مهندسی و مدیریت کیفیت

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

نوع مقاله : مقاله پژوهشی

نویسندگان

صمد بندری 1
فرهاد حسین زاده لطفی 2
سید اسماعیل نجفی 1، 3
سید احمد عدالت پناه 4

1 گروه مهندسی صنایع، واحد علوم و تحقیقات، دانشگاه آزاد اسلامی، تهران، ایران.

2 گروه ریاضی و علوم کامپیوتر، واحد علوم و تحقیقات، دانشگاه آزاد اسلامی، تهران، ایران.

3 گروه تحقیقاتی سامانه‌های هوشمند صنعتی مروارید، ایران.

4 گروه ریاضی کاربردی، موسسه آموزش عالی آیندگان، تنکابن، ایران.

https://doi.org/10.48313/jqem.2024.219125
چکیده
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 مؤثری 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.

کلیدواژه‌ها

فناوری مالی
تبلیغات دیجیتال
الگوریتم‌های فرا ابتکاری
وفاداری مشتری
بهینه‌سازی تبلیغات

عنوان مقاله English

Prediction of the impact and performance of FinTech companies' advertisements on customer acquisition and loyalty using metaheuristic algorithms

نویسندگان English

Samad Bandari 1
Farhad Hossein Zadeh Lotfi 2
Seyyed Esmaeil Najafi 1 3
Seyyed Ahmad Edalatpanah 4
1 Department of Industrial Engineering, Science and Research Branch, Islamic Azad University, Tehran, Iran.
2 Department of Mathematics and Computer Science, Science and Research Branch, Islamic Azad University, Tehran, Iran.
3 Morvarid Intelligent Industrial Systems Research Group, Iran.
4 Department of Applied Mathematics, Ayandegan Institute of Higher Education, Tonekabon, Iran.
چکیده English

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 environments where uncertainty and decision-making complexity play significant roles, 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 accurately predicted customer loyalty and that metaheuristic algorithms effectively optimized 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 reduce advertising costs and increase Return on Investment (ROI). Comparing the proposed algorithms showed that the hybrid approach, combining genetic algorithms and particle swarm optimization, outperformed the 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.

