Інформаційна технологія для аналізу пунктів продажу мобільного оператора на основі методів кластеризації
dc.citation.epage | 113 | |
dc.citation.issue | 2 | |
dc.citation.journalTitle | Український журнал інформаційних технологій | |
dc.citation.spage | 105 | |
dc.citation.volume | 5 | |
dc.contributor.affiliation | Національний університет “Львівська політехніка” | |
dc.contributor.affiliation | Lviv Polytechnic National University | |
dc.contributor.author | Нарушинська, О. О. | |
dc.contributor.author | Мотрунич, В. І. | |
dc.contributor.author | Арзубов, М. В. | |
dc.contributor.author | Теслюк, В. М. | |
dc.contributor.author | Narushynska, O. O. | |
dc.contributor.author | Motrunych, V. I. | |
dc.contributor.author | Arzubov, M. V. | |
dc.contributor.author | Teslyuk, V. M. | |
dc.coverage.placename | Львів | |
dc.coverage.placename | Lviv | |
dc.date.accessioned | 2024-04-01T11:06:06Z | |
dc.date.available | 2024-04-01T11:06:06Z | |
dc.date.created | 2023-02-28 | |
dc.date.issued | 2023-02-28 | |
dc.description.abstract | Представлено дослідження, спрямоване на розробку та впровадження інформаційної технології моніторингу та аналізу сегментів пунктів продажу мобільного оператора з використанням методів кластеризації. Дослідження вирішує актуальну проблему в сфері маркетингу та бізнес-оптимізації, а саме: покращення стратегій мережі пунктів продажу мобільного зв'язку. В дослідницькій роботі представлено новітній підхід до сегментації пунктів продажу мобільного оператора з використанням алгоритмів кластеризації. Було розроблено програмний продукт, що містить алгоритми машинного навчання для кластеризації пунктів продажу за ключовими параметрами. Здійснено комплексний аналіз бази даних мобільного оператора для визначення критичних характеристик пунктів продажу, таких як прибутковість, патерни використання послуг мобільного оператора, кількість нових та втрачених клієнтів, географічне розташування, та інші важливі індикатори. Особлива увага була приділена розробці інструментарію для підготовки та опрацювання вхідних даних, що забезпечує точність подальшої кластеризації. За допомогою створеного продукту мобільний оператор зможе ідентифікувати найбільш прибуткові пункти продажу, виявити можливості для зростання та розробити цільові стратегії для кожного сегмента. Застосуванням розробленої технології мобільний оператор отримує можливість не тільки виявити ключові та прибуткові точки продажів, але й розробити цілеспрямовані стратегії для різних груп пунктів продажу з урахуванням їх унікальних характеристик. Такий підхід підсилює позиції компанії на ринку, сприяючи підвищенню задоволеності споживачів та збільшенню прибутків. Крім того, розроблена система має потенціал для аналізу динаміки зміни пунктів продажу з часом, що дає змогу мобільному оператору підтримувати оптимальну стратегію розвитку та задовольняти потреби клієнтів, що може сприяти підвищенню прибутковості та конкурентоспроможності бізнесу. | |
dc.description.abstract | This research presents the development and implementation of information technology for monitoring and analyzing segments of a mobile operator's stores using clustering methods. The study addresses a pertinent issue in marketing and business optimization, namely the enhancement of strategies for the network of mobile communication stores. The research paper presents a novel approach to segmenting mobile operator stores using clustering algorithms. A software product was developed that includes machine learning algorithms for clustering stores according to critical parameters. A comprehensive analysis of the mobile operator's database was conducted to identify critical characteristics of the stores, such as profitability, patterns of mobile operator service usage, the number of new and lost customers, geographical location, and other vital indicators. Particular attention was paid to developing tools for preparing and processing input data, ensuring the accuracy of subsequent clustering. With the created product, the mobile operator can identify the most profitable stores, uncover growth opportunities, and develop targeted strategies for each segment. By applying the developed technology, the mobile operator gains the ability not only to identify crucial and profitable sales points but also to develop focused strategies for different groups of stores, taking into account their unique characteristics. This approach strengthens the company's market position, increasing