Powiadomienia systemowe
- Sesja wygasła!
Identyfikatory
Warianty tytułu
Evaluation of market segmantation using measures of data clustering quality
Języki publikacji
Abstrakty
Celem niniejszego artykułu jest przedstawienie miar służących do badania jakości grupowania danych i zastosowanie tych miar do oceny segmentacji rynku. W wykonanych badaniach analizowano dane dotyczące rynków zbytu przedsiębiorstwa produkującego wyroby gospodarstwa domowego. Segmentację rynku przeprowadzono z wykorzystaniem sieci neuronowych Kohonena. W pracy przedstawiono wyniki grupowania danych oraz ich ocenę. Wnioski na temat jakości utworzonych klastrów są próbą ogólnej oceny przeprowadzonej segmentacji rynku.
The purpose of this paper is to present the measures used to evaluate the quality of data clustering and apply them to assess market segmentation. In the analysis the data of manufacturing companies that producing household products was used. The market segmentation was carried out using Kohonen neural network. This paper describes results of the clustering and evaluation of the clusters. The conclusions on the quality of clusters are attempt to overall assessment of the market segmentation.
Czasopismo
Rocznik
Tom
Strony
157--173
Opis fizyczny
Bibliogr. 20 poz.
Twórcy
autor
- Politechnika Rzeszowska, Zakład Informatyki
autor
- Politechnika Rzeszowska, Zakład Informatyki
Bibliografia
- 1. Brun M., Sima C., Hua J., Lowey J., Carroll B., Suh E., Dougherty E. R.: Model-based evaluation of clustering validation measures. Pattern Recognition, Vol. 40, No. 3, Elsevier, 2007, s. 807÷824.
- 2. Cios K., Pedrycz W., Świniarski R.: Data mining methods for knowledge discovery. Kluwer, Norwell, MA 1998.
- 3. Everitt B. S., Landau S., Leese M.: Cluster analysis. Wiley Publishing, New York 2009.
- 4. Halkidi M., Batistakis Y., Vazirgiannis M.: On clustering validation techniques. Journal of Intelligent Information Systems, Vol. 17, No. 2÷3, Springer, 2001, s. 107÷145.
- 5. Halkidi M., Vazirgiannis M.: Clustering validity assessment: finding the optimal partition-ing of a data set. Proceedings IEEE International Conference on Data Mining, ICDM, 2001, s. 187÷194.
- 6. Hand D., Mannila H., Smyth P.: Eksploracja danych. WNT, Warszawa 2005.
- 7. Jain A. K., Dubes R. C.: Algorithms for Clustering Data. Prentice Hall, Englewood Cliffs, New Jersey 1988.
- 8. Jain A. K., Murty M. N., Flynn P. J.: Data clustering: a review. ACM Computing Surveys, Vol. 31, No. 3, 1999, s. 264÷323.
- 9. Kohonen T.: Self-organization and associative memory. Springer Verlag, Berlin 1989.
- 10. Kohonen T.: The self-organizing maps. Proceedings of the IEEE, 1990, Vol. 78, No. 9, s. 1464÷1480.
- 11. Larose D. T.: Odkrywanie wiedzy z danych. Wyd. Nauk. PWN, Warszawa 2006.
- 12. Meila M.: Comparing clusterings – an information based distance. Journal of Multivariate Analysis, Vol. 98, No. 5, 2007, s. 873÷895.
- 13. Migdał-Najman K.: Ocena jakości wyników grupowania – przegląd bibliografii. Przegląd Statystyczny, Vol. 58, no. 3÷4, 2011, s. 281÷299.
- 14. Migut G.: Zastosowanie technik analizy skupień i drzew decyzyjnych do segmentacji ryn-ku. Materiały Seminarium StatSoft „Zastosowanie nowoczesnej analizy danych w marke-tingu i badaniach rynku”, Kraków 2010.
- 15. Mynarski S.: Metody ilościowe i jakościowe badań rynkowych i marketingowych. StatSoft, Kraków 2010.
- 16. Osowski S.: Metody i narzędzia eksploracji danych. Wyd. BTC, Legionowo 2013.
- 17. Rokach L., Maimon O.: Clustering methods. Data Mining and Knowledge Discovery Handbook, Springer, 2005.
- 18. Setlak G., Paśko Ł.: Zastosowanie metod eksploracji danych do segmentacji rynków. Stu-dia Informatica, Vol. 34, No. 2A (111), Gliwice 2013, s. 311÷323.
- 19. Stąpor K.: Automatyczna klasyfikacja obiektów. Wyd. Exit, Warszawa 2005.
- 20. Żurada J., Barski M., Jędruch W.: Sztuczne sieci neuronowe. PWN, Warszawa 1996.
Typ dokumentu
Bibliografia
Identyfikator YADDA
bwmeta1.element.baztech-79f2458c-7ef2-4501-9a72-d554f02eae61