کد مقاله | کد نشریه | سال انتشار | مقاله انگلیسی | نسخه تمام متن |
---|---|---|---|---|
7433778 | 1483492 | 2016 | 8 صفحه PDF | دانلود رایگان |
عنوان انگلیسی مقاله ISI
Enhanced predictive models for purchasing in the fashion field by using kernel machine regression equipped with ordinal logistic regression
ترجمه فارسی عنوان
مدل پیش بینی پیشرفته برای خرید در زمینه مد با استفاده از رگرسیون دستگاه هسته ای مجهز به رگرسیون لجستیک مرتبه
دانلود مقاله + سفارش ترجمه
دانلود مقاله ISI انگلیسی
رایگان برای ایرانیان
کلمات کلیدی
رگرسیون لجستیک عادی، محصولات مد، پیش بینی فروش، ماشین آلات هسته ای،
ترجمه چکیده
شناسایی محصولاتی که در صنعت پوشاک مد بسیار به فروش می رسد، یکی از وظایف چالش برانگیز است که منجر به کاهش نوشتن و افزایش درآمد می شود. در حقیقت، فراتر از پیش بینی فروش به طور کلی یک سوال مهمی باقی می ماند که آیا یک محصول ممکن است به خوبی به فروش برود یا نه. فرض بر این که سه کلاس به عنوان مهم، متوسط و غیر قابل اندازه گیری، مشکل پیش بینی به یک مشکل طبقه بندی می رسد، که در آن وظیفه پیش بینی طبقه یک محصول است. در این تحقیق، ما یک رویکرد احتمالاتی را برای شناسایی طبقه محصولات مد از نظر فروش ارائه می کنیم. پس از آن، ما ماشین آلات هسته را با یک روش احتمالاتی ترکیب می کنیم تا توانایی عملکرد ماشین آلات هسته ای را بالا ببریم و در نهایت بتوانیم از آن برای پیش بینی تعداد فروش استفاده کنیم. رویکرد پیشنهادی قوی تر از رد و بدل شدن (در مورد محصولات بسیار فروش شده) است و علاوه بر این از دانش قبلی استفاده می کند، از این رو نتایج قابل اعتمادتری را ارائه می دهد. برای بررسی رویکرد پیشنهادی، ما چندین آزمایش بر روی داده های واقعی استخراج شده از خرده فروش پوشاک در آلمان انجام دادیم.
موضوعات مرتبط
علوم انسانی و اجتماعی
مدیریت، کسب و کار و حسابداری
بازاریابی و مدیریت بازار
چکیده انگلیسی
Identifying the products which are highly sold in the fashion apparel industry is one of the challenging tasks, which leads to reduce the write off and increases the revenue. In fact, beyond of sales forecasting in general a crucial question remains whether a product may sell well or not. Assuming three classes as substantial, middle and inconsiderable, the forecasting problem comes down to a classification problem, where the task is to predict the class of a product. In this research, we present a probabilistic approach to identify the class of fashion products in terms of sale. Thereafter, we combine kernel machines with a probabilistic approach to empower the performance of kernel machines and eventually to make use of it to predicting the number of sales. The proposed approach is more robust to outliers (in the case of highly sold products) and in addition uses prior knowledge, hence it serves more reliable results. In order to verify the proposed approach, we conducted several experiments on a real data extracted from an apparel retailer in Germany.
ناشر
Database: Elsevier - ScienceDirect (ساینس دایرکت)
Journal: Journal of Retailing and Consumer Services - Volume 32, September 2016, Pages 131-138
Journal: Journal of Retailing and Consumer Services - Volume 32, September 2016, Pages 131-138
نویسندگان
Ali Fallah Tehrani, Diane Ahrens,