정보기술의 발달과 기업 간 경쟁의 심화로 인하여 기업은 대규모 데이터베이스를 구축하고, 데이터베이스 내의 데이터를 이용하여 고객을 세분화하고 특정 고객층을 표적으로 차별화된 제품을 차별화된 접근방법으로 제공하려는 시도가 지속적으로 이루어지고 있다. 이에 따라, 대량의 데이터에서 유용한 정보를 추출해 내는 방법으로 데이터마이닝(Datamining)이 주목받고 있다. 본 논문에서는 고객세분화를 데이터마이닝 관점에서 예측세분화와 군집세분화로 분류하고, 예측세분화를 위한 ...
정보기술의 발달과 기업 간 경쟁의 심화로 인하여 기업은 대규모 데이터베이스를 구축하고, 데이터베이스 내의 데이터를 이용하여 고객을 세분화하고 특정 고객층을 표적으로 차별화된 제품을 차별화된 접근방법으로 제공하려는 시도가 지속적으로 이루어지고 있다. 이에 따라, 대량의 데이터에서 유용한 정보를 추출해 내는 방법으로 데이터마이닝(Datamining)이 주목받고 있다. 본 논문에서는 고객세분화를 데이터마이닝 관점에서 예측세분화와 군집세분화로 분류하고, 예측세분화를 위한 데이터마이닝 기법으로 의사결정나무(Decision Tree)와 지도학습 신경망(Supervised Learning Neural Network)그리고 그 세부 알고리즘을 제시하였고, 군집세분화 기법으로 자율학습 신경망(Unsupervised Learning Neural Network)과 전통적인 군집분석(Clustering) 그리고 그 세부 알고리즘을 제시하였다. 이러한 고객세분화를 위한 데이터마이닝 기법과 알고리즘을 비교하기 위하여 데이터 특성, 모형의 특성 및 활용성을 그 기준으로 제시하였고, 이를 토대로 기존 연구와 이론을 중심으로 비교하였다. 마지막으로, 비교 결과를 실증적으로 검증해 보기 위하여 카드 회사 고객 데이터에 데이터마이닝 기법과 알고리즘을 적용하여 신용위험도를 예측하는 모형을 구축하고 구축된 모형의 특성을 비교한 결과, 적용된 데이터마이닝 기법과 알고리즘에 따라 모형의 정확성, 설명력, 수행 속도 측면에서 상이한 결과를 나타내었다. 파라서, 데이터마이닝 수행시 그 목적에 맞는 기법과 알고리즘을 선택하는 것이 중요하다. 본 연구에서 제시한 기준은 이후 개발되는 데이터마이닝 알고리즘 및 본 연구에 포함되지 않은 기타 알고리즘 비교 평가의 기준이 되며, 기업에서 고객세분화를 위한 데이터마이닝 도입 시, 그 적용 목적에 부합되는 기법 및 알고리즘 선택의 기준으로 사용될 수 있다.
