خلاصه

فروشگاه های آفلاین به طور جدی توسط فروشگاه های آنلاین به چالش کشیده می شوند. برای جذب مشتریان بیشتر برای رقابت با فروشگاه‌های آنلاین، الگوهای جریان مشتری و عوامل تأثیرگذار آنها دانش مهمی است. برای پرداختن به این مشکل، داده‌های موقعیت‌یابی داخلی 534641 و 59160 مشتری را در دو مرکز خرید (یعنی Dayuecheng (DYC) در پکن و Longhu (LH) در Chongqing، چین) به‌ترتیب برای یک هفته جمع‌آوری کردیم. الگوهای زمانی جریان مشتری نشان می‌دهد که (1) جریان کل مشتری در آخر هفته‌ها زیاد و در اواسط هفته کم است و (2) اوج جریان ساعتی مربوط به زمان غذا برای LH و فقط در روزهای هفته برای DYC است. تفاوت در الگوهای زمانی بین دو مرکز خرید ممکن است به تفاوت مکان آنها نسبت داده شود. جریان مشتری به فروشگاه ها نشان می دهد که جریان مشتری به سمت پوشاک، غذا و فروشگاه های عمومی بالاترین میزان را دارد. به طور خاص، در DYC، ترتیب لباس، غذا و عمومی است، در حالی که در LH، غذا، لباس و عمومی است. برای شناسایی عوامل مؤثر بر جریان مشتری، از رگرسیون خطی برای تراکم ورودی فروشگاه‌ها (مشتری در هر متر مربع) دو طبقه اصلی (فروشگاه‌های پوشاک و مواد غذایی)، با 10 عامل مکانی و اجتماعی به عنوان متغیر مستقل استفاده کردیم. نتایج نشان می‌دهد که تراکم جریان به طور قابل‌توجهی تحت‌تاثیر مکان فروشگاه، دید (به جز فروشگاه‌های مواد غذایی در DYC) و شهرت قرار دارد. علاوه بر این، تفاوت بین دو کلاس فروشگاهی این است که فروشگاه های لباس تحت تأثیر عوامل راحتی بیشتری از جمله فاصله تا آسانسور و فاصله تا مرکز طبقه (فقط برای LH) قرار دارند. به طور کلی،

کلید واژه ها:

جریان مشتری ؛ مراکز خرید ؛ داده های موقعیت یابی داخلی ؛ موقعیت یابی وای فای

1. معرفی

در عصر تجارت الکترونیک، کسب‌وکارهای آفلاین به دلیل هزینه‌های بالای بازاریابی توسط کسب‌وکارهای آنلاین به چالش کشیده شده‌اند [ 1 ، 2 ]. با این حال، بسیاری از مردم هنوز تجربه خرید آفلاین ظاهر و احساس و لمس و احساس را ترجیح می دهند [ 3 ، 4 ]، و بسیاری از خرده فروشان آنلاین، مانند آمازون، فروشگاه های فیزیکی راه اندازی می کنند. 5 ]. با توجه به این تقاطع و رقابت شدید بین خرده‌فروشان آنلاین و آفلاین، مراکز خرید کارکردهای خرید، فعالیت اجتماعی و سرگرمی را با هم ترکیب می‌کنند و به تدریج به شکل عمده‌ای از کسب‌وکار خرده‌فروشی تبدیل شده‌اند [3 ، 6 ] . به طور خاص، المشهرا و سوارس [ 3] در مورد چگونگی تعامل اجتماعی با فروشندگان و سرگرمی ها، تجربه خرید را افزایش می دهد و رضایت خریداران مرکز را تحت تأثیر قرار می دهد. روزنباوم و همکاران [ 6] نشان داد که چگونه همه انواع سرگرمی ها بر احساسات و رضایت خریداران مراکز خرید تأثیر مثبت می گذارد و همچنین چگونه سرگرمی آنها را به ماندن بیشتر در مرکز خرید وادار می کند. مراکز خرید برای رقابت با فروشگاه‌های آنلاین در جذب مشتری، باید از محبوبیت فروشگاه‌ها و اینکه چه عواملی در بازدید مشتریان از آنها تأثیر می‌گذارد، بدانند. به این ترتیب می توان با بهینه سازی چیدمان و قالب تجاری مراکز خرید، فروش را بهبود بخشید. اگرچه فروشگاه‌های آنلاین این اطلاعات را از طریق جمع‌آوری سوابق بازدید آنلاین مشتریان به دست آورده‌اند، کسب‌وکارهای آفلاین هنوز فاقد روش‌های کارآمد برای به دست آوردن چنین اطلاعاتی هستند. اکثر مطالعات خرده فروشی از روش های سنتی مانند نظرسنجی [ 7 ، 8 ]، مصاحبه با مشتری [ 9 ، 10] استفاده می کردند.] یا تکنیک های ترکیبی کیفی و کمی [ 11 , 12]؛ با این حال، تنها بخش کوچکی از مشتریان و فروشگاه‌ها تحت پوشش این نوع روش‌ها قرار گرفتند و داده‌های مورد استفاده ممکن است به طور کامل الگوی کلی جریان مشتری و عوامل مؤثر بر آن‌ها را منعکس نکند. بر این اساس و با توسعه تکنیک‌های موقعیت‌یابی داخل ساختمان، مانند شناسایی فرکانس رادیویی (RFID)، وفاداری بی‌سیم (Wi-Fi) و بلوتوث، می‌توان مکان داخلی یک فرد را هنگام بازدید از یک مرکز خرید تعیین کرد. بنابراین، توالی فروشگاه های بازدید شده را می توان از طریق داده های موقعیت یابی داخلی بازیابی کرد. در نتیجه می توان محبوبیت فروشگاه ها را بر اساس سوابق بازدید، یعنی جریان مشتری تخمین زد. این روش مطالعه رفتار خریداران مرکز می تواند نتایج قابل اعتمادتری ارائه دهد. از این رو، هدف این مقاله تعیین الگوی جریان مشتری و عوامل موثر بر آن بر اساس داده های موقعیت یابی داخلی بود. این اطلاعات ممکن است به حمایت از مدیریت بهتر مراکز خرید و ارائه خدمات انسانی تر به مشتریان کمک کند، مانند بهینه سازی ترکیب مستاجر، بازسازی چیدمان فروشگاه ها و تنظیم مجدد امکانات عمومی.

