإدارة الموارد والمسؤولية الاجتماعية للشركات، مما يعزز في النهاية التنمية المستدامة في إدارة التكنولوجيا والهندسة.
تناقش الورقة أيضًا دراسات مختلفة تؤكد تأثير التسويق الرقمي والبيانات الضخمة على ابتكار المؤسسات والتنافسية. تحدد الحاجة إلى أن تتبنى الشركات طرقًا ذكية وفعالة للتنقل في تعقيدات ديناميات السوق الحديثة. تستند دوافع هذه الدراسة إلى الاعتراف بالتآزر بين التسويق الرقمي وتحليلات البيانات الضخمة، والتي يمكن أن تؤدي إلى نماذج واستراتيجيات أعمال مبتكرة تتماشى مع الممارسات المستدامة. تهدف الدراسة إلى استكشاف هذه التكاملات بشكل أعمق، مقترحة منهجيات تستخدم الذكاء الاصطناعي والبيانات الضخمة لتحسين استراتيجيات التسويق وتعزيز تفاعل العملاء، مما يحسن الأداء العام للأعمال.
طرق
ي outlines قسم منهجية البحث تصميم التجربة وتقييم الأداء للدراسة. تم إجراء التجارب على نظام تشغيل Windows 10 بعمق 64 بت، باستخدام معالج Intel i5-7500 و16 جيجابايت من الذاكرة العشوائية، مع إصدار R 3.6.1 كبيئة برمجية. نظرًا للمتطلبات الحاسوبية لـ R، تم تنفيذ خطوات معالجة البيانات المسبقة لضمان التنفيذ الفعال للبرامج.
شملت المعالجة المسبقة عدة خطوات رئيسية: أولاً، تم مسح الخصائص من نوع الأحرف (باستثناء أسماء المستخدمين)، بينما تم تعديل الخصائص من نوع الوقت عن طريق الطرح من تاريخ ثابت يحدد بداية دورة البيانات. بعد ذلك، تم إزالة أي صفوف تحتوي على قيم مفقودة للحفاظ على سلامة البيانات. لمعالجة الفجوات الكبيرة بين المستخدمين الذين قاموا بشراء العلامات التجارية والذين لم يفعلوا ذلك، استخدمت الدراسة استراتيجية “العينة الناقصة”. كان الهدف من هذه الطريقة هو تحقيق توازن في مجموعة البيانات من خلال تحقيق تساوي بين عدد الحالات الإيجابية والسلبية، مما يعزز من قوة التحليل.
نتائج
في قسم النتائج من الدراسة، يتم تقديم تحليل شامل لقدرات التنبؤ لنموذج RFM القائم على الذكاء الاصطناعي بعد فترة تسجيل مستمرة لمدة سبعة أيام، والتي أسفرت عن حوالي 18.5 مليون سجل. من بين المستخدمين الذين تم تتبعهم، قام 39,877 بعمليات شراء في الأسبوع التالي، مع تحديد 21,637 كمشترين فعليين، مما يمثل حوالي 54.2% من سكان المشترين الموثقين. تم مقارنة الأداء التنبؤي لنموذج RFM مع نماذج الانحدار اللوجستي، والغابة العشوائية (RF)، وXGBoost، مما يكشف أن كل من RF وXGBoost توقعا ما يقرب من 20,000 مشتري محتمل، بينما توقع نموذج الانحدار الأقل تربيعًا 18,976، مما يبرز الخصائص التنبؤية المتفوقة لـ RF وXGBoost.
تمت مقارنات إضافية مع الشبكات العصبية التلافيفية (CNNs) والشبكات العصبية المتكررة (RNNs)، كما هو موضح في النتائج. حقق نموذج RFM القائم على الذكاء الاصطناعي معدل دقة مثير للإعجاب بلغ 95.36%، متفوقًا على نماذج CNN وRNN، التي سجلت معدلات دقة بلغت 92.6% و94.64%، على التوالي. تؤكد هذه النتائج فعالية نموذج RFM في التنبؤ بدقة بكميات طلب الركاب، مما يتماشى بشكل وثيق مع أعداد الشراء الفعلية ويظهر أدائه التنبؤي الجدير بالثناء في سياق تحليل سلوك المستهلك.
