Kombinovana primena hijerahijskih i nehijerarhijskih metoda klasterizacije u cilju segmentacije kupaca u jednom trgovinskom lancu

Goran Bjelobaba, Ana Milan Savić, Stefana Janićijević, Hana Stefanović

Sažetak


U ovom radu primenjene su hijerarhijske i nehijerarhijske metode klaster analize, u cilju utvrđivanja relativno homogenih grupa kupaca u jednom trgovinskom lancu tokom prethodnih pet godina. Nakon izdvajanja objekata i određenih atributa iz SQL Server baze podataka i određivanja skupa relevantnih varijabli koje će reprezentovati obeležja grupe, primenjen je K-means algoritam u MATLAB programskom okruženju, a kao mera sličnosti korišćen je kvadrat Euklidskog rastojanja. Na osnovu analize ukupnog broja kupljenih artikala, frekvencije kupovina, ukupnog prometa po kupcu i broja kontaktiranja kompanije prema kupcu, predložen je broj klastera, koji je tokom izvršavanja algoritma fiksan, a u cilju detekcije razdvojenosti i kompaktnosti klastera, korišćen je Silhouette indeks. Korišćeno je fiksno pet klastera, a takođe je primenjen i hijerarhijski metod, da bi se postavljanjem granice na dendrogramu validirao pretpostavljeni broj klastera, a čime se takođe može eliminisati i problem uticaja slučajnog izbora početnog položaja centroida pri izvršavanju K-means algoritma. Dobijeni rezultati mogu se koristiti u smislu planiranja prodajnih kampanja, optimizacije troškova marketinga, predlaganja novih programa lojalnosti, u cilju boljeg razumevanja potrošačkog ponašanja, kao i pravljenja posebnih planova poslovnih aktivnosti za svaki klaster pojedinačno.

Ključne reči


dendrogram; klaster analiza; K-means algoritam; segmentacija tržišta; Silhouette indeks

Reference


T. Hastie, R. Tibshirani, and J. Friedman, The elements of statistical learning: Data Mining, Inference, and Prediction, 2nd ed., Springer, 2009., A. Agresti, Categorical Data Analysis, 2nd ed., Wiley, New York, 2002. , T. Anderson, An Introduction to Multivariate Statistical Analysis, 3rd ed., Wiley, New York, 2003. , C. Bishop, Pattern Recognition and Machine Learning, Springer, New York, 2006. , A. K. Jain, “Data clustering: 50 years beyond K-means”, Pattern Recogn. Lett. 31, 2010, pp. 651-666. , M. E. Celebi, H. A. Kingravi, and P. A. Vela, “A comparative study of efficient initialization methods for the k-means clustering algorithm”, Expert Syst. Appl., 2013, pp. 200-210. , R. Tibshirani, G. Walther, and T. Hastie, “Estimating the number of clusters in a dataset via the gap statistic”, Journal of the Royal Statistical Society, 2001, Series B. 32(2) pp. 411–423. , H. Stefanović, R. Veselinović, G. Bjelobaba, A. Savić, “An adaptive car number plate image segmentation using K-means clustering”, Proceedings of Int. Scientific Conference on Information Technology and Data Related Research-SINTEZA 2018, 2018, pp. 74-78. , Z. Wang, Z. Xu, S. Liu, and Z. Yao, “Direct clustering analysis based on intuitionistic fuzzy implication”, Applied Soft Computing 23, 2014, pp. 1-8. , T. Kanungo, D. M. Mount, N. S. Netanyahu, C. D. Piatko, R. Silverman, and A. Y. Wu, “An efficient kmeans clustering algorithm: Analysis and implementation”, IEEE Trans. Pattern Anal. Mach. Intell. 24(7), 2002, pp. 881–892. , J. Nayak, D.P. Kanungo, B. Naik, and H.S. Behera, “Evolutionary improved swarm-based hybrid K-means algorithm for cluster analysis”, Proceedings of Int. Conf. on Computer and Communication Technologies, Springer, New Delhi, 2016, pp. 343-352. , C. McDaniel and R. Gates, Marketing Research, 10th ed, John Wiley & Sons, 2014. , C.-H. Cheng and Y.-S. Chen, “Classifying the segmentation of customer value via RFM model and RS theory”, Expert Systems with Applications 36, 2009, pp. 4176–4184. , https://www.mathworks.com/help/stats/silhouette.html , https://www.mathworks.com/help/stats/dendrogram.html


Ceo tekst: PDF

Povratni linkovi

  • Trenutno nema povratnih linkova


Copyright ⓒ 2013 ..: Visoka škola za poslovnu ekonomiju i preduzetništvo - Beograd :..