2. بررسی ادبیات

تحقیقات مرتبط نشان داده است که در سناریوی فروش آفلاین، مبلغ فروش و اجاره ارتباط نزدیکی با تحرک مشتری دارد [ 13 ، 14 ]، که ممکن است منعکس کننده تمایلات مشتریان باشد. بنابراین، پیش نیاز افزایش سود، درک تحرک جریان مشتری و عوامل مؤثر بر آن است. در مرحله بعد، ابتدا توسعه را بر اساس پرسشنامه ها مرور می کنیم و سپس بر به روز رسانی اخیر داده های موقعیت یابی داخلی تمرکز می کنیم.
داده های جمع آوری شده توسط پرسشنامه حتی در سال های اخیر نقش مهمی در درک محبوبیت فروشگاه های مختلف و عوامل موثر بر آنها داشته است. براون [ 15 ] بر اساس اطلاعات حرکت مشتریان، جریان یک هفته ای 250 گروه خرید را در مرکز منطقه حومه شهر مطالعه کرد و جریان های متراکم مشتری را در اطراف فروشگاه های لنگر یافت. هیرش و همکاران [ 16 ] عوامل مؤثر بر توزیع جریان مشتری را بررسی کرد و کشف کرد که جریان ها از نظر مکانی در دسته های خرده فروشی غذا، سلامت و بدن و مد متمرکز شده اند و با افزایش فاصله از مرکز مرکز خرید، نسبت پاس کاهش می یابد. ویدیانی [ 17] به طور سیستماتیک عوامل مؤثر بر بازدید مشتری از فروشگاه در یک مرکز خرید را بر اساس مجموعه داده های نظرسنجی بزرگ مورد مطالعه قرار داد. تأثیر سطح کف، نوع فروشگاه و زمان اقامت نیز اندازه‌گیری شد. الادلی و عید [ 18 ] روابط بین محیط خرید، ارزش درک شده توسط مشتری، رضایت مشتری و وفاداری مشتری را مورد مطالعه قرار دادند و یک همبستگی معنادار بین محیط مرکز خرید و وفاداری مشتری را کشف کردند، که همچنین با واسطه ارزش درک شده توسط مشتری است. از مراکز خرید و رضایت مشتری بر اساس انتخاب فروشگاه و رضایت مشتریان، جراوازا و همکاران. [ 19] دریافت که زمان سفر، راحتی مکان، نزدیکی به فروشگاه های رایگان و دید فروشگاه عوامل مهمی هستند که بر انتخاب فروشگاه مشتریان تأثیر می گذارند. بر اساس 489 مصاحبه، Mathaba و همکاران. [ 20 ] دریافتند که رفتار کارکنان فروشگاه، در دسترس بودن نام تجاری، ارتقای قیمت و جو فروشگاه عوامل عمده ای هستند که خریداران هنگام انتخاب فروشگاه های لباس ورزشی در نظر می گیرند. هلال [ 21 ] نشان داد که بر اساس 389 پرسشنامه مشتریان، عواملی مانند تصویر فروشگاه، راحتی فروشگاه، محیط فروشگاه، جذابیت فروشگاه و کیفیت خدمات بر وفاداری فروشگاه تأثیر می‌گذارند. هر مشتری در هنگام خرید در مرکز خرید سبک تصمیم گیری خاص خود را دارد و علوی و همکاران. [ 22]، برای روشن شدن عوامل تأثیرگذار، روابط بین سبک‌های تصمیم‌گیری، سطوح رضایت و قصد خرید را از طریق طبقه‌بندی تصمیم‌گیری مشتری در هشت سبک نشان داد. علاوه بر عوامل مربوط به مراکز خرید فی نفسه، گیلبوآ و همکاران. [ 23] دریافت که تجربیات مراکز خرید در رابطه با برابری و وفاداری جهانی نیست و فرهنگ ملی و صنعت مرکز خرید نتایج مثبت مراکز خرید را تعدیل می‌کند. در مجموع، اگرچه این مطالعات اطلاعات ارزشمندی در مورد محبوبیت فروشگاه ها و عوامل موثر بر آنها ارائه کرده است، اما برخی از اشکالات و مشکلات همچنان وجود دارد. اول، داده های جمع آوری شده از طریق پرسشنامه عمدتاً به دلیل هزینه بالای جمع آوری داده ها محدود بود. بنابراین، ممکن است امکان نمونه گیری سوگیری وجود داشته باشد. دوم، حتی اگر در برخی از مطالعات، داده ها به طور مستقیم در منطقه خرید جمع آوری شد [ 24 ، 25 ، 26]، بیشتر اطلاعات بازدید از فروشگاه معمولا بر اساس فراخوانی مشتریان است و ناقص و نادرست است زیرا ممکن است به دلیل از دست دادن حافظه با عدم قطعیت همراه باشد. ثالثاً، نظرسنجی‌ها و مصاحبه‌های پرسشنامه معمولاً نمونه‌گیری غیراحتمالی را نشان می‌دهند، که در آن انتخاب نمونه تا حد زیادی به تمایل مشتریان بستگی دارد (یعنی فقط مشتریان تعاونی را می‌توان انتخاب کرد)، بنابراین این می‌تواند دلیل دیگری برای نمونه‌گیری جانبدارانه باشد، و تجزیه و تحلیل نمی تواند به اندازه کافی کل مشتریان را نشان دهد.
با توسعه فناوری موقعیت یابی داخلی، انواع حسگرها برای تعیین رفتار در داخل خانه استفاده شده است. یک سیستم موقعیت یابی داخلی با استفاده از امواج رادیویی، میدان های مغناطیسی، سیگنال های صوتی یا سایر اطلاعات حسی جمع آوری شده توسط دستگاه های تلفن همراه، موقعیت داخل ساختمان را تخمین می زند [ 27 ، 28 ]. تکنیک‌های مبتنی بر امواج رادیویی بیشتر در کاربردهای موقعیت‌یابی داخلی مورد استفاده قرار می‌گیرند و می‌توان آنها را به چندین نوع تقسیم کرد: RFID، بلوتوث، Wi-Fi و موارد دیگر [ 29 ، 30 ]. داده های جمع آوری شده توسط فناوری موقعیت یابی داخلی برای استنباط رفتار داخل ساختمان در سناریوهای مختلف مانند موزه ها [ 31 ]، فرودگاه ها [ 32 ]، بیمارستان ها [ 33] استفاده شده است.]، نمایشگاه ها [ 34 ]، مراکز خرید [ 35 ]، بازی های فوتبال [ 36 ] و پردیس ها [ 37 ]. پیشرفت تحقیقات اخیر در مورد رفتار خرید مشتریان مربوط به داده های موقعیت یابی داخلی را می توان در سه دسته خلاصه کرد: استنتاج رفتار و تحرک مشتری، شناسایی الگوهای تحرک، و تعیین عواملی که بر این الگوها تأثیر می گذارند.
با توجه به رفتار و تحرک، با توسعه تکنیک های موقعیت یابی داخل ساختمان، تحقیقات به طور فزاینده ای بر اساس داده های موقعیت یابی داخل ساختمان انجام شده است. هورجوی و همکاران [ 38 ] یک سیستم مبتنی بر RFID برای شناسایی و تجزیه و تحلیل فعالیت خرید محصولات ایجاد کرد. ووکویچ و همکاران [ 39 ] یک سیستم RFID برای قرار دادن سبدهای خرید طراحی کرد. این روش می تواند برای ردیابی مسیرهای مشتریان و استنباط و تجزیه و تحلیل حرکت مشتری و زمان صرف شده در بخش های خاص فروشگاه استفاده شود. فوا و همکاران [ 40] داده های جمع آوری شده از دستگاه های بلوتوث را برای ثبت حرکت مشتری ارزیابی کرد. نتایج نشان داد که داده‌های ثبت خودکار از طریق بلوتوث می‌تواند برای تخمین مدت زمان سفرهای خرید خریدارانی که دستگاه‌ها را حمل می‌کنند استفاده شود. شنده و همکاران [ 41 ] یک سیستم فانوس دریایی ایجاد کرد که از طریق آن مشتریان ردیابی می شوند و تخفیف های شخصی بر اساس الگوهای سفر و سوابق خرید به مشتریان ارائه می شود. علاوه بر رفتار و مسیرهای فردی، اوسترلینک و همکاران. [ 35 ] جریان مشتری در مراکز خرید را با استفاده از ردیابی بلوتوث تخمین زد. یک مطالعه موردی در یک مرکز خرید بلژیکی نشان داد که تجزیه و تحلیل جریان‌های مشتری می‌تواند تعداد فروشگاه‌های بازدید شده و جریان‌ها به و بین فروشگاه‌ها را نشان دهد. دوگان و همکاران [ 42] یک پیاده‌سازی فرآیند کاوی را برای کشف مسیرهای مشتری بر اساس داده‌های جمع‌آوری‌شده توسط دستگاه‌های iBeacon ارائه کرد که می‌تواند بیشتر از یک سیستم توصیه شخصی پشتیبانی کند.
الگوهای تحرک مشتری را می توان بر اساس بازسازی مسیر مطالعه کرد. لارسون و همکاران [ 43 ] از یک الگوریتم خوشه‌بندی چند متغیره برای شناسایی الگوهای جریان مشتری در یک سوپرمارکت از نظر گره‌ها، زمان و زمان توقف استفاده کرد. نتایج الگوهای جریان مشتری را نشان داد که می‌توان آن‌ها را با راهروها، نمایشگرهای درپوش انتهایی و مسیر مسابقه توصیف و تعریف کرد. برای بررسی الگوهای رفتاری بازدیدکنندگان ردیابی شده توسط بلوتوث، دلافونتین و همکاران. [ 44 ] روش‌های تراز توالی را برای داده‌ها در یک نمایشگاه تجاری بزرگ در بلژیک اعمال کرد و ناهمگونی الگوهای سفر را از نظر مدت زمان، تعداد سایت‌های بازدید شده و توالی بازدیدها آشکار کرد. Versichele و همکاران [ 45] ردیابی بازدیدکنندگان رویداد انبوه را با استفاده از فناوری بلوتوث انجام داد. در تحقیق آنها، پویایی پیچیده مکانی-زمانی حرکات بازدیدکنندگان، علاوه بر آمارهای کلی، مانند تعداد بازدیدکنندگان، سهم بازدیدکنندگان بازگشتی و نقشه‌های جریان بازدیدکننده به دست آمد. بر اساس تجزیه و تحلیل داده های ردیابی شده Wi-Fi، Danalet و همکاران. [ 37 ] الگوهای همبستگی سریالی از مسیرهای مشتری را کشف کرد، که ممکن است مکان های پذیرایی بالقوه و سهم بازار آنها را نشان دهد. لیو و همکاران با جمع‌آوری داده‌های گزارش مبتنی بر Wi-Fi حاوی اطلاعات فضا-زمان مشتریان. [ 46] دریافت که جریان مشتری بین فروشگاه های مختلف از توزیع قانون قدرت پیروی می کند. یعنی، تنها بخش کوچکی از جفت‌های فروشگاه از طریق جریان مشتری متراکم با هم مرتبط هستند، در حالی که بیشتر جفت‌های فروشگاه دیگر ارتباط ضعیفی دارند. رفتار مشتری در رابطه با جنسیت بر اساس داده‌های مبتنی بر گزارش Wi-Fi [ 47 ] و داده‌های مبتنی بر بلوتوث [ 48 ] مورد بررسی قرار گرفت. تجزیه و تحلیل مسیرهای مشتریان نشان داد که مشتریان زن و مرد از نظر مدت زمان و نوع فروشگاه بازدید شده رفتار متفاوتی دارند. برای درک رفتارهای جمعیت در یک محیط داخلی، ژو و همکاران. [ 49] داده های موقعیت یابی Ultra-Wide-Band (UWB) را با کمک آمار، تجسم و یادگیری ماشینی بدون نظارت تجزیه و تحلیل کرد. چارچوبی برای استخراج حرکت جمعیت برای شناسایی ارتباطات متقابل بین مکان‌های مختلف و استخراج الگوهای بازدید زمانی جمعیت بر اساس روز و مکان پیشنهاد شد.
با توجه به عواملی که بر الگوهای تحرک مشتری تأثیر می‌گذارند، به‌روزرسانی‌های اخیر عمدتاً بر تأثیر چیدمان فضایی مراکز خرید بر الگوی کلی تحرک مشتریان متمرکز شده‌اند. هوانگبو و همکاران [ 50 ] عوامل مؤثر بر توالی بازدید مشتریان را با اتصال داده‌های تراکنش و موقعیت‌های آنها، که توسط مکان‌های نقاط دسترسی مستقر (APs) که برای شناسایی دستگاه‌های تلفن همراه حمل شده توسط مشتریان نصب شده‌اند، نشان داده می‌شوند، بررسی کرد. تأثیر دسته‌های مختلف فروشگاه‌ها بر جریان‌های مشتری مورد تجزیه و تحلیل قرار گرفت و الگوهای حرکتی بهینه‌شده با هدف دستیابی به بالاترین فروش، برای تنظیم مجدد چیدمان از طریق یک الگوریتم فرآیند کاوی به‌دست آمد. یانگ و همکاران [ 51] داده های پرسشنامه را در مورد رفتار خرید مشتریان و مسیر حرکت آنها که توسط سیستم موقعیت یابی داخلی UWB ردیابی شده بود ترکیب کرد و دریافت که چیدمان فضایی سوپرمارکت به طور قابل توجهی بر رفتار خرید آنی افراد تأثیر می گذارد. کیم و همکاران [ 52 ] برای مقایسه الگوهای حرکت مشتری بر اساس داده های ردیابی مبتنی بر مکان، سه آزمایش میدانی را با نمایشگرهای تجاری بصری مختلف در مرکز خرید انجام داد. نتایج آنها تأیید کرد که بازآرایی مؤثر فروشگاه می تواند الگوهای حرکت مشتری را تغییر دهد و فروش کلی مناطق فروشگاه را بهبود بخشد.
بررسی ادبیات بالا نشان می دهد که داده های موقعیت یابی داخلی به طور گسترده برای مطالعه رفتار حرکتی مشتریان و الگوهای آنها استفاده شده است، در حالی که تحقیقات در مورد رابطه بین جریان مشتری و فروشگاه ها، به ویژه، الگوی جریان مشتری به فروشگاه ها و عوامل تأثیرگذار آن، هنوز ادامه دارد. ناکافی. دو دلیل اصلی وجود دارد. اولاً، اگرچه داده‌های نظرسنجی به طور گسترده مورد استفاده قرار گرفته‌اند، نتایج ممکن است مغرضانه یا حتی نادرست به دلیل ناکافی بودن داده‌های نظرسنجی از نظر عدم قطعیت، غیر احتمالی و تعداد نمونه‌گیری محدود باشد. دوم، علیرغم این واقعیت که داده‌های موقعیت‌یابی داخلی برای تجزیه و تحلیل جریان‌های مشتری به کار گرفته شده‌اند، عوامل، به‌ویژه موقعیت‌های مکانی (شامل کف، مساحت، فاصله تا پله برقی و فاصله تا مرکز طبقه)، که ممکن است بر جریان ها تأثیر بگذارد به ندرت بررسی می شود. در این مقاله، بر اساس داده‌های موقعیت‌یابی داخلی مبتنی بر Wi-Fi، ابتدا الگوی مکانی-زمانی جریان مشتری به فروشگاه‌ها را کشف می‌کنیم، و سپس با یک رگرسیون چند متغیره خطی، تأثیر عوامل مختلف، که شامل عوامل مکانی و اجتماعی می‌شود را کمی‌سازی می‌کنیم. توجه داشته باشید که در این مقاله، داده‌های دو مرکز خرید واقع در دو شهر با سبک‌های مختلف (یعنی پکن، پایتخت چین، و چونگ کینگ، کلان شهر در جنوب غربی چین) را انتخاب کردیم. دلایل دوگانه است. اولین مورد این است که داده های بیشتر مراکز خرید مختلف ممکن است به کشف الگوهای کلی جریان مشتری و عوامل مؤثر بر آن از نقاط مشترک کمک کند.

