РАЗРАБОТКА АЛГОРИТМОВ АНАЛИЗА ДАННЫХ В ЗАДАЧАХ МАРКЕТИНГОВЫХ ИССЛЕДОВАНИЯХ

ВВЕДЕНИЕ 4
1. Теоретический анализ методов и моделей обработки данных клиентов 6
1.1. Самоорганизующиеся карты и алгоритм k-means 7
1.2. Извлечение заметных размеров 9
1.3. Генерация профилей 10
2. Генератор профилей на основе карт Кохонена 14
2.1. Ранжирование профилей 14
2.2. Показатели эффективности 15
2.3. Применение генератора профилей на основе SOM 17
3. Разработка маркетинговой стратегии на основе карт Кохонена 30
3.1. Применение алгоритмов кластеризации и ранжирования профилей 30
3.2. Создание маркетинговой стратегии для повышения прибыли коммерческого предприятия. 32
ЗАКЛЮЧЕНИЕ 36
БИБЛИОГРАФИЧЕСКИЙ СПИСОК 37

Весь текст будет доступен после покупки

Мир превратился в информационное общество, которое сильно полагается на данные. Взрывной рост доступных данных привел к созданию множества новых бизнес-моделей. Сфера прямого маркетинга не исключение, и в ней исследуются способы получения конкурентных преимуществ, а также поддерживаются исследования по развитию инновационных и ценностных методов. Несмотря на то, что методы добычи данных были успешно применены в разных мировых компаниях, небольшим организациям все еще трудно монетизировать и изучить данные, собранные ими. Бизнес требует конкретных данных в определенное время для максимизации своей прибыли. Следовательно, понятна необходимость бизнес - ориентированных методов исследования. Основное внимание в этой работе уделено пошаговым и визуальным методам исследования и методологии.
Цель работы –¬¬ анализ и разработка алгоритмов обработки больших данных покупателей для разработки эффективности маркетинга организации.
Долгосрочная коммерческая цель будет заключаться в том, чтобы обеспечить управление данными инструментами, позволяющими извлекать пользу из базы данных, так как большая часть данных может быть использована для маркетинговых целей. В ходе работы, были определены методы и подходы сегментации, основанные на данных.
Задачи:
1. Провести теоретический анализ алгоритмов и методов интеллектуальной обработки данных.
2. Изучить методы и модели обработки данных о клиентах.
3. Реализовать генератор профилей на основе карт Кохонена.
4. Разработать маркетинговую стратегию для реального предприятия.
Предмет исследования – методы обработки больших данных, включая технологии машинного обучения.
Объект исследования – данные о клиентах: пол, возраст, геолокация, лояльность клиента, лояльность магазина, индекс RFM и данные о заказах клиента.
Основной целью работы являлась разработка и анализ алгоритмов обработки данных покупателей для разработки эффективности маркетинга организации.
В первой главе проведен теоретический анализ методов и моделей обработки данных клиентов, позволяющий предсказать поведение клиентов по их накопленным данным. Эти данные представляют собой информации о клиенте. Более интересная цель для сегментации клиентов – это прогнозирование поведения неизвестных клиентов. Главной целью сегментации является построение профилей клиентов, где должны быть определены две основные характеристики: основы сегментации и техника для идентификации сегментов. Результатом анализа явилось выбор алгоритмов и методов, наиболее качественно классифицирующих данные клиента. Наиболее подходящий метод, по нашему мнению, это k-means и тепловые карты Кохонена.
Во второй главе идет ранжирование профилей, созданных в предыдущей главе с использованием алгоритмов выбора кластера (CST) и техника выбора уровня (LST). Цель состояла в том, чтобы предоставить доступный набор данных, чтобы предсказать профили потенциальных клиентов. Предлагаемый в этой главе генератор профилей на основе SOM может быть использован для дальнейших исследований.
В третьей главе идет обработка и подготовка данных, при использовании методов и алгоритмов, описанных в первой и второй главе. Для применения генератора профилей на основе SOM использовались данные о клиентах и продажах. На основе этих данных была сформирована успешная маркетинговая стратегия.

Весь текст будет доступен после покупки

1. Теоретический анализ методов и моделей обработки данных клиентов
Взрывной рост объема данных и использование методов анализа данных привели к созданию множества новых бизнес-моделей и возможностей. Сфера прямого маркетинга не является исключением и исследует пути получения конкурентных преимуществ путем поддержки исследований по разработке инновационных и оценочных методов. Самоорганизующиеся карты Кохонена являются одним из этих методов. В сочетании с методами кластеризации, можно расширить область анализа и получить лучшее понимание об изученных данных. В этой работе предлагается общий метод, направленный на создание профилей на основе технологии SOM.
В области прямого маркетинга используются методы для определения наиболее прибыльных клиентов. Такой анализ позволяет предсказать поведение уже известных клиентов. Более интересная цель для сегментации клиентов – это прогнозирование поведения неизвестных клиентов. Главной целью сегментации является построение профилей клиентов, где должны быть определены две основные характеристики: основы сегментации и техника для идентификации сегментов [11].

Весь текст будет доступен после покупки

1. Индекс Дэвиса – Болдина в кластерном анализе [Электронный ресурс]. – URL: https://craftappmobile.com/индекс-дэвиса-болдина-в-кластерном-анализе/
2. Карты Кохонена в Deductor Studio [Электронный ресурс]. – URL: https://docplayer.ru/27573133-Praktikum-p-120-karty-kohonena-v-deductor-studio.html
3. Алгоритм k - средних (k-means) [Электронный ресус]. – URL: https://algowiki-project.org/ru/ Алгоритм_k_средних_(k-means)/
4. Метод k – средних [Электронный ресурс]. – URL: https://ru.wikipedia.org/wiki/ Метод_k-средних/
5. Самоорганизующаяся карта Кохонена [Электронный ресурс]. – URL: https://ru.wikipedia.org/wiki/Самоорганизующаяся_карта_Кохонена
6. Самоорганизующаяся карта Кохонена (алгоритм кластеризации) [Электронный ресурс]. – URL: https://algowiki-project.org/ru/ Самоорганизующаяся_карта_Кохонена(алгоритм_кластеризации)/
7. Использование самоорганизующихся карт в задачах кластеризации [Электронный ресурс]. – URL: https://basegroup.ru/community/articles/som-mine
8. Ф.Уоссермен, “Нейрокомпьютерная техника”, М.:Мир, 1992.
9. A.Ежов, С.Шумский, “Нейрокомпьютинг и его применение в экономике и бизнесе”, 1998.
10. Барсегян A.A., Куприянов М.С., Степаненко В.В, Холод И.И. – “Методы и модели анализа данных: OLAP и Data Mining”. – СПБ.,2004.
11. Нейский И.М “Классификация и сравнение методов кластеризации”.
12. T. Kohonen, Self-Organizing Maps. Springer, 1995.
13. J. Vesanto and E. Alhoniemi, “Clustering of the self-organizing map", 2000.
14. D. Davies and D. Bouldin, “A cluster seperation measure", 1979.
15. T.Kohonen, "Self-Organizing Maps"(2-nd edition), Springer, 1997.
16. Применение RFM-анализа в сегментировании клиентской базы [Электронной ресурс]. – URL: https://habr.com/ru/company/unisender/blog/131225/
17. A. P. Azcarraga, M. H. Hsieh, S. L. Pan, and R. Setiono, “Extracting salient dimensions for automatic SOM labeling”, 2005.

Весь текст будет доступен после покупки