論文の概要: An Exploration of Clustering Algorithms for Customer Segmentation in the
UK Retail Market
- arxiv url: http://arxiv.org/abs/2402.04103v1
- Date: Tue, 6 Feb 2024 15:58:14 GMT
- ステータス: 処理完了
- システム内更新日: 2024-02-07 14:03:50.743625
- Title: An Exploration of Clustering Algorithms for Customer Segmentation in the
UK Retail Market
- Title（参考訳）: 英国小売市場における顧客セグメンテーションのためのクラスタリングアルゴリズムの検討
- Authors: Jeen Mary John, Olamilekan Shobayo, Bayode Ogunleye
- Abstract要約: 我々は,小売市場における意思決定プロセスを改善するための顧客セグメンテーションモデルの開発を目指している。
これを実現するために、UCI機械学習レポジトリから得られたイギリスのオンライン小売データセットを使用しました。
その結果、GMMは他のアプローチよりも優れており、シルエットスコアは0.80である。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Recently, peoples awareness of online purchases has significantly risen. This
has given rise to online retail platforms and the need for a better
understanding of customer purchasing behaviour. Retail companies are pressed
with the need to deal with a high volume of customer purchases, which requires
sophisticated approaches to perform more accurate and efficient customer
segmentation. Customer segmentation is a marketing analytical tool that aids
customer-centric service and thus enhances profitability. In this paper, we aim
to develop a customer segmentation model to improve decision-making processes
in the retail market industry. To achieve this, we employed a UK-based online
retail dataset obtained from the UCI machine learning repository. The retail
dataset consists of 541,909 customer records and eight features. Our study
adopted the RFM (recency, frequency, and monetary) framework to quantify
customer values. Thereafter, we compared several state-of-the-art (SOTA)
clustering algorithms, namely, K-means clustering, the Gaussian mixture model
(GMM), density-based spatial clustering of applications with noise (DBSCAN),
agglomerative clustering, and balanced iterative reducing and clustering using
hierarchies (BIRCH). The results showed the GMM outperformed other approaches,
with a Silhouette Score of 0.80.
- Abstract（参考訳）: 近年,オンライン購入に対する人々の意識が高まっている。
これによりオンライン小売プラットフォームが生まれ、顧客の購買行動の理解を深める必要性が高まった。
小売企業は大量の顧客の購入に対処する必要があるため、より正確で効率的な顧客セグメンテーションを実現するための高度なアプローチが必要である。
顧客セグメンテーション(customer segmentation)は、顧客中心のサービスを支援するマーケティング分析ツールで、収益性を高める。
本稿では,小売業における意思決定プロセスを改善するための顧客セグメンテーションモデルの構築を目的とする。
これを実現するために、UCI機械学習レポジトリから得られたイギリスのオンライン小売データセットを使用した。
小売データセットは、541,909の顧客記録と8つの特徴で構成されている。
本研究は顧客価値を定量化するためにrfm(recency, frequency, and monetary)フレームワークを採用した。
その後,k-meansクラスタリング,gaussian mixed model (gmm),dential-based spatial clustering of applications with noise (dbscan),agglomerative clustering, balanced iterative reduction and clustering using hierarchies (birch)など,最先端(sota)クラスタリングアルゴリズムをいくつか比較した。
その結果、GMMは他のアプローチよりも優れており、シルエットスコアは0.80である。
関連論文リスト
- Emulating Full Client Participation: A Long-Term Client Selection Strategy for Federated Learning [48.94952630292219]
本稿では,クライアントの完全参加によって達成されるパフォーマンスをエミュレートする新しいクライアント選択戦略を提案する。
1ラウンドで、クライアントサブセットとフルクライアントセット間の勾配空間推定誤差を最小化し、クライアントを選択する。