3. مواد و روشها

3.1. مکان و داده ها

داده‌های موقعیت‌یابی داخلی در دو مرکز خرید جمع‌آوری شد: Dayuecheng (از این پس DYC)، واقع در Xidan، مرکز پکن، و Longhutianjie (از این پس LH)، واقع در نزدیکی شهر داخلی، چونگ‌کینگ، جنوب غربی چین. مکان دو مرکز خرید در شکل 1 نشان داده شده است . DYC شامل 272 فروشگاه است که در 10 طبقه توزیع شده اند و مساحت کل آن 51354 متر مربع است. LH دارای 265 فروشگاه است که در 6 طبقه توزیع شده اند و مساحت کل آن 123793 متر مربع است. چیدمان دو مرکز خرید در شکل 2 و شکل 3 نمایش داده شده است .
ما فروشگاه ها را به 9 طبقه تقسیم کردیم: پوشاک، غذا، عمومی، کفش و لوازم جانبی، لوکس، زیبایی و تناسب اندام، خدمات زندگی، سرگرمی و مادر و نوزاد. تعداد فروشگاه ها و مساحت کل هر طبقه در جدول 1 آمده است که نشان می دهد پوشاک و مواد غذایی دو طبقه اصلی فروشگاه ها از نظر تعداد و مساحت در هر دو مرکز خرید هستند.
ما داده‌های موقعیت‌یابی داخلی را در DYC بین 11 مه 2015 و 17 مه 2015 و داده‌های LH را بین 30 ژوئن 2014 تا 06 ژوئیه 2014 جمع‌آوری کردیم. هر یک از مجموعه داده‌ها یک هفته را پوشش می‌داد و برای اجتناب از تعطیلات مهم (به عنوان مثال، جشنواره بهار، روز کارگر) انتخاب شد. و روز ملی) و رویدادهای ویژه برای تعیین الگوهای عمومی پنهان در جریان مشتری. داده های موقعیت یابی داخلی توسط سیستم های موتور Wi-Fi نصب شده در هر دو مرکز خرید ثبت شد. با توجه به پوشش بالای تلفن های همراه و درصد بالای استفاده از وای فای در مراکز خرید (مردم معمولاً از وای فای رایگان به جای اتصالات تلفن همراه خود برای گشت و گذار در اینترنت استفاده می کردند، زیرا هزینه ترافیک تلفن همراه گران بود و سرعت اتصال به شبکه در آن زمان پایین بود. دوره ها)، مشتریان ثبت شده از طریق AP ها اکثریت کل کاربران وب را تشکیل می دهند و علاوه بر این، بیش از 50 درصد از کل مشتریان در نتیجه، ما فکر می‌کنیم که داده‌های جمع‌آوری‌شده ممکن است الگوهای کلی مشتریان را در کل منعکس کند.
برای اطمینان از دقت موقعیت یابی داخلی، AP ها در مراکز خرید نصب شدند و دو شرط را برآورده کردند. اول اینکه Aps ها با فاصله حداکثر 10 متری بین یکدیگر مستقر شده اند و دوم اینکه در هر فروشگاه حداقل یک AP نصب شده است. علاوه بر این، هر AP با یک ماسک فلزی در زیر سقف نصب شد تا سیگنال گوشی‌ها را از کف بالا نمایش دهد. این سیستم بر اساس یک حالت موقعیت یابی داخلی غیرفعال است، جایی که سیگنال یک گوشی در صورت اتصال به APها ضبط می شود. بدین ترتیب، مکان حامل گوشی (یعنی مشتری) را می توان از طریق موقعیت یابی داخلی تعیین کرد. در اینجا، ما از روش انگشت نگاری برای دقت موقعیت یابی بالای آن استفاده کردیم [ 53 ، 54]. به طور خلاصه، هر مکان در منطقه تحقیقاتی دارای ترکیبی منحصر به فرد از شدت سیگنال های دریافتی توسط AP های مختلف است، و یک گوشی را می توان با مراجعه به جدول جستجوی اثر انگشت، جایی که هر سلول با ترکیبی از شدت سیگنال پر شده است، مکان یابی کرد [27، 55 ] . ]. به طور خاص، تطابق بین شدت‌های ثبت‌شده و جدول جستجوی اثرانگشت از پیش تعریف‌شده را می‌توان از طریق روش k-نزدیک‌ترین همسایه (KNN)، شبکه عصبی مصنوعی (ANN) و ماشین بردار پشتیبانی (SVM) تحقق بخشید [56 ، 57 ]]. در اینجا از روش KNN برای تعیین مکان ها استفاده کردیم. از آنجایی که نقشه های اثر انگشت بر اساس چیدمان فعلی مراکز خرید ایجاد شده اند، موانع ناشی از ساختمان در نقشه در نظر گرفته شده است و ممکن است تأثیر کمی بر دقت مکان یابی داشته باشد.
پس از تعیین مکان، پایگاه داده موقعیت یابی داخلی را برای تجزیه و تحلیل بیشتر ساختیم. در پایگاه داده، هر رکورد شامل شش ویژگی است: Time_stamp ، MAC ، Building_ID ، Floor_ID ، X و Y ، که در آن Time_stamp مهر زمانی است که هنگام جمع‌آوری داده موقعیت‌یابی ثبت می‌شود، MAC آدرس کنترل دسترسی رسانه یک دستگاه تلفن همراه (هر سلول) است. تلفن دارای یک آدرس MAC منحصر به فرد است)، Building_ID کدی است که برای تشخیص DYC از LH استفاده می شود، Floor_ID نشان دهنده شماره طبقه و X و Y است.به ترتیب مختصات x و y یک مکان هستند. از آنجایی که شدت های ثبت شده توسط APها مستقیماً به تحقیق ما مربوط نمی شود، برای اختصار آنها را از پایگاه داده حذف کردیم. بر اساس آزمایش درجا، دقت موقعیت یابی در دو مرکز خرید در 5 متر بود که برای تعیین اینکه آیا مشتری در یک فروشگاه خاص است یا خیر کافی است. توجه داشته باشید که در اینجا، دقت 5 متری که به آن اشاره شده است، دقت افقی است. با توجه به اثر غربالگری سقف ها و ماسک ها، کفی که یک گوشی خاص در آن قرار دارد را می توان به طور موثر تعیین کرد. تفاوت بین دو متوالی Time_stamp متوالیمقادیر بازه زمانی است که به فرکانس اتصال گوشی به APهای مجاور بستگی دارد. در مطالعه ما، فاصله زمانی بین 1 ثانیه تا 20 دقیقه بود. به منظور استخراج بازدیدهای مشتریان در فروشگاه برای تجزیه و تحلیل جریان مشتری، ابتدا تعیین کردیم که آیا یک مکان ( X و Y ) در یک بازه زمانی از طریق تجزیه و تحلیل همپوشانی در داخل فروشگاه است یا خیر. سپس مجموعه ای از فروشگاه ها و مدت زمان آنها برای هر مشتری به ترتیب از مکان ها و فواصل زمانی استنباط شد.
توجه داشته باشید که یک اثر “پینگ پنگ” ناشی از جابجایی سیگنال به طور کلی وجود دارد، که ممکن است باعث ایجاد ظاهر نادرست مشتری در حرکت سریع بین فروشگاه ها شود، در حالی که در واقع، او هنوز در همان فروشگاه است. برای مقابله با اثر “پینگ پنگ”، ما سپس از روش در [ 58 ] استفاده کردیم. به طور خاص، یک فروشگاه در یک سری پردازش می‌شود که مدت زمان آن کمتر از یک آستانه باشد (در کار ما از 10 ثانیه استفاده می‌کنیم؛ یعنی مدت زمان کمتر از 10 ثانیه به‌عنوان دریفت سیگنال دیده می‌شود). پس از آن، توالی بازدید از مشتریان، که به عنوان سفارش فروشگاه ها نامیده می شود، برای محاسبه بعدی تولید شد.
در همین حال، قبل از بررسی الگوهای جریان مشتری، داده ها برای حذف نویز از قبل پردازش شدند. نویز شامل سه نوع رکورد اصلی بود. اولین MAC به طور تصادفی تولید شد. یعنی مک همان گوشی مدام عوض می شود. خوشبختانه، در دوره‌ای که داده‌ها را جمع‌آوری کردیم، فقط MACهای آیفون به‌طور تصادفی تولید شدند. برای از بین بردن این نوع نویز، MAC های آیفون را حذف کردیم که از پروتکل های سیگنال آنها قابل شناسایی است. دومی داده های تولید شده توسط دستیاران فروشگاه بود. اگر MAC حداقل سه روز در هفته را برای بیش از پنج ساعت در روز ارائه دهد، به عنوان دستیار در نظر گرفته می شود. سومین مورد، داده های تولید شده توسط دستگاه های الکترونیکی برای فروش بود، به عنوان مثال، تلفن های همراه و iPad. MAC به عنوان یک دستگاه الکترونیکی تلقی می شود که اگر بیش از 8 هکتار در روز وجود داشته باشد و همیشه در همان فروشگاه باشد در فروش است. این MAC ها قبل از محاسبات بیشتر حذف شدند.

