پیش‌بینی اثر و عملکرد تبلیغات شرکت‌های فناوری مالی برجذب و وفاداری مشتریان با استفاده از الگوریتم‌های فرا ابتکاری

هدف:  با رشد سریع صنعت فناوری مالی (فین‌تک) ، تبلیغات دیجیتال به یکی از ابزارهای کلیدی برای جذب مشتریان جدید و افزایش وفاداری مشتریان فعلی تبدیل شده است. در محیطی که عدم اطمینان و پیچیدگی‌های تصمیم‌گیری نقش مهمی ایفا می‌کند، استفاده از الگوریتم‌های فرا‌ ابتکاری می‌تواند به بهینه‌سازی تبلیغات دیجیتال کمک کند.روش‌شناسی پژوهش: این پژوهش با ارائه یک مدل سه‌سطحی در محیط فازی شهودی و بهره‌گیری از بازی استکلبرگ، تاثیر تبلیغات بر عملکرد، جذب و وفاداری مشتریان را بررسی می‌کند. در این مطالعه، فرآیند تبلیغات شرکت‌های فین‌تک به‌عنوان یک تصمیم‌گیری سه‌سطحی شامل جذب مشتریان، عملکرد تبلیغات و وفاداری مشتریان مدل‌سازی شده است.  برای حل این مدل، از الگوریتم‌های ژنتیک  و بهینه‌سازی ازدحام ذرات  به‌منظور بهینه‌سازی استراتژی‌های تبلیغاتی استفاده شده است.یافته‌ها: نتایج نشان داد که مدل پیشنهادی توانسته است با دقت بالایی میزان وفاداری مشتریان را پیش‌بینی کند و الگوریتم‌های فراابتکاری در بهینه‌سازی پارامترهای تبلیغاتی نقش موثری دارند.  تحلیل نتایج نشان داد که نرخ تبدیل  و میزان خرید  مهم‌ترین عوامل تاثیر‌گذار بر وفاداری مشتریان هستند. همچنین، یافته‌ها نشان داد که استفاده از الگوریتم‌های ترکیبی می‌تواند به کاهش هزینه‌های تبلیغاتی و افزایش بازده سرمایه‌گذاری  منجر شود. مقایسه نتیجه‌های الگوریتم‌های پیشنهادی نشان داد که روش ترکیبی ژنتیک و ازدحام ذرات نسبت به روش‌های مجزا، دقت بالاتری در پیش‌بینی رفتار مشتریان دارد.اصالت/ارزش افزوده علمی: بر اساس یافته‌های این پژوهش، پیشنهاد می‌شود شرکت‌های فناوری مالی از الگوریتم‌های فراابتکاری در بهینه‌سازی تبلیغات دیجیتال و هدف‌گذاری دقیق مشتریان استفاده کنند. این روش‌ها می‌توانند اثربخشی تبلیغات را افزایش داده، هزینه‌های بازاریابی را کاهش دهند و وفاداری مشتریان را در صنعت فین‌تک بهبود بخشند.

prediction of the impact and performance of fintech companies’ advertisements on customer acquisition and loyalty using metaheuristic algorithms

purpose: with the rapid growth of the financial technology (fintech) industry, digital advertising has become one of the key tools for attracting new customers and increasing the loyalty of existing ones. in an environment where uncertainty and decision-making complexities play a significant role, the use of metaheuristic algorithms can help optimize digital advertising efforts.methodology: this study proposes a three-level model in an intuitionistic fuzzy environment and utilizes the stackelberg game to examine the impact of advertising on performance, customer acquisition, and customer loyalty. in this study, the advertising process of fintech companies is modeled as a three-level decision-making process encompassing customer acquisition, advertising performance, and customer loyalty. to solve this model, genetic algorithms (ga) and particle swarm optimization (pso) are employed to optimize advertising strategies.findings: the results indicated that the proposed model was able to predict customer loyalty with high accuracy and that metaheuristic algorithms played an effective role in optimizing advertising parameters. the analysis of the results showed that conversion rate and purchase amount are the most influential factors affecting customer loyalty. furthermore, the findings revealed that using hybrid algorithms can lead to reduced advertising costs and increased return on investment (roi). comparing the proposed algorithms demonstrated that the hybrid approach combining genetic algorithms and particle swarm optimization outperformed individual methods in predicting customer behavior.originality/value: based on the findings, it is recommended that fintech companies adopt metaheuristic algorithms to optimize digital advertising and achieve precise customer targeting. these approaches can enhance advertising effectiveness, reduce marketing costs, and improve customer loyalty within the fintech industry.