دوره 21، شماره 4 - ( 12-1403 )
جلد 21 شماره 4 صفحات 84-67 |
برگشت به فهرست نسخه ها
Download citation:
BibTeX | RIS | EndNote | Medlars | ProCite | Reference Manager | RefWorks
Send citation to:
BibTeX | RIS | EndNote | Medlars | ProCite | Reference Manager | RefWorks
Send citation to:
ghorbani M, esmaeili L. Application of web usage mining to investigate online shopping behavior via PC versus mobile devices: evidence from click-stream data. JSDP 2025; 21 (4) : 5
URL: http://jsdp.rcisp.ac.ir/article-1-1366-fa.html
URL: http://jsdp.rcisp.ac.ir/article-1-1366-fa.html
قربانی معصومه، اسماعیلی لیلا. کاربرد وب‌کاوی برای مقایسه رفتار پیمایش مشتریان در خرید برخط از طریق رایانه و تلفن هوشمند: مورد مطالعه بازار اجتماعی باسلام. پردازش علائم و داده‌ها. 1403; 21 (4) :67-84
دانشجوی دکتری، گروه مهندسی کامپیوتر، دانشکده مهندسی کامپیوتر، دانشگاه آزاد اسلامی، قم، ایران
چکیده: (510 مشاهده)
مطالعات نشان می‌دهد که تجارت الکترونیکی سهم عمده‌ای از خرده‌فروشی جهان را به خود اختصاص داده و با فراگیرشدن تلفن‌های هوشمند، تجارت تلفن همراه به صورت نمایی در حال رشد است؛ ازاین‌رو، شناخت رفتار مرور کاربران در فروشگاه‌های برخط از جنبه‌های بسیاری، همچون مدیریت بهینه این فروشگاه‌ها، اهمیت زیادی دارد. با وجود تأثیر پلتفرم استفاده‌شده در فرایند خرید برخط، پژوهش‌های اندکی به مقایسه رفتار مرور کاربران در این پلتفرم‌ها پرداخته‌اند. این پژوهش رفتار مشتریان پلتفرم باسلام را با بهره‌گیری از تحلیل گراف ردپا بررسی می‌کند. هدف اصلی شناسایی تفاوت‌های رفتاری مشتریان در خرید از طریق تلفن همراه و رایانه است. رفتار کاربران از طریق تحلیل توالی‌های پرتکرار پیمایش و معیارهای تعامل مشخص شد. نتایج نشان داد که جلسات مرور از طریق رایانه بیشتر وظیفه‌محور بوده و درصد بیشتری از آن‌ها به خرید منجر می‌شوند؛ در حالی که کاربران تلفن همراه رفتار اکتشافی‌تری دارند؛ علاوه‌بر این، برخی توالی‌های خاص با افزایش احتمال خرید در هر دو پلتفرم مرتبط‌اند. یافته‌ها نشان می‌دهد که روش ارائه‌شده برای تحلیل رفتار مرور کاربران در پلتفرم‌های مختلف می‌تواند به‌عنوان ابزاری مؤثر برای تصمیم‌گیری‌های استراتژیک در حوزه تجارت الکترونیکی مورد استفاده قرار گیرد و به بهبود تجربه خرید و مدیریت بهتر فروشگاه‌های برخط کمک کند.
شماره‌ی مقاله: 5
واژه‌های کلیدی: تجارت تلفن همراه، تجارت الکترونیکی، رفتار مرور برخط، الگوهای پیمایش، گراف ردپا، کاوش استفاده از وب، کاوش قوانین انجمنی توالی
نوع مطالعه: كاربردي |
موضوع مقاله:
مقالات پردازش متن
دریافت: 1402/1/4 | پذیرش: 1403/9/14 | انتشار: 1403/12/28 | انتشار الکترونیک: 1403/12/28
دریافت: 1402/1/4 | پذیرش: 1403/9/14 | انتشار: 1403/12/28 | انتشار الکترونیک: 1403/12/28
فهرست منابع
1. T. Chennai, B. R. Entrepreneur, and M. S. Technology, "Customer Satisfaction Of M-Commerce," vol. 20, no. 1, pp. 5089-5100, 2021, doi: 10.17051/ilkonline.2021.01.543.
