مدیریت اطلاعات

تحلیل رفتار اطلاعاتی کاربران شبکه‌های اجتماعی در کسب‌وکارهای الکترونیکی با بهره‌گیری از داده‌کاوی

نوع مقاله : مقاله پژوهشی

نویسندگان

1 دانشجوی دکتری، گروه علم اطلاعات و دانش‎شناسی، پردیس بین‎الملل، دانشگاه تهران، کیش، ایران

2 دانشیار، گروه علم اطلاعات و دانش‌شناسی، دانشکده مدیریت، دانشگاه تهران، تهران، ایران

10.22034/aimj.2024.189578

چکیده

در دنیای رقابتی امروز، کاربران در کانون اصلی توجه کسب‌وکار‌‌‌‌‌‌ها قرار دارند و و‌فا‌‌د‌ا‌ری آنها، عامل اصلی کسب مزیت رقابتی است. پیشرفت مستمر در عرصه کسب‌وکار الکترونیکی، رویکردهایی را که به خلق ارزش و ایجاد ارتباط بلندمدت با کاربران منجر می‌شوند، در دستور کار کسب‌وکار‌‌‌‌‌ها قرار داده است. از این رو، بسیاری از مدیران IT باور دارند که آینده کسب‌وکار به مدیریت تجر‌به کاربران بستگی دارد. مسئله مدیریت رفتار کاربران کسب‌وکار در این پژوهش، به‌دنبال جلب رضایت کاربران کسب‌وکارهای الکترونیکی و رسیدن به وفاداری آنها در راستای خرید، تکرار خرید و معرفی محصول به دیگران است. به همین دلیل، مدیریت روابط با کاربران کسب‌وکارهای الکترونیکی در کسب‌وکارهای الکترونیکی، از اهمیت ویژه‎ای برخوردار است، زیرا امروزه با گسترش پایگاه‌های ثبت داده‌های خدماتی و حجم بالای داده‌های ذخیره‎شده، به ابزاری نیاز است تا بتوان داده‌های ذخیره‎شده در شبکه‌های اجتماعی کسب‌وکار را پردازش کرد. هدف اصلی انجام این پژوهش، تبیین رفتار کاربران شبکه‌های اجتماعی در کسب‌وکارهای الکترونیکی است. در این پژوهش، داده‌کاوی بر اساس روش شبکه‌های بیزین و شبکه‌های عصبی مصنوعی انجام شد. داده‌های این پژوهش، بر اساس یک نمونه هزارتایی از مستندات و گزارش‌‌های کسب‌وکارهای الکترونیکی تنظیم شد. بر اساس مدل نهایی پژوهش، مدیران کسب‌وکارهای الکترونیکی باید به میزان بازخورد شبکه‌های اجتماعی برای مؤلفه مدیریت شبکه‌های اجتماعی کسب‌وکار و تعداد به‌اشتراک‌گذاری کاربران کسب‌وکار برای مؤلفه مدیریت رفتار کاربران کسب‌وکار توجه ویژه‎ای کنند؛ زیرا دارای بیشترین وزن پیش‎گویی در مدل داده‌کاوی پژوهش هستند. از سوی دیگر، تحصیلات کاربران برای مؤلفه مشخصات کاربران کسب‌وکار و سفارشی‌‌سازی محصولات و خدمات برای مؤلفه مدیریت روابط با کاربران کسب‌وکارهای الکترونیکی نیز، در راستای اهداف مدیران کسب‌وکارهای الکترونیکی، حائز اهمیت است.