customer satisfaction and profitability. Additionally, when examining the possibilities of analyzing store dynamics over time, it is necessary to consider the ever-evolving business environment. Such a tool can assist the operator in swiftly adapting strategies and responding to new trends and challenges while preserving stability and profitability. Similar innovative approaches not only facilitate the management of a mobile operator's store network but also enable the establishment of more open and flexible customer relationships. By providing personalized services and responding to their needs, businesses can enhance customer loyalty and increase their profits. In conclusion, this research endeavour carries significant practical implications for the realms of marketing and mobile operator development. Its findings can be harnessed to enhance the efficiency of operations and profitability within this industry. | |
dc.format.extent | 105-113 | |
dc.format.pages | 9 | |
dc.identifier.citation | Інформаційна технологія для аналізу пунктів продажу мобільного оператора на основі методів кластеризації / О. О. Нарушинська, В. І. Мотрунич, М. В. Арзубов, В. М. Теслюк // Український журнал інформаційних технологій. — Львів : Видавництво Львівської політехніки, 2023. — Том 5. — № 2. — С. 105–113. | |
dc.identifier.citationen | Information technology for the analysis of mobile operator sales outlets based on clustering methods / O. O. Narushynska, V. I. Motrunych, M. V. Arzubov, V. M. Teslyuk // Ukrainian Journal of Information Technology. — Lviv : Lviv Politechnic Publishing House, 2023. — Vol 5. — No 2. — P. 105–113. | |
dc.identifier.doi | doi.org/10.23939/ujit2023.02.105 | |
dc.identifier.issn | 2707-1898 | |
dc.identifier.uri | https://ena.lpnu.ua/handle/ntb/61597 | |
dc.language.iso | uk | |
dc.publisher | Видавництво Львівської політехніки | |
dc.publisher | Lviv Politechnic Publishing House | |
dc.relation.ispartof | Український журнал інформаційних технологій, 2 (5), 2023 | |
dc.relation.ispartof | Ukrainian Journal of Information Technology, 2 (5), 2023 | |
dc.relation.references | [1] Chiang, M. MT., & Mirkin, B. (2010). Intelligent Choice of the Number of Clusters in K-Means Clustering: An Experimental Study with Different Cluster Spreads. J Classif 27, 3 40. https://doi.org/10.1007/s00357-010-9049-5 | |
dc.relation.references | [2] Collica, R. S. (2021). Segmentation Analytics with SAS Viya: An Approach to Clustering and Visualization. SAS Institute. | |
dc.relation.references | [3] Doroshenko, A. (2020). "Analysis of the Distribution of COVID-19 in Italy Using Clustering Algorithms," 2020 IEEE Third International Conference on Data Stream Mining & Processing (DSMP), Lviv, Ukraine, 2020, pp. 325-328. https://doi.org/10.1109/DSMP47368.2020.9204202 | |
dc.relation.references | [4] Hanafizadeh, P., & Mirzazadeh, M. (2011). Visualizing market segmentation using self-organizing maps and Fuzzy Delphi method - ADSL market of a telecommunication company. Expert Systems with Applications, 38(1), 198-205. https://doi.org/10.1016/j.eswa.2010.06.045 | |
dc.relation.references | [5] Maddumala, V. R., Chaikam, H., Velanati, J. S., Ponnaganti, R., & Enuguri, B. (2022). Customer Segmentation using Machine Learning in Python. 2022 7th International Conference on Communication and Electronics Systems (ICCES), Coimbatore, India, 1268-1273. https://doi.org/10.1109/ICCES54183.2022.9836018 | |
dc.relation.references | [6] Mim, S. S., & Logofatu, D. (2022). A Cluster-based Analysis for Targeting Potential Customers in a Real-world Marketing System. 2022 IEEE 18th International Conference on Intelligent Computer Communication and Processing (ICCP), Cluj-Napoca, Romania, 159-166. https://doi.org/10.1109/ICCP56966.2022.10053985 | |
dc.relation.references | [7] Nandapala, E. Y. L., & Jayasena, K. P. N. (2020). The practical approach in Customers segmentation by using the K-Means Algorithm. 2020 IEEE 15th International Conference on Industrial and Information Systems (ICIIS), RUPNAGAR, India, 344-349. https://doi.org/10.1109/ICIIS51140.2020.9342639 | |
dc.relation.references | [8] Rosário, A. T., Dias, J. C., & Ferreira, H. (2023). Bibliometric Analysis on the Application of Fuzzy Logic into Marketing Strategy. Businesses, 3(3), 402-423. https://doi.org/10.3390/businesses3030025 | |
dc.relation.references | [9] Stiadi, M. (2022). Market segmentation analysis in food selection. Jurnal Ekonomi, 11(03), 169 173. https://doi.org/10.1016/j.eswa.2010.06.045 | |
