Research on the influence of nonlinear regression model of user data on sales strategy adjustment in cross-border e-commerce Wish platform
Notice bibliographique
Résumé
Under the accelerated process of economic globalization and the booming development of Internet technology, cross-border e-commerce, as a new mode of international trade, is becoming a new driving force for the transformation and upgrading of foreign trade with its high efficiency and convenience, low cost and high benefit.This study uses data cleaning and missing value filling methods to preprocess user behavior data and merchandise sales marketing data in cross-border e-commerce Wish platform, and discretizes user behavior data using rough set method.Then, we select the merchandise sales and user behavior as the dependent and independent variables to construct a multiple nonlinear regression model in order to analyze the influence of user data on sales in crossborder e-commerce Wish platform.The results of the multivariate nonlinear regression model show that user behavior in cross-border e-commerce Wish platform has a significant effect on merchandise sales (P=0.005243).It is also found that the sales strategy adjusted according to the regression results can improve the sales and promotion effect of enterprises in cross-border e-commerce platform.The research results of this paper enrich the theoretical and practical research on the optimization and adjustment of cross-border e-commerce enterprises' sales strategies, provide theoretical basis and decision-making reference for the subsequent adjustment of cross-border e-commerce enterprises' sales strategies, and help cross-border e-commerce enterprises to go global.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,003 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».