تحلیل پاسخ مغز به محرک‌های بازاریابی به کمک سیگنال مغزی (eeg) در کاربرد بازاریابی عصبی

علوم اعصاب‌شناختی برای درک رفتارهای انسانی مرتبط با بازاریابی و سازگاری با ترجیحات مصرف‌کننده مفید است. پژوهشگران با تحلیل پاسخ‌های مغزی مصرف‌کنندگان در مواجهه با محرّک‌های بازاریابی، به دنبال کشف دلایل تصمیم‌‌گیری هستند. این پژوهش یک چارچوب را برای فرآیندهای تصمیم‌گیری شرکت‌کنندگان ازنظر پسندیدن و نپسندیدن در زمان مشاهده و انتخاب محصولات یک فروشگاه اینترنتی پیشنهاد می‌دهد. بدین منظور، از سیگنال مغزی (eeg) شرکت‌کنندگان در هنگام نمایش محصولات مختلف استفاده می‌شود. برای استخراج ویژگی‌ از تخمین چگالی طیف توان به روش ولش، تحلیل نوسان روند زدایی شده (dfa) و تحلیل کمّی بازگشت (rqa) استفاده شده است. نتایج پژوهش نشان می‌دهند دو دسته ی پسندیدن یا نپسندیدن یک کالا را می‌توان به کمک ماشین بردار پشتیبان (svm) با میزان صحّت 5/73 درصد طبقه‌بندی کرد که در مقایسه با پژوهش گذشته 3.5 درصد بهبود در نتایج دیده می‌شود. با شناخت بهتر رفتار مصرف‌کننده و اشراف بر خواسته‌های مصرف‌کننده، استراتژی‌های بازار به‌گونه‌ای تعیین می‌شوند که علاوه بر رضایت مشتریان، سبب افزایش فروش و سود شوند. نتایج حاصله امیدوارکننده است و از روش پیشنهادی می‌توان برای مدل بهتر تجارت الکترونیکی استفاده کرد.

analyzing the brain response to marketing stimuli using electroencephalogram (eeg) signal in the neuromarketing application

cognitive neuroscience is useful for understanding human behaviors related to marketing and adapting to consumer preferences. by analyzing consumers’ brain responses to marketing stimuli, researchers seek to discover the reasons for decision-making. this study proposes a framework for participants’ decision-making processes in terms of liking and disliking when viewing and selecting the products of an online store. to this end, the participants’ brain signal (eeg) is used when displaying different products. estimation of power spectrum density by welch method, detrended fluctuation analysis (dfa), and recurrence quantification analysis (rqa) were used to extract the feature vector. the results show that the two categories of liking or disliking a product can be classified with 73.5% accuracy using a support vector machine (svm), which compared to the previous study, there is a 3.5% improvement in results. by better understanding consumer behavior and mastery of consumer demands, market strategies can be determined in a way that in addition to customer satisfaction, increase sales and profits. the results are promising and the proposed method can be used for a better electronic commerce model.