dc.relation.references | [10] Wu, J., Xiong, H., & Chen, J. (2009). Adapting the right measures for K-means clustering. In Proceedings of the 15th ACM SIGKDD international conference on Knowledge discovery and data mining (KDD '09). Association for Computing Machinery, New York, NY, USA, 877 886. https://doi.org/10.1145/1557019.1557115 | |
dc.relation.referencesen | [1] Chiang, M. MT., & Mirkin, B. (2010). Intelligent Choice of the Number of Clusters in K-Means Clustering: An Experimental Study with Different Cluster Spreads. J Classif 27, 3 40. https://doi.org/10.1007/s00357-010-9049-5 | |
dc.relation.referencesen | [2] Collica, R. S. (2021). Segmentation Analytics with SAS Viya: An Approach to Clustering and Visualization. SAS Institute. | |
dc.relation.referencesen | [3] Doroshenko, A. (2020). "Analysis of the Distribution of COVID-19 in Italy Using Clustering Algorithms," 2020 IEEE Third International Conference on Data Stream Mining & Processing (DSMP), Lviv, Ukraine, 2020, pp. 325-328. https://doi.org/10.1109/DSMP47368.2020.9204202 | |
dc.relation.referencesen | [4] Hanafizadeh, P., & Mirzazadeh, M. (2011). Visualizing market segmentation using self-organizing maps and Fuzzy Delphi method - ADSL market of a telecommunication company. Expert Systems with Applications, 38(1), 198-205. https://doi.org/10.1016/j.eswa.2010.06.045 | |
dc.relation.referencesen | [5] Maddumala, V. R., Chaikam, H., Velanati, J. S., Ponnaganti, R., & Enuguri, B. (2022). Customer Segmentation using Machine Learning in Python. 2022 7th International Conference on Communication and Electronics Systems (ICCES), Coimbatore, India, 1268-1273. https://doi.org/10.1109/ICCES54183.2022.9836018 | |
dc.relation.referencesen | [6] Mim, S. S., & Logofatu, D. (2022). A Cluster-based Analysis for Targeting Potential Customers in a Real-world Marketing System. 2022 IEEE 18th International Conference on Intelligent Computer Communication and Processing (ICCP), Cluj-Napoca, Romania, 159-166. https://doi.org/10.1109/ICCP56966.2022.10053985 | |
dc.relation.referencesen | [7] Nandapala, E. Y. L., & Jayasena, K. P. N. (2020). The practical approach in Customers segmentation by using the K-Means Algorithm. 2020 IEEE 15th International Conference on Industrial and Information Systems (ICIIS), RUPNAGAR, India, 344-349. https://doi.org/10.1109/ICIIS51140.2020.9342639 | |
dc.relation.referencesen | [8] Rosário, A. T., Dias, J. C., & Ferreira, H. (2023). Bibliometric Analysis on the Application of Fuzzy Logic into Marketing Strategy. Businesses, 3(3), 402-423. https://doi.org/10.3390/businesses3030025 | |
dc.relation.referencesen | [9] Stiadi, M. (2022). Market segmentation analysis in food selection. Jurnal Ekonomi, 11(03), 169 173. https://doi.org/10.1016/j.eswa.2010.06.045 | |
dc.relation.referencesen | [10] Wu, J., Xiong, H., & Chen, J. (2009). Adapting the right measures for K-means clustering. In Proceedings of the 15th ACM SIGKDD international conference on Knowledge discovery and data mining (KDD '09). Association for Computing Machinery, New York, NY, USA, 877 886. https://doi.org/10.1145/1557019.1557115 | |
dc.relation.uri | https://doi.org/10.1007/s00357-010-9049-5 | |
dc.relation.uri | https://doi.org/10.1109/DSMP47368.2020.9204202 | |
dc.relation.uri | https://doi.org/10.1016/j.eswa.2010.06.045 | |
dc.relation.uri | https://doi.org/10.1109/ICCES54183.2022.9836018 | |
dc.relation.uri | https://doi.org/10.1109/ICCP56966.2022.10053985 | |
dc.relation.uri | https://doi.org/10.1109/ICIIS51140.2020.9342639 | |
dc.relation.uri | https://doi.org/10.3390/businesses3030025 | |
dc.relation.uri | https://doi.org/10.1145/1557019.1557115 | |
dc.rights.holder | © Національний університет “Львівська політехніка”, 2023 | |
dc.subject | машинне навчання | |
dc.subject | навчання без вчителя | |
dc.subject | опрацювання даних | |
dc.subject | K-середніх | |
dc.subject | патерни поведінки користувачів | |
dc.subject | machine learning | |
dc.subject | unsupervised learning | |
dc.subject | data processing | |
dc.subject | K-means | |
dc.subject | consumer behavior patterns | |
dc.subject.udc | 004.75.62 | |
dc.title | Інформаційна технологія для аналізу пунктів продажу мобільного оператора на основі методів кластеризації | |
dc.title.alternative | Information technology for the analysis of mobile operator sales outlets based on clustering methods | |
dc.type | Article |
Files
License bundle
1 - 1 of 1