این خریدارها در هنگام خرید محصولات خاص به صورت برخط عمل می کنند. برای چنین کاربرانی، broker یا Cyber me diaries که ویژگی های محصولات و قیمت ها را مقایسه می کنند، محل های مهمی محسوب می شوند که اغلب به آن ها رجوع می کنند.

: Bargain hunters
این کاربران به دنبال تبلیغات فروشی مانند ارائه نمونه های مجانی یا انعام هستند. به عنوان نمونه، سایت cybergold (www.cybergold.com) به کاربرانی که تبلیغات هدفمند آن ها را بخوانند، پول ناچیزی می دهد.
: Entertainment Seekers
این ها کاربرانی هستند که به دنبال ایجاد تراکنش با وب به هدف سرگرمی و لذت بردن با وارد شدن به مسابقات یا سرگرمی ها می باشند .
هنگام طراحی یک سایت وب، توجه به فراهم آوردن اطلاعات و رهنمودهای هدایت کننده برای هر دسته از کاربرانی که در دسته مخاطبان نهایی قرار می گیرند، بسیار مفید می باشد. یک سایت خرده فروشی باید تمامی انواع کاربرانی که در بالا به آنها اشاره شد را در نظر بگیرند. در حالیکه ملاقات کنندگان یک سایت B2B اغلب Direct Information Seekers و خریدارها هستند. گرچه اینطور فرض می شود که کاربران در دسته های فوق قرار می گیرند، ولی ویژگی های کاربران می تواند بسته به اینکه در حال حاضر به چه هدفی از اینترنت ( سرگرمی یا کار) استفاده می کنند، تغییر نماید.
روش دیگر نگرش به رفتار مشتری در استفاده از وب سایت می تواند به پذیرش آن‌ وب سایت بستگی داشته باشد. فرایند ایجادسازگاری kotler(2005) از مراحل زیر تشکیل شده‌است:
۱- آگاهی
۲- علاقه
۳- ارزیابی
۴- آزمایش
۵- سازگاری
حرکت کاربران در این گام‌ها مورد بررسی قرار گرفته است. این مدل برای سایت‌هایی که بسیار به آن‌ها رجوع می‌شود، مناسب است و برای مشتری که تنها یک بار سایتی را ملاقات می‌کند، مناسب نیست. نقش اینترنت در پشتیبانی از مشتریان در مراحل مختلف فرایند خرید باید درنظر گرفته شود. شکل ۱-۴ نشان می‌دهد که چگونه اینترنت می‌تواند برای پشتیبانی از مراحل مختلف فرایند خرید به کار رود. براساس تحلیلی که توسط Berthon انجام شده است، کارایی سنتی روابط با بهره گرفتن از وب سایت به تدریج از گام ۱ به ۶ افزایش می‌یابد. بررسی هر مرحله از فرایند خرید که در شکل ۱-۴ نشان داده شده است، می‌تواند مفید بودن اینترنت را زمانیکه در مراحل مختلف پشتیبانی از هدف‌های بازاریابی بکار می‌رود، نشان دهد.
شکل ۱-۴ استفاده از اینترنت برای مراحل مختلف خرید
۴.۲- ارائه یک مدل برنامه ریزی خطی برای بررسی رفتار کاربر:
یکی از قسمتهای اصلی تشکیل دهنده وب کاوی ، کاوش نحوه استفاده از وب است که خود در بر گیرنده مبحث بررسی رفتار کاربر میباشد.در حال حاضر وب سایتهای اینترنتی بزرگترین منبع تولید داده ها در دنیا میباشند که در آنها این داده ها در اشکال مختلفی نظیر متن ، عکس و سایر فرمتهای صوتی و تصویری تولید میشوند. با توجه به محدودیت توانایی های انسان ، حتی دیدن این حجم از داده ها هم برای بشر امکان پذیر نمیباشد. از این رو برای درک و استفاده موثر از این داده ها نیازمند به کار گیری الگوریتم ها و ابزارهای وب کاوی هستیم .یکی از قسمتهای اصلی تشکیل دهنده وب کاوی ، کاوش نحوه استفاده از وب سایت است که میتوان با بررسی رفتار مشتری به این امر دست یافت.هدف از این بخش ارائه مدلی جهت یافتن محتملترین مسیر حرکت مشتریان در سایت است که اهمیت بسیاری در بازاریابی اینترنتی دارد . شایان ذکر است که امروزه بسیاری از سایتها از چنین مدلهایی برای تشخیص نیازمندی مشتریان استفاده نموده و به عنوان مثال در دوره های زمانی مشخص ، محصولات مورد نیاز شما را به صورت ایمیل و یا کاتالوگهای اینترنتی ارسال مینمایند. از جمله معروفترین این سایتها میتوان به ebay و یا Alibaba اشاره نمود که با وجود تفاوتهای کاربری بسیار زیاد از بسیار مشابهی در زمینه تحلیل رفتار مشتری استفاده مینمایند.
