یک رویکرد مبتنی بر داده کاوی برای کانال بازاریابی یک شرکت

چکیده

کلمات کلیدی

1. مقدمه

شکل 1. فرایند CRISP-DM

2. شبکه های کوهونن

شکل 2. توپولوژی از یک SOM ساده

3. کاربرد

3.1 درک داده ها

شکل 3. نمودار وب وضعیت تحصیلی و انتظارات از تولید کننده

شکل 4. نمودار وب وضعیت تحصیلی و ارتباط با تولید کننده

3.2 فاز آماده سازی داده ها

جدول 1. خوشه های SOM

3.3 القا درخت تصمیم

جدول 2. دقت مدل

4. نتایج

شرکت ها به منظور داشتن مزیت رقابتی در یک بخش صنعت، باید داده های بازاریابی را جمع آوری و تحلیل کنند. هدف از این تحقیق استخراج دانش از کانال بازاریابی یک شرکت بین المللی به منظور بهبود کارآیی سیستم بازاریابی است. از فرایند استاندارد میان صنعتی داده کاوی (CRISP-DM) برای تحلیل داده های نظرسنجی استفاده می شود. داده ها با استفاده از نقشه خود سازمان ده Kohonen(SOM) برای کاهش ویژگی ها، خوشه بندی می شوند. تحلیل کشف ناهنجاری انجام می شود. ما یک مدل درخت تصمیم (DT)C5.0 را برای پیش بینی شکایات شرکت های کانال بازاریابی با دقت بسیار بالا تولید کردیم. قوانین تصمیم گیری هم استخراج شده اند.

