Wstępne przetwarzanie danych rzeczywistych na przykładzie analizy rezygnacji

• Autorzy: Sulikowski P.
• Języki publikacji: PL

Abstrakty

EN

Customer churn is a grave problem for contemporary businesses. Rough sets method can be applied to build a model of the phenomenon. While analysing real-world data obtained directly from an interested company, the need for data pre-processing arises. For that reason, this paper introduces a procedure combining certain useful analytical activities. They can help improve credibility and interpretability of the final results.

Słowa kluczowe

PL

wstępne przetwarzanie danych; eksploracja danych; sztuczna inteligencja; zarządzanie relacjami z klientami

EN

data pre-processing; data mining; artificial intelligence; customer relationship management (CRM)

• Wydawca: Komisja Informatyki Polskiej Akademii Nauk, Oddział w Gdańsku
• Czasopismo: Metody Informatyki Stosowanej
• Rocznik: 2009
• Tom: nr 1 (18)
• Strony: 99--106
• Opis fizyczny: Bibliogr. 13 poz., rys.

Twórcy

autor

Sulikowski P.

• Zachodniopomorski Uniwersytet Technologiczny w Szczecinie, Wydział Informatyki

Bibliografia

• [1] Pawlak Z.: Data Analysis – The Rough Sets Perspective. [W:] Chojcan J., Łęski J. (red.): Zbiory rozmyte i ich zastosowania. Gliwice: Wydawnictwo Politechniki Śląskiej, 2001, s. 173-181.
• [2] Eiben A.E., Euverman T.J., Kowalczyk W., Slisser F.: Modeling Customer Retention with Statistical techniques, Rough Data Models, and Genetic Programming. In: S.K.Pal, A. Skowron (eds.): Rough Fuzzy Hybridization: A New Trend in Decision-Making, Secaucus, NJ: Springer-Verlag New York, 1998, s. 330-345.
• [3] Piegat A.: Modelowanie i sterowanie rozmyte. Warszawa: Akademicka Oficyna Wydawnicza EXIT, 1999.
• [4] Phelan S.: Customer Information as a Strategic Asset. „DM Review” [online]. Apr 2002 [dostęp 16 maja 2008]. Dostępny w Internecie: http://www.dmreview.com/dmdirect/20020419/5047-1.html.
• [5] Drelichowski L.: Elementy teorii i praktyki zarządzania z technikami informacyjnymi w przedsiębiorstwie. Bydgoszcz: Wydawnictwa Uczelniane Akademii Techniczno-Rolniczej, 2000.
• [6] Berry W.D., Felman S.: Multiple Regression in Practice. Beverly Hills, CA: Sage Publications, 1985.
• [7] Griffith D.A., Amrhein C.G.: Multivariate Statistical Analysis for Geographers. Englewood Cliffs, NJ: Prentice Hall, 1997.
• [8] Jones T.O., Sasser W.E. Jr: Why Satisfied Customers Defect. „Harvard Business Review” 1995, Nr 73(6), s. 88-99.
• [9] Allison P.: Multiple Imputation for Missing Data: A Cautionary Tale. „Sociological Methods & Research” 2000, Nr 28(3), s. 301-309.
• [10] Grzymała-Busse J.W., Hu M.: A Comparison of Several Approaches to Missing Attribute Values in Data Mining. In: Rough Sets and Current Trends in Computing. „Lecture Notes in Computer Science” Nr 2005, London: Springer-Verlag 2001, s. 378-385.
• [11] Shtatland E.S., Kleinman K., Cain E.M.: Stepwise Methods in Using SAS® PROC LOGISTIC and SAS® Enterprise Miner™ for Prediction. In: Proceedings of the 28th Annual SAS Users Group International Conference, Seattle, WA, March 30 – April 2, 2003. Cary, NC: SAS Institute Inc, 2003, Paper 258-28.
• [12] Zadeh L.A.: Fuzzy sets and information granularity. In: Gupta M., Ragade R., Yager R. (eds.): Advances in Fuzzy Set Theory and Applicatons. Amsterdam: North-Holland Publishing, 1979, s. 3-18.
• [13] Czerniak J.: Metoda dyskretyzacji danych przed ich przetwarzaniem z użyciem zbiorów przybliżonych oparta na algorytmach genetycznych. Rozprawa doktorska. Szczecin: Wydział Informatyki Politechniki Szczecińskiej, 2005.