Uporaba metoda nenadziranog strojnog učenja za potrebe analize navika kupaca

završni rad

• Naslov (engleski): Using Unsupervised Machine Learning Methods for Analyzing Customer Habits
• Autor: Petra Dunja Grujić Ostojić
• Mentor: Damir Pintar (mentor)
• Član povjerenstva: Damir Pintar (predsjednik povjerenstva)
• Član povjerenstva: Matija Šulc (član povjerenstva)
• Član povjerenstva: Luka Humski (član povjerenstva)
• Ustanova koja je dodijelila akademski / stručni stupanj: Sveučilište u Zagrebu; Fakultet elektrotehnike i računarstva; Zagreb
• Datum i država obrane: 2022-07-12, Hrvatska
• Znanstveno / umjetničko područje, polje i grana: TEHNIČKE ZNANOSTI; Računarstvo

Sažetak

Osnovni zadatci nenadziranog strojnog učenja su grupiranje, procjena gustoće, otkrivanje anomalija i stršećih vrijednosti i smanjenje dimenzionalnosti. Nenadzirano strojno učenje ima veliku primjenu u marketingu. Danas to područje obiluje podatcima pomoću kojih tvrtke mogu razumjeti potrebe kupaca i steći njihovu naklonost, a time i dugoročni profit.

U ovom je radu naglasak na metodama grupiranja kupaca na temelju njihovih karakteristika i potrošačkih navika. Na odabranom podatkovnom skupu provedena je eksploratorna analiza, reducirana dimenzionalnost te su primijenjeni algoritmi K-sredina, K-medoida i algoritam hijerarhijskog grupiranja (HAC). Uočeno je da na ovom podatkovnom skupu algoritam K-sredina dao bolje rezultate od algoritma K-medoida: dobivene 3 grupe su bile homogenije. Na temelju razlika između grupa kupaca tvrtka bi mogla personalizirati buduću marketinšku kampanju.

Sažetak (engleski)

Unsupervised machine learning models are utilized for four main tasks: clustering, density estimation, anomalies and outliers detection, and dimensionality reduction. Nowadays, there's a lot of data that can be used to satisfy customer needs and sustain a profitable business. Therefore, unsupervised machine learning plays a major role in marketing.

The main focus of this paper is customer clustering techniques. Before performing customer segmentation based on their characteristics and purchase behavior, an exploratory analysis of chosen dataset has been done. Clustering algorithms that were used in this paper are the K-means algorithm, the K-medoids algorithm, and hierarchical agglomerative clustering (HAC). It turned out that the K-means algorithm outperformed the K-medoids algorithm on this dataset: 3 obtained clusters were more homogeneous. Based on differences among clusters company could personalize its future marketing campaign.

• Ključne riječi: nenadzirano strojno učenje; grupiranje; analiza glavnih komponenata; segmentacija kupaca; analiza navika kupaca; analiza osobnosti kupaca; marketing; eksploratorna analiza podataka; algoritam K-sredina; algoritam K-medoida; hijerarhijsko aglomerativno grupiranje
• Ključne riječi (engleski): unsupervised machine learning; clustering; Principal Component Analysis (PCA); customer segmentation; customer behavior analysis; customer personality analysis; marketing; exploratory data analysis; the K-Means algorithm; the K-Medoids algorithm; hierachical agglomerative clusering (HAC)
• Jezik: hrvatski
• URN:NBN: urn:nbn:hr:168:345760
• Studijski program: Naziv: Računarstvo; Vrsta studija: sveučilišni; Stupanj studija: preddiplomski; Akademski / stručni naziv: sveučilišni/a prvostupnik/ prvostupnica (baccalaureus/baccalaurea) inženjer/inženjerka računarstva (univ.bacc.ing.comp.)
• Vrsta resursa: Tekst
• Način izrade datoteke: Izvorno digitalna
• Prava pristupa: Zatvoreni pristup
• Datum i vrijeme pohrane: 2023-01-15 10:15:00