Поведінка споживачів: аналіз маркетингових кампаній за допомогою систем рекомендацій та статистичних методів

Набіль Черкауі ¹^,, Каутар Ель Гандрі ^2,*,, Медард Доукоуа Янда Танога ^3,, Юсеф Ель Хассіні ^4,, Аіша Еррафіг ^3,

Університет Сіді Мохамеда Бен Абделла, Марокко
факультет медицини і фармації, Університет Мохаммеда V у Рабаті, Марокко
ENSIAS, Університет Мохаммеда V у Рабаті, Марокко
факультет наук, Лабораторія IPSS, Університет Мохаммеда V у Рабаті, Марокко

* Corresponding author

DOI: https://doi.org/10.21272/mmi.2024.3-01

Pages: 1-12

Received: 10 January 2024

Revised: 12 June 2024

Accepted: 20 June 2024

Abstract

Ця стаття досліджує вплив поведінки споживачів на ефективність маркетингових кампаній, використовуючи систему рекомендацій та методи статистичного аналізу. Розуміння поведінки споживачів є надзвичайно важливим у сучасному жорстко конкурентному та постійно мінливому ринку. Це дослідження має на меті підкреслити значний вплив поведінки споживачів на ефективність маркетингових кампаній через інноваційне застосування систем рекомендацій, підтриманих сучасними методами машинного навчання та аналізу даних. Цей підхід вирішує складні завдання точного прогнозування поведінки споживачів. Авторами узагальнено особливості систем рекомендацій, підкреслюючи їхню важливу роль у сучасному маркетинговому середовищі. У статті теоретично обґрунтовано взаємозв’язок між маркетинговими даними та поведінкою споживачів. Крім того, авторами описано процес аналізу даних, що починається з фільтрації даних через одновимірний та двовимірний аналіз, завершуючи передовими методами, такими як алгоритм Apriori для виявлення правил асоціації та ретельного дослідження цього симбіотичного зв’язку. Результати дослідження демонструють ефективність авторської методології для інтерпретації складної взаємодії між поведінкою споживачів та маркетинговими кампаніями. Отримані висновки підкреслюють важливі тенденції та обґрунтовують практичні рекомендації для підвищення ефективності маркетингових стратегій. Розкриваючи динамічні взаємозв’язки між поведінкою споживачів та маркетинговими результатами. Крім того, у статті підкреслено важливість розуміння поведінки споживачів та переваги використання інноваційних методів аналізу даних. Розшифровуючи тенденції споживання, бізнес може оптимізувати свої маркетингові стратегії та покращити задоволеність клієнтів, зміцнюючи свою конкурентну перевагу на постійно змінюваному ринку. Нарешті, впровадження систем рекомендацій з інструментами штучного інтелекту та машинного навчання для колаборативної фільтрації може ще більше вдосконалити ці стратегії, значно підвищуючи ефективність маркетингових кампаній.

Keywords: аналітика рішень; машинне навчання; маркетингові дані; система рекомендацій.

How to Cite: Cherkaoui, N., El Handri, K., Medard, D. Y, T., El Hassani, Y., & Errafyg, A. (2024). Consumer Behaviour: Analysing Marketing Campaigns through Recommender Systems and Statistical Techniques. Marketing and Management of Innovations, 15(3), 1–12. https://doi.org/10.21272/mmi.2024.3-01

Abstract Views

PDF Downloads

This work is licensed under a Creative Commons Attribution 4.0 International License