3.2. روش تجزیه و تحلیل

برای کشف الگوهای جریان مشتری و عوامل موثر بر آنها، روش تجزیه و تحلیل را می توان به سه مرحله تقسیم کرد ( شکل 4 ). ما ابتدا الگوهای زمانی را با تجزیه و تحلیل جریان کلی مشتری در دو مرکز خرید در مقیاس‌های زمانی مختلف (یعنی هفته‌ها و ساعت‌ها) نشان دادیم. سپس، الگوهای جریان مشتری به فروشگاه‌های مختلف را تحلیل کردیم. در نهایت، عوامل تأثیرگذار از طریق یک مدل رگرسیون چند متغیره خطی، که در آن تراکم جریان مشتری در آخر هفته متغیر وابسته و متغیرهای مستقل شامل عوامل مکانی و اجتماعی بود، کمی سازی شدند.
برای تعیین عواملی که ممکن است بر جریان مشتری به فروشگاه ها تأثیر بگذارد، ابتدا باید عامل تأثیرگذار را انتخاب کنیم که بر اساس تحقیقات قبلی [ 3 ، 4 ، 13 ، 14 ، 18 ، 50 ، 52 است.] و اطلاعات نظرات آنلاین (dianping.com). در اینجا 9 عامل را انتخاب کردیم که از میان آنها هشت عامل اول متغیر مکانی و آخرین عامل اجتماعی بود. متغیرهای مکانی مربوط به چیدمان مرکز خرید بودند و شامل طبقه فروشگاه، مکان (1 اگر فروشگاه در گوشه قرار داشت، 0)، مساحت، دید (تعداد اضلاع مجاور راهرو)، تعداد همان نوع فروشگاه در نزدیکی (در 30 متر)، فاصله تا فروشگاه لنگر، فاصله تا نزدیکترین آسانسور و فاصله تا مرکز طبقه. متغیر اجتماعی شامل شهرت فروشگاه بود که با «سطح نظر (از 1 (کم) تا 5 (بالا))» از Dianping.com (معروف‌ترین وب‌سایت برای نظر دادن در فروشگاه‌ها) نشان داده می‌شود، که ممکن است به طور قابل توجهی بر انتخاب مشتری تأثیر بگذارد. . علاوه بر این، از آنجایی که سطح مصرف ممکن است مشتری را برای انتخاب فروشگاه های مواد غذایی تحت تأثیر قرار دهد، علاوه بر 9 عامل ذکر شده برای فروشگاه های پوشاک، «متوسط ​​مصرف برای هر نفر» را به تابع رگرسیون برای فروشگاه های مواد غذایی اضافه کردیم. میانگین مصرف به ازای هر نفر به معنای میزان مصرف به ازای هر نفر برای مشتریان به همراه “سطح نظر” در “Dianping.com” است.

توجه داشته باشید که فروشگاه‌های لنگر آن‌هایی هستند که نه تنها مشتریان زیادی را به سمت خود جذب می‌کنند، بلکه مشتریان زیادی را به فروشگاه‌های دیگر می‌آورند. فروشگاه های لنگر معمولا شهرت بالا و مناطق وسیعی دارند و به عنوان مقاصد خرید دیده می شوند [ 59 ]. در مقاله ما، فروشگاه های لنگر بر اساس دو معیار انتخاب شدند. اولین مورد اتصال کل بالا ( C i ) بود که به شرح زیر تعریف می شود:

سیمن=∑j=1ناسسیمنj

که در آن SC ij اتصال پیوند بین فروشگاه های i و j است که به صورت زیر تعریف می شود:

اسسیمنj=تیمنjحداکثر(تیمنj|من≠j;من،j∈ن)

که در آن t ij تعداد کل مشتریانی است که هر دو از فروشگاه های i و j در یک سفر خرید بازدید کرده اند، N تعداد فروشگاه ها و i ≠ j است . محدوده SC ij از 0 تا 1 است و مقدار 1 قوی ترین ارتباط بین دو فروشگاه را نشان می دهد. بنابراین، C i می تواند به عنوان مجموع نقاط قوت ارتباط بین i و فروشگاه های دیگر دیده شود. دوم منطقه بود. سپس فروشگاه های لنگر با انتخاب دو فروشگاه بزرگ از بین 5 فروشگاه برتر از نظر کل اتصال در هر طبقه تعیین شدند.

اگرچه 8 و 9 کلاس فروشگاه در DYC و LH وجود دارد، اما ما فقط فروشگاه های پوشاک و مواد غذایی را برای تشخیص فاکتور در نظر گرفتیم زیرا (1) این دو طبقه از فروشگاه ها بر هر دو مرکز خرید تسلط دارند و 43.7٪ و 25.9٪ از فروشگاه ها را تشکیل می دهند. در DYC و 44.91٪ و 39.62٪ از فروشگاه های LH به ترتیب، و (2) جریان مشتری به این دو کلاس از فروشگاه ها نیز رتبه اول و دوم را دارند.

4. نتایج

4.1. الگوی زمانی جریان مشتری

4.1.1. جریان هفتگی مشتری

شکل 5 a جریان های هفتگی را در DYC نشان می دهد. شنبه یک اوج را نشان می دهد، در حالی که دوشنبه و چهارشنبه به عنوان دره ظاهر می شوند. جریان هفتگی LH در نشان داده شده است شکل 5 نشان داده شده استج اگرچه تعداد کل مشتریان بسیار کمتر از DYC است، جریان هفتگی الگویی شبیه به DYC را نشان می دهد، به جز یک تفاوت جزئی. به طور خاص، اوج LH در روز یکشنبه و دره ها در روزهای دوشنبه و پنجشنبه است. اوج‌های آخر هفته و دره‌های دوشنبه جای تعجب ندارند، و دلیل دره اواسط هفته ممکن است این باشد که مشتریان تقاضای خرید نرم (نیازی به خرید فوری ندارند) را به آخر هفته منتقل می‌کنند. علاوه بر این، میانگین زمان اقامت مشتریان در DYC در روز پنجشنبه 3774 ثانیه و در روز شنبه 4395 ثانیه است. در مقابل، LH در روزهای پنجشنبه و شنبه به ترتیب 5625 و 6243 ثانیه است، که هر دو طولانی تر از DYC هستند، که نشان دهنده تفاوت در ریتم زندگی بین دو شهر است.
4.1.2. جریان ساعتی مشتری
برای تجزیه و تحلیل جریان ساعتی مشتری، پنجشنبه را برای روزهای هفته و شنبه را برای آخر هفته انتخاب می کنیم. از آنجایی که جمعه و دوشنبه نزدیک به آخر هفته است، رفتار خرید مشتری ممکن است با روزهای عادی هفته متفاوت باشد. در نتیجه دوشنبه و جمعه را حذف کردیم و پنجشنبه را انتخاب کردیم. در مورد آخر هفته، ما فکر کردیم که داده های شنبه می تواند رفتار خرید در اوقات فراغت را بهتر نشان دهد زیرا مشتریان نیازی به کار در روز بعد ندارند. به همین دلیل شنبه را انتخاب کردیم. جریان های ساعتی مشتری برای DYC و LH در شکل 5 b,d نشان داده شده است، که در آن منحنی قرمز نشان دهنده جریان مشتری در روز شنبه و آبی نشان دهنده جریان روز پنجشنبه است. که در شکل 5b، جریان در روز شنبه، که در کل روز بسیار بیشتر از روز پنجشنبه است، به صورت یک منحنی قوسی با حداکثر در ساعت 15:00 نشان داده می شود. منحنی روز پنجشنبه دو قله کم عمق را در ساعت 12:00 و 18:00 نشان می دهد. بر خلاف منحنی های DYC، هر دو منحنی برای LH شکل “M” را در شکل 5 نشان می دهند.د، با روز پنجشنبه مهم تر است. به طور خاص، اوج سمت چپ بین ساعت 12:00 تا 13:00 و اوج سمت راست بین ساعت 18:00 تا 20:00 است که هر دو مربوط به زمان غذا هستند. این دو رقم دو ویژگی جالب را نشان می دهند. اولاً، اوج‌های مربوط به زمان صرف غذا در روز پنج‌شنبه نسبت به روزهای شنبه برای هر دو مرکز خرید واضح‌تر است، که نشان می‌دهد مشتریانی که در روز پنجشنبه از مراکز خرید بازدید می‌کنند بیشتر در زمان ناهار یا بعد از کار از آن بازدید می‌کنند. دوم، منحنی‌های LH بیشتر وابسته به زمان غذا هستند، که نشان می‌دهد مشتریان LH احتمالاً در زمان صرف غذا از آن بازدید می‌کنند، در حالی که مشتریان DYC اینگونه نیستند.
تفاوت های فوق را می توان به دو دلیل نسبت داد. یکی سبک شهری است. چونگ کینگ شهری در جنوب غربی چین است و وضعیت اقتصادی و سطح مصرف آن نمی تواند با پکن رقابت کند. در نتیجه، شهروندان چونگ کینگ ریتم زندگی کندتری نسبت به شهروندان پکن دارند. علاوه بر این، مراکز خرید در مناطق مختلف شهری قرار دارند. DYC در منطقه تجاری مرکزی قرار دارد و عملکرد مرکز خرید پر مصرف است. علاوه بر این، گردشگری ممکن است در الگوی جریان ساعتی DYC نیز نقش داشته باشد. LH نزدیک به داخل شهر واقع شده است و عملکرد آرام تر، با ترکیبی از غذا، سرگرمی و خرید است. این دو دلیل ممکن است توضیح دهند که چرا منحنی زمانی برای LH بیشتر از DYC به زمان غذا وابسته است.

