تلفن: 04142273781

ترجمه مقاله خوشه بندی داده های مشتری با استفاده از تکنیک داده کاوی – نشریه CiteSeerX

عنوان فارسی: خوشه بندی داده های مشتری با استفاده از تکنیک داده کاوی
عنوان انگلیسی: CUSTOMER DATA CLUSTERING USING DATA MINING TECHNIQUE
تعداد صفحات مقاله انگلیسی : 11 تعداد صفحات ترجمه فارسی : 10
سال انتشار : 2011 نشریه : CiteSeerX
فرمت مقاله انگلیسی : PDF فرمت ترجمه مقاله : ورد تایپ شده
کد محصول : 7302 رفرنس : دارد
محتوای فایل : zip حجم فایل : 0.98Mb
رشته های مرتبط با این مقاله: مهندسی صنایع و مدیریت
گرایش های مرتبط با این مقاله: داده کاوی و مدیریت دانش
مجله: مجله بین المللی سیستم های مدیریت پایگاه داده
دانشگاه: نیوآرک، ایالات متحده آمریکا
کلمات کلیدی: داده کاوی، خوشه بندی مشتری و I-Miner
وضعیت ترجمه عناوین تصاویر و جداول: ترجمه شده است
وضعیت ترجمه متون داخل تصاویر و جداول: ترجمه شده است
ترجمه این مقاله با کیفیت عالی آماده خرید اینترنتی میباشد. بلافاصله پس از خرید، دکمه دانلود ظاهر خواهد شد. ترجمه به ایمیل شما نیز ارسال خواهد گردید.
فهرست مطالب

چکیده

1.مقدمه

2. زمینه تحقیقاتی

3. داده کاوی و روشهای خوشه بندی

3.1 روشهای خوشه بندی

3.2 خوشه بندی مشتری

3.3 معماری ارائه شده

4. آزمایشات و نتایج

5.نتیجه گیری و قلمرو آینده

5.1 قلمرو آینده

نمونه متن انگلیسی

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.

نمونه متن 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.