複数ラウンド選択において、類似したデータ分布を持つクライアントが選択される頻度に類似することを保証する、新しい個性制約を導入する。
論文 参考訳（メタデータ） (2024-05-22T12:27:24Z) - RE-RFME: Real-Estate RFME Model for customer segmentation [0.0]
本稿では,顧客を高い価値,有望性,必要な注意力,アクティベーションの4つのグループに分割するためのエンドツーエンドパイプラインRE-RFMEを提案する。
本研究では,Webサイトおよびモバイルアプリケーションユーザを対象とした実世界のHousing.comデータセットに対する提案手法の有効性を示す。
論文 参考訳（メタデータ） (2024-04-26T06:19:02Z) - Fed-CBS: A Heterogeneity-Aware Client Sampling Mechanism for Federated
Learning via Class-Imbalance Reduction [76.26710990597498]
本研究では,ランダムに選択したクライアントからのグループデータのクラス不均衡が,性能の大幅な低下につながることを示す。
我々のキーとなる観測に基づいて、我々は効率的なクライアントサンプリング機構、すなわちフェデレートクラスバランスサンプリング(Fed-CBS)を設計する。
特に、クラス不均衡の尺度を提案し、その後、同型暗号化を用いてプライバシー保護方式でこの尺度を導出する。
論文 参考訳（メタデータ） (2022-09-30T05:42:56Z) - Efficient Distribution Similarity Identification in Clustered Federated
Learning via Principal Angles Between Client Data Subspaces [59.33965805898736]
クラスタ学習は、クライアントをクラスタにグループ化することで、有望な結果をもたらすことが示されている。
既存のFLアルゴリズムは基本的に、クライアントを同様のディストリビューションでグループ化しようとしている。
以前のFLアルゴリズムは、訓練中に間接的に類似性を試みていた。
論文 参考訳（メタデータ） (2022-09-21T17:37:54Z) - On the Convergence of Clustered Federated Learning [57.934295064030636]
統合学習システムでは、例えばモバイルデバイスや組織参加者といったクライアントは通常、個人の好みや行動パターンが異なる。
本稿では,クライアントグループと各クライアントを統一最適化フレームワークで活用する,新しい重み付きクライアントベースクラスタリングFLアルゴリズムを提案する。
論文 参考訳（メタデータ） (2022-02-13T02:39:19Z) - Clustering of Bank Customers using LSTM-based encoder-decoder and
Dynamic Time Warping [0.0]
クラスタリングは教師なしのデータマイニング技術であり、セグメンテーション顧客に使用することができる。
本研究では,実世界の金融データセットを用いて,エンコーダデコーダネットワークと動的時間ワープ(DTW)手法を用いて銀行顧客をクラスタリングする。
論文 参考訳（メタデータ） (2021-10-22T13:16:49Z) - Client Selection Approach in Support of Clustered Federated Learning
over Wireless Edge Networks [2.6774008509840996]
CFL(Clustered Federated Multitask Learning)は、信頼性の高い専門モデルを得るための効率的なスキームとして導入された。
本稿では,特殊な機械学習モデルを得るための収束率の向上を目的とした,新しいクライアント選択アルゴリズムを提案する。
論文 参考訳（メタデータ） (2021-08-16T21:38:22Z) - Federated Noisy Client Learning [105.00756772827066]
フェデレートラーニング(FL)は、複数のローカルクライアントに依存する共有グローバルモデルを協調的に集約する。
標準FLメソッドは、集約されたモデル全体のパフォーマンスを損なううるノイズの多いクライアントの問題を無視します。
本稿では,Fed-NCL (Federated Noisy Client Learning) を提案する。
論文 参考訳（メタデータ） (2021-06-24T11:09:17Z) - OPAM: Online Purchasing-behavior Analysis using Machine learning [0.8121462458089141]
本稿では,教師なし・教師なし・半教師付き学習手法を用いた顧客の購買行動分析システムを提案する。
提案システムは,顧客カテゴリやクラスタを特定するために,セッションおよびユーザジャーニーレベルの購買行動を分析する。
論文 参考訳（メタデータ） (2021-02-02T17:29:52Z) - Dynamically Tie the Right Offer to the Right Customer in
Telecommunications Industry [0.0]
本研究は,顧客ターゲットのキャンペーン依存変数に着目した概念モデルを提案する。
この研究の顧客セグメンテーションの結果は、マーケターにとってより意味があり、関連性があるかもしれない。
論文 参考訳（メタデータ） (2020-10-18T16:44:51Z) - Topology-based Clusterwise Regression for User Segmentation and Demand
Forecasting [63.78344280962136]
本研究は,パブリックおよび新規な商用データ集合を用いて,アナリストがユーザベースをクラスタリングし,詳細なレベルで需要を計画できることを示す。
本研究は,TDAに基づく時系列クラスタリングと行列因数分解法によるクラスタ回帰を実践者にとって実行可能なツールとして導入することを目的とする。
論文 参考訳（メタデータ） (2020-09-08T12:10:10Z)
関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。
指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。