Сочинение на тему Прогнозирование возможностей продаж с использованием технологии интеллектуального анализа данных

Аннотация

В этой статье показан процесс прогнозирования возможностей продажи с использованием метода интеллектуального анализа данных. Для любой организации, основанной на управлении взаимоотношениями с клиентами (CRM), очень важно анализировать поведение клиентов по отношению к продукту, что создает им возможность сбыта. Прогнозируемый статус возможной переменной продаж прогнозируется с использованием алгоритма C5.0. Существует много независимых переменных, которые используются в качестве правила условия, установленного в каждом сегменте дерева решений. Точность этого прогноза помогает продавцу планировать свою стратегию в отношении возможностей продаж в соответствии с поведением клиента.

Введение

В реальной жизни бизнес-организации все больше осознают, что их система управления взаимоотношениями с клиентами (CRM) дает возможность на соответствующих рынках руководить своей организацией против своих конкурентов. Методы интеллектуального анализа данных используются для прогнозирования результата, с помощью которого организация может планировать свою стратегию для конкретного продукта. Главное в продажах – это сделать продукт клиенту, превратив контакт в качестве ведущего, и сделав правильный продукт для клиента, вы получаете возможность продаж. Несколько продавцов работают вместе с различными продуктами, где продавец должен иметь знания и возможности о конкретном продукте. Анализируя силу конкурентов, тщательно продумывая маркетинг и предложения продуктов, что дает нам преимущество перед конкурентами. В рамках рыночных кампаний маркетологи используются для того, чтобы клиенты покупали различные продукты в соответствии с историей их клиентов и прогнозировали, готов ли клиент выделить бюджет для конкретного продукта. После анализа поведения клиента на основе распределения бюджета на продукт организация может подумать о перекрестной и последующей продаже продукта. Продажа продуктов на основе потребностей клиентов, где организация собирает потребности клиентов с помощью рыночной кампании. Внимание к поведению клиентов помогает организации более эффективно планировать маркетинговую стратегию продаж. Производительность и координация работы, выполняемой в отделе продаж, определяют статус возможности либо выигрыш, либо проигрыш. Есть много важных факторов, которые могут повлиять на статус возможности, таких как клиент, конкуренты, перекрестные продажи, распродажи, продукт, продавец и конкуренты. В конце концов, статус целевой возможности можно предсказать, выиграл он или потерян.

Исследования и расследования

Исследовательская работа, основанная на четырех прогнозирующих моделях машинного обучения, таких как «Случайный лес», «Дерево решений», «Наивный байесовский метод», «Механизм опорных векторов» (SVM) и «Искусственная нейронная сеть» (ANN), предназначена для прогнозирования точности новых состояний и ошибок в возможностях продаж. ставка. Точность производительности каждой модели сравнивается по точности классификации (CA) и площади под кривой (AUC). Исследование показало, что качество моделей зависит от качества и количества данных. Тем не менее, точность Random Forest (77,6%) выше, чем у других моделей. Но точность C5.0 не оценивается.

K-средство используется для кластеризации данных, случайный лес используется для уменьшения измерений и выбора важных атрибутов. Наконец, алгоритм C5.0 используется в качестве основного классификатора для прогнозирования оттока клиентов на два-три месяца.

Дерево решений – это важная классификационная схема, где классификация является контролируемой операцией интеллектуального анализа данных, аналогичные элементы данных группируются и разделяют набор данных на сегменты. Алгоритм C5.0 используется для низкого использования памяти, более высокой точности и повышенной скорости при небольших деревьях решений. Показатели точности улучшенного C5.0 намного лучше, чем у традиционного C5.0 [5].

Здесь алгоритм машинного обучения используется для классификации и прогнозирования точности манипулирования запасами. Процент точности C5.0 все еще очень близок по сравнению с другими моделями [6].

Производительность CART и C5.0 измеряется с использованием методов выборки. CART использует показатель индекса Джини для построения деревьев, тогда как C5.0 использует прирост информации для генерации деревьев. Точность C5.0 выше, чем у CART.

Методология

Методология четко объясняет, как набор данных был извлечен из источника. Это процедура для очистки и преобразования набора данных. Методы, которые были использованы для прогнозирования точности.

<Р> а. Сбор данных

Набор данных загружается с веб-сайта Salvirt в виде необработанных данных в формате с разделением запятыми (.csv). Набор данных содержит 448 случаев с 23 атрибутами, включая 51 процент выигранных и 49 процентов проигранных.

<Р> В. Предварительная обработка данных

Предварительная обработка данных является одним из важных методов, главным образом известных как этап очистки и преобразования, необработанные данные собираются из источника и обрабатываются в соответствии с реализацией. Используя язык программирования R, очищаются дублирующиеся значения, нежелательные специальные символы, зашумленные данные. Пропущенные значения генерируются на основе других атрибутов в наборе данных. Атрибуты закодированы для легкого понимания.

<Р> С. Dataset

Атрибуты содержат много независимых переменных и одну зависимую переменную.

Целевая переменная:

Целевая переменная – «Статус», она содержит значения, является ли статус возможности выигранным или потерянным.

Описание атрибута

Статус Результат возможности продаж

<Р> Предсказатели:

В наборе данных есть 22 переменные предиктора. Эти предикторные переменные влияют на зависимую переменную, используя эти предикторные переменные, результат зависимой переменной можно предсказать, либо она выиграет, либо проиграет.