BazEkon - Biblioteka Główna Uniwersytetu Ekonomicznego w Krakowie

BazEkon home page

Meny główne

Autor
Jakubczyc Janina Anna (Wrocław University of Economics, Poland)
Tytuł
Contextual Classifier Ensemble for Predicting Customers Churn
Źródło
Prace Naukowe Uniwersytetu Ekonomicznego we Wrocławiu, 2008, nr 25, s. 85-93, tab., bibliogr. 20 poz.
Research Papers of Wrocław University of Economics
Tytuł własny numeru
Knowledge Acquisition and Management
Słowa kluczowe
Zarządzanie zadowoleniem klientów, Klient, Lojalność klientów, Zachowania klientów
Customer satisfaction management, Customer, Customer loyalty, Customer behaviour
Uwagi
summ.
Abstrakt
Kwestia odpływu klientów staje się coraz bardziej istotnym problemem dla wielu przedsiębiorstw. Przedmiotem tego artykułu są poszukiwania odpowiedniej metody wspomagającej efektywną identyfikację migrujących klientów, jak również przyczyn tej migracji. Przedstawiamy interesujące podejście, które wykorzystuje złożony klasyfikator kontekstowy, odnajdujący możliwe rozwiązania tego trudnego problemu. (AT)

Problem of customers churn is becoming more and more important for many companies. Looking for appropriate technique to support an effective identification of migrants as well as causes of the migration is the subject of this article. We present appealing approach, which is contextual classifier ensemble that can find acceptable solution for this difficult problem. (original abstract)
Dostępne w
Biblioteka Główna Uniwersytetu Ekonomicznego w Krakowie
Biblioteka SGH im. Profesora Andrzeja Grodka
Biblioteka Główna Uniwersytetu Ekonomicznego w Katowicach
Biblioteka Główna Uniwersytetu Ekonomicznego w Poznaniu
Biblioteka Główna Uniwersytetu Ekonomicznego we Wrocławiu
Biblioteka Główna Uniwersytetu Szczecińskiego
Pełny tekst
Pokaż
Bibliografia
Pokaż
  1. Berry M.J.A., Linoff G. (2000). Mastering Data Mining. John Wiley & Sons, New York.
  2. Customer Retention Assessment, KANBAY People & Technology Powering Transformation, www.kan-bay.com 11.11.2007.
  3. Dietterich T.G. (2000). Ensemble methods in machine learning. [In:] Proceedings of 1st International Workshop on Multiple Classifier Systems. Springer Berlin/Heidelberg pp. 1-15.
  4. Giacinto G., Roli F. (1999). Methods for dynamic classifier selection. [In:] Proceedings of the 10th International Conference on Image Analysis and Processing ICIAP ’99, Venice, Italy. IEEE Computer Society, Washington, pp. 659-664.
  5. Giacinto G., Roli F., Fumera G. (2000). Selection of image classifiers. Electronic Letters, vol. 36, no. 5, pp. 420-422.
  6. Hansen L., Salamon P. (1990). Neural network ensembles. IEEE Trans. Pattern Analysis and Machine Intelligence, vol. 12, pp. 993-1001.
  7. Hung C., Chen J., Wermter S. (2007). Hybrid probability based ensembles for bankruptcy predict. [In:] Proceedings of the International Conference on Business and Information, vol. 4/1, Academy of Taiwan Information System Research, Taiwan.
  8. Jakubczyc J.A. (2006). Kontekstowy klasyfikator złożony. [In:] Nowoczesne technologie informatyczne w zarządzaniu. Eds. E. Niedzielska, H. Dudycz, M. Dyczkowski. Prace Naukowe Akademii Ekonomicznej nr 1121, AE, Wrocław, pp. 313-322.
  9. Jakubczyc J.A. (2007). Contextual classifier ensembles. [In:] LNCS 4439 - Business Information Systems. Ed. W. Abramowicz, Springer, Berlin/Heidelberg, pp. 562-569.
  10. Kuncheva L.I. (2001). Using measures of similarity and inclusion for multiple classifier fusion by decision templates. Fuzzy Sets and Systems, vol. 122, no. 3, pp.401-407.
  11. Kuncheva L.I., Bezdek J.C., Duin R.P.W. (2001). Decision templates for classifier fusion: An experimental comparison. Pattern Recognition, vol. 34, no. 2, pp. 290-314.
  12. Kuncheva L.I., Whitaker C.J. (2003). Measures of diversity in classifier ensembles. Machine Learning, vol. 51, pp. 181-207.
  13. Leung K.T., Parker D.S. (2003). Empirical Comparisons of Various Voting Methods in Bagging. SIG-KDD’03, ACM, Washington.
  14. Nock R. (2002). Inducing interpretable voting classifiers without trading accuracy for simplicity: Theoretical results, approximation algorithms, and experiments. Journal of Artificial Intelligence Research, vol. 17, AI Access Foundation and Morgan Kaufmann Publishers.
  15. Parikh D., Kim M.T., Oagaro J., Mandayam S., Polikarp R. (2006). Multiple Classifiers for Multisensor Data Fusion. IEEE - Sensors Application Symposium, Houston.
  16. Parikh D., Stepenosky N., Topalis A., Green D., Kounios J., Clark Ch., Polikar R. (2005). Ensemble based data fusion for early diagnosis of Alzheimer’s disease. IEEE- Engineering in Medicine and Biology, Shanghai.
  17. Ruta D., Gabrys B. (2001). Analysis of the correlation between majority voting error and the diversity measures in multiple classifier systems. [In:] Proceedings of the 4th International Symposium on Soft Computing, Academic Press, Paisley, UK.
  18. Ruta D., Gabrys B. (2002). New measure of classifier dependency in multiple classifier systems. [In:] Proceedings of the 3rd International Workshop on Multiple Classifier System, LNCS 2364. Eds. F. Roli, J Kittler. Springer Verlag, pp. 127-136.
  19. Shipp CA., Kuncheva L.I. (2002). Relationship between combination methods and measures of diversity in combining classifiers. Information Fusion, vol. 3, no. 2, pp. 135-148.
  20. Shi Xin Y. (2003). Feature Selection and Classifier Ensembles: A Study on Hyperspectral Remote Sens¬ing Data. PhD, The University of Antwerp.
  21. West D., Dellana S., Qian J. (2005). Neural network ensemble strategies for financial decision applications. Computers and Operations Research, vol. 32, no. 10.
Cytowane przez
Pokaż
ISSN
1899-3192
Język
eng
Udostępnij na Facebooku Udostępnij na Twitterze Udostępnij na Google+ Udostępnij na Pinterest Udostępnij na LinkedIn Wyślij znajomemu