정보기술의 발달과 기업 간 경쟁의 심화로 인하여 기업은 대규모 데이터베이스를 구축하고, 데이터베이스 내의 데이터를 이용하여 고객을 세분화하고 특정 고객층을 표적으로 차별화된 제품을 차별화된 접근방법으로 제공하려는 시도가 지속적으로 이루어지고 있다. 이에 따라, 대량의 데이터에서 유용한 정보를 추출해 내는 방법으로 데이터마이닝(Datamining)이 주목받고 있다. 본 논문에서는 고객세분화를 데이터마이닝 관점에서 예측세분화와 군집세분화로 분류하고, 예측세분화를 위한 데이터마이닝 기법으로 의사결정나무(Decision Tree)와 지도학습 신경망(Supervised Learning Neural Network)그리고 그 세부 알고리즘을 제시하였고, 군집세분화 기법으로 자율학습 신경망(Unsupervised Learning Neural Network)과 전통적인 군집분석(Clustering) 그리고 그 세부 알고리즘을 제시하였다. 이러한 고객세분화를 위한 데이터마이닝 기법과 알고리즘을 비교하기 위하여 데이터 특성, 모형의 특성 및 활용성을 그 기준으로 제시하였고, 이를 토대로 기존 연구와 이론을 중심으로 비교하였다. 마지막으로, 비교 결과를 실증적으로 검증해 보기 위하여 카드 회사 고객 데이터에 데이터마이닝 기법과 알고리즘을 적용하여 신용위험도를 예측하는 모형을 구축하고 구축된 모형의 특성을 비교한 결과, 적용된 데이터마이닝 기법과 알고리즘에 따라 모형의 정확성, 설명력, 수행 속도 측면에서 상이한 결과를 나타내었다. 파라서, 데이터마이닝 수행시 그 목적에 맞는 기법과 알고리즘을 선택하는 것이 중요하다. 본 연구에서 제시한 기준은 이후 개발되는 데이터마이닝 알고리즘 및 본 연구에 포함되지 않은 기타 알고리즘 비교 평가의 기준이 되며, 기업에서 고객세분화를 위한 데이터마이닝 도입 시, 그 적용 목적에 부합되는 기법 및 알고리즘 선택의 기준으로 사용될 수 있다.
Due to the development of Information Technology and keen competition between companies, Companies have constructed a large database, segmented customers in use of the data of database and they are trying to offer specially targeted customers the distinguished goods by means of the distinguished met...
Due to the development of Information Technology and keen competition between companies, Companies have constructed a large database, segmented customers in use of the data of database and they are trying to offer specially targeted customers the distinguished goods by means of the distinguished method. In accordance, Datamining is noted as the effective method that extracts useful information in a huge amount of data. In this thesis, I divided customer segmentation into predictive segmentation and clustering segmentation in terms of datamining, presented decision tree, supervised learning neural network and the detailed, algorithms for prediction segmentation and showed unsupervised learning neural network, traditional clustering and the detailed algorithms for clustering segmentation. In order to compare datamining techniques and algorithms for customer segmentation, this study presented the standards which include the special quality of data, the special quality of model and practical use and compared previous study and theory on the basis of the standards. Finally, to verify the result of comparison actually, this study applied datamining techniques and algorithms to the credit card company's customer data, built predictive models and compared the special quality of constructed models. The experimental results show that accuracy, interpretability and speed of models are different depending on applied datamining techniques or algorithms. Therefore, it is important to choose a fit technique or algorithm in the aim when carrying out datamining. The standard presented in this study will be the standard of comparison of developing datamining algorithms in the future or other algorithms that are not include in this study and will be the standard of choice of a fit technique or algorithm in the aim when companies introduce datamining for customer segmentation.
Due to the development of Information Technology and keen competition between companies, Companies have constructed a large database, segmented customers in use of the data of database and they are trying to offer specially targeted customers the distinguished goods by means of the distinguished method. In accordance, Datamining is noted as the effective method that extracts useful information in a huge amount of data. In this thesis, I divided customer segmentation into predictive segmentation and clustering segmentation in terms of datamining, presented decision tree, supervised learning neural network and the detailed, algorithms for prediction segmentation and showed unsupervised learning neural network, traditional clustering and the detailed algorithms for clustering segmentation. In order to compare datamining techniques and algorithms for customer segmentation, this study presented the standards which include the special quality of data, the special quality of model and practical use and compared previous study and theory on the basis of the standards. Finally, to verify the result of comparison actually, this study applied datamining techniques and algorithms to the credit card company's customer data, built predictive models and compared the special quality of constructed models. The experimental results show that accuracy, interpretability and speed of models are different depending on applied datamining techniques or algorithms. Therefore, it is important to choose a fit technique or algorithm in the aim when carrying out datamining. The standard presented in this study will be the standard of comparison of developing datamining algorithms in the future or other algorithms that are not include in this study and will be the standard of choice of a fit technique or algorithm in the aim when companies introduce datamining for customer segmentation.
AI-Helper
※ AI-Helper는 부적절한 답변을 할 수 있습니다.