Usando técnicas de mineração de dados para extrair estratégia de lucratividade
Palavras-chave:
gestão de relacionamento com clientes, agrupamento, K-médio, classificação, árvore de decisãoResumo
Atualmente, com o desenvolvimento de sistemas básicos e o grande volume de dados armazenados neles, há necessidade de ferramentas para processar e utilizar esses dados. A melhor ferramenta é descobrir regras entre dados, mineração de dados e técnicas de mineração de dados. Neste artigo, procuramos ferramentas de extração de dados para extrair as regras de lucratividade. A fim de obter os resultados tangíveis desta pesquisa, as informações dos clientes de um restaurante foram obtidas em duas partes através de um questionário. A primeira parte é a informação pessoal do cliente, e a segunda parte é a importância de cada um dos fatores de lealdade atribuídos por cada cliente. Depois de coletar os dados em um arquivo do Excel, as informações são exportadas e analisadas no software Rapid Miner; O agrupamento de toda as informações do cliente é feito em clusters e colocado em clusters de acordo com a similaridade de características e seu comportamento. O agrupamento é feito usando o algoritmo K- means. Em seguida, um índice é definido para categorização e classificado em cada grupo de agrupamento. Os clientes em cada cluster são divididos em dois grupos de lucrativos e não rentáveis e, depois de extraírem as regras da árvore de decisão, são apresentadas estratégias para obter mais lucros no local estudado.
Downloads
Referências
Bong-Horng, C., Ming-Shian,T. , Cheng-Seen ,H. ,( 2007) ,Toward a hybrid data mining model for customer retention, Knowledge-Based Systems 20, 703–718.
Brunner, J.J & Ganga-Contreras, F. (2017). Vulnerabilidad educacional en América Latina: Una aproximación desde la sociología de la educación con foco en la educación temprana Opción, Año 33, No. 84 (2017): 12-37.
Buckinx, W., & Poel, D. V. D. (2005). Customer base analysis: Partial defection of behaviorally-loyal clients in a non-contractual FMCG retail setting. European Journal of Operational Research, 164, 252–268.
G Soleimani, M Amiri, SM Khatami, MJ Isfahani :Using S Technology, in the Automotive Industry, with the Approach of Its Implementation in Commercial Vehicles . Industrial Engineering & Management Systems.2016; 15(4): pp.290-297.
Keshtkar (2018). Numerical analysis of transcritical carbon dioxide compression cycle: a case study, 7 (1), 1-6.
Keshtkar M. M., (2017). Energy, exergy analysis and optimization by a genetic algorithm of a system based on a solar absorption chiller with a cylindrical PCM and nano-fluid, Int. Journal of Heat and Technology, 35 (2), 416-420.
Keshtkar M. M., Talebizadeh, P., (2018). Investigation of transient conduction–radiation heat transfer in a square cavity using combination of LBM and FVM, Sadhana, 43 (4), 145-155.
Keshtkar M. M.; Dadkhoda Zadeh M. (2018). Thermal Simulation of the Symmetric and Asymmetric Arrangement of Barriers on Heat Transfer Enhancement in a Porous Gas Heat Exchanger, Journal of Thermal Science and Engineering Applications, 10 (1), 120-135.
Kim, J. K., Song, H. S., Kim, T. S., & Kim, H. K. (2005). Detecting the change of customer behavior based on decision tree analysis. Expert Systems with Applications, 22, 193–205.
Leung, R. W. K., Lau, H. C. W., & Kwong, C. K. (2003). On a responsive replenishment system: A fuzzy logic approach. Expert Systems with Applications, 20, 20–32.
Seyed Hosseini ,M. , A. , Maleki, Gholamian, M. , Cluster analysis using data mining approach to develop CRM methodology to assess the customer loyalty, (2010),Expert Systems with Applications 37, 5259–5264Bahari , F . , Elayidom , S,. (2015). An Efficient CRM-Data Mining Framework for the Prediction of Customer Behavior, Procedia Computer Science, 46, 725 – 731.