استفاده از تكنيك هاي داده كاوي با هدف استخراج استراتژي سودآوري

Using of data mining techniques to extract profitability strategy

امروزه با گسترش سيستم هاي پايگاهي و حجم بالاي داده ذخيره شده در آن ها، نياز به ابزاريست تا بتوان اين داده ها را پردازش نموده و از آن ها استفاده نمود. بهترين ابزار جهت كشف قوانين ميان داده ها، داده كاوي و استفاده از تكنيك هاي داده كاويست. در اين مقاله به دنبال استفاده از ابزار هاي داده كاوي در جهت استخراج قوانين سود آوري هستيم. به جهت كسب نتايج ملموس مورد كاوي پژوهش حاضر، اطلاعات مشتريان يك رستوران در دو بخش از طريق توزيع يك پرسشنامه جمع آوري گرديده است.بخش اول اطلاعات شخصي مشتريان است و بخش دوم سطح اهميت هريك از عوامل وفاداري است كه توسط هر يك از مشتريان تعيين گرديده است. پس از جمع آوري داده ها در فايل اكسل وارد شده و توسط نرم افزار رپيد ماينر مورد بررسي قرار گرفته و روي كليه اطلاعات مربوط به مشتريان خوشه بندي انجام گرديده است و مشتريان بر اساس تشابه ويژگي ها و رفتار آن ها در يك خوشه قرار مي گيرند. خوشه بندي با استفاده از الگوريتم K ميانگين انجام شده است. سپس شاخصي براي دسته بندي تعريف شده و بر روي هر خوشه دسته بندي انجام پذيرفته و مشتريان هر خوشه به دو گروه سودآور و غيرسودآور تقسيم بندي گرديده و پس از استخراج قوانين از درخت تصميم ، استراتژي هاي كسب سود بيشتر براي محل مورد مطالعه ارائه مي گردد.

Today, with the development of base systems and the high volume of data stored in them, there is a need for tools to process and use these data. The best tool is to discover rules between data, data mining and data mining techniques. In this article, we are looking for data mining tools to extract the profitability rules. In order to obtain the tangible results of this research, the information of customers of a restaurant in two parts has been collected through the distribution of a questionnaire. The first part is customer personal information, and the second part is the importance of each of the loyalty factors assigned by each customer. After collecting the data, the Excel file was imported and analyzed by Rapid Miner software, and clustering was performed on all customer information and customers were placed in clusters based on similarity of features and their behavior. Clustering is performed using the K-means algorithm. Then, an index is defined for categorization and is categorized on each cluster of clustering, and customers of each cluster are divided into two groups of profitable and non-profitable, and after extracting the rules from the decision tree, the strategies are presented for making more profit in the studied location.