Zastosowanie modelu grupowania rozmytego do segmentacji bazy klientów

• Autorzy: Mazur D.

Warianty tytułu

EN

A fuzzy clustering approach to segmentation customers database

• Języki publikacji: PL

Abstrakty

PL

Dizałalność gospodarcza, prowadzona w warunkach zaostrzającej się konkurencji, domaga sie efektywnych metod wspomagających. Eksploracja danych oraz pozyskiwanie wiedzy z baz danych stanowią szerokie pole badań, których wyniki mogą prowadzić do zwiększenia zysku przedsiębiorstw. Wśród technik stosowanych w tym zakresie można wyróżnić grupowanie. Zaproponowano miarę podobieństwa opartą na wskaźnikach zakupów poszczególnych grup towarowych. Zaprezentowano zastosowanie algorytmu grupowania rozmytego c-śrdnich w zkresie segmentacji bazy klientów.

EN

With the widespred computerization in business the efficient and effective discovery of information from large database becomes essential. Data mining and Knowledge Discovery in database emerges as a solution to the data analysis problems faced by many organizations. Clustering is a method, which can be helpful in retrieval of revelant information from databases. This paper suggests a solution consisting in measure of customer similarity, relating to the sales data, particulary, which consist sum of items purchased in every products group. The study presents results of applying algorithm fuzzy c-means to clustering customers database.

Słowa kluczowe

PL

grupowanie; eksploracja danych; segmentacja; baza klientów

EN

data mining; clustering; segmentation; customers database

• Wydawca: Wydawnictwo Politechniki Śląskiej
• Czasopismo: Zeszyty Naukowe. Organizacja i Zarządzanie / Politechnika Śląska
• Rocznik: 2004
• Tom: z. 18
• Strony: 169--180
• Opis fizyczny: Bibliogr. 14 poz.

Twórcy

autor

Mazur D.

• Katedra Informatyki I Ekonometrii Politechniki Śląskiej, 41-800 Zabrze, ul.Roosevelta 26, tel. [phone], pokój 406,

Bibliografia

• 1. Agrawal R., Imielinski T., Swami A.N.: Mining Association Rules between Sets of Items in Large Databases. Proceedings of the 1993 {ACM} (SIGMOD) International Conference on Management of Data, 1993.
• 2. Bezdek J.C.: Pattem Recognition with Fuzzy Objective Function Algorithms, Plenum Press, NY 1981.
• 3. Bezdek J.C., Pal N.R.: Some New Indexes of Cluster Validity. Transaction on Systems, Man, and Cybernetics IEEE, 1998.
• 4. Cattell R.B.: The Scientific Use of Factor Analysis in the Behavioral and Life-Sciences, Plenum Press, New York 1978.
• 5. Gatnar E.: Symboliczne metody klasyfikacji danych. PWN, Warszawa 1998.
• 6. Guidici P., Passerone G.: Data mining of association structures to model consumer behaviour. Computational statistic and data analysis, Elsevier, 2002.
• 7. Tsuen-Ho Hsu: An Application of Fuzzy Clustering in Group-Positioning Analysis. Proc. National Science Council ROC(C) 2000.
• 8. Jain A.K., Murty M.N., Flynn P.J.: Data Clustering: A Review. ACM Computing Surveys, 1999.
• 9. Karypis G., Han E.: Concept Indexing A Fast Dimensionality Reduction Algorithm with Application to Document Retrieval & Categorization. University of Minnesota 2000.
• 10. Krishnapuram R., Joshi A., Yi L.: A fuzzy Relative of the k-Medoids Algorithm with Application to Web Document and Snippet Clustering. FUZZIEEE 1999.
• 11. Kotler P.: Marketing Management: Analysis, Planing, Implementation and Control. Prentice Hall, New Jersey 1997.
• 12. Kleinberg J., Papadimitriou C., Raghavan P,: Segmentation problems. Proceedings of the ACM Symposium on Theory of Computing, 1998.
• 13. Jain A.K., Dubes R.C.: Algorithms for Clustering Data. Prentice Hall, New Jersey 1988.
• 14. Zadeh L.A.: Fuzzy sets and their applications to classification and clustering. Academic Press, 1977.