۴.۲.۱- تاریخچه مدلسازی بر روی رفتار مشتری :
برای تحلیل رفتار مشتری از مدلهای آماری و احتمالی مختلفی به منظور تشکیل الگوهای مسیر حرکت کاربران در وب سایتهای اینترنتی استفاده شده است.
بستاوروس در سال ۲۰۰۱ و زاکرمن و همکاران در سال ۲۰۰۳ از مدلهای مارکوفی برای پیش بینی صفحات بعدی درخواست شده به وسیله کاربران با در نظر گرفتن صفحات قبلی بازدید شده به وسیله آنها استفاده کرده اند. هابرمن و همکاران در سال ۲۰۰۵ یک روش قدم زنی تصادفی را برای مدل سازی تعداد صفحات درخواست شده به وسیله کاربران در یک وب سایت خاص به کار برده اند. سیدز و همکاران در سال ۲۰۰۷ نشاد داده اند که مدلهای سفارش اولیه مارکوف ، ابزار توانمندی برای کمک به دسته بندی انواع مختلف مشتریان میباشند. تمرکز تحقیقات مذکور و بیشتر کارهای انجام شده در زمینه علوم کامپیوتر بر روی پیش بینی با بهره گرفتن از الگوریتم های پنهان کننده ، دسته بندی و یا تولید کننده میباشد.
والری در سال ۲۰۰۹ به مدل سازی و شبیه سازی مشتری پرداخته و بیشتر مدل سازی یک مشتری منحصر به فرد مد نظر وی بوده است. این نوع مدل برای پیش بینی زمان مشاهده بعدی ، کل زمان مشاهده صرف شده برای مشاهده بعدی و زمان صرف شده برای مشاهده محصولات متفاوت به کار میرود. در این مقاله روش های مختلف پیشبینی نیز مورد بحث و بررسی قرار میگیرند. دیوزینگر و هابر در سال ۲۰۱۰ به توصیف یک مطالعه موردی میپردازند که به وسیله ASK.net و شرکت SAS آلمان انجام شده است که هدف آن تقویت حضور در وب سایت و کسب دانایی در مورد مشتریان میباشد. گلدفارب تقاضای موجود برای ورودیهای اینترنتی را با بهره گرفتن از داده های جریان کلیک بیش از ۲۶۵۴ کاربر تخمین میزند. وی روش گوتدگنی و لیتل را برای فهم بهتر انتخاب ورودی های اینترنتی به مار میبرد. سیسمیرو و بایکلین در سال ۲۰۱۰ رفتار مشتریان مراجع به یک وب سایت را با بهره گرفتن از داده های ذخیره شده در فایلهای ثبت وقایع سرور آن وب مدل سازی کرده اند. در این مدل دو جنبه رفتار بازدید تست شده :
تصمیم مراجعه کنندگان به ادامه بازدید (از طریق ثبت نام و یا ارائه درخواست صفحات اضافه) و یا تصمیم به خروج از سایت.
مدت زمان صرف شده برای بازدید از هر صفحه.
۴.۲.۲- مدل سازی :
۴.۲.۲.۱- انتخاب مدل مناسب برای مساله :
بعد از مروری کلی بر روی مساله مورد بحث ، مدل زنجیره ایمارکوف به عنوان مدلی مناسب برای حل مساله تحقیق انتخاب میگردد. در مواردی که محققان از مدلهای مارکوفی برای پیشبینی مسیر حرکت یک کاربر استفاده نموده اند به این مساله اشاره شده که صفحهk ام مشاهده شده به وسیله فرد اساسا وابسته به محتوا و خصوصیات موجود در صفحه k-1 ام انتخاب شده به وسیله وی میباشدکه این خود نشان دهنده صحت استفاده از مدلهای مارکوف درجه یک است.
