شناسایی و اولویت بندی مدل های کسب و کار الکترونیکی موفق در ایران با استفاده از تکنیک‌های یادگیری ماشین

نوع مقاله: مقاله پژوهشی

نویسندگان

1 دانشجوی کارشناسی ارشد دانشگاه خوارزمی - دانشکده مدیریت

2 عضو هیئت علمی دانشگاه خوارزمی، تهران، ایران

3 عضو هیئت علمی دانشگاه خوارزمی تهران، ایران

چکیده

تجارت و روش‌های کسب‌و‌کار، یکی از مهم‌ترین حوزه‌هایی است که با به‌کارگیری فناوری‌های نوین اطلاعاتی و ارتباطی و اینترنت به‌سرعت و به‌شدت تحت تأثیر قرار گرفت. بسیاری از روش‌های سنتی کسب درآمد متحول گشته و روش‌ها و ارزش‌های جدید فراوانی پا به عرصه وجود نهادند. در همین راستا مطالعه سیستم مدل‌های کسب‌و‌کار الکترونیکی در جهان پیچیده امروز ضروری است. علی‌رغم اینکه برخی کسب‌و‌کارها در حوزه‌ی کاری خود به موفقیت نائل می‌شوند، اما کسب‌و‌کارهای زیادی وجود دارند که با شکست مواجه می‌شوند. علت شکست این کسب‌و‌کارها به انتخاب مدل کسب‌و‌کار مناسب برمی‌گردد. لذا، پژوهش حاضر با هدف شناسایی مدل‌های کسب‌و‌کار الکترونیکی موفق با استفاده از تکنیک‌های یادگیری ماشین انجام شد. در این پژوهش جهت انتخاب بهترین مدل کسب‌و‌کار الکترونیکی موفق، 105 کسب‌و‌کار دارای نماد اعتماد مورد بررسی قرار گرفتند. این پژوهش از نوع کاربردی با رویکرد کمی است که به‌صورت تحقیق میدانی انجام شد. ابزار مورد استفاده برای جمع‌آوری داده‌های پژوهش، پرسش‌نامه بوده است. نتایج تحقیق مبین آن است که بهترین مدل در موفقیت کسب‌وکارها، مدل فروشگاه الکترونیکی و مدل تبلیغات می‌باشد. نتایج به‌دست آمده از الگوریتم k-means و ID3 نشان داده‌اند که از 12 معیار در نظر گرفته شده جهت انتخاب بهترین مدل موفق، دو معیار توسعه ابزارهای IT و استراتژی شرکت مهم‌ترین نقش را برای موفقیت کسب‌و‌کارهای دارای نماد اعتماد دارا هستند.

چکیده تصویری

شناسایی و اولویت بندی مدل های کسب و کار الکترونیکی موفق در ایران با استفاده از تکنیک‌های یادگیری ماشین

کلیدواژه‌ها


عنوان مقاله [English]

Identifying and Prioritizing Successful e-Business Models in Iranian Dot-Coms by Using Machine Learning Techniques

نویسنده [English]

  • Masoomeh Vakilisadeghi 1
چکیده [English]

Today, business, economics and society has been transformed by information technology. Many traditional ways of earning money have evolved and new methods and values have come to the fore. In this regard, Study of the e-business system in today's complex and turbulent world is essential. Despite the fact that some businesses succeed in their field of work, there are many businesses that fail, because of selecting inappropriate business model. So, this study which has been done to identify successful e-business models using machine learning techniques. Quantitative survey was used to doing research. 105 businesses with a eTrust were selected to find the best successful electronic business model. The instrument used to collect data was a questionnaire. Analyzing collected data shoes the best business model for the success of businesses in Iran, are e-shop model and the advertising. The results of the k-means algorithm and ID3 show that of the 12 criteria considered in choosing the best model for success, two criteria; including the development of IT tools and company strategy have the most important role for the success of trusted businesses.

کلیدواژه‌ها [English]

  • e-Business Model
  • Machine Learning
  • e-Trust
  • e-Shop
  • Development of IT tools

[1] Hanafizadeh, P., & Shafiei Nikabadi, M. (2011). Framework for selecting an appropriate e-business model in managerial holding companies: Case study: Iran Khodro. Journal of Enterprise Information Management24(3), 237-267.

[2] Timmers, P. (1998). Business models for electronic markets. Electronic markets8(2), 3-8.

[3]  Hanafizadeh, P., & Shafiei Nikabadi, M. (2011). Framework for selecting an appropriate e-business model in managerial holding companies: Case study: Iran Khodro. Journal of Enterprise Information Management24(3), 237-267.

[4]  reshadi, f., & reshad, m. (2013). Electronic Business model selection using the Analytic Hierarchy Process. Paper presented at the international symposium on advances in science and technology, hormozgan university.