کلیدواژه‌ها

عنوان مقاله [English]

Analyzing the Behavior of Social Network Users in E-Business Using Data Mining

نویسندگان [English]

  • Mohammad Reza Omrani Tabarestani 1
  • Nader Naghshineh 2
  • Sepideh Fahimifar 2

1 Ph.D. Candidate, Department of Information Science and Epistemology, International Campus, Tehran University, Kish, Iran

2 Associate Prof., Department of Information Science and Epistemology, Faculty of Management, University of Tehran, Tehran, Iran

چکیده [English]

Continuous advances in e-business have put on the agenda of businesses the approaches that lead to value creation and long-term communication with users. Therefore, many IT managers believe that the future of business depends on "user experience management". The main purpose of this study is to explain the behavior of social network users in e-business. In this study, CLEMENTINE software was used to perform data mining based on Bayesian network techniques and artificial neural networks. The data of this research was based on a sample of a thousand documents and reports of Elite online store during the years 1395 to 1400, seasonally. The findings of the present study showed that it was important that based on the initial model and the proposed research, after conducting a qualitative case study in the Elite online store, the final model was developed according to the following variables: "Business users profile" component based on indicators such as: Education Users; Age of users; Users' revenue; Gender of users; Was determined. The component of "managing the behavior of business users" based on indicators such as: the number of likes of business users; Number of business users sharing; Number of comments from business users; Number of business user posts; Was determined. The component of "managing relationships with e-business users" based on indicators such as: user surveys; Customizing products and services; Adherence to the promise with the user; Ways of communicating with the user; Was determined. The component of "business social network management" based on indicators such as: the amount of social media feedback, the quality of content in the CMS; Information on business products and services; Features of a business website in SEO; Was determined.

کلیدواژه‌ها [English]

