PL EN


Preferencje help
Widoczny [Schowaj] Abstrakt
Liczba wyników
2018 | nr 526 Zastosowania badań marketingowych w zarządzaniu podmiotami rynku | 23--38
Tytuł artykułu

Wybrane algorytmy machine learning w marketingu

Warianty tytułu
Selected Machine Learning Algorithms In Marketing
Języki publikacji
PL
Abstrakty
W artykule zaprezentowano wybrane metody i narzędzia machine learning, wykorzystujące najnowsze technologie informacyjno-komunikacyjne, które mogą być używane przez podmioty prowadzące działalność handlową w modelu omnichannel w celu osiągnięcia przewagi konkurencyjnej na trudnym i turbulentnym rynku internetowym. Opisane zostaną metody pracy użytkownika platformy Real-Time Omnichannel Marketing (menedżera, analityka marketingu), poszukującego nietrywialnej, nowej i użytecznej wiedzy, którą będzie mógł wykorzystać w procesie podejmowania decyzji. Pokazano kilka przykładów zastosowań algorytmów machine learning. W szczególności opisano metody poszukiwania wzorców zachowań klienta, które zilustrowano eksperymentami wykonanymi na rzeczywistych danych. Pozyskana wiedza może być użyta w sposób automatyczny w procesach komunikacji z klientem m.in. do zwiększenia szansy zakupu, polepszenia satysfakcji klienta, zmniejszenia ryzyka odejścia klienta czy optymalizacji marży na produkcie(abstrakt oryginalny)
EN
The paper presents selected methods and tools of machine learning using the latest information and communication technology, that can be used by companies performing commercial activities in the omnichannel model in order to achieve a competitive advantage in a difficult and turbulent Internet market. Using the Real-Time Omnichannel Marketing (RTOM) analytic platform, we will show several examples of the use of machine learning algorithms. Operations of the RTOM platform user (manager, marketing analyst) who looks for a non-trivial, new and useful knowledge useful in the decision-making process will be presented, in particular customer behaviour patterns will be exemplified by experiments performed on real data. Acquired knowledge can be used automatically in the processes of communication with the client in order to increase the chance of buying, improve customer satisfaction, reduce the risk of customer leaving or to optimize the margin on the product(original abstract)
Słowa kluczowe
Twórcy
  • Uniwersytet Ekonomiczny we Wrocławiu, Unity S.A., Wrocław
  • Międzynarodowa Wyższa Szkoła Logistyki i Transportu, Wrocław
Bibliografia
  • Boyd T.J., Peters C., 2011, An exploratory investigation of Black Friday consumption rituals, International Journal of Retail & Distribution Management, 39(7), s. 522-537.
  • Chorianopoulos A., 2016, Effective CRM Using Predictive Analytics, John Wiley & Sons, Hoboken.
  • Gordon S., Linoff M., Berry J.A., 2011, Data Mining Techniques: For Marketing, Sales, and Customer Relationship, Wiley, Hoboken.
  • Gray R., Owen D., Sopher M.J., 1998, Setting up a control system for your organization, Nonprofit World, vol. 16, no. 3, s. 65-76.
  • Győrödi C., Győrödi R., Holban S., 2004, A comparative study of association rules mining algorithms. In Hungarian Joint Symposium on Applied Computational Intelligence, Oradea.
  • Han J., Fu Y., 1999, Mining Multi level Association Rules in Large Databases, IEEE Knowledge and Data Engineering, vol. 11, s. 798-805.
  • Han J., Pei J., Kamber M., 2012, Data Mining: Concepts and Techniques, Elsevier, Burlington.
  • Han J., Pei J., Yin Y., Mao R., 2004, Mining frequent patterns without candidate generation: A frequent-pattern tree approach, Data Mining and Knowledge Discovery, 8(1), s. 53-87.
  • Hjort K., 2013, On Aligning Returns Management with the E-commerce Strategy to Increase Effectiveness, Chalmers University of Technology, University of Borås.
  • Kim J., Larose R., 2003, What makes e-commerce websites sticky? Interactivity and impulsivity in online browsing behavior, The 2003 Annual Meeting of the International Communication Association.
