АНАЛИЗ ПОТРЕБИТЕЛЬСКОЙ КОРЗИНЫ КЛИЕНТОВ В СЕТИ РЕСТОРАНОВ "ГРИЛЬНИЦА"

ВВЕДЕНИЕ 4
1. ИНТЕЛЛЕКТУАЛЬНЫЙ АНАЛИЗ ДАННЫХ 6
1.1. Обзор библиотек языка программирования Python для анализа данных и машинного обучения 8
1.2. Задача поиска ассоциативных правил 10
1.3. Характеристики ассоциативных правил 11
1.4. Методы поиска ассоциативных правил 12
1.4.1. Алгоритм Apriori 12
1.4.2. Алгоритм AprioriSome 14
1.4.3. Алгоритм AIS 14
1.5. Кластерный анализ данных 15
1.5.1. Выделение вектора характеристик 16
1.5.2. Меры расстояний 16
1.5.3. Расстояние между кластерами 18
2. ПРИМЕНЕНИЕ МЕТОДОВ АНАЛИЗА БОЛЬШИХ ДАННЫХ И МАШИННОГО ОБУЧЕНИЯ В СЕТИ РЕСТАРАНОВ «ГРИЛЬНИЦА» 20
2.1. Предварительная обработка данных 20
2.2. Применение методов ассоциативных правил 21
2.3. Применение метода кластерного анализа 23
2.4. Применение метода ассоциативных правила для категории «Шаурма» 26
ЗАКЛЮЧЕНИЕ 29
БИБЛИОГРАФИЧЕСКИЙ СПИСОК 30
ПРИЛОЖЕНИЕ 32

Весь текст будет доступен после покупки

Потребительской корзиной называют набор товаров, который пользователь приобретает в рамках одной транзакции. Анализ потребительской корзины – востребованная на практике задача. Данный вид анализа необходим маркетологам для принятия взвешенных решений, направленных на проработку сценариев взаимодействия с покупателями и формирования скидок и акционных предложений.
Актуальность и практическая значимость проводимого исследования обусловлены необходимостью формирования эффективных маркетинговых акций и предложений с целью привлечения новых клиентов и увеличения прибыли сети ресторанов «Грильница».
Актуальность темы исследования и ее практическая значимость определяется также целью, задачами, объектом и предметом исследования.
Объект исследования – данные клиентов сети ресторанов «Грильница»
Предмет исследования – анализ данных сети ресторанов «Грильница».
Цель исследования – формирование маркетинговых предложений и персонализированных акционных предложений на основе анализа больших данных.
Для достижения поставленной цели необходимо решить следующие задачи:
1) Изучение методов анализа потребительской корзины;
2) Выявление типичных шаблонов покупок с помощью ассоциативных правил;
3) Применение кластерного анализа для сегментации клиентов по предпочтениям;
4) Формирование маркетинговых предложений на основе полученных результатов.
Магистерская диссертация состоит из введения, двух глав, заключения, библиографического списка и приложения. Во введении сформулированы цель и задачи магистерской диссертации, определены объект и предмет исследования, раскрыты актуальность и практическая значимость выпускной работы.
В первой главе рассматривается интеллектуальный анализ данных и его методы.
Вторая глава посвящена анализу данных сети ресторанов «Грильница», и формированию маркетинговых предложений.
В ходе выполнения магистерской диссертации был реализован метод поиска ассоциативных правил Apriori на языке программирования Python, проведен анализ данных на основе метода Apriori и при помощи иерархического кластерного анализа, сформированы маркетинговые предложения на основе полученных результатов.
 