2. J. I. Teunuleh, U. Nazirah, and S. Utami, "INVESTIGATION INTO M-COMMERCE CONSUMERS HEDONIC," vol. 3, no. June, pp. 103-117, 2022. [DOI:10.51612/teunuleh.v3i2.89]
3. L. Wolf, "Device‐mediated customer behaviour on the internet: A systematic literature review," Int. J. Consum. Stud., 2023. [DOI:10.1111/ijcs.12925]
4. O. Raphaeli, A. Goldstein, and L. Fink, "Analyzing online consumer behavior in mobile and PC devices: A novel web usage mining approach," Electron. Commer. Res. Appl., vol. 26, pp. 1-12, 2017, doi: 10.1016/j.elerap.2017.09.003. [DOI:10.1016/j.elerap.2017.09.003]
5. L. Esmaeili, Z. Borhani-Fard, and M. A. Arasteh, "A survey on mobile payment systems security," Res. J. Appl. Sci. Eng. Technol., vol. 4, no. 20, pp. 4043-4050, 2012.
6. N. Najwa Ahmad, M. Reddy, D. Dharmendra Chahar, and A. Professor, "Analysis of E-Commerce and M-Commerce: Advantages, Limitations and Security issues Related papers Role of Web Mining in E-Commerce Samriddhi Deshmukh Big Dat a-Solut ions for RDBMS Problems-A Survey Analysis of E-Commerce and M-Commerce: Advantages, Limit," Int. J. Adv. Res. Comput. Commun. Eng., vol. 2, no. 1, pp. 1-12, 2013, [Online]. Available: www.ijarcce.com
7. Z. Ahmad and R. Ibrahim, "Mobile Commerce (M-Commerce) Interface Design: A Review of Literature," IOSR J. Comput. Eng., vol. 19, no. 03, pp. 66-70, 2017, doi: 10.9790/0661-1903046670. [DOI:10.9790/0661-1903046670]
8. I. H. Ting, L. Clark, C. Kimble, D. Kudenko, and P. Wright, "APD-A tool for identifying behavioural patterns automatically from clickstream data," Lect. Notes Comput. Sci. (including Subser. Lect. Notes Artif. Intell. Lect. Notes Bioinformatics), vol. 4693 LNAI, no. PART 2, pp. 66-73, 2007, doi: 10.1007/978-3-540-74827-4_9. [DOI:10.1007/978-3-540-74827-4_9]
9. L. Esmaeili and S. A. Hashemi G, "A systematic review on social commerce," J. Strateg. Mark., vol. 27, no. 4, pp. 317-355, 2019. [DOI:10.1080/0965254X.2017.1408672]
10. A. Stankevich, "Explaining the Consumer Decision-Making Process: Critical Literature Review," J. Int. Bus. Res. Mark., vol. 2, no. 6, pp. 7-14, 2017, doi: 10.18775/jibrm.1849-8558.2015.26.3001. [DOI:10.18775/jibrm.1849-8558.2015.26.3001]
11. G. Mallapragada, S. R. Chandukala, and Q. Liu, "Exploring the effects of 'What'(product) and 'Where'(website) characteristics on online shopping behavior," J. Mark., vol. 80, no. 2, pp. 21-38, 2016. [DOI:10.1509/jm.15.0138]
12. A. Akhlaq and E. Ahmed, "Online Shopping: A Global Perspective," J. Basic. Appl. Sci. Res, vol. 4, no. 5, pp. 153-160, 2014.
