Инструменты и методы анализа слабоструктурированных данных в оптимизации маркетинговых коммуникаций (1142379), страница 2

Файл №1142379 Инструменты и методы анализа слабоструктурированных данных в оптимизации маркетинговых коммуникаций (Инструменты и методы анализа слабоструктурированных данных в оптимизации маркетинговых коммуникаций) 2 страницаИнструменты и методы анализа слабоструктурированных данных в оптимизации маркетинговых коммуникаций (1142379) страница 22019-06-222019-06-22СтудИзба

Инструменты и методы анализа слабоструктурированных данных в оптимизации маркетинговых коммуникаций

Просмтор этого файла доступен только зарегистрированным пользователям. Но у нас супер быстрая регистрация: достаточно только электронной почты!

Регистрация/авторизация

Текст из файла (страница 2)

[29]..,,.(8,)17.,,18, SQL,.,,.:17 –.67:.18 –«Name»..,Persons,19.p.nn‘p.’,: {7.1; 7.2; 7.3; 6.1; 6.2; 2.4}.,.,“Brand”20,21.:19 –.“Price”,68:.20 –«Brand»:«Price».21 –,.,ё..,,.,.,.,(40):A(log),= ∗ ∏ log(40)(41):n–= ∗∗ log.,(41)692.2.2,,,,ё..[37, . 18].–(ё). [93, 13]ё128–MD5.«»,12.,,10ё 16MD5128UNICODE160-..12 –:.,MD5,..,,,ё ,-70,ё.,.13,13 –«,,14.»:14 –.,ё:.(«NULL»):1.MD5(MD5_begin, MD5_end)MD5;71MD52.NULL,MD5_begin,MD5_endffffffffffffffffffffffffffffffff;(MD5_begin,3.MD5_end).15 –:.:AB,:A.LMD5_begin <= B.LMD5_endA.LMD5_end >= B.LMD5_beginA.FMD5_begin <= B.LMD5_endA.FMD5_end >= B.LMD5_beginA.PMD5_begin <= B.LMD5_endA.PMD5_end >= B.LMD5_begin.,A, B,A_id, B_id,NULLMAX(A_id)+12^31-116.A_idB_idMAX(B_id)+12^31-117,18.,7216 –A_id1234NULLNULL5:.B_id1761NULL3487421755446111744417 –A_idNULL:.B_id611118 –A_id6:.,,.,,.B_id61117333.1.,,,,.:,,.ё,.,.3.1.1.,(42) [30]:=+,(42)74–,,i-,––..,(43):=–,–,,(43)i,,–i.ё,(44):=–,(44),(),–,,,–i,.i,,(45):С –С =−=−=××− ,(45).ii.,,,22.75,23,.ПакКол е т о п оектоте еД е по лед е покупкД е е ду покупкуппД е е ду покупкуппД е е ду покупкуппыВ е епо лед е о п оектте еД е е ду п оектокуп л олееёл от д леёлтК те о я по ы у ке уппК те о я по ы у ке уппК те о я по ы у ке уппыход т яо к еедоттпо т ых ед тот етых от ляхУ лов еSPC[0 - 17]88% 97%[0 - 190]86% 59%[476 - inf)59% 15%[19 - 77]12% 2%[19 - 77] U [476 - inf)71% 17%[0 - 128]82% 64%[1075 - 2182]49% 26%И ТИ А100% 51%И ТИ А61% 52%И ТИ А90% 92%[8,5M - 34M)29% 14%[0 - 0,85M)22% 40%[0 - 0,85M) U [8,5M - 34M) 51% 54%ЛОЖЬ100% 90%[0 - 11]96% 89%И ТИ А96% 96%-0,090,462,904,833,140,280,850,970,19-0,021,05-0,44-0,060,110,080,00:.22 –С тет е к пакД е по лед е покупкёл от д леедоттпо т ых ед тД е е ду покупко е е о олее д ух покупокУ лов е[0-146]SPCИ ТИ А45% 30%0,4966И ТИ А71% 36%0,97921862[0-11]:.23 –,()«19-77»,2%.,,850 000,,,.,40%.«,8,5 – 34,.,.,76».,.,,.3.1.2,.,,,.,,,,.