در ادامه با در نظر گرفتن مدل مارکوف درجه ۱ به عنوان مدلی مناسب برای مدل سازی این مساله به تعریف پیشامد بازدید یک کاربر از سایت با بهره گرفتن از این مدل میپردازیم. با فرض اینکه وب سایت ما دارای N صفحه متمایز است ، این پیشامد شامل توالی صفحات مشاهده شده به وسیله کاربر در بازدید که ممکن است در این مسیر بازدید یک صفحه مشخص چندین بار مشاهده شود. برای نشان دادن پیشامد رفتار بازدید از متغیرهای … K_L، K_3، K_2، K₁ استفاده میکنیم که در آن اندیس L نشان دهنده تعداد صفحات مشاهده شده به وسیله وی میباشد. با فرض مشاهده L صفحه از وب سایت توسط کاربر مورد نظر ، متغیر های تصادفی … K_L، K_3، K_2، K₁ نشان دهنده نوع صفحات انتخابی در مسیر طی شده به وسیله کاربر در یک بازدید وی میباشند. در اینجا برای نشان دادن هر پیشامد مسیر حرکت یک کاربر ، علاوه بر نمایش توالی صفحات طی شده به وسیله وی ، برای نمایش ورود و خروج به وب سایت از یک گره مجازی (۰) استفاده میشود که گره بعد از آن در ابتدای مسیر ، نشان دهنده اولین صفحه مشاهده شده به وسیله کاربر و گره قبل از آن در انتهای مسیر نشان دهنده آخرین صفحه مشاهده شده به وسیله وی میباشد. به این ترتیب برای هر پیشامد مسیر بازدید یک کاربر از سایت داریم : ۰K₁=K_L= که در آن L برابر تهداد صفحات مشاهده شده به وسیله وی از سایت در این بازدید به اضافه ۲ میباشد. اگر کاربر وارد وب سایت شده و به ترتیب از صفحات ۱و۲و۵و۱ بازدید کند و از وب سایت خارج شود ، پیشامد بازدید وی مطابق شکل ۲-۴ نمایش داده میشود :
شکل ۲-۴ : نمایش پیشامد بازدید
شکل ۳-۴ : پیشامد بازدید برای یک کاربرخاص در حالت کلی
با توجه به تعاریف ارائه شده ، بدیهی است که همواره متغیر L بزرگتر از ۲ میباشد و همچنین برای مدل سازی تابع هدف ، پیشامد کلی شکل ۳-۴ را برای یک کاربر خاص در نظر گرفته و رابطه احتمالی آن را مینویسیم:
با توجه به رابطه احتمالی به دست آمده ، هدف ما یافتن مقدارهایی برای متغیر تصادفی K به گونه ای است که احتمال کل یا همان P(A) حداکثر شود.
۴.۲.۲.۲- مدل ریاضی پیش بینی مسیر حرکت یک کاربر
در ادامه برای یافتن max_{{k1,k2,….,kl}}P(K) با بهره گرفتن از برنامه ریزی صفر و یک ، ابتدا تابع هدف P(K) را که با بهره گرفتن از مدل زنجیره مارکوف درجه ۱ مدل سازی میشود ، با به کار گیری تبدیل مناسب به تابع هدف روش برنامه ریزی صفر و یک تبدیل میکنیم. سپس محدودیتهای این مدل برنامه ریزی را نوشته و مدل نهایی را میابیم.
۴.۲.۲.۳- مدل سازی تابع هدف برنامه ریزی صفر و یک
فرض کنید وب سایت ما ۱۰ صفحه متمایز دارد. مسیر حرکت موجه در شکل زیر نمایش داده شده است. در این پیشامد فردی در یک بار بازدید خود از وب سایت ابتدا وارد سایت شده و صفحه ۲ را به عنوان اولین صفحه مشاهده میکند. سپس به ترتیب صفحات ۷و۲و۷و۴ را دیده و از سایت خارج میشود. مسیر و گراف حرکت این کاربر معادل شکل ۴-۴ میباشد.
