E-Ticarette Müşteri-Mağaza Alışverış Davranışı Modeli

Abstract

E-ticaretin hızlı gelişimi, işletmelerin müşteri davranışları ve satıcı performansını analiz etmek için ileri düzey analitik modellere ihtiyaç duymasına neden olmuştur. Bu çalışmada, müşteri tercihleri, satın alma alışkanlıkları ve satıcıların ürün tekliflerini birleştiren, 'Müşteri-Satıcı Alışveriş Davranışı Modeli' önerilmiştir. Model, RFM (Recency, Frequency, Monetary), kategori tercihleri ve müşteri yaşam boyu değeri gibi müşteri metrikleri ile satıcıların kategori odağı ve satış performansı verilerini kullanarak segmentasyon ve kişiselleştirilmiş öneriler sunmaktadır. K-Means, hiyerarşik kümeleme ve karar ağacı algoritmaları kullanılarak müşteriler ve satıcılar benzer davranışlara göre gruplandırılmıştır. Ayrıca, müşterilerin satın alma eğilimlerini tahmin etmek ve satıcılar ile eşleştirmek için tahmin modelleri ve hibrit öneri sistemleri uygulanmıştır. Sonuçlar, önerilen modelin müşteri bağlılığını, satıcı performansını ve platformun genel etkinliğini önemli ölçüde artırdığını göstermektedir. Bu çalışma, e-ticaret platformları için veri odaklı, ölçeklenebilir ve dinamik bir analitik çerçeve sunmaktadır.The rapid advancement of e-commerce has necessitated the adoption of sophisticated analytical models to decipher customer behaviors and evaluate seller performance. In this study, we propose a novel 'Customer-Seller Shopping Behavior Model' that integrates customer preferences, purchasing patterns, and seller product offerings. The model utilizes customer metrics such as RFM (Recency, Frequency, Monetary), category preferences, and customer lifetime value, alongside seller data on category focus and sales performance, to facilitate segmentation and personalized recommendations. Employing K-Means, hierarchical clustering, and decision tree algorithms, customers and sellers are categorized based on their behavioral similarities. Furthermore, predictive models and hybrid recommendation systems are implemented to forecast customer purchasing propensities and match them with suitable sellers. The results demonstrate that the proposed model significantly enhances customer engagement, seller effectiveness, and overall platform efficiency. This research contributes to a data-driven, scalable, and dynamic analytical framework for e-commerce platforms.