4.2. جریان مشتری به فروشگاه های مختلف

4.2.1. آمار جریان های مشتری

ورودی فروشگاه به صورت میانگین تعداد مشتریان بازدیدکننده از هر فروشگاه در طول هفته مورد مطالعه محاسبه شد. باکس پلات و هیستوگرام ورودی های فروشگاهی دو مرکز خرید به ترتیب در شکل 6 و شکل 7 نمایش داده شده است . میانگین ورودی ذخیره برای DYC 885.95 و LH 170.81 بود، در حالی که واریانس DYC بزرگتر از LH بود. هیستوگرام در شکل 7 نشان می دهد که توزیع احتمال برای هر دو مرکز خرید به طور تصاعدی با افزایش ورودی فروشگاه کاهش می یابد. آمار جریان مشتری به کلاس های مختلف برای DYC در روزهای پنجشنبه و شنبه در جدول 2 و آمار مربوط به LH در جدول 3 فهرست شده است .جدول 2نشان می دهد که بیش از 60٪ از جریان مشتری به فروشگاه ها در DYC توسط فروشگاه های پوشاک و سهم غذا بین 16 تا 18٪ در هر دو روز است. در LH، ما یک پدیده متفاوت پیدا کردیم: تقریباً 50٪ از جریان مشتری به فروشگاه ها برای غذا است و فقط 15-17٪ برای فروشگاه های پوشاک در هر دو روز. دسته کلی سومین جریان بزرگ را در هر دو مرکز خرید در هر دو روز به خود اختصاص می دهد. به غیر از سه کلاس اول، نسبت کل جریان مشتری برای سایر طبقات کمتر از 20٪ در هر دو مرکز خرید است. رتبه کلاس های دیگر بین دو مرکز خرید متفاوت است، به جز زیبایی و تناسب اندام و خدمات زندگی، اما بین دو روز تقریباً یکسان است، به جز زیبایی و تناسب اندام و لاکچری در DYC و زیبایی و تناسب اندام و مادر و نوزاد در LH. ما همچنین دریافتیم که نسبت جریان به فروشگاه‌های پوشاک و مواد غذایی در DYC در تعطیلات آخر هفته کاهش می‌یابد. همین پدیده برای غذا در LH نیز مشاهده می شود.
برای اندازه‌گیری محبوبیت یک فروشگاه خاص، ما میانگین جریان مشتری به هر فروشگاه در روز هفته را محاسبه کردیم (یعنی تراکم ورودی فروشگاه، به عنوان تعداد مشتریانی که از یک فروشگاه در یک روز بازدید می‌کنند، تقسیم بر مساحت تعریف می‌شود. فروشگاه). 10 فروشگاه برتر در هر دو مرکز خرید در جدول 4 آمده است . در DYC، پنج فروشگاه پوشاک، سه فروشگاه مواد غذایی، یک فروشگاه عمومی و یک فروشگاه کفش و لوازم جانبی وجود دارد، در حالی که در LH، پنج فروشگاه مواد غذایی، سه فروشگاه عمومی و دو فروشگاه سرگرمی وجود دارد. جالب اینجاست که اگرچه جریان مشتری به فروشگاه های لباس در رتبه دوم LH قرار دارد، اما هیچ فروشگاه پوشاکی در لیست 10 برتر وجود ندارد.
جریان مشتری در طبقات مختلف و 10 فروشگاه برتر نشان می دهد که مشتریان بیشتری از DYC برای فروشگاه های پوشاک بازدید می کنند، در حالی که مشتریان بیشتری از LH برای وعده های غذایی بازدید می کنند که با نتایج جریان ساعتی مطابقت دارد. .). تفاوت در جریان مشتری را می توان به عملکردهای متفاوت دو مرکز خرید نسبت داد. LH در حومه شهری با ریتم زندگی کندتر واقع شده است و هدف از خرید ممکن است لذت بردن از عمل مصرف باشد که منجر به بیشترین جریان به فروشگاه های مواد غذایی می شود. در مقابل، DYC در مرکز یک کلان شهر واقع شده است که مصرف بالایی دارد و دارای فروشگاه های پوشاک بیشتری از برندهای معروف است. هدف از خرید در این مورد ممکن است خرید سریع یک برند معروف باشد. این همچنین می تواند توضیح دهد که چرا DYC نسبت بیشتری از جریان مشتری برای لباس را در مقایسه با LH نشان می دهد.
4.2.2. تراکم جریان مشتری
باکس پلات و راگ پلات تراکم جریان ورودی به فروشگاه به ترتیب در شکل 8 a,b نشان داده شده است. ما دریافتیم که تراکم جریان ورودی ذخیره در DYC بزرگتر از LH به طور کلی است، در حالی که واریانس در DYC نیز بزرگتر است. رگپلات‌ها نشان می‌دهند که چگالی جریان ورودی به طور یکنواخت در امتداد محور x توزیع نمی‌شود، بلکه در انتهای کم ارزش متمرکز می‌شود. هیستوگرام تراکم جریان ورودی فروشگاه در شکل 9 برای هر دو مرکز خرید نمایش داده شده است. محور x تراکم جریان ورودی ذخیره را نشان می دهد و محور y، نسبت ذخایر را نشان می دهد. با افزایش تراکم جریان ورودی، نسبت ذخیره ها کاهش می یابد. اختلاف بین جریان و چگالی جریان نیز برای کلاس های مختلف مشاهده می شود ( جدول 2 (DYC) و جدول 3 را ببینید.(LH)). در روز پنجشنبه، سه تراکم جریان اول مربوط به لباس، کفش و لوازم جانبی و لوکس است، در حالی که در روز شنبه، ترتیب به کفش و لوازم جانبی، لباس و زیبایی و تناسب اندام در DYC تغییر می کند. در LH، ما یک تصویر متفاوت را مشاهده می کنیم. در روز پنجشنبه، سه نفر اول غذا، کفش و لوازم جانبی و خدمات زندگی هستند، در حالی که شنبه، مادر و نوزاد، غذا و کفش و لوازم جانبی هستند. ما همچنین توجه می کنیم که از نظر ده فروشگاه برتر ( جدول 4 )، ترتیب تراکم جریان کاملاً متفاوت از تراکم جریان مشتری است، حتی در همان کلاس. تفاوت در چگالی جریان بین طبقات ممکن است به دلیل ویژگی های ذاتی باشد. برای مثال، کلاس‌هایی که فروشگاه‌های کمی دارند (به عنوان مثال، خدمات سرگرمی و زندگی؛ جدول 1 را ببینید) ممکن است به شدت به عملکرد آنها وابسته باشد، در حالی که برخی از طبقات فروشگاه ها ممکن است تحت تأثیر قیمت های بازار باشند (مثلاً، فروشگاه های طلای لوکس). در نتیجه، تحلیل دلایل تفاوت چگالی جریان بین طبقات مختلف خارج از حوصله این مقاله است. با این حال، تفاوت بین فروشگاه های یک طبقه ممکن است در واقع نشان دهنده عوامل مؤثر بر جریان مشتری باشد که در زیر تحلیل می شود.

4.3. عوامل موثر بر تراکم جریان مشتری

برای تعیین کمیت عوامل مؤثر بر جریان مشتری به فروشگاه‌ها، از یک مدل رگرسیون چند متغیره خطی استفاده کردیم، که در آن تراکم ورودی مشتری متغیر وابسته است و نه/ده عامل ذکر شده در بخش 3.2 به ترتیب متغیرهای مستقل برای فروشگاه‌های پوشاک/غذا هستند . ( جدول 5 ). به جز عوامل اجتماعی (یعنی سطوح نظرات و میانگین مصرف برای هر نفر که از اینترنت به دست آمده است)، همه عوامل مکانی بر اساس نقشه های چیدمان دو مرکز خرید محاسبه شدند. توجه داشته باشید که فروشگاه‌های لنگر، که در متغیر مستقل «فاصله تا فروشگاه لنگر» گنجانده شده و با استفاده از معادلات (1) و (2) شناسایی شده‌اند، در دو مرکز خرید فهرست شده‌اند. .. ما تجزیه و تحلیل رگرسیون را به طور جداگانه برای دو مرکز خرید انجام دادیم. نتایج چهار تابع تحلیل رگرسیون، به عنوان مثال، DYC-لباس، DYC-غذا، LH-لباس و LH-غذا، در جدول 5 نشان داده شده است .
به طور کلی، چگالی جریان ورودی ذخیره را می توان تا حد زیادی با عوامل مستقل توضیح داد زیرا همه توابع R2 بالایی را نشان می دهند ( کمترین آن بزرگتر از 0.4 است). نتایج رگرسیون نشان می‌دهد که تراکم جریان ورودی به طور قابل‌توجهی تحت‌تاثیر مکان و سطح نظر قرار می‌گیرد، که همه آنها در سطح 0.1 یا پایین‌تر اهمیت دارند. علاوه بر این، عامل دیگری که بر اکثر فروشگاه ها تأثیر می گذارد، دید است، به استثنای فروشگاه های مواد غذایی در DYC. جالب توجه است که ضریب مساحت تأثیر ناچیزی بر تراکم جریان برای همه ذخیره‌ها دارد. عوامل مهم برای چهار عملکرد متفاوت است که در زیر توضیح داده شده است.
در مورد فروشگاه‌های لباس در DYC، ما هفت متغیر مهم را شناسایی کردیم، به عنوان مثال، طبقه، مکان، دید، تعداد همان نوع فروشگاه در نزدیکی، فاصله تا فروشگاه لنگر، فاصله تا آسانسور و سطح نظر. در میان این متغیرها، طبقه، مکان، دید و سطح نظر به طور مثبت با تراکم جریان ورودی فروشگاه مرتبط است، در حالی که تعداد همان طبقه فروشگاه‌های نزدیک، فاصله تا یک فروشگاه لنگر و فاصله تا یک آسانسور رابطه منفی دارند. برای فروشگاه‌های مواد غذایی در DYC، آن‌ها فاکتورهای تاثیرگذار کمی دارند. فقط مکان و سطح نظرات به طور قابل توجهی با تراکم ورودی فروشگاه مرتبط است.
در مورد LH، پنج متغیر برای فروشگاه‌های لباس مهم هستند، به‌ویژه مکان، دید، فاصله تا آسانسور، فاصله تا مرکز طبقه و سطح نظر. در میان آنها، مکان، دید و سطح نظرات به طور مثبت با تراکم ورودی فروشگاه مرتبط است که نشان دهنده تأثیر مثبت بر جذب جریان مشتری است. در مقابل، فاصله تا آسانسور و فاصله تا مرکز طبقه رابطه منفی با چگالی جریان دارند. برای فروشگاه های مواد غذایی، چهار متغیر به طور قابل توجهی با تراکم جریان فروشگاه مرتبط است: مکان، دید و سطح نظر به طور مثبت با جریان مشتری مرتبط است، در حالی که میانگین مصرف به ازای هر نفر تأثیر منفی دارد.
مقایسه بین DYC و LH نشان می دهد که فروشگاه های لباس در هر دو مرکز خرید به طور قابل توجهی به مکان، دید، فاصله تا آسانسور و سطح نظرات حساس هستند. تفاوت این است که فروشگاه‌های پوشاک در DYC تحت تأثیر عوامل بیشتری از جمله کف، فاصله تا یک فروشگاه لنگر و تعداد فروشگاه‌های مشابه در نزدیکی هستند، در حالی که فروشگاه‌های LH به شدت تحت تأثیر فاصله تا کف قرار می‌گیرند. مرکز در مورد فروشگاه های مواد غذایی، هر دو مرکز خرید تحت تاثیر میانگین مصرف برای هر نفر و دید هستند. تفاوت این است که فروشگاه های مواد غذایی در LH به طور قابل توجهی تحت تأثیر دید قرار می گیرند.
در مقایسه با فروشگاه های مواد غذایی، فروشگاه های پوشاک در هر دو مرکز خرید تحت تأثیر عوامل بیشتری در ارتباط با موقعیت و راحتی قرار دارند. به طور خاص، عوامل اضافی مشترک برای فروشگاه‌های لباس در هر دو مرکز خرید، دید و فاصله تا آسانسور است. مراکز خرید مختلف عوامل تاثیرگذار متفاوتی را برای فروشگاه‌های لباس نشان می‌دهند. در DYC، آنها کف، تعداد همان طبقه فروشگاه های نزدیک و فاصله تا یک فروشگاه لنگر هستند، در حالی که در LH، فاکتور فاصله تا مرکز طبقه است.