References

Aaker, D. A., & Moorman, C. (2023). Strategic market management. John Wiley & Sons. [Google Scholar]
Al-Maolegi, M., & Arkok, B. (2014). An improved Apriori algorithm for association rules. arXiv preprint arXiv:1403.3948. [Google Scholar] [CrossRef]
Arndt, J. (1986). Paradigms in consumer research: a review of perspectives and aapproaches. European Journal of Marketing, 20(8), 23-40. [Google Scholar] [CrossRef]
Battalio, R. C., Fisher Jr, E. B., Kagel, J. H., Basmann, R. L., Winkler, R. C., & Krasner, L. (1974). An experimental investigation of consumer behaviour in a controlled environment. Journal of Consumer Research, 1(2), 52-60. [Google Scholar] [CrossRef]
Ben Ticha, S. (2015). Recommandation personnalisée hybride(Doctoral dissertation, Université de Lorraine). [Google Scholar]
El Handri, K., & Idrissi, A. (2019). Étude comparative de Topk basée sur l’algorithme de Fagin en utilisant des métriques de corrélation dans la qualité de service de Cloud Computing. In EGC(pp. 359-360). [Google Scholar]
El handri, K., & Idrissi, A. (2020). Comparative study of Topk based on Fagin’s algorithm using correlation metrics in cloud computing QoS. International Journal of internet Technology and Secured Transactions, 10(1-2), 143-170. [Google Scholar] [CrossRef]
El Handri, K., & Idrissi, A. (2022). Correlations and Hierarchical Clustering Investigation Between Weather and SARS-CoV-2. Recent Advances in Computer Science and Communications (Formerly: Recent Patents on Computer Science), 15(6), 859-867. [Google Scholar][CrossRef]
El Handri, K., Idrissi, A., & Er-Rafyg, A. (2023a). Top KWS Algorithm in the Map-Reduce Paradigm for Cloud Computing QoS Recommendation System. In Modern Artificial Intelligence and Data Science: Tools, Techniques and Systems(pp. 3-13). Cham: Springer Nature Switzerland. [Google Scholar] [CrossRef]
El Handri, K., Rachdi, M., & El Bouchti, K. (2023b). Tweet Recommendation System Based on TA Algorithm and Natural Language Processing. In The International Conference of Advanced Computing and Informatics(pp. 197-203). Cham: Springer International Publishing. [Google Scholar] [CrossRef
Er-Rafyg, A., Idrissi, A., & El Handri, K. (2023). Improvement of Courses Recommendation System using Divide and Conquer Algorithm. In Modern Artificial Intelligence and Data Science: Tools, Techniques and Systems(pp. 37-47). Cham: Springer Nature Switzerland. [Google Scholar] [CrossRef]
Ez-Zahraouy, H. (2023). Dynamics Behaviour of Vehicular Traffic Flow in a Scale-Free Complex Network Check for updates Siham Lamzabi, Kaoutar El Handri, Marwa Benyoussef. Modern Artificial Intelligence and Data Science: Tools, Techniques and Systems, 1102, 261. [Google Scholar]
Handri, K. E. L., & Idrissi, A. (2020). Efficient Top-kws algorithm on synthetics and real datasets. International journal of Artificial Intelligent (IJAI).
Handri, K. E. L., & Idrissi, A. (2022). System collaboratif d’aide à la décision à base des recommandations multi critères. Fascicule de brevet. [Link]
Hegland, M. (2007). The apriori algorithm–a tutorial. Mathematics and computation in imaging science and information processing, 209-262. [Google Scholar] [CrossRef]
Idrissi, A., El Handri, K., Rehioui, H., & Abourezq, M. (2016). Top-k and skyline for cloud services research and selection system. In Proceedings of the International Conference on Big Data and Advanced Wireless Technologies(pp. 1-10). [Google Scholar] [CrossRef]
Ogiemwonyi, O., & Jan, M. T. (2023). The correlative influence of consumer ethical beliefs, environmental ethics, and moral obligation on green consumption behaviour. Resources, Conservation & Recycling Advances, 19, 200171. [Google Scholar] [CrossRef]
Solomon, M., Russell-Bennett, R., & Previte, J. (2012). Consumer behaviour. Pearson Higher Education AU. [Google Scholar]
Tamuliene, V., & Pilipavicius, V. (2017, December). Research in customer preferences selecting insurance services: a case study of Lithuania. Forum Scientiae Oeconomia, 5(4), 49-58. [Google Scholar] [CrossRef]
Tran, D. T., & Huh, J. H. (2023). Forecast of seasonal consumption behaviour of consumers and privacy-preserving data mining with new S-Apriori algorithm. The Journal of Supercomputing, 79(11), 12691–12736. [Google Scholar] [CrossRef]
Trinquecoste, J. F. (1999). Pour une clarification théorique du lien marketing-stratégie. Recherche et Applications en Marketing (French Edition), 14(1), 59–80. [Google Scholar] [CrossRef]
Zaki, K., & Shared, H. (2023). Modelling Sustainable Marketing with Retail Consumers’ Purchasing Intentions: Evidence from the MENA Region. Virtual Economics, 6(4), 25–43. [Google Scholar] [CrossRef]