. [25, . 48].:-;-;-;-;-..ё[2].,77.,[3, 19, 47].[112],.[26]..,,(46):= √ ∑(−=–) ,(46), = … ,(47).(47):ℎ ,′=–+ℎ ( ,,−),,–,.–:(48):ℎ ,Bubble-=(49):–={ℎ ,→′|′=2−,,>,((48)2),,(49)– . .[25].(50):,(50)78–,,)(––,…,′ –′, … ,(ё(51, 52):<= ( <) = ̅̅̅̅̅̅̅̅̅̅̅̅̅̅()==,−)+–′,( =)(51),.2(52)√ 24.(2, 3, 4),(0, 1, 6, 7, 9) –,ё.:.24 –:«» (), «» (), «79» (» (), «ё), «» (), «» () [34, . 204].,.Но е кла те а Y=1 Кол3 482 874 165 3410 788 616 219 300 217 311 24е тво Ко ве40881218080319121513704107587013631183:я11,8%10,7%8,9%4,2%4,1%4,0%3,0%2,8%2,4%2,3%2,0%.25 –Г уппа кла те овы око ко е еко ко е е%Кол е тво %(Y=1) С ед яя ко ве я П евы е13% 33,5%10,5%48% 28,2%2,5%:еед е ко ве105%-51%.26 –..().80.:(53, 54):̂=∑=∑∑ ̂=,…,–, = ,…, ,∀=–−→««̂=−⋱)-⋱=(=},{}:,,(54),» (55):-=(=min,…,.=(∑∑ ̂{ (53)(55)» (56):)⋱)(56)(57):(57)(58):≈=‖,…,(58)(59):− ‖ → min,(59)81–.,,…,=[16] (60).(60), = … , = … .=… , = …(61):={|‖− ‖ → min,}(61)ё,:1)(62):=∑ ∑ ‖2)(63):−= ∑ ∑‖=3)−= ∑ ∑‖===−(65):| |–= ,(64):, −=,, +−, +−| |=+−‖−‖ + ∑ ∑‖==−‖ + ∑ ∑‖, ,=+–=→ min,(62)−+ ,‖− ,−(63)−+ ,‖(64)(65)«».,27.[34, .

205].82:27 –...:1)628«»; 3)»; 2) «»; 4) ««; 5) «»; 6) «:28 –ё»..83..ё–:(66) [17]:–̌− ̅,̌ =, ̅ –(66)–, .:(67):→–()(–,|′′–′, … ,,′=),(,…,(67)–′,(68):<= ( <) = ̅̅̅̅̅̅̅̅̅̅̅̅̅̅)+( =((69)==−))–(68),2(69)√ ,.,(70):(»,)−()→(70)«-»«(71):84, =,(72)(ё,)−,,(71)→(72),ёMicrosoft Office Excel,.2930...,,31.:29 –.«»85:.30 –«:.31 –«(»)»()ё,.,[34, 36].865k-meansё32,,,:33:.32 –Но е кла те а Avg Y123458,26%5,52%0,89%5,54%5,64%Count % DiffTypeFromLastBuyDate HasSelfProject ReductiveTaxType InfoSourceTypeDealer TransactionSpeed16,33% 0,974680617-0,830773756 0,918211849-0,329782911-0,280614775-0,17679401415,39% -1,025882311-0,701516086 0,483890702-0,111857117-0,553472892-0,47549199239,31% -0,4469700020,602897661 -0,5817697720,239134510,271289629-0,67228385217,35% 0,611426113-0,081218502 0,055098779-0,085800760,8916744211,29408654111,62% 0,5882443760,178461624 -0,045523959-0,069208282-1,1213819531,219527554:.33 –(8,26%)№1,16,33%,», «: «-», «».№3,(0,89%)39,31%,: «», ««»,», «».87[16].,:,.,..3.2.ё..ё,,.,, ,,[36].,,,ё,88(73):–,,=,+––(73).ё,ROI –(return on investment).,ё,ё,(0.6%ё),0,05%,,.ёROI.,..(74):–(1,=∑=− ̂,=–,0–.-), ̂→,=(74)–.,,,.[20, 27]:-(casewise deletion);89(mean substitution);-(imputation byregression);(hot-deckimputation);(Expectation-Maximization,algorithm).[24]ё(hotdeckimputation),.,,.,,,(75) [20, .