5. بحث

در این بخش، بر اساس تجزیه و تحلیل دو مرکز خرید، به عواملی می پردازیم که به طور قابل توجهی بر تراکم ورودی فروشگاه تأثیر می گذارند. اول اینکه همه فروشگاه ها تحت تاثیر موقعیت مکانی و سطح نظرات هستند که می توان با قوانین اساسی تجارت برای جذب مشتری توضیح داد. در مورد مکان، یک حقیقت مهم همیشه وجود دارد. یعنی موقعیت مکانی بهتر در جذب مشتری تاثیر مثبت دارد. سطح نظرات را می توان به عنوان شهرت عمومی در نظر گرفت که همیشه عامل مهمی برای جذب مشتری است. در عصر شبکه، اطلاعات آنلاین ممکن است بر فروشگاه‌های آفلاین تأثیر بگذارد، که نشان می‌دهد ارتباط بین فضاهای مجازی و واقعی را نمی‌توان نادیده گرفت.
دوم، تفاوت در جریان مشتری بین فروشگاه های پوشاک و مواد غذایی قابل توجه است. فروشگاه‌های پوشاک عوامل مهم‌تری نه‌تنها به مکان، بلکه به راحتی نیز دارند، زیرا رفتار خرید لباس با عدم اطمینان بیشتری نسبت به خوردن وعده‌های غذایی همراه است. به عبارت دیگر، اکثر مشتریان قبل از تصمیم گیری هنگام خرید لباس، فروشگاه های بیشتری را مقایسه می کنند. در نتیجه، مکان بهتر، به عنوان مثال، نزدیک مرکز طبقه یا آسانسور، ممکن است جذب مشتری را آسان‌تر کند. در مقابل، به نظر می رسد مشتریان رستوران مصمم تر هستند به طوری که جریان مشتری رابطه ضعیفی با عوامل مرتبط با راحتی در هر دو مرکز خرید دارد.
سوم، جدا از تفاوت‌های بین کلاس‌های فروشگاه، اختلاف بین DYC و LH نیز واضح است. همانطور که در ” بخش 3.1 ” ذکر شد، LH بیش از دو برابر مساحت DYC است، و LH به شکل یک کمربند است و از دو قسمت تشکیل شده است ( شکل 3 )، در حالی که DYC به شکل مربع است ( شکل 2)) همه اینها ممکن است بر انتخاب فروشگاه های مشتریان تأثیر بگذارد. در مورد فروشگاه‌های لباس، جریان مشتری به فروشگاه‌های لباس هم به فاصله تا مرکز طبقه و هم به فاصله تا یک آسانسور در LH مربوط می‌شود، در حالی که جریان‌ها به فروشگاه‌های لباس رابطه غیر قابل توجهی با فاصله تا مرکز طبقه در DYC نشان می‌دهند. این به این دلیل است که منطقه بزرگ LH ممکن است باعث شود مشتریان فروشگاه‌های قابل دسترس (مانند فروشگاه‌های نزدیک مرکز یا آسانسور) را انتخاب کنند، در حالی که در DYC، مشتریان می‌توانند از فروشگاه‌های بیشتری حتی نزدیک به مرکز بازدید کنند. علاوه بر این، DYC دارای ذخیره‌های لنگر قوی‌تری نسبت به LH است، همانطور که با مقادیر اتصال کل نشان داده می‌شود (میانگین کل اتصال انکر استورها در DYC 4.42 است و انکر استورها در LH 3.87 است. به یاد داشته باشید که انکر استورها بر اساس کل اتصال آنها و مناطق آنها انتخاب شده است.). بنابراین، جریان مشتری به فروشگاه‌های پوشاک در DYC با فاصله تا فروشگاه‌های لنگر مرتبط است که ممکن است مشتریان بیشتری را در فروشگاه‌های دیگر توزیع کند. تفاوت فروشگاه های مواد غذایی بین دو مرکز خرید این است که در LH، فروشگاه های مواد غذایی در طبقات مختلف پراکنده شده اند، بنابراین حساسیت بیشتری نسبت به دید دارند. در مقابل، فروشگاه های مواد غذایی در DYC روی F6، F7 و F8 متمرکز شده اند، بنابراین حساسیت کمتری نسبت به دید دارند. تفاوت دیگر این است که میانگین مصرف به ازای هر نفر تأثیر قابل توجهی بر فروشگاه های مواد غذایی در LH دارد، احتمالاً به دلیل مصرف کم در چونگ کینگ در مقایسه با پکن. تفاوت فروشگاه های مواد غذایی بین دو مرکز خرید این است که در LH، فروشگاه های مواد غذایی در طبقات مختلف پراکنده شده اند، بنابراین حساسیت بیشتری نسبت به دید دارند. در مقابل، فروشگاه های مواد غذایی در DYC روی F6، F7 و F8 متمرکز شده اند، بنابراین حساسیت کمتری نسبت به دید دارند. تفاوت دیگر این است که میانگین مصرف به ازای هر نفر تأثیر قابل توجهی بر فروشگاه های مواد غذایی در LH دارد، احتمالاً به دلیل مصرف کم در چونگ کینگ در مقایسه با پکن. تفاوت فروشگاه های مواد غذایی بین دو مرکز خرید این است که در LH، فروشگاه های مواد غذایی در طبقات مختلف پراکنده شده اند، بنابراین حساسیت بیشتری نسبت به دید دارند. در مقابل، فروشگاه های مواد غذایی در DYC روی F6، F7 و F8 متمرکز شده اند، بنابراین حساسیت کمتری نسبت به دید دارند. تفاوت دیگر این است که میانگین مصرف به ازای هر نفر تأثیر قابل توجهی بر فروشگاه های مواد غذایی در LH دارد، احتمالاً به دلیل مصرف کم در چونگ کینگ در مقایسه با پکن.

6. نتیجه گیری

الگوهای جریان مشتری در DYC و LH از نظر مراکز خرید کلی، طبقات فروشگاه و فروشگاه‌ها در این مقاله تحلیل شدند. با توجه به جریان کلی مشتری، متوجه شدیم که در سطح هفته، جریان‌های مشتری بالاتر در آخر هفته ظاهر می‌شود، در حالی که جریان‌های کمتری در روزهای دوشنبه و اواسط هفته مشاهده می‌شود. جریان ساعتی در LH به شدت با زمان غذا مرتبط است، در حالی که در DYC، جریان فقط در روزهای هفته به زمان غذا مرتبط است. با توجه به جریان مشتری برای طبقات مختلف، فروشگاه های پوشاک و مواد غذایی بیشترین جریان مشتری را در DYC جذب می کنند، در حالی که در LH سفارش فروشگاه های مواد غذایی و پوشاک است. این تفاوت را می توان با عملکرد مراکز خرید و سطوح مصرف محلی توضیح داد که ممکن است به مکان مراکز خرید بستگی داشته باشد. با توجه به جریان مشتری به فروشگاه ها،
برای درک بیشتر جریان مشتری به فروشگاه‌ها، از یک مدل رگرسیون چند متغیره خطی استفاده کردیم که در آن فروشگاه‌های لباس و مواد غذایی مورد تجزیه و تحلیل قرار گرفتند. نتایج نشان می‌دهد که تراکم ورودی فروشگاه برای فروشگاه‌های پوشاک و مواد غذایی با موقعیت مکانی و سطح نظر مرتبط است. در مقایسه با فروشگاه‌های مواد غذایی، جریان مشتریان به فروشگاه‌های لباس به عوامل راحتی (یعنی فاصله تا آسانسور و فاصله تا مرکز طبقه (فقط برای LH) بستگی دارد. این به این دلیل است که خرید لباس نیاز به مقایسه بیشتر بین فروشگاه‌ها دارد و فروشگاه‌های با دسترسی راحت‌تر مشتریان بیشتری را جذب می‌کنند. تفاوت بین DYC و LH در این است که جریان‌ها به فروشگاه‌های لباس نسبت به فاصله تا فروشگاه‌های لنگر و رقابت‌پذیری همان طبقه از فروشگاه‌ها حساس‌تر هستند (یعنی، تعداد همان طبقه از فروشگاه‌های اطراف) در DYC، در حالی که در LH، جریان‌ها به فروشگاه‌های مواد غذایی نسبت به مصرف متوسط ​​برای هر نفر حساس‌تر هستند. تفاوت اولی به دلیل عدم تطابق در عملکرد و چیدمان دو مرکز خرید است و دومی به دلیل استانداردهای زندگی متفاوت دو شهر است.
تمام ویژگی های جریان مشتری از داده های موقعیت یابی داخلی ممکن است اطلاعات مفیدی را برای فروش مراکز خرید در عصر شبکه ارائه دهد. الگوهای جریان هفتگی یا ساعتی ممکن است به تنظیم زمان کسب و کار، عرضه و خدمات کمک کند، در حالی که آمار طبقات و فروشگاه‌های مختلف ممکن است به مدیران کمک کند تا قالب خرده‌فروشی را مجدداً تنظیم کنند و اجاره‌های فروشگاه‌های مختلف را بهینه کنند. علاوه بر این، نتایج مربوط به عوامل تأثیرگذار ممکن است به ترتیب چیدمان مراکز خرید کمک کند. به عنوان مثال، فروشگاه های پوشاک را می توان در نزدیکی آسانسور قرار داد، در حالی که برای یک فروشگاه مواد غذایی، به یک مکان مناسب نیاز است و همیشه شهرت خوب برای همه فروشگاه ها برای جذب مشتری ضروری است. برای افزایش تعداد کلی مشتریان، می توان انکر استورها را در محل داخلی هر طبقه قرار داد.
مطالعه همچنین دارای محدودیت های خاصی است. اولین مورد این است که داده های استفاده شده به همان فصل محدود شده است. داده های فصل های مختلف ممکن است به نشان دادن تفاوت های زمانی کمک کند. دوم اینکه ما از دو مرکز خرید از شهرهای مختلف استفاده کردیم. اگرچه عوامل مربوط به سبک های شهر آشکار می شوند، عوامل مربوط به عملکرد و حمل و نقل ممکن است با تفاوت در سبک های شهر پنهان شوند. در آینده، می‌توان مقایسه‌های بیشتری را در مورد مراکز خرید در همان شهر یا با ترکیب‌ها یا مکان‌های مستاجر مشابه انجام داد. نتایج چنین تحقیقاتی می تواند ایده روشن تری در مورد عوامل تأثیرگذار ارائه دهد.