کلیدواژه‌ها English

FinTech
Digital advertising
Metaheuristic algorithms
Customer loyalty
Advertising optimization
[1]     Gomber, P., Kauffman, R. J., Parker, C., & Weber, B. W. (2018). On the fintech revolution: Interpreting the forces of innovation, disruption, and transformation in financial services. Journal of management information systems, 35(1), 220–265. https://doi.org/10.1080/07421222.2018.1440766
[2]     Brandl, B., & Hornuf, L. (2020). Where did FinTechs come from, and where do they go? The transformation of the financial industry in Germany after digitalization. Frontiers in artificial intelligence, 3(8), 1-12. https://doi.org/10.3389/frai.2020.00008
[3]     Aaker, D. A., Kumar, V., Leone, R. P., & Day, G. S. (2016). Marketing research. Wiley Global Education. https://B2n.ir/qw7676
[4]     Yang, B., Wang, J., Zhang, X., Yu, T., Yao, W., Shu, H., Sun, L. (2020). Comprehensive overview of meta-heuristic algorithm applications on PV cell parameter identification. Energy conversion and management, 208, 112595. https://doi.org/10.1016/j.enconman.2020.112595
[5]     Sharma, S., Sharma, M., & Dhingra, D. (2024). Cluster-based Systematic Literature Review: Understanding FinTech Adoption and Challenges. Abhigyan, 42(3), 206–227. https://doi.org/10.1177/09702385241256010
[6]     Talbi, E. G. (2009). Metaheuristics: from design to implementation. John Wiley & Sons. https://B2n.ir/jh8233
[7]     Mohan, P., Neelakandan, S., Mardani, A., Maurya, S., Arulkumar, N., & Thangaraj, K. (2023). Eagle strategy arithmetic optimisation algorithm with optimal deep convolutional forest based fintech application for hyper-automation. Enterprise information systems, 17(10), 2188123. https://doi.org/10.1080/17517575.2023.2188123
[8]     Khan, S., Rahman, A. K. M. A., Saha, T., Alam, M. M., & Mahmood, H. (2024). The role of Fintech in containing the carbon curse of natural resources: Evidence from resource-rich countries. Resources policy, 90, 104733. https://doi.org/10.1016/j.resourpol.2024.104733
[9]     Nguyen, H. Y. (2020). Fintech in Vietnam and its regulatory approach. In Regulating fintech in Asia: Global context, local perspectives (pp. 115–138). Springer.  https://doi.org/10.1007/978-981-15-5819-1_7
[10]   Onasanya, A., Aroyewun, O., & Okonkwo, R. (2022). Predictive analytics for customer behaviour: Developing a predictive model that analyzes customer data to forecast future buying trends and preferences enabling small businesses to Tailor their marketing and product strategies effectively. Journal name. http://dx.doi.org/10.13140/RG.2.2.19691.11044
[11]   Elveny, M., Nasution, M. K. M., & Syah, R. B. Y. (2023). A hybrid metaheuristic model for efficient analytical business prediction. International journal of advanced computer science and applications, 14(8), 430–440. http://dx.doi.org/10.14569/IJACSA.2023.0140848
[12]   Malik, H., Iqbal, A., Joshi, P., Agrawal, S., & Bakhsh, F. I. (2020). Metaheuristic and evolutionary computation: algorithms and applications. Springer Nature. https://doi.org/10.1007/978-981-15-7571-6
[13]   Babakhanian, M. R., Amin Mousavi, S. A., Soltani, R., & Vakilifar, H. R. (2023). Survey the effect of fintech companies’ profitability enhancement on winning customers’ loyalty using an artificial intelligence-based optimization algorithm. International journal of nonlinear analysis and applications, 14(1), 2409–2423. https://doi.org/10.22075/ijnaa.2022.27639.3665
[14]   Liu, H., Yao, P., Latif, S., Aslam, S., & Iqbal, N. (2022). Impact of green financing, FinTech, and financial inclusion on energy efficiency. In Environmental science and pollution research (pp. 1–12). Springer.  https://doi.org/10.1007/s11356-021-16949-x
[15]   Pramaswari, F., Nasution, A. P., & Nasution, S. L. (2021). The effect of branding quality and service quality on customer satisfaction through financial technology (FinTech) at PT. WOM finance branch Rantauprapat. Budapest international research and critics institute (BIRCI-journal): Humanities and social sciences, 4(2), 2995–3004. https://doi.org/10.33258/birci.v4i2.2012
[16]   Oh, S., Park, M. J., Kim, T. Y., & Shin, J. (2022). Marketing strategies for fintech companies: Text data analysis of social media posts. Management decision, 61(1), 243–268. https://doi.org/10.1108/MD-09-2021-1183
[17]   Holland, J. L., & Gottfredson, G. D. (1975). Predictive value and psychological meaning of vocational aspirations. Journal of vocational behavior, 6(3), 349–363. https://doi.org/10.1016/0001-8791(75)90007-X
[18]   Goldberg, D. E. (1989). Genetic algorithms and Walsh functions: Part 2, deception and its analysis. Complex systems, 3, 153–171. https://cir.nii.ac.jp/crid/1570854175217677952
[19]   Pasandideh, S. H. R., Niaki, S. T. A., & Nia, A. R. (2011). A genetic algorithm for vendor managed inventory control system of multi-product multi-constraint economic order quantity model. Expert systems with applications, 38(3), 2708–2716. https://doi.org/10.1016/j.eswa.2010.08.060
[20]   Eberhart, R., & Kennedy, J. (1995). Particle swarm optimization. Proceedings of the IEEE international conference on neural networks (Vol. 4, pp. 1942–1948). Citeseer. https://B2n.ir/sp1965
[21]   Poli, R. (2007). An analysis of publications on particle swarm optimization applications. Essex, uk: Department of computer science, university of essex, 1(1), 1–41. https://B2n.ir/ju6807
[22]   Soleimani, H., & Kannan, G. (2015). A hybrid particle swarm optimization and genetic algorithm for closed-loop supply chain network design in large-scale networks. Applied mathematical modelling, 39(14), 3990–4012. https://doi.org/10.1016/j.apm.2014.12.016
مهندسی و مدیریت کیفیت
دوره 14، شماره 3
پاییز 1403
صفحه 199-216

صفحه اصلی

اعضای هیات تحریریه

بانک ها و نمایه نامه ها

راهنمای نویسندگان

ارسال مقاله

داوران

تماس با ما