  • User Behavior
  • Social Media Information
  • E-Businesses
  • Clementine data Mining environment
استکی اورگانی، فاطمه؛ عبدی سرنجداغ، رزگار و استکی اورگانی، زینب (1399). بررسی نقش برچسب‌‌‌گذاری اجتماعی در بازیابی اطلاعات و تأثیر آن در بازاریابی رسانه‌های اجتماعی. دهمین همایش بین‌المللی فناوری اطلاعات، کامپیوتر و مخابرات.
اعزازی، فاطمه؛ هدایتی، علیرضا و جهانشاهی، محسن (1400). ارائه مدلی جهت شناسایی عوامل حیاتی در بازاریابی شبکه‌های اجتماعی در کسب‌وکار‌هایی با اندازه متوسط و کوچک با بهره‌گیری از تحلیل سلسله‏مراتبی (AHP). پنجمین همایش بین‌المللی دانش و فناوری مهندسی برق، کامپیوتر و مکانیک ایران، تهران.
جلالی، مهرداد و قوچان‌نژاد نورنیا، راهله (1400). وب‌کاوی و شبکه اجتماعی. ناشر: دانشگاه آزاد اسلامی، واحد استهبان. 
خاتمی فیروز آبادی، سید محمدعلی؛ سجادی، سید خلیل؛ تقوی فرد، محمدتقی و بامداد صوفی، جهانیار (۱۳۹۶). رتبه‌‌‌بندی و خوشه‌‌‌بندی کاربران کسب‌وکار به‏کمک مدل RFM-LD. دومین همایش بین‌المللی مدیریت صنعتی، بابلسر، دانشگاه مازندران.
زارع‌پور نصیرآبادی، ابراهیم و زمانلو، بهزاد (1400). بررسی تأثیر ویژگی‌های اطلاعات شبکه‌های اجتماعی و جهت‌‌‌گیری بازاریابی الکترونیکی بر عملکرد کسب‌وکار استراتژیک (مورد مطالعه: کسب‌وکار داروپخش)، اولین همایش بین‌المللی مدیریت بازاریابی صنعتی، تهران.
سمیع‌زاده، رضا و طاهری، رکسانا (۱۳۹۷). ارز‌یابی میزان وفاداری مشتریان در ساختار مدیریت ارتباط کاربران (CRM) با بهره‌گیری از خوشه‌‌‌بندی K-Means و روش آنالیز RFM و ارز‌یابی اعتبار خوشه‌‌‌بندی با بهره‌گیری از سنجه‌ دیویس بولدن. همایش بین‌المللی یافته‌های نوین در حسابداری، مدیریت اقتصاد و بانکداری، تهران.
میرحسینی ‌دهنه‌سری، سیده‌سمانه و میرحسینی ‌دهنه‌سری، زهرا (1400). وب‌کاوی در صنعت. ناشر: زلال سبز.
Alkhamees, M., Alsaleem, S., Al-Qurishi, M., Al-Rubaian, M. & Hussain, A. (2021). User trustworthiness in online social networks: A systematic review. Applied Soft Computing, 103, 107159.  https://doi.org/10.1016/j.asoc.2021.107159
Bouadjenek, M.R., Hacid, H. & Bouzeghoub, M. (2016). Social networks and information retrieval, how are they converging? A survey, a taxonomy and an analysis of social information retrieval approaches and platforms. Information Systems, 56, 1-18.
Çakırtaş, M. & Ozdemir, M.K. (2021). Big Data and Social Media Analytics: Trending Applications (Lecture Notes in Social Networks). (1th ed.). Springer.
Cruzado, J.S., Castells, P., Macdonald, C. & Ounis, L. (2020). Effective contact recommendation in social networks by adaptation of information retrieval models. Information Processing & Management, 57(5), 102285.
Diwanji, V., Reed, A., Ferchaud, A., Seibert, J., Weinbrecht, V. & Sellers, N. (2020). Don't just watch, join in: Exploring information behavior and copresence on Twitch. Computers in Human Behavior, 105, 106221.
Dolega, L., Rowe, F. & Branagan, E. (2021). Going digital? The impact of social media marketing on retail website traffic, orders and sales. Journal of Retailing and Consumer Services, 60, 102501.
Froehlich, D.E., Rehm, M. & Rienties, B. (2019). Mixed Methods Social Network Analysis: Theories and Methodologies in Learning and Education. (1st edition). Routledge.
Guo, Y., Lu, Z., Kuang, H. & Wang, C. (2020). Information avoidance behavior on social network sites: Information irrelevance, overload, and the moderating role of time pressure. International Journal of Information Management, 52, 102067. https://doi.org/10.1016/j.ijinfomgt.2020.102067
Liao, C. H., & Chen, M.Y. (2018). Building social computing system in big data: From the perspective of social network analysis. Computers in Human Behavior, 101, 457-465.
Lund, B. D. (2019). The citation impact of information behavior theories in scholarly literature. Library & Information Science Research, 41(4), 100981.
Małecki, K. & Wątróbski, J. (2017). The Classification of Internet Shop Customers based on the Cluster Analysis and Graph Cellular Automata. Procedia Computer Science, 112, 2280-2289.
Segev, E. (2021). Semantic Network Analysis in Social Sciences. (1st edition). Routledge.
Tang, W., Hui, B., Tian, L., Luo, G., He, Z. & Cai, Z. (2021). Learning disentangled user representation with multi-view information fusion on social networks. Information Fusion, 74, 77-86.
Valls, M.G., Dubey, D. & Botti, V. (2018). Introducing the new paradigm of Social Dispersed Computing: Applications, Technologies and Challenges. Journal of Systems Architecture, 91, 83, 102.
Wang, Y., Wang, J., Wang, H. & Zhang, R. (2020). Users’ mobility enhances information diffusion in online social networks. Information Sciences, 546, 329-348.
Wenninger, H., Cheung, C.M.K. & Chmielinski, M. (2021). Understanding envy and users’ responses to envy in the context of social networking sites: A literature review. International Journal of Information Management, 58, 102303.
مدیریت اطلاعات
دوره 8، شماره 2 - شماره پیاپی 15
اسفند 1401
صفحه 81-101
  • تاریخ دریافت: 16 خرداد 1401
  • تاریخ بازنگری: 05 شهریور 1401
  • تاریخ پذیرش: 13 بهمن 1402