|
한다. I. 서 론
Ⅱ. 이론적 배경
2.1 Data Mining
2.1.1 인공신경망
2.1.2 SVM
2.2 이탈고객관리에 관한 선행연구
Ⅲ. 연구모형
1. 연구절차
IV. 실증분석
4.1 자료 수집 및 변수 선정
4.2 이탈고객 세분화
V. 결론
참고문헌
|
|
|
마이닝(Data Mining)
1. 데이터마이닝
2. 데이터마이닝의 수행과정
3. 데이터마이닝 기법
4.데이터마이닝의 활용분야
Ⅱ.시장바구니분석(Market Basket Analysis)
1.시장바구니분석
2.연관규칙 (Association rules)
3.측정기준
4.연관규칙의 예
5.시장바
|
|
|
마이닝 기법을 이용해서 고객들의 이탈확률을 계산하고, 이탈가능성이 높은 고객들을 집중관리 해서 이탈하려고 하는 고객 중 10%만이라도 해지하지 않게 만든다면 연간 37억 이상의 이득이 발생한다.
실지로 모 통신사에서 이탈방지를 위한
|
|
|
마이닝 기법을 이용해서 고객들의 이탈확률을 계산하고, 이탈가능성이 높은 고객들을 집중관리 해서 이탈하려고 하는 고객 중 10%만이라도 해지하지 않게 만든다면 연간 37억 이상의 이득이 발생한다.
실지로 모 통신사에서 이탈방지를 위한
|
|
|
마이닝 기법의 응용에 대한 연구, 신학경영연구, 2002
*홈페이지
-http://www.neoisys.com/mining.html
-http://www.dawinc.co.kr/html/solutions_sasmining.asp
-VAATZ 홈페이지 \"www.vaatz.com\"
*신문기사
-한국일보, [절대품질, 산업현장이 바뀐다] <2> 현대자동차 아산공
|
|
 |
마이닝 기법 연구, 김종민, 최경호, 이동휘, 정보·보안논문지 제12권 제2호 (2012년 5월) pp.61-70 1598-7329
특수기술 샘플 군집화를 이용한 개선된 아다부스트 알고리즘, 백열민, 김중근, 김회율, 한국방송공학회지 제18권 제4호 통권 제73호 (2013. 7) pp
|
|
 |
확률을 결합한 사후확률을 고객불만지표로 정의했습니다 이후 군집분석 및 ANN, SVM을 통한 예측모형을 구축했습니다. 그 결과 예측모형의 정확도를 80.7%, 83.61%의 높은 performance를 도출할 수 있었습니다. 1. 회사 및 해당직무에 지원하게 된
|
|
 |
확률을 결합한 사후확률을 고객불만지표로 정의했습니다 이후 군집분석 및 ANN, SVM을 통한 예측모형을 구축했습니다. 그 결과 예측모형의 정확도를 80.7%, 83.61%의 높은 performance를 도출할 수 있었습니다.이러한 경험을 바탕으로 SKT의 data hub등과
|
|
메뉴펼치기
