Инструменты и методы анализа слабоструктурированных данных в оптимизации маркетинговых коммуникаций (1142379)
Текст из файла
«»аа а08.00.13 –:– 2016,2................................................................................................ 41Щ.Щ............................................................................................................ 151.1..... 15.1.2.......... 201.3........ 491.4,........................ 512.............................................. 532.1................................................................................ 532.2.......................................................
653..................... 733.1.................................................................................................................... 733.2...................................................................... 8734.................................................................................. 974.1ё............................................................... 974.2,..................................... 1034.3................................. 1065............................................... 109.....................................................................................
123................................................................... 124().................................. 1414..,ё,[138].,ё,,.,,,130,121,,[129, 75,70].,,.,,.,ё,[50,107]....5::-;:;:-ё.ё,:(1.)...(2.).ё,.(3.,).,,.(. parse – «», «»).ё4..(,).6ё,.,ё,ё,,..,..[60, 78, 101]..,,,ё,ё.. .,.,[11]..ё,.N–,.,,,.ё,,. ..ё-.,-7ё.,,,.,(:,, ForEl;),;: EM,, k-,[67,73, 77, 80, 95, 102, 105, 106, 108, 124, 126, 131, 133, 136, 148, 151, 158].. .,[16].(Recency –RFM-, Frequency –, Monetary –),, ...[86, 87]..,,.ё,ё.,...,8,,..,1.4. «:,,,,,»; 2.6. «,:,,,,,08.00.13 –»().–.:1..ё2.,.3.ё.94.ё.5..6..ё.7..,. 6.8.ё.9...,.67,.,10.:-;;–-();..ё,,10,,,.,,,ё..,,,,,.:1..2..3..4.,5..,.116..,:ё1.,ё( . 59-62).2.,( .
63-65).3.( . 69-72).4.,( . 83-85).,5..,,RFM-( . 74-76, 78-79, 82, 86).6.,.( . 87-96).7.,,12( . 97-122).,.1.ё, ,,.2..(3.,,,.).,4.:ё;ё-,,ё.5.ё,.,.,.13ё,,..:VII(, 29«2014 .),ё»(, 212014 .),,IV(2015 .),,, 28«-» (,,, 30, 42015.),V(,2016 .),-«» (,«-», 302016 .).«».,,:,,,.6,6,12,3% ,9 000...14«»«»...63,39 . . (2,5),4. .,.,,,161152, 26,141., 80.151.ЩЩ.1.1,,,,.аа–,,[70].,:Ищаа,(–,, e-mail, sms,)..,,.,,,,ё,16,.[129, 75, 130, 121, 70],,,,ё ,.1.,.Transparency Market Research6,5..
2019 . [135].ё.2014,[50].:;-;-;-.[1, 6, 7, 12, 15, 43, 48].171–,..41email-2015,..156email-0,1email-44,25,email0,56,ёё,0,69,,0,5810email-0,8email-0,44,email-0,83,email-0,44,email-0,280,140,10,7,,0,27,0,39,0,680,15:[75, 70, 76, 122, 81, 83, 150,90, 85, 118, 159, 155, 96, 81].18Human Labs,,,,,24,:. [107].;;-;.-.:;ё--;;.. .4[23, . 441]:,-,,;–-,;-–.,.;,:,,.,19.[114].:(«-»);--.-:, email-,;-;-.,,[43]:,--,,,;,-;,-,;.-,.[109, 127],,,..[28].:20-;-;-;-;-.:-;-;-.,[50].,,ё ,ё.:-;..1.2,.,–аа,аа,..а.21«»Са«» [125, 144].а –.С–.,,,..ROC1.2.1.[66, 67, 79,92, 103, 107, 111, 126]..[136](),,.,,ё,,1.,,:;-;22(-,:)..1–.,,...,[136],.(1)= { ,…,:}(1),1..,;, .
.2...,;,233...,,,(2):={,,…,}(2)= { ,…,}(3),(3).,.,:-. 259] –CART [67,(Classification and Regression Tree)...C4.5 [135] –-.,.«»:,,,..:1.NP-.,24..2..3..,..1.2.2..»«[33].., ., .–[158].ё..,–.().,,ё2.,–., = ,…, ,(4) [158]:=∑=(4)25..ё,,3.,.,.ё ,,,.: [8, . 99].2–ё..,,(5) [8].=.ё+(5)− :,26,–.,,.: [8, . 100].3–: –;–; –, ёё ,,ё .–.,..III,:,;;27;-;;,;.1.2.3,.[62, 64, 74, 109, 102, 113, 117, 121, 129, 132, 147, 153, 155,,150, 106, 63, 95],[99, 73,106, 124][90, 81].(6)[46, . 4]:,(7) [19, .
