بهينه سازي بازاريابي ويروسي در كسب و كارهاي آنلاين با استفاده از درخت تصميم مبتني بر الگوريتم ژنتيك

Optimization of viral marketing in online businesses using genetic algorithm based decision tree

هدف پژوهش حاضر شناسايي مولفه‌ها و توسعه يك الگو جهت ارائه قوانين بهينه بازاريابي ويروسي در كسب و كارهاي آنلاين مي‌باشد. يك پژوهش كاربردي و از نظر روش، آميخته (كمي و كيفي) مي‌باشد. جامعه آماري پژوهش در‌بخش كيفي شامل 15 نفر در نسل هاي سه‌گانه X، Y و Z (نسل بازاريابي ملينيوم) و در‌بخش كمي شامل 460 نفر از خريداران آنلاين مي‌باشد. ابزار گردآوري داده‌ها در‌بخش كيفي تكنيك فرافكني مي‌باشد و از مصاحبه عميق استفاده شده است. با استفاده از نرم‌افزار MAXQDA مصاحبه‌ها تحليل و جمع‌بندي شده كه از اين طريق شش مولفه شناسايي گرديد و سپس در‌بخش كمي از 12 خبره براي تعيين شاخص لاوشه استفاده شد و در ادامه تحليل عاملي اكتشافي به‌وسيله نرم‌افزار SPSS انجام گرفت. از آن‌جا كه انتخاب موثرترين مولفه‌هاي جديد بازاريابي ويروسي مي‌تواند تاثير زيادي در دقت مدل بازاريابي ويروسي در كسب‌وكارهاي آنلاين داشته باشد، جهت شناسايي تاثيرگذارترين مولفه‌ها از الگوريتم فراابتكاري ژنتيك استفاده شد كه نرم‌افزارهاي به‌كارگرفته شده در اين‌بخش WEKA و RAPIDMINER مي‌باشد. در نهايت با استفاده از روش درخت تصميم قوانين بهينه‌سازي بازاريابي ويروسي شناسايي گرديد. يافته‌ها ابتدا در‌بخش كيفي حاكي از آن است كه ترغيب آنلاين، اعتماد آنلاين، پشتيباني آنلاين، خدمات آنلاين، جذابيت آنلاين و ريسك‌پذيري آنلاين بعنوان مولفه‌هاي بازاريابي ويروسي مي‌باشند. در ادامه در‌بخش كمي و الگوريتم ژنتيك نشان داد كه مولفه‌ي ريسك‌پذيري آنلاين نمي‌تواند به‌عنوان مولفه اثرگذار جهت مدل‌سازي و استخراج قوانين بازاريابي ويروسي به‌كار گرفته شود، بنابراين از ميان شش مولفه حذف گرديد.

The purpose of this study is to identify the components and develop a model to provide rules for optimizing viral marketing in businesses. It is an applied research and in terms of method, it is mixed (quantitative and qualitative). The statistical population of the research in the qualitative part includes 15 people in the three generations X, Y and Z (Millennium marketing generation) and in the quantitative part includes 460 online buyers. Data collection tools were used in the qualitative part of projection technique and in-depth interview. Interviews were analyzed and summarized using MAXQDA software, through which six components were identified, and then in a small part of 12 experts were used to determine the index of CVR, and then exploratory factor analysis was performed by SPSS software. Because selecting the most effective new components of viral marketing can have a huge impact on the accuracy of the viral marketing model in online businesses, To identify the most effective components, genetic metaheuristic algorithm was used, which is the software used in this section, WEKA and RAPIDMINER. Finally, the rules of viral marketing optimization were identified using the decision tree method. Findings in the qualitative section indicate that online persuasion, online trust, online support, online services, online attractiveness and online risk-taking are components of viral marketing. In the quantitative section and genetic algorithm, it was shown that the online risk component could not be used as an effective component for modeling and extracting viral marketing rules, so it was removed from the six components.