Usar técnicas de minería de datos para extraer la estrategia de rentabilidad
Palabras clave:
gestión de relaciones con los clientes, agrupamiento, K-medias, clasificación, árbol de decisionesResumen
Hoy en día, con el desarrollo de sistemas básicos y el gran volumen de datos almacenados en ellos, existe la necesidad de herramientas para procesar y utilizar estos datos. La mejor herramienta es descubrir reglas entre datos, la minería de datos y las técnicas de minería de datos. En este artículo, buscamos herramientas de extracción de datos para extraer las reglas de rentabilidad. Con el fin de obtener los resultados tangibles de esta investigación, se obtuvo, en dos partes, la información de los clientes de un restaurante a través de un cuestionario. La primera parte es información personal del cliente, y la segunda parte es la importancia de cada uno de los factores de lealtad asignados por cada cliente. Después de recopilar los datos en un archivo de Excel, se exporta y analiza la información en el software Rapid Miner; se realiza la agrupación de toda la información del cliente en clústeres y se coloca en clústeres según la similitud de características y su comportamiento. La agrupación se realiza utilizando el algoritmo K-means. Luego, se define un índice para la categorización y se clasifica en cada grupo de clustering. Los clientes de cada clúster se dividen en dos grupos de rentable y no rentable, y después de extraer las reglas del árbol de decisiones, se presentan estrategias para hacer más ganancias en la ubicación estudiada.
Descargas
Citas
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.