[5]  Chen, A. N., Sen, S., & Shao, B. B. (2006). Strategies for effective Web services adoption for dynamic e-businesses. Decision Support Systems42(2), 789-809.

[6]  Timmers, P. (1999). Electronic commerce. US: John Wiley & Sons, Inc..

[7]  Schlachter, E. (1995). Generating revenues from websites. Board Watch (July)374.

[8]  Fedewa, C. S. (1996). Business models for "Internetpreneurs". Internet Entrepreneurs Support Service, Los Angeles.

[9]  Tapscott, D., Lowy, A., & Ticoll, D. (2000). Digital capital: Harnessing the power of business webs. US: Harvard Business School Press.

 [10]   Lee, M. K., & Turban, E. (2001). A trust model for consumer internet shopping. International Journal of electronic commerce6(1), 75-91.

[11]   Applegate, L. M. (2001). E-business Models: Making sense of the Internet business landscape. Information technology and the future enterprise: New models for managers, 49-94.

[12]   Rayport, J. F., & Jaworski, B. J. (2001). E-commerce, International Edition. New York: McGraw-Hill/Irwin.

[13]   Tsalgatidou, A., & Pitoura, E. (2001). Business models and transactions in mobile electronic commerce: requirements and properties. Computer Networks37(2), 221-236.

[14]   Ross, J. W., Vitale, M. R., & Weill, P. (2001). From place to space: Migrating to profitable electronic commerce business models. US: Harvard Business School Press.

[15]   Kinder, T. (2002). Emerging e-commerce business models: an analysis of case studies from West Lothian, Scotland. European Journal of Innovation Management5(3), 130-151.

[16]   Rappa, M. (2003). Business models on the web. Retrieved from Managing the Digital Enterprise website: http://digitalenterprise. org.

[17]   Lumpkin, G. T., & Dess, G. G. (2004). E-Business Strategies and Internet Business Models: How the Internet Adds Value. Organizational Dynamics33(2), 161-173.

[18]   Janssen, M., Kuk, G., & Wagenaar, R. W. (2008). A survey of Web-based business models for e-government in the Netherlands. Government Information Quarterly25(2), 202-220.

[19]   Zott, C., Amit, R., & Massa, L. (2011). The business model: recent developments and future research. Journal of management37(4), 1019-1042.

[20]   Gordijn, J., Akkermans, H., & Van Vliet, J. (2001). Designing and evaluating e-business models. IEEE intelligent Systems16(4), 11-17.

[21]   Hayes, J., & Finnegan, P. (2005). Assessing the of potential of e-business models: towards a framework for assisting decision-makers. European Journal of Operational Research160(2), 365-379.

[22]   Lee, C., Lee, H., Seol, H., & Park, Y. (2012). Evaluation of new service concepts using rough set theory and group analytic hierarchy process. Expert Systems with Applications39(3), 3404-3412.

[23]   Chang, S. C., Tsai, P. H., & Chang, S. C. (2015). A hybrid fuzzy model for selecting and evaluating the e-book business model: A case study on Taiwan e-book firms. Applied Soft Computing34, 194-204.

[24] Hanafizadeh, P., & Shafiei Nikabadi, M. (2011). Framework for selecting an appropriate e-business model in managerial holding companies: Case study: Iran Khodro. Journal of Enterprise Information Management24(3), 237-267.

[25]   Dominici, G. (2012). E-Business Model: a content based taxonomy of literature. International Journal of Management and Administrative Sciences, 1(7), 10-20.

[26] Kusrini, K. (2015). Grouping of Retail items by using K-Means clustering. Procedia Computer Science72, 495-502.

[27]   Laftah Al-Yaseen, W., Ali Othman, Z., & Ahmad Nazri, M. Z. (2015). Hybrid modified-means with C4. 5 for intrusion detection systems in Multiagent Systems. The Scientific World Journal, 2015, [294761].

[28]   Freeman, C. (1990). The economics of innovation. US: Edward Elgar

[29]   Bilal, M., Israr, H., Shahid, M., & Khan, A. (2016). Sentiment classification of Roman-Urdu opinions using Naïve Bayesian, Decision Tree and KNN classification techniques. Journal of King Saud University-Computer and Information Sciences28(3), 330-344.

[30]   Ferrari, D. G., & De Castro, L. N. (2015). Clustering algorithm selection by meta-learning systems: A new distance-based problem characterization and ranking combination methods. Information Sciences301, 181-194.

[31]   Marsala, C., & Petturiti, D. (2015). Rank discrimination measures for enforcing monotonicity in decision tree induction. Information Sciences291, 143-171.

[32]   Khanmohammadi, S., Adibeig, N., & Shanehbandy, S. (2017). An improved overlapping k-means clustering method for medical applications. Expert Systems with Applications67, 12-18.