NLP teknikleri kullanarak e-ticarette kullanıcı davranışı analizi

Bu çalışma, küçük ve büyük ölçekli işletmeler için satış tahminlerini ve müşteri sadakatini kolaylaştırmada duygu analizi (SA) ve makine öğrenmesi (ML) potansiyelini derinlemesine bir inceleme sunmaktadır. Bloglar, sosyal ağlar ve inceleme portalları dahil olmak üzere çevrimiçi platformlar, pazarlama manzarasını dönüştürmüş, tüketicilerin ürün incelemelerinden popüler kültüre kadar çok çeşitli konularda fikirlerini ifade etmelerini mümkün kılmıştır. Bu dijital platformlar sadece müşteri katılımını teşvik etmekle kalmaz, aynı zamanda işletmelere stratejik satış tahminleri ve müşteri ilişkileri yönetiminde hayati önem taşıyan tahmini analizler için paha biçilmez bir veri kaynağı sağlar. Bu çalışmada, tüketici duygusunun zengin bir temsili olan kapsamlı bir ürün inceleme tweetleri veri seti derledik. Verinin bütünlüğünü ve alakasını sağlamak için, potansiyel gürültü ve tutarsızlıkları hafifleten sıkı ön işleme metodolojilerine başvurduk. Temizleme aşamasını takiben, bir lexicon ve kural tabanlı duygu analiz aracı olan Valence Aware Dictionary and sEntiment Reasoner (VADER)'i bir dizi makine öğrenmesi algoritmasıyla birlikte kullandık. Hedefimiz, satış tahminine yardımcı olmak için ürün incelemelerinin duygu kutuplaşmasını sınıflandırmanın en etkili yolunu belirlemekti. Bulgularımız, VADER'ın duygu analizinde dikkate değer avantajlar sunduğunu, ancak ML tekniklerinin ürün incelemelerinin kutuplaşmasını sınıflandırmada daha üstün doğruluk sunduğunu ortaya koymaktadır. Daha spesifik olarak, lojistik regresyon (LR), bu bağlamda en iyi performans gösteren algoritma olarak bulunmuştur. Doğruluk, hassasiyet, geri çağırma, F1-skoru, Matthews korelasyon katsayısı (MCC) ve eğri altındaki alan (AUC) dahil olmak üzere çok sayıda değerlendirme metriğinde, LR iv sürekli olarak diğer algoritmalardan daha üstün performans sergileyerek, ürün incelemelerinde duygu sınıflandırması için en uygun seçenek olarak konumunu sağlamlaştırmıştır. Dikkat çekici şekilde, XGBoost ve Stochastic Gradient Descent (SGD) gibi diğer algoritmalar da rekabetçi performans sergilemiştir. Model yorumlanabilirliği ana endişe olmadığı ve daha yüksek model karmaşıklığına izin verilebilecek durumlarda makul alternatifler olarak hizmet edebilirler. Bu bulgular, SA ve ML'in işletmelere, müşteri duygusunu anlama, satışları tahmin etme ve sonuç olarak müşteri sadakat stratejilerini güçlendirme konusunda sağlam araçlar sağlama potansiyelini aydınlatan yeni bir bilgi birikimine katkıda bulunur. Bu çalışmanın sonuçları, iş dünyasındaki çeşitli paydaşlar için önemli gerçek dünya faydaları vaat eden akademi ötesine uzanmaktadır.