کد مقاله کد نشریه سال انتشار مقاله انگلیسی نسخه تمام متن
7541205 1489048 2018 11 صفحه PDF دانلود رایگان
عنوان انگلیسی مقاله ISI
Forecast of individual customer's demand from a large and noisy dataset
ترجمه فارسی عنوان
پیش بینی تقاضای فردی از یک مجموعه داده بزرگ و پر سر و صدا
کلمات کلیدی
پیش بینی استراتژیک، داده کاوی، تقاضای متناوب، سری زمانی، اسناد تحویل، الگوهای رفتاری، تقسیم بندی بازار،
ترجمه چکیده
هنگام برخورد با مجموعه داده های بزرگ، تقسیم بندی بازار اغلب در پیش بینی های کسب و کار استفاده می شود؛ بسیاری از مشتریان براساس معیارهای مشابهی گروه بندی می شوند. پیش بینی های سطح سنتی سپس برای نشان دادن جمعیت در هر بخش استفاده می شود. چالش هایی که با موفقیت از تقسیم بندی بازار استفاده می شود، شامل چگونگی ایجاد بخش هایی است که اطلاعات مشتری توصیفی فاقد آن هستند و چگونگی اعمال پیش بینی های تقاضای تقاضای مشتری برای مشتریان. این تحقیق پیشنهاد روش برای ایجاد بخش های مشتری بر اساس داده های معامله گر تاریخی پر سر و صدا، ایجاد پیش بینی های سطح در سطح، و سپس پیش بینی های مربوط به مشتریان فردی را اعمال می کند. روش پیشنهادی از ابزارهای داده کاوی و پیش بینی استفاده می کند، اما آنها را در یک ترکیب منحصر به فرد قرار می دهد که در نتیجه سطح بالایی از پیش بینی پیش بینی شده در سطح مشتری نسبت به سایر روش های سنتی است. روش پیش بینی پیشنهادی برنامه های مدیریت قابل توجهی در هر دامنه ای دارد که پیش بینی ها برای جمعیت زیادی از مشتریان مورد نیاز است و تنها داده های موجود، داده های تحویل هستند.
موضوعات مرتبط
مهندسی و علوم پایه سایر رشته های مهندسی مهندسی صنعتی و تولید
پیش نمایش مقاله
پیش بینی تقاضای فردی از یک مجموعه داده بزرگ و پر سر و صدا
چکیده انگلیسی
When dealing with large datasets, market segmentation is frequently employed in business forecasting; many customers are grouped based on some measure of similarity. Segment-level forecasting is then employed to represent the population within each segment. Challenges with successfully applying market segmentation include how to create segments when descriptive customer information is lacking and how to apply the segment-level demand forecasts to individual customers. This research proposes a method to create customer segments based on noisy historical transaction data, create segment-level forecasts, and then apply the forecasts to individual customers. The proposed method utilizes existing data mining and forecasting tools, but applies them in a unique combination that results in a higher level of customer-level forecast accuracy than other traditional methods. The proposed forecasting method has significant management applications in any domain where forecasts are needed for a large population of customers and the only available data is delivery data.
ناشر
Database: Elsevier - ScienceDirect (ساینس دایرکت)
Journal: Computers & Industrial Engineering - Volume 118, April 2018, Pages 33-43
نویسندگان
, , ,