Klientide ebalojaalseks muutumise ennetamine ja klientide hoidmine tuginedes personaliseeritud soovitussüsteemile supermarketites
Nimi
Prashanth Parthiban
Kokkuvõte
Ebalojaalsed kliendid on olnud jaemüüjatele võtmetähtsusega saamata jäänud
müügitulu valdkonnas, eriti kui see puudutab internetivälist kaubandust. Kuna
kliendid ei ole seotud lepingutega, siis nad sageli otsustavad konkurentide kasuks, sest konkurendid pakuvad erinevaid soodustusti ja stiimuleid.
Selleks, et selliseid juhtumeid piirata, pakutakse välja raamistik, milles identifitseeritakse kliendid, kes muutvad ebalojaalseteks 3 kuni 6 kuu jooksul, tunduvalt varem järelvalvega masinõppe lähenemisega (Supervised Machine Learning Approach).
Kui ebaloojalsed kliendid tuvastatakse, luuakse soovitussüsteem tuginedes
nende tehingute ajaloole, soovitamaks neile erinevaid tooteid, misläbi ennetatakse klientide ebaloojalseks muutumist.
Selles töös pakutakse välja uus algoritmiline raamistik, et tuginedes soovitussüsteemile ületada ebalojaalsete klientide probleem. Efektiivseim viis ebaloojalse kliendi identifitseerimiseks tugineb RFM (äsjasus, sagedus ja raha) tunnustele. Mudelid on ehitatud erinevatele tarbijaga ja tema mineviku ostukäitumisega seotud tunnustele. Õige ja eesmärki teeniva algoritmi tuvastamine on võtmetähtsusega ning selleks rakendatakse ja testitakse toimimist mitmete erinevate algoritmidega nagu näiteks otsustusmets, k-lähima naabri meetod, otsustuspuud ning klassifitseerija võimendamismeetod gradiendiga.
Soovitusmudel, mida kasutatakse, on kasutajapõhine kaasfiltreerimismeetod ja
asjapõhine soovitussüsteem. Katsed viiakse läbi kasutades reaalseid turult saadud andmeid, et tõestada väljapakutava raamistiku efektiivsust. Seega churn'i ja soovitusmudeliga tuvastatakse potentsiaalsed ebaloojalsed kliendid ning seeläbi suudetakse neid kliente hoida.
müügitulu valdkonnas, eriti kui see puudutab internetivälist kaubandust. Kuna
kliendid ei ole seotud lepingutega, siis nad sageli otsustavad konkurentide kasuks, sest konkurendid pakuvad erinevaid soodustusti ja stiimuleid.
Selleks, et selliseid juhtumeid piirata, pakutakse välja raamistik, milles identifitseeritakse kliendid, kes muutvad ebalojaalseteks 3 kuni 6 kuu jooksul, tunduvalt varem järelvalvega masinõppe lähenemisega (Supervised Machine Learning Approach).
Kui ebaloojalsed kliendid tuvastatakse, luuakse soovitussüsteem tuginedes
nende tehingute ajaloole, soovitamaks neile erinevaid tooteid, misläbi ennetatakse klientide ebaloojalseks muutumist.
Selles töös pakutakse välja uus algoritmiline raamistik, et tuginedes soovitussüsteemile ületada ebalojaalsete klientide probleem. Efektiivseim viis ebaloojalse kliendi identifitseerimiseks tugineb RFM (äsjasus, sagedus ja raha) tunnustele. Mudelid on ehitatud erinevatele tarbijaga ja tema mineviku ostukäitumisega seotud tunnustele. Õige ja eesmärki teeniva algoritmi tuvastamine on võtmetähtsusega ning selleks rakendatakse ja testitakse toimimist mitmete erinevate algoritmidega nagu näiteks otsustusmets, k-lähima naabri meetod, otsustuspuud ning klassifitseerija võimendamismeetod gradiendiga.
Soovitusmudel, mida kasutatakse, on kasutajapõhine kaasfiltreerimismeetod ja
asjapõhine soovitussüsteem. Katsed viiakse läbi kasutades reaalseid turult saadud andmeid, et tõestada väljapakutava raamistiku efektiivsust. Seega churn'i ja soovitusmudeliga tuvastatakse potentsiaalsed ebaloojalsed kliendid ning seeläbi suudetakse neid kliente hoida.
Lõputöö keel
inglise
Lõputöö tüüp
Magister - Tarkvaratehnika
Juhendaja(d)
Anna Leontjeva
Kaitsmise aasta
2016