75]:=−−+−(75),.,...(76):.–ℎ=(=+−,(76)), –90,.,.,,(Frequency)(Recency),(Monetary).RFM-[152, 118].,1.2..-.ё,,.R(GNU).ё34.) –Z-value (Zё(77):̅ –=.̅−,[ ],[ ] –(77),, –(78)91,Pr(>|Z|)[ ]=:,(78)Z,.:.34 –R:««», «».»,92,,(AUC – area under curve).ROC-(Specificity)(Sensitivity)(79, 80).===–,+=+,(79),(80),,––.19.19 –FromLastTransactionTransactionCountDiffTypeHasSelfProjectInfoSourceTypeMOPReductiveTaxTypeёё2 ()Div2Segment1Segment2Segment3Segment4Segment6CountTCё:.(AUC0.5.)AUC,0,87–93,,,35.15%,,ё,1.5%.:.35 – ROC-ё«»»,,«20.20 – Z-««»»Z-TransactionCountTransactedPrice:8.3865.470.943637.:36 –.95:.37 –,: 0,8070,889.,ё,21,38.21 –««»,»:.96:.38 – ROC«»..,,,.974ё4.1,,,.ё,[38].:-;--;1 .-,,2Gis, auto.ru,,,,..ё,,.,9839.:.39 –-,-ё,,«,,».-1 .,,,,–-.1.,ё99,ё,,.,:-;;–-();.ё40.ёё.,ё.41.ё-,.ё:;-ё;().,-:,.100:,.:.():;,.:.ёё.ё.ё.,101:40 –.102:41 –.1034.2,:,.ёё..(,).:1.;ё2.;3.(());,4..(-);5.;6.ё;7.,,ё;8.9.;-.104, e-mail,[37],22,23,,ё24.22 –+7 (351) 26643869178567854#64956518179#2203:23 –351266438691785678544956518179.e-mail[rekardooffice]@vinf.ru<jlebedeva>@ppe.ruistok-m@mail.ru:rekardooffice@vinf.rujlebedeva@ppe.ruistok-m@mail.ru.24 –--114581 941459116831 941459Safo 1IdIdCapellaId515-«0x9CE14»«----»941459 941459--0x6574D2702010860 68013,,, .10680013,,10“--”100353 941459--0x07E46-2702010860 -102564 941459--0x6B538,2702010860122852 941459--0x78D65-2702010860 -:..-., .,, 10, 10,105,CLR-.:'(?i)^[^ - ё]+|[^ - - ё]+|[^ - ё]+$'e-mail:'(?i)@\d*\.|(...).?\1.?\1|^(.)\2*@|^net@|mail@mail|^([^.@][^.@])@\3\.[^.@]+$|^(?!.*?\S{8})|^(?![^@]{2,}@[^.@]{2,}\.[^.@]{2,})''123456|(.)\1{5}|(..)\2{3}|^800|^(?!\d{10}$)'.,,ё.,,e-mail:.,,,,e-mail,..,..(ё,.:30)106,1.(C#);2.;3.;4.;5.;6.-()..4.3.,.,..ё,.,..107,,.:T-SQL42.declare @Threshold float = 0.15;with Model as(selectid,exp(value)/(1+exp(value)) probfrom#Target /**/outer apply(select-3.3406486+ FromLastTransaction * -0.8748192+ TransactionCount *0.7127300+ DiffType *0.6652471+ HasSelfProject * 0.6879864+ InfoSourceTypeMOP * 0.6459596+ ReductiveTaxType *-0.1853607+ Div2 *0.2350859+ Segment1 *0.3697491+ Segment2 *0.0790810+ Segment3 *0.0153486+ Segment4 *0.1833434+ Segment6 *0.4657387+ CountTC *0.0012856value) Calc)select *from(selectid,prob,avg(prob) over(order by prob desc) avgProbfrom Model)Twhere T.avgProb > @Threshold:42 –ё.T-SQL108.[36, .