مناقشة
تسلط المناقشة حول خصائص وتطبيقات البيانات الضخمة الضوء على خمسة سمات تعريفية لها: الوفرة، السرعة، التباين، انخفاض تركيز القيمة، والصدق. تؤكد هذه السمات على الأحجام الكبيرة من البيانات المتنوعة، وتعقيد العلاقات المتبادلة، والحاجة إلى تحديثات سريعة لاستخراج رؤى قابلة للتنفيذ. تؤكد الأدبيات على أن الاستخدام الفعال للبيانات الضخمة يمكن أن يعزز بشكل كبير من اتخاذ القرارات عبر مختلف القطاعات، بما في ذلك الدفاع والحكومة والتجارة. تحدد الدراسة أربعة مجالات رئيسية للاستفادة من البيانات الضخمة لاستخراج قيمة الأعمال: تقسيم العملاء، محاكاة البيئة الحقيقية، تعزيز الروابط بين الأقسام، والتحكم في تكاليف الخدمة.
علاوة على ذلك، يُعتبر دمج البيانات الضخمة مع الذكاء الاصطناعي (AI) قوة تحويلية في استراتيجيات التسويق الرقمي، لا سيما في سياقات وسائل التواصل الاجتماعي. تؤكد الدراسة على ضرورة وجود نموذج قوي قائم على الذكاء الاصطناعي يمكنه التنبؤ بسلوك المستهلك وتفضيلاته من خلال تحليل البيانات الشامل. من خلال استخدام نموذج الغابة العشوائية (RFM)، تهدف الدراسة إلى تعزيز فعالية التسويق من خلال تمكين استراتيجيات مخصصة تتناغم مع شرائح العملاء المحددة. تشير النتائج إلى أن التآزر بين البيانات الضخمة والذكاء الاصطناعي لا يعمل فقط على تحسين جهود التسويق، بل يعزز أيضًا من فهم أعمق لديناميات المستهلك، مما يؤدي في النهاية إلى تحسين التفاعل ونتائج الأعمال.
القيود
تسلط قيود هذه الدراسة الضوء على عدة مجالات للبحث والتحسين في المستقبل. بشكل أساسي، يحد الاعتماد على الخوارزميات المعروفة على نطاق واسع من استكشاف منهجيات بديلة يمكن أن تعزز الدقة والتحقق. هناك حاجة إلى نهج تجريبي أكثر شمولاً لتقييم ومقارنة فعالية الخوارزميات المختلفة. بالإضافة إلى ذلك، تعترف الدراسة بتعقيد سلوك شراء المستخدمين، الذي يتأثر بعوامل مثل الاستهلاك الاندفاعي. يجب أن تتضمن الأبحاث المستقبلية وجهات نظر نفسية لفهم دوافع المستخدمين، وتقسيمهم، وتطوير استراتيجيات اتصال مخصصة بشكل أفضل.
علاوة على ذلك، فإن البيانات المستخدمة في هذا البحث مستمدة بشكل أساسي من سلوكيات مستهلكي علامات تجارية معينة، مما قد يحد من قابليتها للتعميم عبر سياقات مختلفة. يمكن أن يؤدي توسيع مجموعة البيانات لتشمل مجموعة متنوعة أكبر من العلامات التجارية والصناعات إلى تعزيز قابلية تطبيق النتائج بشكل كبير. أخيرًا، هناك إمكانية لمزيد من تحسين نموذج RFM القائم على الذكاء الاصطناعي لتحسين دقته التنبؤية واستقراره، بالإضافة إلى استكشاف خوارزميات التعلم العميق الإضافية. يتم دعم هذا العمل من قبل مجلس المنح الدراسية الصيني (CSC) تحت رقم المنحة 202106980007.
DOI: https://doi.org/10.1109/tem.2023.3348991
Publication Date: 2024-01-01
Author(s): Keyan Jin et al.
Primary Topic: Advanced Technologies in Various Fields
Overview
The research paper section provides a comprehensive overview of the integration of big data analytics and artificial intelligence (AI) in digital marketing, with a focus on developing sustainable practices. Digital marketing is defined as the promotion and sale of products or services through online platforms, aiming to engage target audiences effectively. The study emphasizes the importance of understanding the characteristics of big data, which consists of vast and complex datasets, and explores AI-driven learning mechanisms, culminating in the creation of an AI random forest model (RFM) specifically designed for sustainable digital marketing.
A real-world case study involving enterprise X is utilized to collect and analyze customer data, where the RFM model is applied to predict the number of potential customers. The findings reveal a significant representation of university-affiliated individuals across various age groups, with workers and educators comprising 41% and 31% of the customer demographic, respectively. Additionally, the price distribution indicates that 52% of customers fall within the $150-$300 range. The RFM model demonstrates superior predictive accuracy over traditional logistic regression, effectively forecasting customer volumes over a seven-day period. This research underscores the potential of the AI-driven RFM model to enhance sustainable digital marketing strategies through precise customer count predictions.
