Регистрация / Вход
Прислать материал

Нечеткие модели Data Mining в менеджменте

Сведения об участнике
ФИО
Казанкова Олеся Дмитриевна
Вуз
Федеральное государственное бюджетное образовательное учреждение высшего профессионального образования "Уральский государственный экономический университет"
Тезисы (информация о проекте)
Область наук
Математика. Механика
Раздел области наук
Математика
Тема
Нечеткие модели Data Mining в менеджменте
Резюме
У администраторов интернет-магазинов скапливается достаточно информации, чтобы моментально откорректировать результаты сегментации клиентов, а также в режиме реального времени обратиться к клиенту со специальным предложением и индивидуальной скидкой. При этом сегментация, проведенная по традиционной схеме, на наш взгляд, не всегда точна, эффективна и не наилучшим образом подходит для реализации задач отдела маркетинга в инновационном процессе.
Объектом исследования является сфера электронной торговли, а предметом - нечеткая сегментация клиентов интернет-магазинов.
Ключевые слова
Нечеткие модели, DataMining, аппарат нечеткой логики, нечеткая сегментация, нечеткая сегментация клиентов интернет - магазинов
Цели и задачи
Цель работы: разработать модель сегментации клиентов с помощью такого метода Data Mining, как нечеткая логика, и на примере показать, как можно произвести уточненный расчет индивидуальных скидок для клиентов интернет - магазинов.
Основными задачами работы являются:
 рассмотреть понятие Data Mining, основные методы, задачи, сферы применения;
 рассмотреть такую сферу применения, как электронная коммерция, понятие и сущность интернет-магазинов;
 дать определение понятию «сегментация», как основной задачи Data Mining в электронной торговле;
 рассмотреть процесс сегментации клиентов;
 выделить основные критерии сегментации;
 определить понятие «нечеткой сегментации» клиентов и рассмотреть основные преимущества нечеткой модели;
 изучить аппарат нечёткой логики, как метода Data Mining;
 построить модель сегментации клиентов и на примере рассчитать индивидуальные скидки клиентов;
 подвести итоги исследования, сделать выводы;
 привести примеры использования данного метода в других направлениях и сферах.
Введение

Мы живем в веке инноваций и новых технологий. На человека каждый день обрушивается огромный поток информации. Трудно переоценить значение данных, которые мы непрерывно собираем в процессе нашей деятельности.

Без продуктивной переработки потоки сырых данных образуют никому не нужную свалку. Нужно уметь трансформировать "сырые" данные в полезную для принятия важных бизнес-решений информацию. В этом и состоит основное предназначение технологий Data Mining.

Одной из основных сфер применения этой технологии является сфера электронной коммерции. С помощью Data Mining решаются задачи сегментации клиентов интернет-магазинов.

И в работе будет построена нечеткая модель сегментации клиентов  и произведен уточненный расчет индивидуальных скидок.

Методы и материалы

В данной работе используется такой метод DataMining, как нечеткая логика. С помощью нечетких множеств, функций принадлежности, аппарата нечеткой логики построена модель и произведена более "естественная" сегментация клиентов интернет-магазинов.

К преимуществам нечёткой модели сегментации можно отнести то, что она позволяет использовать нечисловые характеристики. И как результат, в модель можно включать количественные и качественные показатели.

Нечёткие методы сегментации позволяют одному и тому же объекту принадлежать одновременно нескольким сегментам, но с различной степенью. Помимо этого, в одном сегменте могут находиться несколько объектов, хотя не всегда корректно относить их к одному классу, поскольку они занимают разные позиции. Одни объекты могут иметь ярко выраженную принадлежность, другие относиться к более слабым позициям.

Нечеткие, качественные оценки позволяют значительно расширить традиционные методы математического моделирования.

Понятие нечеткого множества появилось в научной литературе благодаря работе ученого из США Лотфи Заде. Он ввел несколько понятий, такие как лингвистическая переменная, лингвистическое значение, лингвистическое терм-множество, функция принадлежности.