Весь текст будет доступен после покупки

1. ИНТЕЛЛЕКТУАЛЬНЫЙ АНАЛИЗ ДАННЫХ
Интеллектуальный анализ данных (ИАД) – это направление информационных технологий, объединяющее в себе методы обнаружения в данных ранее неизвестных, нетривиальных и доступных интерпретации знаний, которые могут быть полезны для принятия решений в различных сферах человеческой деятельности.
Часто интеллектуальный анализ данных рассматривают как трансформацию термина Data Mining. Термин Data Mining не имеет устоявшегося перевода на русский язык. При переводе используются такие словосочетания как «просев информации», «добыча данных», «извлечение данных», а также «интеллектуальный анализ данных». Наиболее полным и точным переводом Data Mining является «обнаружение знаний в базах данных». Интеллектуальный анализ данных понятие более широкое. Современная концепция ИАД предполагает, что:
• данные могут быть неточными, противоречивыми, разнородными, содержать пропуски и ошибки, и при этом иметь гигантские объемы;
• сами алгоритмы анализа данных могут обладать способностью обучаться «с учителем», то есть делать общие выводы на основе частных наблюдений;
• процессы переработки «сырых данных» в информацию, а информации в знания уже не могут быть выполнены вручную, и требуют нетривиальной автоматизации.

Весь текст будет доступен после покупки

1. Вандер П. Python для сложных задач: наука о данных и машинное обучение. – СПб.: Питер, 2018. – 576 с.
2. Вьюгин В.В. Математические основы машинного обучения и прогнозирования. – М.: МЦНМО, 2013. – С. 19–33.
3. Грас Дж. Data Science. Наука о данных с нуля. – СПб.: БХВ-Петербург, 2017. – 336 с.
4. Дэви С., Арно М., Али М. Data Science и Big Data. Python и наука о данных. – СПб.: Питер, 2017. – 336 с.
5. Рашка С. Python и машинное обучение. – М.: ДМК Пресс, 2017. – 418 с.
6. Python-docx [Электронный ресурс] – Режим доступа: https://python-docx.readthedocs.io/en/latest/ – Загл. с экрана (дата обращения 12.09.2021).
7. Scikit-learn [Электронный ресурс]. – Режим доступа: http://scikit-learn.org/stable/index.html – Загл. с экрана (дата обращения: 25.01.2022).
8. Ершов, К. С. Анализ и классификация алгоритмов кластеризации / К. С. Ершов, Т. Н. Романова. // Новые информационные технологии в автоматизированных системах. – 2016. – №19. – С. 274-279.
9. Lutz, M. Programming Python / M. Lutz. – O'Reilly Media, 1996. – 1632 p
10. Müller, A. C. Introduction to Machine Learning with Python: A Guide for Data Scientists / A. C. Müller, S. Guido. – O'Reilly Media, 2016. – 394 p.
11. Протасов, C.C. Как большие данные стали одной из самых интересных задач IT-индустрии [Электронный ресурс]. – Режим доступа: http://andrew--r.github.io/bigdata/.
12. Apriori – масштабируемый алгоритм поиска ассоциативных правил: [Электронный ресурс]. − Режим доступа: www.basegroup.ru/library/association_rule/.
13. Apriori: [Электронный ресурс]. − Режим доступа: ru.wikipedia/Apriori/.
14. Data Mining: [Электрон. ресурс]. − Режим доступа: www.int.ru/datamining/.
15. Apriori algorithm source code: [Электрон. ресурс]. − Режим доступа: msug.vn.ua/blogs/datamining/archive/2009/08/02/apriori-algorithm/.
16. Введение в анализ ассоциативных правил: [Электрон. ресурс].− Режим доступа: www.basegroup.ru/library/analysis/association_rules/intro/.
17. Agrawal R. Mining Association Rules Between Sets of Items in Large Databases. / R. Agrawal, T. Imielinski, A. Swami. // SIGMOD Conference 1993. − Р. 207-216.
18. Hipp J. Algorithms for association rule mining – A general survey and comparison. / J. Hipp, U. Güntzer, G. Nakhaeizadeh. // SIGKDD Explorations. − №2(2). – 2000. – Р. 1-58.
19. Поиск ассоциативных правил: [Электронный ресурс]. − Режим доступа: http://wiki.auditory.ru/.
20. Поиск ассоциативных правил при интеллектуальном анализе данных: [Электронный ресурс]. − Режим доступа: www.rammus.ru/products/arda/.
21. Области применения методов ассоциативных правил: [Электронный ресурс]. – Режим доступа: www.rammus.ru/products/arda/article_review_ar_applications/.(дата обращения: 11.04.2022).

Весь текст будет доступен после покупки