Metrika

  • citati u SCIndeksu: 0
  • citati u CrossRef-u:0
  • citati u Google Scholaru:[]
  • posete u poslednjih 30 dana:11
  • preuzimanja u poslednjih 30 dana:8

Sadržaj

članak: 2 od 119  
Back povratak na rezultate
2019, vol. 7, br. 1, str. 61-72
Kombinovana primena hijerahijskih i nehijerarhijskih metoda klasterizacije u cilju segmentacije kupaca u jednom trgovinskom lancu
aNarodna banka Srbije + Univerzitet u Beogradu, Fakultet organizacionih nauka
bVisoka škola elektrotehnike i računarstva, Beograd
cVisoka škola strukovnih studija za IT, Beograd

e-adresagoran.bjelobaba@nbs.rs, ana.savic@viser.edu.rs, stefana.janicijevic@its.edu.rs, hana.stefanovic@its.edu.rs
Ključne reči: dendrogram; klaster analiza; K-means algoritam; segmentacija tržišta; Silhouette indeks
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.
Reference
Agresti, A. (2002) Categorical Data Analysis. New York: John Wiley & Sons, Inc, 2nd ed
Anderson, T. (2003) An Introduction to Multivariate Statistical Analysis. New York: Wiley, 3rd ed
Bishop, C. (2006) Pattern Recognition and Machine Learning. New York: Springer
Celebi, M.E., Kingravi, H.A., Vela, P.A. (2013) A comparative study of efficient initialization methods for the k-means clustering algorithm. Expert Systems with Applications, 40(1): 200-210
Hastie, T., Tibshirani, R., Friedman, J. (2009) The elements of statistical learning: Data Mining, Inference, and Prediction. Springer, 2nd ed
Jain, A.K. (2010) Data clustering: 50 years beyond K-means. Pattern Recognition Letters, 31(8): 651-666
Kanungo, T., Mount, D.M., Netanyahu, N.S., Piatko, C.D., Silverman, R., Wu, A.Y. (2002) An efficient k-means clustering algorithm: Analysis and implementation. IEEE Transactions on Pattern Analysis and Machine Intelligence, 24(7): 881-892
Mcdaniel, C., Gates, R. (2014) Marketing Research. John Wiley & Sons, 10th ed
Nayak, J., Kanungo, D.P., Naik, B., Behera, H.S. (2016) Evolutionary Improved Swarm-Based Hybrid K-Means Algorithm for Cluster Analysis. u: Int. Conf. on Computer and Communication Technologies, Springer, New Delhi, Proceedings of, 343-352
Stefanović, H., Veselinović, R., Bjelobaba, G., Savić, A. (2018) An Adaptive Car Number Plate Image Segmentation Using K-Means Clustering. u: Int. Scientific Conference on Information Technology and Data Related Research-SINTEZA 2018, Proceedings of, 74-78
Tibshirani, R., Walther, G., Hastie, T. (2001) Estimating the number of clusters in a data set via the gap statistic. Journal of the Royal Statistical Society: Series B (Statistical Methodology), 63(2): 411-423
Wang, Z., Xu, Z., Liu, S., Yao, Z. (2014) Direct clustering analysis based on intuitionistic fuzzy implication. Applied Soft Computing, 23: 1-8
 

O članku

jezik rada: srpski
vrsta rada: neklasifikovan
DOI: 10.5937/trendpos1901061B
objavljen u SCIndeksu: 29.07.2019.
Creative Commons License 4.0