168].,..1095[37].26,2746.26 –:27 –33841871846700 (1817812 (0,98)28888 (0,02).1,83)emaile-mail:955166349030 (345357 (0,99)3673 (0,01)2,70).,:-«-«-«-«»»»»ё,.110ё.49:.1.,-ё,,.2.-.3.ё,ё.,ё4..,:-;-;-;-;-;-;-;-.:ё,43,46;,44,,47.111:43 –.:2014 . –2015 .112:44 –.113:45 –.114:46 –.115:47 –.116:48 –.117:.49 –,« ё»48.,,«»,.,–.,45.ё1,5: 1)1,5; 4)6,; 2)ё3.; 3)1,54,5118.50.:.50 –,,, ,.119:51 –.120:52 –.ё121ё:–6,612,3% ( 1,86);:15-45(110-40);ё;ё(,,5,12%),,(,3151,5,16%2224%);ё;ё-ё:МЧИ ∗∗ С И ∗=––;/ ,уб.,=∗;: 4 000 000:1-∗;(.2015).:.1.,.–, % ∗ ,2014 –1222.,.3.,..4..5.,.6..7..123ё:1..2..3..4.,,,,,.5..,6.,,,.7.,().,ёё.124,1.. ./.

.//. – 2008. –№3(41). – . 5-11.2.. .,:.. .,/ . .. ..;, . .. .. –,.:, 1989. – 607 .3.. .,:.. ., . ..–,4./.:.–5.. ../ . ..:6.. .:2 . /.:,,, 1985. – 487 .. .,,, 1983. – 471 ... .. .. .:. .,;. – 2-. –, 2001. – .1. – 656 .,. ./. .//,2011. – №6. – . 104-108.7.,. .//8./ . .424 .. ./, 2012. – №4(22). – .

61-68.,, . .. ..–.:, 2004. –1259..,/ .., ..–;10..:, 1982. – 488 .. . STATISTICA.,:/. ..–.:, 2003. –688 .,11.. .// . ./,2013. – № 44. – . 95-102., . .12.:.–13..…..: 08.00.05 /, 2008. – 170 ..,/..–.:,1989. – 360 .14.. .,/STATISTICA15.EXCEL. –.:, 2004. – 464 .. …:.–08.00.05 /] /..:., 2004. – 137 .. .,[;. .,16..

.«.». –:https://yandexdataschool.ru/edu-process/courses/machine-learning (-: 20.10.2017).17.. .,/ . .18.,:4, 2001. –19...–, . .. .. /, 2008. – 659 ..::. .;,... . –.:. 4. – 256 .,.:.–./«», 2007. – 912 ..,12620.. .,/. .//, 2014. – . 9, №1. – . 73-75.21..,:./..–.:, 1988. –254 .22.. . Data Mining:,.–.:23..–. .,. ., 2001. – 368 .. .,. ./.:,,/- , 2002.

– 496 .24.,. ./. .,. .://, 2014. – №1(119). – . 41-55.25...,...–:26.,./, 2000. – 320 ..:,…:..: 05.13.11 /. –.,2001. – 164 .27.. .,/.-. ..//., 2013. – №6(186). – . 137-144.28.,/-.. –, 2014. – 175 ..:29..:.,, ., 2007. – .3. – 824 .:7 ./ .; 2-.–12730....,.,.,./.,..;... –..:,1999. – 896 .31..–.:./.;., 2007. – 656 .32.. .,,/.

., 1965. –//. 163. – №4, 1965. – . 830-848.33.-.,/.,,-., 1992. –//№3. – . 40-53.34.,. ./, 2016. – №4,35.,. .//1. – . 201-207.. ./. .//. – 2016. – №5. – . 104-108.36.,. ./. .//, 2016. – №2. – . 165-169.37.. .,/. .//, 2014. – №2. – . 17-21.38.,. .,/ . .//. – 2016. – №4. –: http://co2b.ru/docs/enj.2016.04.pdf (39.,. .. 564-567.

–: 20.10.2017).-,128.///, 2015. – №5. –. 101-106.40..[]/ ..// Basegroup Labs.2016.:: 20.10.2017).https://basegroup.ru/community/articles/logistic (,41.. .]/[. .2009. – №3. –(–ROC-//,: http://www.mavriz.ru/articles/2009/3/4958.html: 20.10.2017).42.. .,[. .]/,//–2006.:http://zhurnal.ape.relarn.ru/articles/2006/200.pdf (: 21.09.2015)..43.2014 . []/Step by step, 2014.

