دانلود ترجمه مقاله بخش بندی مشتریان در مجموعه داده شرکت بیمه

1. مقدمه 2. مروری بر مقالات 3. مجموعه داده 4. پیش زمینه 4.1. مشخص کردن گرایش دسته بندی داده 4.2. الگوریتم K-میانگین 4.3. روش آرنج، برای انتخاب تعداد دسته ها (K) 4.4. نقشه های خود-سازمانی (SOM) 5. آزمایش 1:دسته بندی با استفاده از K –میانگین 5.1. اجرای آزمایش 5.2. ارزیابی 5.3. تحلیل 6. آزمایش دو: نقشه خود-سازمانی (SOM) و K-میانگین 6.1. اجرا 6.2. ارزیابی 6.3. تحلیل 6.4. نتایج 7. نتیجه گیری و مطالعات آتی

چکیده – بخش بندی مشتریان، مفهومی مهم، برای طراحی کمپین های بازاریابی است تا با استفاده از آن بتوان کسب و کار را بهبود بخشیده و درآمد را افزایش داد. الگوریتم های دسته بندی می تواند به متخصصان بازاریابی، برای حصول این هدف کمک کند. رشد سریع مجموعه داده هایی با ابعاد بالا و هم چنین انبارهای داده ، همانند مدیریت رابطه مشتری (CRM)، نیاز، برای تکنیک های تحلیل پیشرفته داده را به وضوح نشان می دهد. در این مقاله، الگوریتم های تحلیل مختلف داده را به خصوص SOM و K-میانگین، با استفاده از مجموعه داده TIC CRMبررسی می کنیم. در حالی که K-میانگین، توانسته نتایج نویدبخشی در زمینه دست به بندی از خود بروز دهد، SOM در جنبه های زیر، عملکرد بهتری از آن داشته است: سرعت، کیفیت دسته بندی و مصورسازی. هم چنین درباره نحوه کارآمد بودن هر دو تکنیک تحلیل بخش سازی، در مطالعه علایق مشتریان نیز به بحث و بررسی می نشینیم. هدف مقاله در دست، ارائه اثبات مفهوم (برپایه انتشار کم داده)، درباره نحوه استفاده تحلیل گر کلان داده، در بخش بندی مشتریان می باشد مقدمه: امروزه شرکت ها به صورت مستمر، برای افزایش توان رقابتی خود تلاش می کنند. در دسترس بودن کلان داده ، برای مدیریت رابطه مشتری (CRM) و انبارهای داده، با ابعاد بالا، نیاز، برای استفاده از فناوری های پیشرفته داده کاوی، افزایش فاحشی بافته است. استفاده از الگوریتم های داده کاوی می تواند به کسب و کار ما کمک کند تا دانش های جذابی را در داده های مشتریان (هم از لحاظ جمعیت شناسی و هم از لحاظ رفتاری) بیابند و پس از آن، مسئولیت متخصصان بازاریابی است تا از این بینش ها، در طراحی کمپین های بازاریابی شرکت، برای پاسخ گویی به علایق مشتریانشان استفاده نمایند. مجموعه داده های شرکت بیمه (TIC) که در این مقاله به کاوش آن می پردازیم، در چالش COIL 2000 استفاده شده است. هدف این چالش، پیش بینی مشتریانی است که به سیاست بیمه کاروان علاقه دارند.

Customers’ Segmentation is an important concept for designing marketing campaigns to improve businesses and increase revenue. Clustering algorithms can help marketing experts to achieve this goal. The rapid growth of high dimensional databases and data warehouses, such as Customer Relationship Management (CRM), stressed the need for advanced data analytics techniques. In this paper we investigate different data analytics algorithms, specifically K-Means and SOM, using the TIC CRM dataset. While K-Means has shown promising clustering results, SOM has outperformed in the sense of: speed, quality of clustering, and visualization. Also we discuss how both techniques segmentation analysis can be useful in studying customer’s interest. The purpose of this paper is to provide a proof of concept (based on a small publicity of data) of how big data analytics can be used in customer segmentation. Introduction: Companies nowadays are continuously working to increase their competitiveness. The availability of big data for Customer Relationship Management (CRM) and data warehouses, with high dimensions, the need to use data mining advanced technologies has been increasing significantly. The usage of data mining algorithm might help businesses to find interesting knowledge in its customer’s data both demographic and behavioral then it is the marketing experts’ responsibility to use these insights in designing the company marketing campaigns to fulfill customer’s interests. The insurance company dataset (TIC), which we mine in this paper, was used in the COIL 2000 challenge. The goal of the challenge was to predict customers who are interested in a caravan insurance policy.

بخشی از ترجمه مقاله (صفحه 13 فایل ورد ترجمه)