توضیحات کامل :

ترجمه مقاله خوشه بندی داده های مشتری با استفاده از تکنیک داده کاوی در 10 صفحه فارسی ورد قابل ویرایش با فرمت doc به همراه اصل مقاله انگلیسی



عنوان فارسی :

خوشه بندی داده های مشتری با استفاده از تکنیک داده کاوی

عنوان انگلیسی :

CUSTOMER DATA CLUSTERING USING DATA MINING TECHNIQUE

تعداد صفحات فارسی : 10 صفحه ورد قابل ویرایش

سطح ترجمه : متوسط

شناسه کالا : y2161

دانلود رایگان مقاله انگلیسی : http://ofmas.ir/dlpaper/y2161.pdf

دانلود ترجمه فارسی مقاله : بلافاصله پس از پرداخت آنلاین 14 هزار تومان قادر به دانلود خواهید بود .


بخشی از ترجمه :


چکیده
دسته و استخراج الگوها از بین داده های مشتری، برای حمایت بازرگانی و تصمیم گیری، بسیار حائز اهمیت محسوب میشود. شناسایی به موقع روندهای تازه پدید آمده، در فرایند بازرگانی بسیار حائز اهمیت است. شرکتهای بزرگ دارای حجم داده ی بسیار بزرگ هستند اما در عین حال تشنه ی دانش هستند. برای غلبه بر مساله ی کنون سازمان، نوع جدیدی از تکنیک لازم است که دارای هوش و قابلیت لازم برای حل کمیابی دانش باشد و این تکنیک، داده کاوی نامیده میشود. اهداف این مقاله، شناسایی سود مشتریان با سود بالا، ارزش بالا و خطر پایین با یکی از تکنیک های داده کاوی است- موسوم به خوشه بندی داده. در فاز اول، پاکسازی داده ها و گسترش الگوها از طریق الگوریتم خوشه بندی دموگرافی با استفاده از IBM I-Miner میباشد. در فاز دوم پروفایل کردن داده ها ، گسترش خوشه ها و شناسایی مشتریان با ارزش بالا خطر پایین میباشد. این خوشه، بعضا 20-10 درصد مشتریانی را نشان میدهد که 80 درصد درامد را بدست می آورند.






Abstract

Classification and patterns extraction from customer data is very important for business support and decision making. Timely identification of newly emerging trends is very important in business process. Large companies are having huge volume of data but starving for knowledge. To overcome the organization current issue, the new breed of technique is required that has intelligence and capability to solve the knowledge scarcity and the technique is called Data mining. The objectives of this paper are to identify the high-profit, high-value and low-risk customers by one of the data mining technique -   customer clustering. In the first phase, cleansing the data and developed the patterns via demographic clustering algorithm using IBM I-Miner. In the second phase, profiling the data, develop the clusters and identify the high-value low-risk customers. This cluster typically represents the 10-20 percent of customers which yields 80% of the revenue.