PL EN


2017 | 342 | 52-71
Article title

Metodyczne podejście do analizy i eksploracji danych marketingowych

Content
Title variants
EN
A methodological approach to analysis and exploration of marketing data
Languages of publication
PL
Abstracts
PL
W artykule zaproponowano metodykę realizacji projektu systemu wspomagania decyzji marketingowych z wykorzystaniem metod eksploracji danych i technologii Big Data. Inspiracją podejścia była metodyka eksploracji danych CRISP-DM, która oryginalnie nie była zorientowana na projekty Big Data. Z tego powodu metodykę tę zmodyfikowano pod kątem celu i wymagań funkcjonalnych oraz technologicznych projektowanego przez nas systemu. Główne prace badawcze w projekcie koncentrowały się na analizie i eksploracji dużych, heterogenicznych zbiorów danych o dużej zmienności. W artykule szczegółowo opisano etapy procesu realizacji projektu według rozszerzonej metodyki CRISP-DM, z uwzględnieniem specyfiki procesów analizy i eksploracji dużych baz danych marketingowych przetwarzanych w czasie rzeczywistym. W celu ilustracji podejścia podano też przykłady zadań w trakcie realizacji etapów projektu na konkretnych danych o klientach, transakcjach i produktach sklepu internetowego.
EN
The article proposes a methodology for development of a marketing Decision Support System using data mining methods and Big Data technologies. The main research findings focus on the analysis and exploration of very large, heterogeneous sets of highly volatile marketing data. The approach is inspired by the CRISP-DM methodology which is not oriented towards Big Data applications. The article describes in detail the stages of the project development according to the extended CRISP-DM methodology, taking into account the specificity of the analysis and exploration processes of large marketing databases processed in real time. In order to illustrate the approach, the examples based on real data about customers, transactions and products of the Internet store were discussed.
Year
Volume
342
Pages
52-71
Physical description
Contributors
author
  • Uniwersytet Ekonomiczny we Wrocławiu. Wydział Zarządzania, Informatyki i Finansów. Katedra Technologii Informacyjnych
author
  • Uniwersytet Ekonomiczny we Wrocławiu. Wydział Zarządzania, Informatyki i Finansów. Katedra Inteligencji Biznesowej w Zarządzaniu
References
  • Azevedo A., Santos M.F. (2008), KDD, SEMMA and CRISP-DM: A Parallel Overview [w:] Proceedings of the IADIS European Conference on Data Mining, s. 182-185.
  • Catley C., Smith K., McGregor C., Tracy M. (2009), Extending CRISP-DM to Incorporate Temporal Data Mining of Multidimensional Medical Data Streams: A Neonatal Intensive Care Unit Case Study [w:] Computer-Based Medical Systems, 22nd IEEE International Symposion on CBMS, s. 1-5.
  • Chorianopoulos A. (2016), Effective CRM Using Predictive Analytics, John Wiley & Sons, Chichester.
  • Frazer M., Stiehler B.E. (2014), Omnichannel Retailing: The Merging of the Online and Offline Environment [w:] Proceedings of the Global Conference on Business and Finance, Vol. 9, No. 1, s. 655-657.
  • IBM (2011), Introducing Apache Mahout, www.ibm.com (dostęp: 15.02.2017).
  • Karau H., Konwinski A., Wendell P., Zaharia M. (2015), Learning Spark: Lightning-Fast Big Data Analysis, O’Reilly, Sebastopol.
  • Laserson U., Owen S., Wills J. (2015), Analytics with Spark: Patterns for Learning from Data at Scale, O’Reilly, Sebastopol.
  • Marz N., Warren J. (2015), Big Data: Principles and Best Practices of Scalable Realtime Data Systems, Manning Publishing, New York.
  • Masterson M., Tribby M. (2009), Changing the Channel: 12 Easy Ways to Make Millions for Your Business, John Wiley & Sons, Chichester.
  • Moro S., Laureano R., Cortez P. (2011), Using Data Mining for Bank Direct Marketing: An Application of the CRISP-DM Methodology [w:] Proceedings of European Simulation and Modelling Conference ESM’2011, s. 117-121.
  • Moutinho L., Huarng K. (2015), Quantitative Modelling in Marketing and Management, World Scientific Publishing, Singapore.
  • Owen S., Anik R., Dunning T., Friedman E. (2012), Mahout in Action, Manning Publishing, New York.
  • Piatetsky-Shapiro G. (2014), KDNuggets Poll: Data Mining Methodology, http://www.kdnuggets.com/polls/2014/analytics-data-mining-data-science-methodology.html (dostęp: 20.02.2017).
  • Rigby D. (2011), The Future of Shopping, Harvard Business Review, https://hbr.org/2011/12/the-future-of-shopping (dostęp: 18.02.2017).
  • Rohanizadeh S.S., Moghadam M.B. (2009), A Proposed Data Mining Methodology and its Application to Industrial Procedures, “Journal of Industrial Engineering”, Vol. 4(1), s. 37-50.
  • Ryza S., Laserson U., Owen S., Wills J. (2015), Advanced Analytics with Spark: Patterns for Learning from Data at Scale, O’Reilly, Sebastopol.
  • Shearer C. (2000), The CRISP-DM Model: The New Blueprint for Data Mining, “Journal of Data Warehousing”, Vol. 5, s. 13-22.
  • Shmueli G., Bruce P., Stephens M., Patel N. (2017), Data Mining for Business Analytics, John Wiley & Sons, Chichester.
  • Shmueli G., Patel N., Bruce P. (2010) Data Mining for Business Intelligence, John Wiley & Sons, Chichester.
  • Wheeler S.R. (2016) Architecting Experience: A Marketing Science and Digital Analytics Handbook, World Scientific Publishing, Singapore.
  • White T. (2015), Hadoop: The Definitive Guide: Storage and Analysis at Internet Scale, O’Reilly, Sebastopol.
  • Witten I., Frank E., Hall M., Pal C. (2017), Data Mining: Practical Machine Learning Tools and Techniques, Morgan Kaufmann, Amsterdam.
  • [www 1] http://www.kdnuggets.com/2014/10/new-poll-methodology-analytics-data-miningdata-science.html (dostęp: 21.02.2017).
  • [www 2] https://www.slideshare.net/MicrosoftAT/digital-transformation-book-of-dreams (dostęp: 10.02.2017).
  • [www 3] http://orange.biolab.sl (dostęp: 21.02.2017).
  • [www 4] http://mahout.apache.org/users/basics/algorithms.html (dostęp: 21.02.2017).
  • [www 5] http://spark.apache.org/docs/latest/ml-guide.html (dostęp: 21.02.2017).
  • [www 6] http//www.tensorflow.org/ (dostęp: 21.02.2017).
  • [www 7] http://pandas.pydata.org/ (dostęp: 21.02.2017).
Document Type
Publication order reference
Identifiers
ISSN
2083-8611
YADDA identifier
bwmeta1.element.cejsh-d6a8c44f-2809-4fdf-8a7b-b343b7c506f5
JavaScript is turned off in your web browser. Turn it on to take full advantage of this site, then refresh the page.