А для определения доли принадлежности результатов бизнес-единицы к определенному сегменту используется компенсирующий оператор пересечения, предложенный немецким ученым Х. Циммерманом, исследовавшим возможности применения нечеткой логики в экономических задачах.

Описание и обсуждение результатов

В данной работе были рассмотрены понятие и сущность электронной коммерции, сегментации клиентов, процесса сегментации, выделены основные критерии, определена нечеткая сегментация и изучен аппарат нечеткой логики для того чтобы разработать модель сегментации клиентов интернет - магазинов с помощью такого метода Data Mining, как нечеткая логика, и произвести расчет индивидуальных скидок.

Взяв для примера группу показателей: оборот клиента и лояльность и построив традиционную «четкую» диаграмму, замечено, что нельзя точно описать положение каждого клиента. В сегменте "Идеальный клиент" оказались результаты 1 клиента, но он находится практически на границе двух сегментов. И в сегменте не инвестируемых клиентов находятся результаты двух клиентов, но их нельзя назвать равными, так как они занимают совершенно разные позиции.

Используя аппарат нечеткой логики, все клиенты были разнесены по сегментам в процентном отношении.

При  построении модели сегментации в первую очередь необходимо изобразить четкую модель в двухмерном виде, затем задать лингвистические переменные, их значения и построить их функции принадлежности. Далее определить все функции принадлежности для каждого сегмента, занести их в таблицу и рассчитать принадлежность каждой бизнес - единицы к каждому сегменту при помощи компенсирующего оператора Циммермана.

Первый клиент на 70% относится к "идеальному клиенту", а на 30% к клиентам, у которых необходимо увеличивать лояльность. А третий клиент на 70% к не инвестируемым клиентам, но есть 30% принадлежности к сегменту, где необходимо увеличивать оборот. По этим процентам уже можно сделать выводы и рассчитывать индивидуальные скидки каждого клиента.

Затем приведен пример оптимального расчета индивидуальных скидок, который поможет увеличивать оборот и лояльность клиентов, стимулировать их для последующих покупок.

Данную модель нечеткой сегментации можно использовать во многих направлениях. И в работе также приведены и другие направления её использования.

 

Используемые источники
1. Технологии управления знаниями. Data Mining: [Электронный ресурс]. - Режим доступа: https://sites.google.com/site/upravlenieznaniami/tehnologii-upravlenia-znaniami/data-mining
2. Штовба С.Д. Введение в теорию нечетких множеств и нечеткую логику: [Электронный ресурс]. - Режим доступа: http://matlab.exponenta.ru/fuzzylogic/book1/1.php
3.Пегат А. Нечеткое моделирование и управление [Текст] Учебное издание. - Москва: Издательство "Бином.Лаборатория знаний" - 2013.
4. Пример сегментации деловых (b2b) рынков: [Электронный ресурс]. - Режим доступа: http://powerbranding.ru/segmentirovanie/rynok-b2b-primer/
5. Лекция 11: Интеллектуальные задачи в экономике. Нечёткие нейронные сети: [Электронный ресурс]. - Режим доступа: http://www.intuit.ru/studies/courses/3735/977/lecture/14689?page=2
Information about the project
Surname Name
Kazankova Olesya
Project title
Fuzzy models Data Mining in management
Summary of the project
Administrators online stores accumulated enough information to immediately correct the results of customer segmentation, as well as real-time address to the client with special offers and individual discounts. This segmentation is carried out by traditional way, in our opinion, it is not always accurate, effective and not well suited for the implementation of the tasks of the marketing department in the innovation process.
The object of research is in the area of ​​electronic commerce, and the subject - fuzzy segmentation of customers of online shops
Keywords
Fuzzy models, DataMining, fuzzy segmentation, fuzzy segmentation customer Internet - shops