یک کانال بازاریابی که محصولات و خدمات یک شرکت را به مصرف کنندگان ارائه می دهد، یکی از عوامل حیاتی موفقیت در یک سیستم بازاریابی برای رسیدن به اهداف بازاریابی است. اگر شرکت شناخت خوبی از کانال بازاریابی خود نداشته باشد، نمی تواند آن را اداره کند. در وهله نخست، شرکت باید داده ها را از کانال بازاریابی اش جمع آوری کند. شرکت باید داده ها را به طور جدی تجزیه و تحلیل کند تا در بخش مورد نظر از مزیت رقابتی برخوردار باشد. داده کاوی (DM)، که به معنای فرایند جستجوی خودکار حجم زیاد داده ها به منظور استخراج دانش از آنها در یک ساختار قابل درک برای انسان است، به تحلیل گران کمک می کند تا روابط درون داده ها را شناسایی کنند. استفاده از تکنیک های DM برای داده های بازاریابی به منظور یافتن الگوهای پنهان و قبلا ناشناخته در مجموعه داده های عظیم بسیار مفید است، در این حالت الگوها بهتر قابل تعریف خواهند بود. از این طریق، DM به یافتن دانش مهم از کانال بازاریابی کمک می کند. دانش بدست آمده از نظر رقابت و بهبود بازاریابی و تولید برای شرکت، دارای اهمیت استراتژیک است. به این خاطر که دانش بدست آمده می تواند به بهبود ارتباط بین کانال بازاریابی و شرکت از طریق کنترل بهتر فرایندها و آگاهی یافتن از جزئیات در مورد آنها کمک کند. یک نوع مهم دانش که می تواند از داده کاوی بدست آید، درخت تصمیم (DT) است. درخت تصمیم از داده های فعلی برای طبقه بندی داده های آتی ساخته می شود. DTs یک روش موثر برای طبقه بندی ورودی مجموعه داده ها است و می تواند قابلیت های پشتیبانی از تصمیم خوب را ارائه کند.DTs دارای چندین مزیت نسبت به سایر روش های داده کاوی هستند از جمله قابل تفسیر بودن توسط انسان، به خوبی سازمان یافته بودن، از نظر محاسباتی ارزان بودن، و قابلیت رسیدگی به داده های پرسروصدا داشتن.با توجه به این محاسن، DTs احتمالا محبوب ترین روش کاوش و استخراج است. مطالعات متعددی در زمینه بازاریابی وجود دارند که از درخت های تصمیم استفاده می کنند (DTs)[2, 3, 4, 5, 6, 7, 8, 9]. از میان روش های داده کاوی، تحلیل خوشه ای به طبقه بندی داده ها کمک می کند. تحلیل خوشه ای به دنبال به حداکثر رساندن واریانس های بین گروهی و به حداقل رساندن واریانس های درون گروهی هستند، از جمله هر دو روش سلسله مراتبی و غیرسلسله مراتبی. در ادبیات، SOM کوهونن یکی از روش های به کار رفته برای کاهش ابعاد است. Malone et alیک SOM آموزش دیده است (نقشه خود سازمان ده) که اطلاعات اولیه را برای استخراج قوانین فراهم می کند که مرزهای خوشه ای را توصیف می کند.Wang et al[12]از یک SOM برای تحلیل الگو و از یک سیستم استنتاج فازی برای کنترل روند آشفته به منظور ارائه پیش بینی های بلند مدت (روزانه) و کوتاه مدت (ساعتی) روند ترافیک وب استفاده کردند. Fessant et al از SOMs کوهونن استفاده کردند و نشان دادند چگونه استخراج داده های اندازه گیری شبکه می توانند الگوهای استفاده از مشتریان ADSL را نشان دهند.Maiorana یک روش انتخاب ویژگی را براساس یک الگوریتم خوشه بندی متعلق به خانواده SOM کوهونن پیشنهاد کردند.Gomez-Carracedo et al از SOMs برای اجرای تشخیص الگو در چهار مجموعه داده نمونه های خاک کنار جاده که در چهار فصل نمونه گیری طی یک دوره یک ساله بدست آمدند، استفاده کردند. آنها از CART به عنوان یک مرحله انتخاب متغیر هدف پیش از گروه بندی SOM استفاده کردند. Eshghi et al سه روش خوشه بندی را مقایسه کردند: روش های خوشه بندی سنتی، نقشه های کوهونن و مدل های طبقه پنهان. Nohuddin et al]17[ روشی را معرفی کردند که از روش های SOM و الگو کاوی مکرر برای شناسایی، گروه بندی و تحلیل روندها در ترتیبی از شبکه های اجتماعی با برچسب زمانی (time-stamped) به منظور شناسایی روندهای جالب استفاده می کند.در سال های اخیر، روش SOM کوهونن در بازاریابی استفاده شده است [18, 19, 20, 21, 22]. در این تحقیق، ما از CRISP-DM استفاده می کنیم که در سال 1996 توسط تحلیل گران نشان دهنده DaimlerChrysler، SPSS و NCR تهیه و تدوین شد. CRISP یک فرایند استاندارد غیرتخصصی و در دسترس برای گنجاندن DM در استراتژی عمومی حل مسئله یک واحد پژوهشی یا کسب و کار ارائه می کند.طبق CRISP-DM، که در شکل 1 نشان داده شده است، یک پروژه DM دارای یک چرخه عمر متشکل از 6 مرحله است.ترتیب مرحله سلسله وار است.یعنی، مرحله بعد در توالی به نتایج مرتبط با مرحله قبل وابسته است [23]. در مرحله آماده سازی داده ها، ابتدا، تحلیل کشف ناهنجاری را انجام دادیم که برای کاهش تعداد رکوردها در یک مجموعه داده استفاده شد. علاوه بر این، ویژگی های مهم را با SOMs کوهونن به عنوان یک روش کاهش بعد به منظور کاهش ویژگی ها تعیین کردیم. گرچه بسیاری از روش های مختلف می توانستند در این مطالعه به کار برده شوند، مثلا، PCA، تحلیل عاملی و تحلیل ارتباط ویژگی، اما ما از شبکه های کوهونن (KNs) به دلیل قدرت نقشه های کوهون یعنی توانایی شان برای مدل سازی روابط غیرخطی بین داده ها برای خوشه بندی استفاده کردیم. نقشه کوهونن یکی از مدل های اصلی شبکه عصبی مصنوعی است. نقشه های کوهونن ابزار مفیدی برای مدل های DM با مجموعه داده های بزرگ هستند. داده های با ابعاد بالا به یک طرح بازنمایی با ابعاد پایین تر که به راحتی قابل درک باشد، منتقل می شوند. علاوه بر این، نقشه های کوهونن را می توان برای پردازش متغیرهای کیفی و همچنین متغیرهای کمی به کار برد[24]. القای DT مرحله مدل سازی در فرایند پیش بینی است و شامل تعیین DTs برای تعمیم طبقات رفتار شبکه قبلا تعریف شده می شود. درک DTs راحت تر است و از یک سطح دقت قابل قبولی برخوردار هستند. چندین مزیت DTs به عنوان یک ابزار طبقه بندی در ادبیات (کتب و مقالات علمی) ارائه شده است [25]. در این تحقیق، یک C5.0 DT برای داده های پیش پردازش شده به منظور پیش بینی شکایات شرکت های کانال بازاریابی در مورد شرکت بین المللی شان به کار برده شده است. قوانین تصمیم استخراج می شوند. مدیران شرکت به راحتی می توانند این قوانین را درک کنند و رفتار آتی شرکت کانال بازاریابی را پیش بینی کنند. این مقاله بصورت زیر مرتب شده است. شبکه کوهونن (KN) در بخش 2 معرفی می شود. بخش 3 جزئیات این برنامه را ارائه می دهد. در بخش 4 نتیجه گیری صورت گرفته است.