–: http://www.step-by-step.ru/marketing-researches/element/13621(: 20.10.2017).44.. .,:..–: 08.00.05 /45.,..ё , 2014. – 206 .. ./.;.,. ..–1999. – 598 ., . .46./ . .47.,/ .... .,:. ….–.:... 2008. – 55 ..–.:, 1986. – 167 .. ..:, .-,12948.. .,.–.49.[. …,, 2005. – 190 ..29.10.1998 N 164] //–:(.: 22.00.03 /.31.12.2014)«-».: https://www.consultant.ru/document/cons_doc_LAW_20780/(: 20.10.2017)..50.,., 20142014.[]/–:http://www.forecsys.ru/ru/site/projects/sell4cast_trust2014/(:20.10.2017).ё51.[«», 2016. –: 20.10.2017).: https://www.europlan.ru/leasing (52.,. ./] /.

., .;..–, 2002. – 308 ..:53.Agrawal, R. Fast Discovery of Association Rules / R. Agrawal,R. Srikant. – Santiago: 20th International Conference on VLDB, 1994. –pp. 307-328.54.Agrawal, R. Mining Associations between Sets of Items in MassiveDatabases / R. Agrawal, T. Imielinski, A.

Характеристики

Тип файла

PDF-файл

Размер

3,19 Mb

Материал

Инструменты и методы анализа слабоструктурированных данных в оптимизации маркетинговых коммуникаций

Тип материала

Кандидатская диссертация

Предмет

Экономика

Высшее учебное заведение

Финуниверситет

Список файлов диссертации

instrumenty-i-metody-analiza-slabostrukturirovannyh-dannyh-v-optimizacii-marketingovyh-kommunikacij.rar

Инструменты и методы анализа слабоструктурированных данных в оптимизации маркетинговых коммуникаций.pdf

Прочти меня!!!.txt

Поделитесь ссылкой:

Ставлю 10/10
Все нравится, очень удобный сайт, помогает в учебе. Кроме этого, можно заработать самому, выставляя готовые учебные материалы на продажу здесь. Рейтинги и отзывы на преподавателей очень помогают сориентироваться в начале нового семестра. Спасибо за такую функцию. Ставлю максимальную оценку.

Лучшая платформа для успешной сдачи сессии
Познакомился со СтудИзбой благодаря своему другу, очень нравится интерфейс, количество доступных файлов, цена, в общем, все прекрасно. Даже сам продаю какие-то свои работы.

Студизба ван лав ❤
Очень офигенный сайт для студентов. Много полезных учебных материалов. Пользуюсь студизбой с октября 2021 года. Серьёзных нареканий нет. Хотелось бы, что бы ввели подписочную модель и сделали материалы дешевле 300 рублей в рамках подписки бесплатными.

Отличный сайт
Лично меня всё устраивает - и покупка, и продажа; и цены, и возможность предпросмотра куска файла, и обилие бесплатных файлов (в подборках по авторам, читай, ВУЗам и факультетам). Есть определённые баги, но всё решаемо, да и администраторы реагируют в течение суток.

Маленький отзыв о большом помощнике!
Студизба спасает в те моменты, когда сроки горят, а работ накопилось достаточно. Довольно удобный сайт с простой навигацией и огромным количеством материалов.

Студ. Изба как крупнейший сборник работ для студентов
Тут дофига бывает всего полезного. Печально, что бывают предметы по которым даже одного бесплатного решения нет, но это скорее вопрос к студентам. В остальном всё здорово.

Спасательный островок
Если уже не успеваешь разобраться или застрял на каком-то задание поможет тебе быстро и недорого решить твою проблему.

Всё и так отлично
Всё очень удобно. Особенно круто, что есть система бонусов и можно выводить остатки денег. Очень много качественных бесплатных файлов.

Отзыв о системе "Студизба"
Отличная платформа для распространения работ, востребованных студентами. Хорошо налаженная и качественная работа сайта, огромная база заданий и аудитория.

Отличный помощник
Отличный сайт с кучей полезных файлов, позволяющий найти много методичек / учебников / отзывов о вузах и преподователях.

Отлично помогает студентам в любой момент для решения трудных и незамедлительных задач
Хотелось бы больше конкретной информации о преподавателях. А так в принципе хороший сайт, всегда им пользуюсь и ни разу не было желания прекратить. Хороший сайт для помощи студентам, удобный и приятный интерфейс. Из недостатков можно выделить только отсутствия небольшого количества файлов.

Спасибо за шикарный сайт
Великолепный сайт на котором студент за не большие деньги может найти помощь с дз, проектами курсовыми, лабораторными, а также узнать отзывы на преподавателей и бесплатно скачать пособия.