Advanced
Please use this identifier to cite or link to this item: https://digital.lib.ueh.edu.vn/handle/UEH/60580
Full metadata record
DC FieldValueLanguage
dc.contributor.advisorAssoc. Prof. Dr. Quản Thành Thơen_US
dc.contributor.authorMai Thị Kim Ngânen_US
dc.date.accessioned2020-10-27T09:14:24Z-
dc.date.available2020-10-27T09:14:24Z-
dc.date.issued2020-
dc.identifier.otherBarcode: 1000010359-
dc.identifier.urihttps://opac.ueh.edu.vn/record=b1032313~S1-
dc.identifier.urihttp://digital.lib.ueh.edu.vn/handle/UEH/60580-
dc.description.abstractVới sự bùng nổ và phát triển của công nghệ thông tin đã mang lại nhiều hiệu quả đối với các hoạt động kinh doanh của doanh nghiệp, đặc biệt là đối với việc khai phá dữ liệu từ hệ thống quản trị quan hệ khách hàng. Dữ liệu trong hệ thống quản trị quan hệ khách hàng chứa đựng nhiều thông tin hữu ích, giá trị, đòi hỏi phải có những kĩ thuật khai phá nhanh, phù hợp chính xác hiệu quả. Khai phá dữ liệu khách hàng giúp doanh nghiệp hiểu khách hàng hơn từ đó có các chiến lược, chương trình chăm sóc khách hàng phù hợp. Các kĩ thuật trong khai phá dữ liệu gồm: trực quan hóa dữ liệu, phân nhóm, phổ biến là phát hiện luật kết hợp. Với phương pháp trực quan hóa dữ liệu, doanh nghiệp có thể rút trích được những thông tin đa dạng. Ngoài ra kĩ thuật phân nhóm K-Means giúp doanh nghiệp có thể phân cụm, phân nhóm khách hàng để chăm sóc tốt hơn. Đặc biệt khai phá luật kết hợp nhằm tìm ra các tập phần tử thường xuất hiện đồng thời trong cơ sở dữ liệu và rút ra các luật về ảnh hưởng của một tập phần tử dẫn đến sự xuất hiện của một (hoặc một tập) phần tử khác như thế nào. Bên cạnh đó, nhu cầu khai phá khi dữ liệu gia tăng là rất cần thiết hiện nay bởi kích thước lưu trữ dữ liệu ngày càng nhiều nên đòi hỏi tốc độ xử lý cũng như dung lượng bộ nhớ hệ thống phải đảm bảo. Vì thế, yêu cầu cần có những thuật toán hiệu quả cho việc phát hiện luật kết hợp. Việc dự đoán trước sản phẩm khách hàng mua kèm sẽ giúp doanh nghiệp có thể tăng số lượng bán và doanh thu. Cũng như việc phân nhóm khách hàng cụ thể sẽ giúp doanh nghiệp có chiến lược chăm sóc riêng biệt, Tuy nhiên khó khăn ở việc biểu diễn thông tin ở đầu ra để người dùng có thể thấy được ý nghĩa từ những thông tin đó.Hiện nay việc phân nhóm phổ biến nhất là dùng K-Means tuy nhiên trong luận văn này ngoài phương pháp K-Means tác giả còn dùng phương pháp phân tích RFM để phân cụm khách hàng. Ngoài ra, hai giải thuật phổ biến cho luật kết hợp là Apriori và FPGrowth, được dùng trong bài toán phân tích sản phẩm khách hàng hay mua kèm theo.en_US
dc.format.medium63 tr.en_US
dc.language.isoVietnameseen_US
dc.publisherTrường Đại học Kinh tế Tp. Hồ Chí Minh-
dc.subjectAssociation rulesen_US
dc.subjectData miningen_US
dc.subjectCustomer relationship managementen_US
dc.subjectLuật kết hợpen_US
dc.subjectKhai thác dữ liệuen_US
dc.subjectQuản trị quan hệ khách hàngen_US
dc.titleỨng dụng khai thác dữ liệu vào hệ thống quản trị quan hệ khách hàngen_US
dc.typeMaster's Thesesen_US
ueh.specialityCông nghệ thiết kế thông tin và truyền thôngen_US
item.openairetypeMaster's Theses-
item.languageiso639-1Vietnamese-
item.fulltextFull texts-
item.openairecristypehttp://purl.org/coar/resource_type/c_18cf-
item.grantfulltextreserved-
item.cerifentitytypePublications-
Appears in Collections:MASTER'S THESES
Files in This Item:

File

Description

Size

Format

Show simple item record

Google ScholarTM

Check


Items in DSpace are protected by copyright, with all rights reserved, unless otherwise indicated.