مدل‌سازی عوامل موثر بر سردرگمی مشتریان زن در انتخاب فروشگاه های خرده فروشی

امروزه مرکز خرید دیگر مکانی برای اهداف معامله نیست که مشتریان در صورت نیاز به یک کالا یا خدمت، به آن‌ مراجعه کنند، بلکه مکانی برای اهداف اجتماعی است. از طرفی روند رو به رشد فروشگاه های خرده‌فروشی موجب فشار عظیم بر مصرف‌کنندگان در انتخاب ‌شده است. خریداران اگر یک محیط اجتماعی را به‌عنوان محیطی بسیار تحریک کننده یا نامناسب درک کنند، ممکن است سردرگم شوند. هدف از پژوهش حاضر مدل‌سازی عوامل موثر بر سردرگمی مشتریان زن در انتخاب فروشگاه‌های خرده‌فروشی است. برای انتخاب ویژگی‌هایی که بیشترین ارتباط را با متغیرهای هدف داشته و می‌توانند بهترین عملکرد را در پیش‌بینی و تفسیرمدل ارائه دهند، از انتخاب ویژگی با استفاده از شبکه عصبی‌ استفاده شده است. رویکرد پیشنهادی در ابتدا با کاهش ابعاد فضای مسئله از طریق آموزش یک نوع شبکه‌های عصبی چند لایه، پیچیدگی محاسباتی را در حل مشکل طراحی کاهش می‌دهد. 7 عامل از عوامل موثر بر سردرگمی مشتریان براساس این مدل شبکه عصبی استخراج، در 5 سطح با استفاده از مدل یابی ساختاری تفسیری طبقه‌بندی شدند و مدل مرتبط با آن ترسیم گردید. در این دسته‌بندی متغیرهای تنوع زیاد برندهای فروشگاهی، برنامه‌های وفاداری و تجمع فروشگاه‌ها در یک موقعیت مکانی، بیشترین قدرت نفوذ (تاثیرگذاری) و ریسک ادراک‌شده، فاکتورهای فردی و جمعیت‌شناسی و آهنگ اطلاعات بیشترین وابستگی (تاثیرپذیری) را نشان می‌دهند و متغیر فاکتور فردی تنها متغیری است که رابطه دوطرفه با سایر متغیرها دارد.

modeling factors influencing the confusion of female customers in choosing retail stores

today, the shopping center is no longer a place for transaction purposes where customers go to if they need a product or service, but it is a place for social purposes. shoppers may become confused if they perceive a social environment as too stimulating or inappropriate. the aim of the current research is to combine interpretive structural modeling and machine learning to stratify factors affecting customer confusion in choosing a retail store. in order to select the features that are most related to the target variables and can provide the best performance in predicting and interpreting the model, feature selection using a neural network has been used. the proposed approach initially reduces the computational complexity in solving the design problem by reducing the dimensions of the problem space through the training of a type of multilayer neural networks. 7 factors affecting customer confusion were extracted based on this neural network model, classified in 5 levels using interpretative structural modeling, and the related model was drawn. in this category, the variables of a wide variety of store brands, loyalty programs and the concentration of stores in one location, the greatest power of influence (influence) and perceived risk, individual and demographic factors and the volume of information show the most dependence (influence) and the variable of the commodity factor is the only it is a variable that has a two-way relationship with other variables.