  • Kołodko G., 2010, Neoliberalizm i światowy kryzys gospodarczy, Ekonomista, nr 1, s. 23-30.
  • Korczak J., Pondel M., 2017, Metodyczne podejście do analizy i eksploracji danych marketingowych, Proc. Kongres Informatyki Ekonomicznej, Poznań. Studia Ekonomiczne, nr 342, s. 52-71.
  • Kowalski J. (red.), 2013, Rola polityki logistycznej, Wydawnictwo Uniwersytetu Ekonomicznego we Wrocławiu, Wrocław.
  • Kowalski T., Nowak T., Pisarek W. (red.), 2003, Aspekty zarządzania, PWN, Warszawa.
  • Kulurkar P., Badole K., 2016, Improving Association Rule Mining with Apriori Algorithm and Charm, International Journal for Scientific Research and Development, vol. 3, issue 11.
  • Li H., Wang Y., Zhang D., Zhang M., Chang E.Y., 2008, Pfp: parallel fp-growth for query recommendation, eProceedings of the 2008 ACM Conferece on Recommender Systems, s. 107-114.
  • Morzy T., 2013, Eksploracja danych. Metody i algorytmy, Wydawnictwo Naukowe PWN, Warszawa.
  • OECD, 2010, Sprawozdanie dotyczące przygotowania Strategii Zielonego Wzrostu, http://www.oecd-ilibrary.org (12.02.2013).
  • Pawełoszek I., Korczak J., 2017, From Data Exploration to Semantic Model of Customer, Proc. IntelliSys, London, In Intelligent Systems Conference (IntelliSys), s. 382-388.
  • Pei J., Han J., Mortazavi-Asl B., Wang J., Pinto H., Chen Q., Dayal U., Hsu M., 2004, Mining sequential patterns by pattern-growth: The PrefixSpan approach, IEEE Transactions on Knowledge and Data Engineering, 16 (10), s. 1-17.
  • Pondel M., 2015, A concept of enterprise Big Data and BI workflow driven platform, Federated Conference on Computer Science and Information Systems (FedCSIS).
  • Pondel M., Korczak J., 2017, Eksploracja danych transakcyjnych sklepu internetowego, Zeszyty Naukowe Politechniki Częstochowskiej. Zarządzanie, nr 26, s. 132-145.
  • Pondel J., Pondel M., 2011, Eksploracja danych w systemach e-commerce, Prace Naukowe / Uniwersytet Ekonomiczny w Katowicach, Systemy wspomagania organizacji SWO 2011, s. 212-223.
  • Ratcliff C., 2014, How fashion ecommerce retailers can reduce online returns. Blog text, Econsultancy.
  • Saatavissa, https://econsultancy.com/blog/65026-how-fashion-ecommerce-retailers-can-reduceonlinereturns.
  • Schutt R., O'Neil C., 2013, Doing Data Science: Straight Talk from the Frontline, O'Reilly Media, Inc., Sebastopol.
  • Setia S., Jyoti D., 2013, Multi-Level Association Rule Mining, A Review, International Journal of Computer Trends and Technology (IJCTT), vol. 6, no. 3, s. 166-170.
  • Stacey R., 2016, E-commerce Product Return Statistics and Trends, INFOGRAPHICS.
  • Swilley E., Goldsmith R.E., 2013, Black Friday and Cyber Monday: Understanding consumer intentions on two major shopping days, Journal of Retailing and Consumer Services, 20(1), s. 43-50.
  • The World Bank, 2012, Inclusive Green Growth: The Pathway to Sustainable Development, DC, Washington.
  • Ustawa z 17 grudnia 2004 r. o odpowiedzialności za naruszenie dyscypliny finansów publicznych, Dz.U. nr 14, poz. 114 ze zm.
  • Walsh G., Möhring M., Koot C., Schaarschmidt M., 2014, Preventive product returns management systems - A review and model, ECIS 2014 Proceedings.
  • Weichbroth P., 2009, Odkrywanie reguł asocjacyjnych z transakcyjnych baz danych, Prace Naukowe Uniwersytetu Ekonomicznego we Wrocławiu, nr 82, s. 301-309.
  • Wood S.L., 2001, Remote purchase environments: The influence of return policy leniency on two-stage decision processes, Journal of Marketing Research, 38(2), s. 157-169.
Typ dokumentu
Bibliografia
Identyfikatory
Identyfikator YADDA
bwmeta1.element.ekon-element-000171538287

Zgłoszenie zostało wysłane

Zgłoszenie zostało wysłane

Musisz być zalogowany aby pisać komentarze.
JavaScript jest wyłączony w Twojej przeglądarce internetowej. Włącz go, a następnie odśwież stronę, aby móc w pełni z niej korzystać.