Acta Univ. Agric. Silvic. Mendelianae Brun. 2009, 57(3), 43-54 | DOI: 10.11118/actaun200957030043
PREDIKCE CHOVÁNÍ ZÁKAZNÍKA PROSTŘEDKY DATAMININGU
- Ústav informatiky, Mendelova zemědělská a lesnická univerzita v Brně, Zemědělská 1, 613 00 Brno, Česká republika
Pokud chce podnik obstát v dnešním konkurenčním prostředí trhu, je nutné, aby sledoval chování svých zákazníků. Za obchodní úspěch či neúspěch organizace odpovídají podnikoví manažeři, kteří proto musí získávat znalosti potřebné pro přijetí správného rozhodnutí. Tyto znalosti představují sofistikované informace ukryté v datech, která má podnik k dispozici. Uvádí se, že objem dat se v podniku zdvojnásobí v průměru každých pět let, což znamená, že v současné době již není problém data získat a uchovat, ale efektivně je zpracovat a využít jejich potenciál. Možností, jak zmiňované znalosti z dat získat, je využít prostředků tzv. dataminingu.
Článek se zabývá aplikací vybraných základních metod získávání znalostí z databází na oblast vztahu zákazníka a obchodu a prezentuje, jak získanou znalost využít s ohledem na vztah k řešenému problému - jako podklady pro manažerská rozhodnutí vedoucí ke zlepšení řízení vztahu se zákazníky. Konkrétně řeší predikci, jejímž cílem je na základě určitých vlastností zkoumaných objektů předpovědět budoucí chování objektů s těmito vlastnostmi. Takto získaná znalost, jakožto výstup predikce, pak může příslušné odpovědné osobě (podnikovému manažerovi) výrazně napomoci při plánování marketingových strategií, například tzv. křížového prodeje (snahy, jejichž účelem je navýšit objednávku zákazníka doporučením jiných produktů nabízených společností) a následného prodeje (aktivity, jejichž cílem je nabídnout zákazníkovi vyšší/pokročilejší a tedy i dražší model/verzi produktu). Příspěvek popisuje celý proces zpracování dostupných dat: od jejich čištění pomocí filtrů a různých funkcí nástroje MS Excel, přes jejich přípravu pro dolovací úlohu, po vlastní zpracování pomocí nástroje SAS Enterprise Miner. Pro dolování znalostí bylo použito regresní analýzy, neuronové sítě a rozhodovacího stromu, jejichž principy jsou v článku též stručně vysvětleny. Odhad chování zákazníka byl testován na dvou dolovacích úlohách lišících se v použití atributů a v počtu kategorií jednoho z prediktivních atributů. Výsledky těchto dvou úloh jsou konfrontovány pomocí grafů úspěšnosti predikce.
získávání znalostí z databází, datamining, predikce, zákazník, rozhodování, řízení
Prediction of customer behaviour through datamining assets
Business managers accounting for commercial success or non-success of the organization have to gain knowledge needful for correct decision acceptance. These knowledge represent sophisticated information hidden in enterprise data. One possibility, how to extract mentioned knowledge from data, is to use so-called datamining assets.
The paper deals with an application of chosen basic methods of knowledge discovering in databases for area of customer-provider relation and it presents, how to avail acquired knowledge as basis of managerial decisions leading to improving of customer relationship management. It solves prediction, whose aim is, on the basis of some attributes of exploring objects, to predict future behaviour of objects with these attributes. This way acquired knowledge, as the output of prediction, then can markedly help competent enterprise manager with planning of marketing strategies, for example so-called cross-selling and up-selling. The contribution describes a whole operation of available data processing: from its purifying, over its preparation for mining task, to self processing by the help of SAS Enterprise Miner tool. Regression analysis, neural network and decision tree, whose principles are briefly explained in this paper too, were used for knowledge mining. The estimation of customer behaviour was tested by two mining task varying in attribute using and in categories number of one of predicive attributes. The results of these two tasks are confronted by the help of prediction fruitfulness charts.
Keywords: knowledge discovery in databases, datamining, prediction, customer, decision process, control
Grants and funding:
Článek vznikl za podpory výzkumného záměru Provozně ekonomické fakulty Mendelovy zemědělské a lesnické univerzity v Brně MSM 6215648904/03/03/02 a projektu IG 180601/2102/116 s názvem Analýza a návrh využitelnosti prostředků dataminingu při monitorování interakcí subjektů účastnících se procesu obchodování.
Received: February 10, 2009; Published: October 14, 2014 Show citation
References
- BENJAMINI, Y., LESHNO, M., 2005: Statistical Methods For Data Mning. In: Maimon, O., Rokach, L. ed. The Data Mining and Knowledge Discovery Handbook. 1. vyd. New York: Springer, 565-587. ISBN 0-387-24435-2.
Go to original source... - BERKA, P., 2003: Dobývání znalostí z databází. 1. vyd. Praha: Academia, 368. s. ISBN 80-200-1062-9.
- CLEMENTE, M. N., 2004: Slovník marketingu. 1. vyd. Brno: Computer Press, 378 s. ISBN 80-251-0228-9.
- DOSTÁL, P., RAIS, K., SOJKA, Z., 2005: Pokročilé metody manažerského rozhodování. 1. vyd. Praha: Grada Publishing, 168 s. ISBN 80-247-1338-1.
- HAN, J., KAMBER, M., 2006: Data Mining Concepts and Techniques. 2. vyd. San Francisco: Morgan Kaufmann, 800 s. ISBN 1-55860-901-6.
- MELOUN, M., MILITKÝ, J., 2006: Kompendium statistického zpracování dat. 2. vyd. Praha: Academia, 984 s. ISBN 80-200-1396-2.
- NOVOTNÝ, O., POUR, J., SLÁNSKÝ, D., 2005: Business Intelligence: Jak využít bohatství ve vašich datech. 1. vyd. Praha: Grada Publishing, 256 s. ISBN 80-247-1094-3.
- PARR RUD, O., 2001: Data Mining Cookbook: Modeling Data for Marketing, Risk, and Customer Relationship Management. 1. vyd. New York: John Wiley & Sons, 367 s. ISBN 0-471-38564-6.
- ROKACH, L., MAIMON, O., 2005: Decision Trees. In: Maimon, O., Rokach, L. ed. The Data Mining and Knowledge Discovery Handbook. 1. vyd. New York: Springer, 165-192. ISBN 0-387-24435-2. Go to original source...
- SAS INSTITUTE INC., 2008: Data mining with SAS® Enterprise MinerTM [online]. poslední aktualizace: 2008 [cit 24. 11. 2008]. URL http://www.sas.com/technologies/analytics/datamining/miner/index.html.
- ZHANG, P. G., 2005: Neural Networks. In: Maimon, O., Rokach, L. ed. The Data Mining and Knowledge Discovery Handbook. 1. vyd. New York: Springer, 487-516. ISBN 0-387-24435-2. Go to original source...
This is an open access article distributed under the terms of the Creative Commons Attribution-NonCommercial-NoDerivatives 4.0 International License (CC BY NC ND 4.0), which permits non-comercial use, distribution, and reproduction in any medium, provided the original publication is properly cited. No use, distribution or reproduction is permitted which does not comply with these terms.