منابع

  1. کازانچوغلو، آی. آیدین، ح. بررسی قصد خرید مصرف کنندگان به خرید همه کانالی: یک مطالعه اکتشافی کیفی. بین المللی J. خرده فروشی. توزیع کنید. مدیریت 2018 ، 46 ، 959-976. [ Google Scholar ] [ CrossRef ]
  2. وانگ، ک. Goldfarb، A. آیا فروشگاه های آفلاین می توانند فروش آنلاین را افزایش دهند؟ جی. مارک. Res. 2016 ، 54 ، 706-719. [ Google Scholar ] [ CrossRef ]
  3. المشهرا، ام جی; Soares, AM تأثیر سرگرمی و تعامل اجتماعی با فروشندگان بر رضایت خریداران مرکز خرید: نقش میانجی حالات عاطفی. بین المللی J. خرده فروشی. توزیع کنید. مدیریت 2019 ، 47 ، 94-110. [ Google Scholar ] [ CrossRef ]
  4. کو، دبلیو. کیم، Y.-K. تأثیر نشانه‌های محیطی فروشگاه بر عشق و وفاداری به فروشگاه: خرده‌فروشان پوشاک با برند منفرد. J. Int. مصرف کنید. علامت گذاری. 2013 ، 25 ، 94-106. [ Google Scholar ] [ CrossRef ]
  5. نادار، دستیابی DS آمازون به مواد غذایی کامل: مطالعه تحلیلی موردی خاص از تأثیر اعلام M&A بر قیمت سهام. اتوبوس IUP J. استراتژی 2018 ، 15 ، 31-45. [ Google Scholar ]
  6. روزنباوم، ام اس; اوتالورا، ام ال. Ramírez, GC سمت تاریک خریداران مراکز خرید که به دنبال تجربه هستند. بین المللی J. خرده فروشی. توزیع کنید. مدیریت 2016 ، 44 ، 1206-1222. [ Google Scholar ] [ CrossRef ]
  7. لیم، WM گشودن روابط بین ویژگی‌های مصرف‌کننده، ارزش‌های خرید و قصد رفتاری در خرید گروهی آنلاین. جی. استرات. علامت گذاری. 2017 ، 25 ، 547-566. [ Google Scholar ] [ CrossRef ]
  8. کوون، اچ. ها، س. Im, H. تأثیر شباهت درک شده با سایر مشتریان بر رضایت از مرکز خرید. J. خرده فروشی. مصرف کنید. خدمت 2016 ، 28 ، 304-309. [ Google Scholar ] [ CrossRef ]
  9. هامبورگ، سی. جوزی، د. Kuehnl، C. مدیریت تجربه مشتری: به سوی اجرای یک مفهوم بازاریابی در حال تکامل. J. Acad. علامت گذاری. علمی 2017 ، 45 ، 377-401. [ Google Scholar ] [ CrossRef ]
  10. کوخو سیت، ج. هوانگ، ا. Inversini، A. نمایشگاه و فرصت های خرده فروشی: یک بررسی کیفی از طریق یک لنز تجربه مصرف کننده. J. خرده فروشی. مصرف کنید. خدمت 2018 ، 40 ، 163-174. [ Google Scholar ] [ CrossRef ]
  11. کروز-کاردناس، جی. گونزالس، آر. دل وال نونیز، ام تی دور انداختن لباس در یک محیط جمع گرا: رویکرد روش های ترکیبی. اتوبوس جی. Res. 2016 ، 69 ، 1765-1768. [ Google Scholar ] [ CrossRef ]
  12. کراسونیکولاکیس، آی. ورچوپولوس، ا. پولودی، ع. دیمیتریادیس، اس. اثرات چیدمان فروشگاه بر رفتار مصرف کننده در فروشگاه های آنلاین سه بعدی. یورو جی. مارک. 2018 ، 52 ، 1223-1256. [ Google Scholar ] [ CrossRef ]
  13. کانکو، ی. میازاکی، اس. یادا، ک. تأثیر حرکت مشتری بین مناطق فروش بر میزان فروش: مدل بیزی پویا از حرکت مشتری در فروشگاه و رابطه فروش. Procedia Comput. علمی 2017 ، 112 ، 1845-1854. [ Google Scholar ] [ CrossRef ]
  14. کومار، RS تاثیر عوامل چیدمان فروشگاه های خرده فروشی سازمان یافته بر رفتار مشتری. جی. گوجا. Res. Soc. 2019 ، 21 ، 194–201. [ Google Scholar ]
  15. براون، S. ترکیب مستاجر، قرار دادن مستاجر و رفتار خریدار در یک مرکز خرید برنامه ریزی شده. خدمت Ind. J. 1992 , 12 , 384-403. [ Google Scholar ] [ CrossRef ]
  16. هیرش، جی. سیگرر، م. کلاین، ک. ویگلمن، تی. تجزیه و تحلیل تراکم مشتری، قرارگیری مستاجر و جفت در داخل یک مرکز خرید با GIS. J. Prop. Res. 2016 ، 33 ، 37-63. [ Google Scholar ] [ CrossRef ]
  17. Widiani, W. رفتار خرید در مراکز خرید. Ph.D. پایان نامه، دانشگاه فنی آیندهوون، آیندهوون، هلند، 2018. [ Google Scholar ]
  18. العدلی، MI; Eid, R. یک مطالعه تجربی از رابطه بین محیط خرید، ارزش درک شده مشتری، رضایت، و وفاداری در زمینه مراکز خرید امارات. J. خرده فروشی. مصرف کنید. خدمت 2016 ، 31 ، 217-227. [ Google Scholar ] [ CrossRef ]
  19. جاراوازا، دی سی; چیتاندو، پ. نقش مکان فروشگاه در تأثیرگذاری بر انتخاب فروشگاه مشتریان. J. Emerg. Trends Econ. مدیریت علمی 2013 ، 4 ، 302-307. [ Google Scholar ]
  20. Mathaba، RL; دوروپ، م. Mpinganjira، M. سطح رضایت مشتری، وفاداری به فروشگاه و ویژگی های مهم فروشگاه درک شده در بین خریداران پوشاک ورزشی در Soweto. خرده فروشی. علامت گذاری. Rev. 2017 , 13 , 15-27. [ Google Scholar ]
  21. عوامل هلال، MIM موثر بر وفاداری فروشگاه فروشگاه های سوپرمارکت خرده فروشی: دیدگاه مشتریان. خاورمیانه J. Manag. 2020 ، 7 ، 380-400. [ Google Scholar ] [ CrossRef ]
  22. علوی، س. رضایی، س. ولایی، ن. اسماعیل، WKW بررسی سبک های تصمیم گیری مصرف کننده، رضایت و قصد خرید در مرکز خرید. بین المللی Rev. خرده فروشی. توزیع کنید. مصرف کنید. Res. 2016 ، 26 ، 272-303. [ Google Scholar ] [ CrossRef ]
  23. گیلبوآ، اس. ویلنای-یوتز، آی. میچل، وی. بورخس، آ. فریمپونگ، ک. تجارب Belhsen، N. Mall جهانی نیستند: نقش های تعدیل کننده فرهنگ ملی و عصر صنعت مرکز خرید. J. خرده فروشی. مصرف کنید. خدمت 2020 , 57 , 102210. [ Google Scholar ] [ CrossRef ]
  24. آلارد، تی. بابین، بی جی; Chebat، JC وقتی درآمد مهم است: ارزیابی مشتریان از جهت گیری های لذت جویانه و سودگرایانه مراکز خرید. J. خرده فروشی. مصرف کنید. خدمت 2009 ، 16 ، 40-49. [ Google Scholar ] [ CrossRef ]
  25. Boutsouki، C. رفتار ضربه ای در بحران اقتصادی: یک تقسیم بندی بازار مبتنی بر داده ها. بین المللی J. خرده فروشی. توزیع کنید. مدیریت 2019 ، 47 ، 974–996. [ Google Scholar ] [ CrossRef ]
  26. Leenders، MA; اسمیتز، آ. ال حاجی، الف. رایحه محیطی به عنوان محرک خلق و خو در سوپرمارکت ها: نقش شدت بو و فشار زمان خریداران. J. خرده فروشی. مصرف کنید. خدمت 2019 ، 48 ، 270-280. [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
  27. لیو، اچ. دارابی، ح. بانرجی، پ. لیو، جی. بررسی تکنیک‌ها و سیستم‌های موقعیت‌یابی داخلی بی‌سیم. IEEE Trans. سیستم مرد سایبرن. C 2007 ، 37 ، 1067-1080. [ Google Scholar ] [ CrossRef ]
  28. کوران، ک. فیوری، ای. لونی، تی. سانتوس، جی. وودز، دی. McCaughey، A. ارزیابی فن آوری های تعیین مکان داخلی. J. Locat. سرویس مبتنی بر 2011 ، 5 ، 61-78. [ Google Scholar ] [ CrossRef ]
  29. چن، ی. Kobayashi, H. قدرت سیگنال مبتنی بر موقعیت جغرافیایی داخلی. در مجموعه مقالات کنفرانس بین المللی ارتباطات IEEE 2002، نیویورک، نیویورک، ایالات متحده آمریکا، 28 آوریل تا 2 می 2002. جلد 1، ص 436-439. [ Google Scholar ]
  30. بولاک، DM; هاسمن، ر. Wasson، JS; اسپیتلر، آر. اندازه‌گیری خودکار زمان انتظار در امنیت فرودگاه: استقرار در فرودگاه بین‌المللی ایندیاناپولیس، ایندیانا. ترانسپ Res. ضبط 2010 ، 2177 ، 60-68. [ Google Scholar ] [ CrossRef ]
  31. یوشیمورا، ی. سوبولفسکی، اس. راتی، سی. ژیراردین، اف. Carrascal، JP; بلات، جی. سیناترا، آر. تحلیل رفتار بازدیدکنندگان در موزه لوور: مطالعه ای با استفاده از داده های بلوتوث. محیط زیست طرح. B طرح. دس 2014 ، 41 ، 1113-1131. [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
  32. شو، اچ. آهنگ، سی. پی، تی. خو، ال. او، ی. ژانگ، ال. Li, T. پیش‌بینی زمان صف با استفاده از داده‌های موقعیت‌یابی WiFi در یک سناریوی داخلی. Sensors 2016 ، 16 ، 1958. [ Google Scholar ] [ CrossRef ] [ نسخه سبز ]
  33. کائو، کیو. جونز، DR. شنگ، اچ. محیط‌های اطلاعاتی عشایری حاوی: تأثیر فناوری، سازمان و محیط بر پذیرش ردیابی بیمار RFID بیمارستانی. Inf. مدیریت 2014 ، 51 ، 225-239. [ Google Scholar ] [ CrossRef ]