شکل ۴-۴ : مسیر و گراف حرکت کاربری با ترتیب صفحات ۲و۷و۲و۷و۴
برای مدل سازی تابع هدف این مساله با فرض اینکه پارامتر n برابر تعداد صفحات وب سایت باشد ، متغیر عدد صحیح x_ij را برابر با تعداد دفعات حرکت کاربر از صفحه i به صفحه j تعریف میکنیم . بنابر این در مثال فوق داریم :
X₀₂=1 , x₂₇=2 , x₇₂=1 , x₇₄=1 , x₄₀=1
For all other i,j x_ij=0
به این ترتیب ابتدا به نظر میرسد که مسئله ما یک مساله برنامه ریزی عدد صحیح میباشد . اما یک ویژگی بسیار مهم در مدلهای مارکوفی درجه ۱ ، مدل ما را به یک مدل برنامه ریزی صفر و یک تبدیل میکند. ویژگی مذکور به شرح زیر است :
در مدل مارکوف درجه ۱ ، هر مسیر دارای گره تکراری به جز گره صفر قابل تبدیل به مسیر بدون گره تکراری بجز گره صفر با مقدار تابع هدف بیشتر میباشد.
شکل ۵-۴ : پیشامد بازدید عمومی S که دارای حداقل یک گره تکراری k است.
برای اثبات این ادعا شکل ۵-۴ را در نظر بگیرید که پیشامد بازدید عمومی S را که حداقل دارای یک گره تکراری k است ، نشان میدهد. این پیشامد بازدید عمومی را میتوان به سه بخش اصلی افراز کرد. بخش A که در برگیرنده توالی صفحات طی شده در این پیشامد از ابتدا تا قبل از اولین گره k است. بخش B که در بر گیرنده خود دو تکرار گره k و تمامی گره های بین این دو تکرار است و در نهایت بخش c که در بر گیرنده توالی صفحات مشاهده شده بعد از دومین گره k تا انتهای این پیشامد بازدید عمومی است. احتمال رخ دادن پیشامد عمومی S به شرح زیر است.
حال اگر قسمت B را که در بر گیرنده هر دو گره تکراری و کلیه گره های بین آنهاست از پیشامد عمومی S حذف کرده و فقط یک گره k را جایگزین آن کنیم پیشامد حاصل میشود که در شکل ۶-۳ نمایش داده شده است :
شکل ۶-۴: مشاهده جریان حرکتی کاربر
با توجه به این مطلب که احتمال همواره مقداری بین صفر و یک دارد ، داریم :
پس میتوان نتیجه گرفت که همواره > است.
همانطوری که دیدیم با حذف دو گره تکراری و تمامی گره های بین آنها و جایگزینی یک گره از همان نوع به جای آنها پیشامدی با احتمال وقوع بیشتر حاصل شد. حال اگر به ازای تمامی گره های تکراری این پیشامد ، این کار را انجام دهیم در نهایت یک پیشامد بازدید بدون گره تکراری با مقدار احتمال وقوع بیشتری نسبت به تمام پیشامدهای قبلی حاصل میشود و ویژگی مذکور به اثبات رسیده است.
با توجه به ویژگی مذکور در میابیم که جوابها با x_ij های بزرگتر از یک گرچه ممکن است موجه باشند اما هرگز بهینه نیستند. بنابر این برای یافتن جواب بهینه مسئله برنامه ریزی عدد صحیح قبلی کافی است جواب مسئله برنامه ریزی صفر و یک جدید را یافت چرا که جواب بهینه مسئله برنامه ریزی صفر و یک جدید قطعا جواب بهینه مسئله برنامه ریزی عدد صحیح قبل هم میباشد.
در این حالت متغیر جدید x_ij در صورتی که کاربر از صفحه i به j رفته باشد برابر ۱ و در غیر این صورت برابر ۰ خواهد بود. برای محاسبه تابع هدف P(K) برای این پیشامد جدید با بهره گرفتن از مدل زنجیره مارکوف درجه ۱ داریم.
P(K)= P(K₁=0, K₂=2, K₃=7, K₄=4, K₅=0)=P^|_k
با بهره گرفتن از مدل زنجیره مارکوف درجه ۱ احتمال پیشامد بالا برابر است با :