دانلود ترجمه مقاله کشف الگوهای تازگی، فراوانی و پولی (RFM) از داده های مربوط به خرید مشتری

1. مقدمه 2. کارهای مرتبط 3. تعریف مسئله 4. الگوریتم 5. ارزیابی پارامتر 6. نتیجه گیری

چکیده – به دنبال توسعه رونق تجارت الکترونیک (EC)، بسیاری از خرده فروشان نیز سیستم های اطلاعات مبتنی بر وب را به منظور در دست گرفتن حجم عظیمی از تراکنش ها در اینترنت توسعه داده اند. این سیستم ها می توانند به طور اتوماتیک داده ها را از تاریخچه مرورگر گرفته و خرید تک تک مشتریان را مشخص کنند. این توانایی، موجب توسعه کاربردهای داده کاوی شده است. کاوش ترتیبی الگو (SPM) یک متد داده کاوی مفید برای کشف الگوهای خرید مشتری در گذر زمان است. ما محدودیت های تازگی، فراوانی و پولی (RFM) که در مکتوبات گذشته بازاریابی آورده شده است را برای تعریف الگوی خطی RFM و توسعه الگوریتمی جدید برای تولید همه الگوهای ترتیبی RFM از داده خرید مشتری ترکیب کرده ایم. با استفاده از این الگوریتم ، یک چارچوب تقسیم بندی الگو برای تولید اطلاعات ارزشمند در رفتار خرید مشتری برای تصمیم گیری های مدیریتی ارائه کرده ایم. آزمایشات وسیعی با استفاده از پایگاه داده ترکیبی انجام شده است و یک مجموعه داده تراکنشی که توسط یک زنجیره خرده فروشی در تایوان بدست آمده، برای ارزیابی الگوریتم پیشنهادی و شرح تجربی مزایای استفاده از الگوهای ترتیبی RFM در تحلیل داده های خرید مشتری استفاده کرده ایم.

a b s t r a c t In response to the thriving development in electronic commerce (EC), many on-line retailers have developed Web-based information systems to handle enormous amounts of transactions on the Internet. These systems can automatically capture data on the browsing histories and purchasing records of individual customers. This capability has motivated the development of data-mining applications. Sequential pattern mining (SPM) is a useful data-mining method to discover customers’ purchasing patterns over time. We incorporate the recency, frequency, and monetary (RFM) concept presented in the marketing literature to define the RFM sequential pattern and develop a novel algorithm for generating all RFM sequential patterns from customers’ purchasing data. Using the algorithm, we propose a pattern segmentation framework to generate valuable information on customer purchasing behavior for managerial decision-making. Extensive experiments are carried out, using synthetic datasets and a transactional dataset collected by a retail chain in Taiwan, to evaluate the proposed algorithm and empirically demonstrate the benefits of using RFM sequential patterns in analyzing customers’ purchasing data.

بخشی از ترجمه مقاله (صفحه 1 و 2 فایل ورد ترجمه)