  34. دیامانتینی، سی. جنگا، ال. ماروزو، اف. پوتنا، دی. Trunfio, P. کشف الگوهای تحرک کاربران اینستاگرام از طریق تکنیک های فرآیند کاوی. در مجموعه مقالات کنفرانس بین المللی IEEE 2017 در مورد استفاده مجدد و یکپارچه سازی اطلاعات (IRI)، سن دیگو، کالیفرنیا، ایالات متحده آمریکا، 4 تا 6 اوت 2017؛ ص 485-492. [ Google Scholar ]
  35. اوسترلینک، دی. بنوا، دی اف. باکه، پی. Van de Weghe، N. ردیابی انسانها در محیط داخلی: برنامه ای برای بازدید از مراکز خرید. Appl. Geogr. 2017 ، 78 ، 55-65. [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
  36. لیبیگ، تی. آندرینکو، جی. Andrienko, N. روش‌هایی برای تجزیه و تحلیل داده‌های ردیابی بلوتوث مکانی-زمانی. J. فناوری شهری. 2014 ، 21 ، 27-37. [ Google Scholar ] [ CrossRef ]
  37. دانالت، ا. تینگولی، ال. د لاپارنت، ام. Bierlaire, M. انتخاب مکان با داده های WiFi طولی. مدل انتخاب J. 2016 ، 18 ، 1-17. [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
  38. هورجوی، سی. گرور، ا. Turcu, C. نظارت بر فعالیت های خرید از سوپرمارکت ها بر اساس سبد هوشمند با استفاده از فناوری RFID. الکترون. الکتروتک. 2008 ، 83 ، 7-10. [ Google Scholar ]
  39. ووکویچ، م. لاورک، آی. Kraljevic، H. کشف سفر خریداران در محیط خرده فروشی با استفاده از RFID. اد. KES 2012 ، 243 ، 857-866. [ Google Scholar ]
  40. فوا، پی. پیج، بی. Bogomolova، S. اعتبار سنجی ثبت بلوتوث به عنوان معیار برای مطالعات رفتار خریداران. J. خرده فروشی. مصرف کنید. خدمت 2015 ، 22 ، 158-163. [ Google Scholar ] [ CrossRef ]
  41. شنده، پ. Mehendarge، S. چوگل، اس. کولکارنی، پ. هاتوار، ایده های نوآورانه U. برای بهبود تجربه مراکز خرید بر روی وب سایت های تجارت الکترونیک با استفاده از فناوری beacon و الگوریتم های داده کاوی. در مجموعه مقالات کنفرانس بین المللی 2017 در مدار، قدرت و فناوری های محاسباتی (ICCPCT)، کولام، هند، 20-21 آوریل 2017؛ صص 1-5. [ Google Scholar ]
  42. Dogan, O. کشف مسیرهای مشتری از داده های مکان با فرآیند کاوی. یورو مهندس J. Sci. تکنولوژی 2020 ، 3 ، 139-145. [ Google Scholar ] [ CrossRef ]
  43. لارسون، جی اس. بردلو، ای تی. Fader, PS نگاهی اکتشافی به مسیرهای خرید سوپرمارکت. بین المللی J. Res. علامت گذاری. 2005 ، 22 ، 395-414. [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
  44. دلافونتین، ام. ورسیکله، ام. نویتنز، تی. Van de Weghe، N. تجزیه و تحلیل توالی های مکانی-زمانی در داده های ردیابی بلوتوث. Appl. Geogr. 2012 ، 34 ، 659-668. [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
  45. ورسیکله، ام. نویتنز، تی. دلافونتین، ام. Van de Weghe، N. استفاده از بلوتوث برای تجزیه و تحلیل دینامیک مکانی و زمانی حرکت انسان در رویدادهای جمعی: مطالعه موردی جشن های گنت. Appl. Geogr. 2012 ، 32 ، 208-220. [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
  46. لیو، ی. پی، تی. آهنگ، سی. شو، اچ. گوا، اس. وانگ، ایکس. مدل تعامل تحرک داخلی: بینش در مورد جریان مشتری در مراکز خرید. دسترسی IEEE 2019 ، 7 ، 138353–138363. [ Google Scholar ] [ CrossRef ]
  47. لیو، ی. چنگ، دی. پی، تی. شو، اچ. Ge، X. ما، تی. دو، ی. او، ی. وانگ، ام. Xu, L. استنباط جنسیت و سن مشتریان در مراکز خرید از طریق داده های موقعیت یابی داخلی. محیط زیست طرح. ب مقعد شهری. علوم شهر 2019 ، 2399808319841910. [ Google Scholar ] [ CrossRef ]
  48. دوگان، او. Bayo-Monton، JL; فرناندز-لاتاس، سی. اوزتایسی، ب. تحلیل رفتارهای جنسیتی از مسیرهایی با استفاده از فرآیند کاوی: یک برنامه کاربردی مرکز خرید. Sensors 2019 , 19 , 557. [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
  49. ژو، ی. قانون، CL; Guan، YL; چانه، F. محلی سازی بیضوی داخلی بر اساس اندازه گیری محدوده UWB ناهمزمان. IEEE Trans. ساز. Meas. 2010 ، 60 ، 248-257. [ Google Scholar ] [ CrossRef ]
  50. هوانگبو، اچ. کیم، جی. لی، ز. کیم، اس. بهینه سازی چیدمان فروشگاه با استفاده از سیستم موقعیت یابی داخلی. بین المللی J. Distrib. Sens. Netw. 2017 ، 13 ، 1550147717692585. [ Google Scholar ] [ CrossRef ]
  51. یانگ، ال. چنگ، بی. دنگ، ن. ژو، ز. Huang, W. تأثیر چیدمان فضایی سوپرمارکت بر رفتار خرید و فروش محصول – کاربرد سیستم موقعیت یابی داخلی با پهنای باند فوق العاده. 2019. در دسترس آنلاین: https://papers.cumincad.org/cgi-bin/works/BrowseTree=series=AZ/Show?caadria2019_666 (در 1 سپتامبر 2020 قابل دسترسی است).
  52. کیم، جی. هوانگبو، اچ. کیم، اس جی. کیم، اس. داده های ردیابی مبتنی بر مکان و تحلیل الگوی حرکت مشتری برای کسب و کار مد پایدار. پایداری 2019 ، 11 ، 6209. [ Google Scholar ] [ CrossRef ] [ نسخه سبز ]
  53. چوی، M.-S. Jang, B. الگوریتم موقعیت یابی داخلی بر اساس اثر انگشت دقیق. بین المللی J. Appl. مهندس Res. 2017 ، 12 ، 86-90. [ Google Scholar ]
  54. یانگ، CH; شائو، اچ.-ر. موقعیت یابی داخلی مبتنی بر WiFi. IEEE Commun. Mag. 2015 ، 53 ، 150-155. [ Google Scholar ] [ CrossRef ]
  55. شیا، اس. لیو، ی. یوان، جی. زو، ام. Wang, Z. موقعیت یابی اثر انگشت داخلی بر اساس Wi-Fi: یک نمای کلی. ISPRS Int. J. Geoinf. 2017 ، 6 ، 135. [ Google Scholar ] [ CrossRef ] [ نسخه سبز ]
  56. لی، BH; سالتر، جی. Dempster، AG; Rizos, C. تکنیک های موقعیت یابی داخلی بر اساس LAN بی سیم. در مجموعه مقالات اولین کنفرانس بین المللی IEEE در ارتباط با باند پهن بی سیم و ارتباطات فوق پهن باند، سیدنی، استرالیا، 13 تا 16 مارس 2006. IEEE: نیویورک، نیویورک، ایالات متحده آمریکا، 2007; صص 13-16. [ Google Scholar ]
  57. شو، اچ. آهنگ، سی. Pei, T. پیشرفت مطالعات در مورد تجزیه و تحلیل داده های موقعیت یابی داخلی و کاربرد. Prog. Geogr. 2016 ، 35 ، 580-588. [ Google Scholar ]
  58. منسس، اف. Moreira, A. تجزیه و تحلیل حرکت در مقیاس بزرگ از داده های مکان مبتنی بر WiFi. در مجموعه مقالات کنفرانس بین المللی 2012 در موقعیت یابی داخلی و ناوبری داخلی (IPIN)، سیدنی، استرالیا، 13 تا 15 نوامبر 2012. صفحات 1-9. [ Google Scholar ]
  59. کونیشی، اچ. سندفورت، ام.-تی. فروشگاه های لنگر. J. شهری اقتصاد. 2003 ، 53 ، 413-435. [ Google Scholar ] [ CrossRef ]
Ijgi 09 00629 g001 550
شکل 1. مکان‌ها (که با پنتاگرام‌های قرمز نشان داده می‌شوند) ( الف ) Dayuecheng (DYC) و ( b ) Longhutianjie (LH).
Ijgi 09 00629 g002 550
شکل 2. کلاس های فروشگاه و چیدمان DYC (F1-F7 به معنای طبقه 1 تا 7 و B1 و B2 به معنای سطح زیرزمین 1 و 2 است).
Ijgi 09 00629 g003 550
شکل 3. طبقات فروشگاه و چیدمان LH (F1-F5 به معنای طبقه 1 تا 5 و B1 به معنای سطح زیرزمین 1 است).
Ijgi 09 00629 g004 550
شکل 4. چارچوب تحلیلی برای جریان مشتری در دو مرکز خرید.
Ijgi 09 00629 g005 550
شکل 5. جریان مشتریان هفتگی و ساعتی دو مرکز خرید. ( الف ، ب ) DYC; ( ج ، د ) LH.
Ijgi 09 00629 g006 550
شکل 6. باکس پلات ورودی فروشگاه.
Ijgi 09 00629 g007 550
شکل 7. هیستوگرام های جریان ورودی ( a ) DYC و ( b ) LH را ذخیره کنید.
Ijgi 09 00629 g008 550
شکل 8. Boxplot ( a ) و rugplot ( b ) تراکم ورودی فروشگاه در دو مرکز خرید.
Ijgi 09 00629 g009 550
شکل 9. هیستوگرام چگالی جریان ورودی ذخیره. ( الف ) DYC؛ ( ب ) LH.

مقالات داخلی و بین المللی

مطالب مرتبط ...

بدون دیدگاه

دیدگاهتان را بنویسید