دانلود ترجمه مقاله داده کاوی مشتریان به منظور بخش بندی شیوه زندگی

روش تحقیق:
هدف پژوهش دنبال شده در این مقاله، دسته بندی مشتریان شرکت خرده فروشی طبق سبک زندگی شان است. برای تحقق این امر ابتدا سبدهای خرید معمولی را با لحاظ محصولاتی که اخیرا بیشتر خریداری شده اند را شناسایی می کنیم. در متن این تحلیل، یک سبد خرید به عنوان مجموعه ای از محصولات مجزای خریداری شده طی دوره لحاظ شده تعریف شده است. سبک زندگی مشتریان را با تحلیل محصولات شامل شده در سبدهای خرید معمول را استدلال می کنیم. سپس مشتریان را بعد از لحاظ تاریخچه خریدشان درون دسته های سبک زندگی تخصیص می کنیم.
تحلیل خوشه بندی یک تکنیک داده کاوی پرکاربرد است که آیتم های داده ای را درون گروههای ناشناخته آیتم ها با شباهت بالا ترسیم می کند ( خوشه ها). تنوع زیادی از الگوریتم های خوشه بندی وجود دارد ( جین، مورتی و فلین 1999 جهت مرور). اغلب الگوریتمهای خوشه بندی را می توان به صورت سلسله مراتبی یا قسمتی دسته بندین مود. یک خوشه بندی قسمتی ، تقسیم بندی آیتم های داده ای درون گروههایی بدون همپوشانی است بوطریکه هر آیتم درون یک خوشه قرار گیرد. تکنیکهای قسمتی نیازمند مشخصات قبلی در مورد تعداد خوشه هاست. علیرغم این محدودیت، تکنیکهای قسمتی مزیت امکان پذیر ساختن بهینه سازی معیار مربوط به شباهت اشیا درون خوشه ها یا عدم شباهت بین خوشه هایست. الگوریتم های سلسله مراتبی را می توان به صورت متفرقه یا توده ای تقسیم بندی نمود. یک خوشه بندی سلسله مراتبی توده ای با خوشه هایی حاوی یک آیتم منفرد شروع شده و سپس تا زمانی که آِتم ها درون یک خوشه مشابه قرار گیرند آنها را ادغام می کند. در هر تکرار، شبیه ترین خوشه ها ادغام می شوند. خوشه بندی سلسله مراتبی متفرقه با یک خوشه آغاز می ند و به صورت تکرار شونده آن را به خوشه های کوچکتر تقسیم می کند. هم الگوریتم سلسله مراتبی متفرقه و هم توده ای یک توالی تودرتو از خوشه ها را ایجاد می کند، همراه با یک خوشه منفرد جامع در راس و خوشه های تک آیتمی در پایین. ساختار نهایی خوشه های تودرتو امکان نمایش بصری آسان تعداد مناسبی از خوشه ها را بوسیله ی یک نمایش گرافیکی از واریانس تشریح شده در هر سطح خوشه بندی امکان پذیر ساخته است که به دندروگرام نام دارد. اگرچه تکنیکهای سلسله مراتبی امکان جابجایی اشیایی که به درستی گروه بندی نشده اند یا در مرحله اول مجزا گشته اند را غیرممکن ساخته است.

Methodology:
The methodology followed in this paper aims to segment customers from the retailing company according to their lifestyle. To achieve this purpose we first identify typical shopping baskets, by considering the products more frequently purchased together. In the context of this analysis, a shopping basket is defined as the set of distinct products bought by a customer over the period considered. Customers’ lifestyle is inferred by analyzing the products included in the typical shopping baskets. Customers are then assigned to the lifestyle segments by considering the history of their purchases.
Clustering analysis is a widely used data mining technique that maps data items into unknown groups of items with high similarity (i.e., clusters). There is a large variety of clustering algorithms available (see Jain, Murty, & Flynn, 1999 for an overview). Most clustering algorithms can be classified in partitional or hierarchical. A partitional clustering is a division of the data items into non-overlapping groups, such that each item belongs to exactly one cluster. Partitional techniques require the prior specification of the number of clusters. Despite this limitation, partitional techniques have the advantage of allowing the optimization of a criterion related to similarity of objects within clusters or dissimilarity between clusters. Hierarchical algorithms can be classified as agglomerative or divisive. An agglomerative hierarchical clustering starts with clusters containing single items and then merges them until all items are in the same cluster. In each iteration the two most similar clusters are merged. Divisive hierarchical clustering starts with one cluster and iteratively divides it into smaller clusters. Both agglomerative and divisive hierarchical algorithms produce a nested sequence of clusters, with a single all-inclusive cluster at the top, and single-item clusters at the bottom. The resulting structure of the nested clusters enables an easy visualization of the appropriate number of clusters by means of a graphical representation of the variance explained at each clustering level, which is called dendrogram. However, hierarchical techniques do not allow the relocation of objects that may have been ‘‘incorrectly’’ grouped or separated at an early stage.