13. W. W. Moe, "Buying, searching, or browsing: Differentiating between online shoppers using in-store navigational clickstream," J. Consum. Psychol., vol. 13, no. 1-2, pp. 29-39, 2003. [DOI:10.1207/S15327663JCP13-1&2_03]
14. R. E. Bucklin and C. Sismeiro, "Click here for Internet insight: Advances in clickstream data analysis in marketing," J. Interact. Mark., vol. 23, no. 1, pp. 35-48, 2009. [DOI:10.1016/j.intmar.2008.10.004]
15. R. Olbrich and C. Holsing, "Modeling consumer purchasing behavior in social shopping communities with clickstream data," Int. J. Electron. Commer., vol. 16, no. 2, pp. 15-40, 2011. [DOI:10.2753/JEC1086-4415160202]
16. K.-Y. Goh, J. Chu, and J. Wu, "Mobile advertising: an empirical study of temporal and spatial differences in search behavior and advertising response," J. Interact. Mark., vol. 30, pp. 34-45, 2015. [DOI:10.1016/j.intmar.2014.12.002]
17. P. K. Padigela and R. Suguna, "A survey on analysis of user behavior on digital market by mining clickstream data," in Proceedings of the Third International Conference on Computational Intelligence and Informatics: ICCII 2018, 2020, pp. 535-545. [DOI:10.1007/978-981-15-1480-7_45]
18. E. Olmezogullari and M. S. Aktas, "Representation of Click-Stream DataSequences for Learning User Navigational Behavior by Using Embeddings," Proc. - 2020 IEEE Int. Conf. Big Data, Big Data 2020, no. June, pp. 3173-3179, 2020, doi: 10.1109/BigData50022.2020.9378437. [DOI:10.1109/BigData50022.2020.9378437]
19. E. Olmezogullari and M. S. Aktas, "Pattern2Vec: Representation of clickstream data sequences for learning user navigational behavior," Concurr. Comput. Pract. Exp., vol. 34, no. 9, 2022, doi: 10.1002/cpe.6546. [DOI:10.1002/cpe.6546]
20. A. Ghose, A. Goldfarb, and S. P. Han, "How is the mobile Internet different? Search costs and local activities," Inf. Syst. Res., vol. 24, no. 3, pp. 613-631, 2013. [DOI:10.1287/isre.1120.0453]
21. Y.-L. Wu and Y.-S. Ye, "Understanding impulsive buying behavior in mobile commerce," 2013.
22. R. J.-H. Wang, E. C. Malthouse, and L. Krishnamurthi, "How mobile shopping affects customer purchase behavior: A retailer's perspective," in Let's Get Engaged! Crossing the Threshold of Marketing's Engagement Era, Springer, 2016, pp. 703-704. [DOI:10.1007/978-3-319-11815-4_215]
23. I.-H. Ting, L. Clark, and C. Kimble, "Identifying web navigation behaviour and patterns automatically from clickstream data," Int. J. Web Eng. Technol., vol. 5, no. 4, pp. 398-426, 2009. [DOI:10.1504/IJWET.2009.032255]
24. A. K. Kassem, B. Daya, and P. Chauvet, "A proposed methodology on predicting visitor's behavior based on web mining technique," Int. J. Adv. Comput. Sci. Appl., vol. 9, no. 12, pp. 245-255, 2018, doi: 10.14569/IJACSA.2018.091236. [DOI:10.14569/IJACSA.2018.091236]
25. A. Aslani and M. Esmaeili, "Finding Frequent Patterns in Holy Quran UsingText Mining," Signal Data Process., vol. 15, no. 3, 2018, doi: 10.29252/jsdp.15.3.89. [DOI:10.29252/jsdp.15.3.89]
26. L. Clark, I.-H. Ting, C. Kimble, P. C. Wright, and D. Kudenko, "Combining Ethnographic and Clickstream Data to Identify User Web Browsing Strategies.," Inf. Res. an Int. Electron. J., vol. 11, no. 2, p. paper-249, 2006.
27. L. Xia, "An examination of consumer browsing behaviors," Qual. Mark. Res. An Int. J., 2010. [DOI:10.1108/13522751011032593]
28. P.-H. Chou, P.-H. Li, K.-K. Chen, and M.-J. Wu, "Integrating web mining and neural network for personalized e-commerce automatic service," Expert Syst. Appl., vol. 37, no. 4, pp. 2898-2910, 2010. [DOI:10.1016/j.eswa.2009.09.047]
29. S. Barta, C. Flavián, and R. Gurrea, "Managing consumer experience and online flow: differences in handheld devices vs PCs," Technol. Soc., vol. 64, p. 101525, 2021. [DOI:10.1016/j.techsoc.2020.101525]
ارسال پیام به نویسنده مسئول
| بازنشر اطلاعات | |
 |
این مقاله تحت شرایط Creative Commons Attribution-NonCommercial 4.0 International License قابل بازنشر است. |