Introduction
The introduction of this research paper outlines the evolution of marketing from traditional to digital forms, emphasizing the significant role of technological advancements, particularly in big data and artificial intelligence (AI). As consumer behavior increasingly shifts towards online platforms, businesses are compelled to adapt their strategies to leverage data-driven insights for improved decision-making and operational efficiency. The integration of big data analytics with digital marketing is highlighted as a transformative approach that enhances market positioning, resource management, and corporate social responsibility, ultimately fostering sustainable development in technology and engineering management.
The paper also discusses various studies that underscore the impact of digital marketing and big data on enterprise innovation and competitiveness. It identifies the necessity for businesses to adopt intelligent and efficient methods to navigate the complexities of modern market dynamics. The motivation for this study is rooted in the recognition of the synergies between digital marketing and big data analytics, which can lead to innovative business models and strategies that align with sustainable practices. The research aims to explore these integrations further, proposing methodologies that utilize AI and big data to optimize marketing strategies and enhance customer engagement, thereby improving overall business performance.
Methods
The research methodology section outlines the experimental design and performance evaluation for the study. The experiments were conducted on a 64-bit Windows 10 operating system, utilizing an Intel i5-7500 CPU and 16GB of RAM, with R version 3.6.1 as the software environment. Given the computational demands of R, specific data preprocessing steps were implemented to ensure effective execution of the programs.
The preprocessing involved several key steps: first, character-type attributes (excluding user names) were scanned, while time-type attributes were adjusted by subtracting from a fixed date marking the start of the data cycle. Next, any rows containing missing values were removed to maintain data integrity. To address the significant disparities between users who made brand purchases and those who did not, the study employed an “under-sampling” strategy. This approach aimed to balance the dataset by equalizing the number of positive and negative instances, thereby enhancing the robustness of the analysis.
Results
In the results section of the study, a comprehensive analysis of the predictive capabilities of the AI-based RFM model is presented following a continuous seven-day recording period, which yielded approximately 18.5 million records. Out of the users tracked, 39,877 made purchases in the subsequent week, with 21,637 identified as actual purchasers, representing about 54.2% of the verified purchaser population. The predictive performance of the RFM model was compared against Logistic Regression, Random Forest (RF), and XGBoost models, revealing that both RF and XGBoost predicted close to 20,000 potential purchasers, while the Least Squares Regression model forecasted 18,976, highlighting the superior predictive attributes of RF and XGBoost.
Further comparisons were made with convolutional neural networks (CNNs) and recurrent neural networks (RNNs), as illustrated in the results. The AI-based RFM model achieved an impressive accuracy rate of 95.36%, outperforming CNN and RNN models, which recorded accuracy rates of 92.6% and 94.64%, respectively. These findings underscore the RFM model’s efficacy in accurately forecasting passenger order quantities, closely aligning with actual purchase counts and demonstrating its commendable predictive performance in the context of consumer behavior analysis.
Discussion
The discussion on the characteristics and applications of big data highlights its five defining attributes: abundance, rapidity, heterogeneity, diminished value concentration, and veracity. These traits underscore the vast volumes of diverse data, the complexity of interrelationships, and the need for quick updates to derive actionable insights. The literature emphasizes that the effective utilization of big data can significantly enhance decision-making across various sectors, including defense, government, and commerce. The study identifies four primary avenues for leveraging big data to extract business value: customer segmentation, real environment simulation, strengthening interdepartmental ties, and controlling service costs.
Furthermore, the integration of big data with artificial intelligence (AI) is posited as a transformative force in digital marketing strategies, particularly within social media contexts. The research underscores the necessity for a robust AI-based model that can predict consumer behavior and preferences through comprehensive data analysis. By employing a Random Forest Model (RFM), the study aims to enhance marketing effectiveness by enabling tailored strategies that resonate with specific customer segments. The findings suggest that the synergy between big data and AI not only optimizes marketing efforts but also fosters a deeper understanding of consumer dynamics, ultimately leading to improved engagement and business outcomes.
Limitations
The limitations of this study highlight several areas for future research and improvement. Primarily, the reliance on widely recognized algorithms restricts the exploration of alternative methodologies that could enhance precision and validation. A more comprehensive experimental approach is necessary to evaluate and compare the effectiveness of various algorithms. Additionally, the study acknowledges the complexity of user purchasing behavior, which is influenced by factors such as impulsive consumption. Future research should incorporate psychological perspectives to better understand user motivations, segmentation, and the development of tailored communication strategies.
Moreover, the data utilized in this research is predominantly derived from specific brand consumer behaviors, which may limit its generalizability across different contexts. Expanding the dataset to include a wider variety of brands and industries could significantly enhance the applicability of the findings. Lastly, there is potential for further optimization of the AI-based RFM model to improve its predictive accuracy and stability, as well as the exploration of additional deep learning algorithms. This work is supported by the China Scholarship Council (CSC) under grant number 202106980007.