دانلود مقاله ISI انگلیسی شماره 102061
ترجمه فارسی عنوان مقاله

تقسیم بندی بازار از طریق داده کاوی: یک روش برای استخراج رفتار از یک مجموعه داده پر سر و صدا

عنوان انگلیسی
Market segmentation through data mining: A method to extract behaviors from a noisy data set
کد مقاله سال انتشار تعداد صفحات مقاله انگلیسی
102061 2017 46 صفحه PDF
منبع

Publisher : Elsevier - Science Direct (الزویر - ساینس دایرکت)

Journal : Computers & Industrial Engineering, Volume 109, July 2017, Pages 233-252

ترجمه کلمات کلیدی
تقسیم بندی بازار، خوشه بندی زمان سری، معاملات تحویل، رفتار تقاضا، داده کاوی، استخراج الگو،
کلمات کلیدی انگلیسی
Market segmentation; Time-series clustering; Delivery transactions; Demand behavior; Data mining; Pattern extraction;
ترجمه چکیده
ایده آل، جداسازی مشتریان در بخش ها از متغیرهای توصیفی برای تعیین انتظارات رفتار مشابه استفاده می کند. در برخی از حوزه ها، متغیرهای توصیفی در دسترس نیستند یا برای تشخیص تفاوت ها و شباهت بین مشتریان مناسب نیستند. نویسندگان این مسئله را با استفاده از روش های داده کاوی برای شناسایی الگوهای رفتاری در دادههای تحویل بار نویز حل کرد. الگوهای رفتاری نشان داده شده و تقسیم بندی بازار پس از آن برای تصمیم گیری استراتژیک مناسب است. روش تقسیم بندی پیشنهادی نشان می دهد که عملکرد بهتر نسبت به روش های سنتی در هنگام آزمایش بر روی مجموعه داده های مصنوعی و دنیای واقعی.
پیش نمایش مقاله
پیش نمایش مقاله  تقسیم بندی بازار از طریق داده کاوی: یک روش برای استخراج رفتار از یک مجموعه داده پر سر و صدا

چکیده انگلیسی

Ideally, separating customers into segments uses descriptive variables to identify similar behavior expectations. In some domains, however, descriptive variables are not available or are not adequate for distinguishing differences and similarities between customers. The authors solved this problem by applying data mining methods to identify behavior patterns in historical noisy delivery data. The revealed behavior patterns and subsequent market segmentation are suitable for strategic decision-making. The proposed segmentation method demonstrates improved performance over traditional methods when tested on synthetic and real-world data sets.