دانلود ترجمه مقاله یافتن مدل ترتیبی تاخر، تکرار و نقدینگی از داده های خرید مشتری

نتیجه گیری:
بیشتر الگوریتم های موجود برای کاوش الگوهای ترتیبی روی فراوانی، بعنوان تنها معیار انتخاب تمرکز میکنند. با این حال فراوانی نیز یک معیار مهم در تعیین ارزش الگواست که می تواند مهمترین هم باشد. مثلا ارزش تولیدات در پیشنهادات محصولات می تواند معیاری اساسی برای خرده فروشان آنلاین باشد. درغیر این صورت، ممکن است مقدار زیادی الگوی کم ارزش بدست می آوریم. ما در این مقاله دو محدودیت تازگی و پولی را مدنظر قرار دادیم و الگوی تازگی، فراوانی و پولی (RFM) را برای SPM درنظر گرفته ایم. با این حال متغیرهای RFM توسط محققان بسیاری در توسعه متدهای داده کاوی مد نظربوده اما این مقاله اولین مقاله در به کارگیری RFM در SPM است. الگوهای RFM مانند الگوهای ترتیبی قدیم، می تواند درکاربردهای مختلف EC مانند فروش متقابل، توصیه محصول و بازاریابی شخصی شده ،طراحی کاتالوگ الکترونیکی و طراحی بسته نرم افزاری تولید استفاده می شود (برای توضیحات بیشتر به (هان و کامبر 2007) مراجعه کنید). ما الگوریتم قدیمی Apriori را برای تولید یک الگوریتم جدید به نام RFM-Apriori و باهدف تولید همه الگوهای RFM تغییر دادیم. آزمایشات گسترده تر با استفاده از نه مجموعه داده ترکیبی و یک مجموعه داده زندگی حقیقی برای ارزیابی الگوریتم پیشنهادی به کار رفتند. علاوه بر به کارگیری مفهوم RFM در SPM و توسعه یک الگوریتم کارآمد، یک چارچوب کاری برای تولید اطلاعات ارزشمند از رفتار خرید مشتری برای تصمیمات مدیریتی ایجاد کردیم. بالاخص ما یک متد بخش بندی با تقسیم بندی الگو بر مبنای شاخص های RFM به چند گروه پیشنهاد کرده ایم بطوریکه یک خرده فروش می تواند این گروه هارا برای یافتن مثلا، تغییرات ممکن در الگوهای خرید در طی زمان، مقایسه کرده، با هم بسنجد و درکنار هم قرار دهد. به دلیل سختی بدست آوردن داده های جریان کلیک خرده فروشی الکترونیک، از یک مجموعه داده واقعی جمع آوری شده توسط خرده فروش آفلاین استفاده کردیم. تفاوت هایی میان داده های خرده فروشی انلاین و آفلاین وجود دارد.

Conclusions:
Most existing algorithms for mining sequential patterns focus on frequency as the sole selection criterion. Although frequency is an essential criterion in determining the value of a pattern, there could be other important ones. For example, the values of products in product recommendation could be a critical criterion for on-line retailers. Otherwise, we may obtain a large number of patterns with low values. In this paper, we include two such criteria, recency and monetary, and propose the recency, frequency, and monetary (RFM) pattern for SPM. Although RFM variables have been considered by several researchers in developing data-mining methods, this paper is the first in applying RFM in SPM. The RFM-patterns, as traditional sequential patterns, could be applied in various EC applications, such as cross-selling, product recommendation, personalized marketing. E-catalog design, and product bundle design. (For details, refer to (Han and Kamber 2007). We modify the traditional Apriori algorithm to produce a novel algorithm, named RFM-Apriori, for generating all RFM-patterns. Extensive experiments using nine synthetic datasets and one real-life dataset are carried out to evaluate the proposed algorithm. In addition to the contributions of introducing the RFM concept to SPM and developing an efficient algorithm, we propose a framework for generating valuable information on customer purchasing behavior for managerial decision-making. Specifically, we suggest a segmentation method by partitioning the patterns into groups based on the RFM indices such that a retailer can further compare, contrast, and aggregate these groups of patterns to find, for example, possible changes in purchasing patterns over time. Because of the difficulty of obtaining e-retailing clickstream data, we use a real dataset collected by an off-line retailer. There are differences between on-line and off-line retailing data.