6]:==+,+,,…,.+. . . +(6)(7),28,–.,(),.,,,[99, . 1065]-(8):=–+−,(8);–.,4::.4–(9)[94]:,′,′= ln−(9).29(likehoodfunction).,[57, 58]:,,,…,; =; ∙ …∙,,…,(10)(10),,.(11):∗:–, = ln(=, ) →(11).=,,–-(12, 13) [106, . 32]:==∗=∑–= ∑[=,(13)−++ ∑ ln( −,(12)(14):)+(14)−ln=−=],.(15, 16):=∑−(15)30= −∑,−(16),(17):+=−−(=)(17)−∆,,5.: [40].5–1.2.4 ROC.ROC,ё,[59, 70, 89,96, 99, 104, 116, 145, 149, 158, 159]..,2:-TP (True Positives) –-TN (True Negatives) –-FN (False Negatives) –-;--;;31FP (False Positives) –-2–-.ёTPFNFPTN[40].TruePositivesRate–(TPR)(18):=+False Positives Rate (FPR) –∙%(18)∙%(19)(19):=(precision+positive predictive value) PPV (20):=(Sensitivity)+(20)–(21):==(Specificity)+∙–%(21)(22):ROC-=AUC (area under curve) –,AUC (Area Under Curve)+∙%(22)6.ROC-,.7.(23):32=∫=∑++∙+−.ё(PPV).[40].6–ROC: [40].7–ROC-(23)33: [40].8–ROC-ё.,ёё,.,,.1.2.5IBM [54]IBM Almaden.,,9.,«ё75%»...34,ё.«».:.9–= { ,…, } –,–⊆ .,,.⊂ ,⊂s%,,⟹,=∅аа.,(24):%⟹⊂ .s,⟹,,.,-[ ]= .–,⟹,[ ]= ,,,–,(confidence),=35⟹=Apriori [53] –(24),.: DHP[141], Partition[70],DIC[68].ё,,,.⟹ ,⊂ ,,⊂=∅ё.ё.,:,-;-minsupport,.ё.ё,.:1..2.,..36,3.«»-«».100%.,.[54].,Apriori.,,,.,,ё.[56].,,,.1.2.6 RFMRFM.., ..[118, 85].::« ».37,(,.ℎ ,…,ℎ .()),= ℎ ,…,ℎ,.(.),,.ё,–(..),–ё .,:1.score –=ℎ ,…,ℎ .().,.,.>2..,ё,ё.-:,[154].,,,.RFM38Recency (R) –-,,;Frequency (F) –-;Monetary (M) –-,.RFM,ё,[138].(),RFM.R-..10.:10 –[42].39.F:,.11.:[42].11 –M-.:,.12.RFM: Recency,FrequencyMonetary [143, .
113].,.RFM,,40,Recency.Frequency, . . RRecency,.F,MF:,..FMFR,RM.:[42].12 –,,p,[0, 1],= ℎ ,…,ℎ.,[5, 3, 9, 10, 137],[18, 22, 154],[1,[118, 54, 53, 137].10,14],[10, 14],41[137]RFM..,RFM[143, 125].(R, F.RFM,RFM,RFM-M)5,.15:ё,–.–.,..RFM,<:,,<.,kR42,ё[137],,.[125]..,Recency,:13.[42].13 –R–Recency..–Recency.«»..43ё,..,,:.< .< .;...Frequency,.,:Frequencyё-;,.:Frequency.,.30%,[125].60%,,.,,,,,.30%60%,,44.,,,,.ёFrequency.Frequency:-;(2+).-.,ё. F,F,ё,.Frequency.:i,:p-{ ,…, − },+,=+ ,,14+ .,,,++Frequency.,.,Frequencyё .<–45,.«»().F-: [42].14 –Frequencyёёё:(transformation rate, TR) –,-;Ords per customer (OPC) –,;-Ordsperactivecustomer(OPaC)–,;-Turnover (T) –,;46Turnover per customer (TPC) –-,;Turnover per active customer (TPaC) –;AOV –-.,,.: 20%80%.,RFM-.,,.,RFM(«)».1.2.7 Customer Lifetime ValueCLV (customer lifetime value) –,ёё.CLV[85, 141, 134, 138, 61, 74, 115, 109].ёCLV,:47.,,;,;;,,ё.,.., CLV -,,..CLVё:– 20001-, 15000– 3000 .,,– 8500 .;– 9002-.45%(,),– 4000),.
