Metodyczne podejście do analizy i eksploracji danych marketingowych

• Autorzy: Jerzy Korczak , Maciej Pondel

Warianty tytułu

A Methodological Approach to Analysis and Exploration of Marketing Data

• Języki publikacji: PL

Abstrakty

W artykule zaproponowano metodykę realizacji projektu systemu wspomagania decyzji marketingowych z wykorzystaniem metod eksploracji danych i technologii Big Data. Inspiracją podejścia była metodyka eksploracji danych CRISP-DM, która oryginalnie nie była zorientowana na projekty Big Data. Z tego powodu metodykę tę zmodyfikowano pod kątem celu i wymagań funkcjonalnych oraz technologicznych projektowanego przez nas systemu. Główne prace badawcze w projekcie koncentrowały się na analizie i eksploracji dużych, heterogenicznych zbiorów danych o dużej zmienności. W artykule szczegółowo opisano etapy procesu realizacji projektu według rozszerzonej metodyki CRISP-DM, z uwzględnieniem specyfiki procesów analizy i eksploracji dużych baz danych marketingowych przetwarzanych w czasie rzeczywistym. W celu ilustracji podejścia podano też przykłady zadań w trakcie realizacji etapów projektu na konkretnych danych o klientach, transakcjach i produktach sklepu internetowego.(abstrakt oryginalny)

EN

The article proposes a methodology for development of a marketing Decision Support System using data mining methods and Big Data technologies. The main research findings focus on the analysis and exploration of very large, heterogeneous sets of highly volatile marketing data. The approach is inspired by the CRISP-DM methodology which is not oriented towards Big Data applications. The article describes in detail the stages of the project development according to the extended CRISP-DM methodology, taking into account the specificity of the analysis and exploration processes of large marketing databases processed in real time. In order to illustrate the approach, the examples based on real data about customers, transactions and products of the Internet store were discussed.(original abstract)

Słowa kluczowe

PL

Podejmowanie decyzji marketingowych; Systemy wspomagania decyzji; Big Data; Analiza danych; Bazy danych

EN

Marketing decision making; Decision Support Systems (DSS); Big Data; Data analysis; Databases

• Czasopismo: Studia Ekonomiczne / Uniwersytet Ekonomiczny w Katowicach. Informatyka i Ekonometria
• Rocznik: 2017
• Tom: 11
• Numer: nr 342
• Strony: 52--71

Twórcy

autor

Jerzy Korczak

• Uniwersytet Ekonomiczny we Wrocławiu

autor

Maciej Pondel

• Uniwersytet Ekonomiczny we Wrocławiu

Bibliografia

• Azevedo A., Santos M.F. (2008), KDD, SEMMA and CRISP-DM: A Parallel Overview [w:] Proceedings of the IADIS European Conference on Data Mining, s. 182-185.
• Catley C., Smith K., McGregor C., Tracy M. (2009), Extending CRISP-DM to Incorporate Temporal Data Mining of Multidimensional Medical Data Streams: A Neonatal Intensive Care Unit Case Study [w:] Computer-Based Medical Systems, 22nd IEEE International Symposion on CBMS, s. 1-5.
• Chorianopoulos A. (2016), Effective CRM Using Predictive Analytics, John Wiley & Sons, Chichester.
• Frazer M., Stiehler B.E. (2014), Omnichannel Retailing: The Merging of the Online and Offline Environment [w:] Proceedings of the Global Conference on Business and Finance, Vol. 9, No. 1, s. 655-657.
• IBM (2011), Introducing Apache Mahout, www.ibm.com (dostęp: 15.02.2017).
• Karau H., Konwinski A., Wendell P., Zaharia M. (2015), Learning Spark: Lightning-Fast Big Data Analysis, O'Reilly, Sebastopol.
• Laserson U., Owen S., Wills J. (2015), Analytics with Spark: Patterns for Learning from Data at Scale, O'Reilly, Sebastopol.
• Marz N., Warren J. (2015), Big Data: Principles and Best Practices of Scalable Realtime Data Systems, Manning Publishing, New York.
• Masterson M., Tribby M. (2009), Changing the Channel: 12 Easy Ways to Make Millions for Your Business, John Wiley & Sons, Chichester.
• Moro S., Laureano R., Cortez P. (2011), Using Data Mining for Bank Direct Marketing: An Application of the CRISP-DM Methodology [w:] Proceedings of European Simulation and Modelling Conference ESM'2011, s. 117-121.
• Moutinho L., Huarng K. (2015), Quantitative Modelling in Marketing and Management, World Scientific Publishing, Singapore.
• Owen S., Anik R., Dunning T., Friedman E. (2012), Mahout in Action, Manning Publishing, New York.
• Piatetsky-Shapiro G. (2014), KDNuggets Poll: Data Mining Methodology, http://www.kdnuggets.com/polls/2014/analytics-data-mining-data-science-methodology.html (dostęp: 20.02.2017).
• Rigby D. (2011), The Future of Shopping, Harvard Business Review, https://hbr.org/2011/12/the-future-of-shopping (dostęp: 18.02.2017).
• Rohanizadeh S.S., Moghadam M.B. (2009), A Proposed Data Mining Methodology and its Application to Industrial Procedures, "Journal of Industrial Engineering", Vol. 4(1), s. 37-50.
• Ryza S., Laserson U., Owen S., Wills J. (2015), Advanced Analytics with Spark: Patterns for Learning from Data at Scale, O'Reilly, Sebastopol.
• Shearer C. (2000), The CRISP-DM Model: The New Blueprint for Data Mining, "Journal of Data Warehousing", Vol. 5, s. 13-22.
• Shmueli G., Bruce P., Stephens M., Patel N. (2017), Data Mining for Business Analytics, John Wiley & Sons, Chichester.
• Shmueli G., Patel N., Bruce P. (2010) Data Mining for Business Intelligence, John Wiley & Sons, Chichester.
• Wheeler S.R. (2016) Architecting Experience: A Marketing Science and Digital Analytics Handbook, World Scientific Publishing, Singapore.
• White T. (2015), Hadoop: The Definitive Guide: Storage and Analysis at Internet Scale, O'Reilly, Sebastopol.
• Witten I., Frank E., Hall M., Pal C. (2017), Data Mining: Practical Machine Learning Tools and Techniques, Morgan Kaufmann, Amsterdam.
• [www 1] http://www.kdnuggets.com/2014/10/new-poll-methodology-analytics-data-miningdata-science.html (dostęp: 21.02.2017).
• [www 2] https://www.slideshare.net/MicrosoftAT/digital-transformation-book-of-dreams (dostęp: 10.02.2017).
• [www 3] http://orange.biolab.sl (dostęp: 21.02.2017).
• [www 4] http://mahout.apache.org/users/basics/algorithms.html (dostęp: 21.02.2017).
• [www 5] http://spark.apache.org/docs/latest/ml-guide.html (dostęp: 21.02.2017).
• [www 6] http//www.tensorflow.org/ (dostęp: 21.02.2017).
• [www 7] http://pandas.pydata.org/ (dostęp: 21.02.2017).