(– 600.,– 500 .CLVCLV =1-∗.−=ё(25):.−CLV =CLVCLV =∗=ё2.−∗.−./=.−∗(27):∗.−.−.−∗.=.(26):(25)....=(26)(28):.(27)48. ..CLV =./=.(28),,,45%.,.,ё,,:5%,.ёё.:;,.CLV"";:-,,;ё-:,,–;,-,..CLV«»:ё49,.1.3,.R –,,. RGNU.R,,–..ё2013.DeductorR4000–.,ё[79].:-;,,,;, OLAP-,,,KPI;;.50,Deductorё,3–3.,Deductor,ё-,,,,,,,ё,,,,ё KPI,,,,,:[79].VidaExpert –,-,(, .VidaExpert).:-;–-;-k-means;-;-;--;.511.4,,..ё.,,,..[64, . 151],4.4–-ё:0,7030,5940,4370,3120,2970,2970,2030,0780,1873,452,820,730,632,181,470,330,020,98[64, .151].[64, .152],5.525–(),4,9/74,9/74,1/74,6/7[64, .
152].:,.:1.,,.2.ё.3.,.4.ё.5..,, data mining.,5322.1-ё,.,ё,[39].,.,,..:ё:-;-;ё;-;-;-NBK-;;54-.:-;(-).[94, 146, 98, 158].–,,mail.,e-email..,,,,,. .,«(456)7-51-52», «05.13-2011» –.[94, 98],() [146, . 43],ё,.ё,,.,«?»«?»,«?,?? E-mail-??»ё.ё55,..-,.–,:,.1965ё[32]... 21][128,.s1, s2,,(29):,,={,{max ,, min , = ,− , +,, − +,− , − + , е ли,,(29)≠,.:,1...,2..56,3..ё4.[101].«5.»..«»«»,ё ,,,ё.,:« »« ».,ё..:,,,ё.,O(m*n),m, n –...,.,.,57-[155]..,01234567112345672212345633212345443212345543223466543323012345610123452112334:3222344432334515.5433445654434576554348766543.15 –-.16.:16 –.58,,..2.1.1-.–-,,,,. [69, 60]80%.,[78].-s1, s2,,(30):,,=min{{,,− ,, −++max , , min , = ,− , +,, − +,, > ,− , − + , ≠,− , − +,− , +,, − +min {,− , − + , ≠,––=−,(30)59,− , −+ ,,− , −+≠.(31) [120, . 180]:+(31).O(m*n),m, n –.,-,..«AB»,«A,,B».,,,,,,,.: «,.:+7(985)345-55-32,,.5,26.08.1974».,.-60.,6.,.,,[39, .
104].6–pattern\d\w().+. \d –\d0221111\w20111111101121(1110121:)1111021, \w –.1122202.+1111120ёmn –, log′∗–(32):∗ log(32), k –k1, k2.,,–.:[+7(985)-665-43-55];[8(985)6654355];[9856654355].:[2015-01-07];[9.01.1993]61,ё-,,7.7--9.01.1993.526.08.1974+7(985)34555-32.:985665438(985)66543558919112015-0107101041061010410613136133+7(985)665-43551717101708109910101010101010101313131317171717:.,.,6...,..62..71638,.8.8–:.,ё-ё.,..,...,63..,,.,,,,.,,,,ё.,(33, 34, 35, 36) [38]:=∑==∑−=−( =–,∑=+∑==( =( =−, –),),,)={,∗,=≠,,(33),(34)\ ,(35),(36)–,––,.,ё,,ё(37):=+(37)64.-9.9–2345-67-1011-1516-2021-3031-5051-7071-100101-150151-200200+:.825171158348364495298613686155253751318964262310.10 –-- 1 169 211--100002 424283 4451 344 885100002 000268 9771 630 0721 253 670:10000100001 5252 100248 655263 271.6511.11 –DQ6.116.045.984.66:.EQ0.320.250.180.212.2ё,.–,.(,,) [35, . 105]..2.2.1.ё,.A,B,AB.(38):= ∗∗,(38)66t –,,–A,–B.(),(39):= ∗∏ё(39).,ё .–,.
Характеристики
Тип файла PDF
PDF-формат наиболее широко используется для просмотра любого типа файлов на любом устройстве. В него можно сохранить документ, таблицы, презентацию, текст, чертежи, вычисления, графики и всё остальное, что можно показать на экране любого устройства. Именно его лучше всего использовать для печати.
Например, если Вам нужно распечатать чертёж из автокада, Вы сохраните чертёж на флешку, но будет ли автокад в пункте печати? А если будет, то нужная версия с нужными библиотеками? Именно для этого и нужен формат PDF - в нём точно будет показано верно вне зависимости от того, в какой программе создали PDF-файл и есть ли нужная программа для его просмотра.
![](https://s.studizba.com/z.php?f=/templates/si/i/noavatar.png&w=100&h=100&t=1"){kind=avatar}
