Nghiên cứu các thuật toán data mining, fuzzy logic vào bái toán marketing

i H c Qu c Gia Tp H Chí Minh TR NG I H C BÁCH KHOA TI T KIM H I NGHIÊN C U CÁC THU T TOÁN DATA MINING, FUZZY LOGIC VÀO BÀI TOÁN MARKETING Chuyên ngành : CÔNG NGH THÔNG TIN Mã s ngành : 01.02.10 LU N V N TH C S TP H CHÍ MINH, tháng 06 n m 2005 CƠNG TRÌNH TR NG C HOÀN THÀNH T I I H C BÁCH KHOA I H C QU C GIA TP H Cán b h CHÍ MINH ng d n khoa h c: Cán b ch m nh n xét 1: Cán b ch m nh n xét 2: Lu n v n th c s đ TR NG cb ov t iH I NG CH M LU N V N TH C S I H C BÁCH KHOA, ngày ………… tháng ………… n m 2005 TR NG I H C BÁCH KHOA PHÒNG ÀO T O S H C NG HOÀ XÃ H I CH NGH A VI T NAM C L P - T DO - H NH PHÚC -Tp HCM, ngày ……tháng…… n m 2005 NHI M V LU N V N TH C S H tên h c viên : TI T KIM H I Phái Ngày, tháng, n m sinh :31/05/1977 N i sinh : B n Tre Chuyên ngành : Công Ngh Thông Tin MSHV I TÊN : Nam : 00703193 TÀI : NGHIÊN C U CÁC THU T TOÁN DATA MINING, FUZZY LOGIC VÀO BÀI TOÁN MARKETING II NHI M V VÀ N I DUNG: - Nghiên c u thu t toán data mining fuzzy logic - Xây d ng mơ hình xác đ nh khách hàng m c tiêu b ng gi i thu t FCM - Xây d ng mơ hình xác đ nh khách hàng m c tiêu b ng gi i thu t Gustafson-Kessel - Xây d ng mơ hình xác đ nh khách hàng m c tiêu b ng gi i thu t FCM m r ng - Xây d ng mơ hình xác đ nh khách hàng m c tiêu b ng gi i thu t Gustafson-Kessel m r ng - Xây d ng mơ hình xác đ nh khách hàng m c tiêu b ng mơ hình m dùng phân tích bi u đ đ l i - Xây d ng mơ hình xác đ nh khách hàng m c tiêu b ng ph ng pháp neural - fuzzy III NGÀY GIAO NHI M V (Ngày ký Quy t đ nh giao đ tài) : 17/01/2005 IV NGÀY HOÀN THÀNH NGHI M V : 30/06/2005 V H VÀ TÊN CÁN B CÁN B H H NG D N: Ti n s V THANH NGUYÊN NG D N CH NHI M NGÀNH B MÔN QU N LÝ CHUYÊN NGÀNH N i dung đ c ng lu n v n th c s đ PHÒNG ÀO T O S H cH i ng Chuyên Ngành thông qua Ngày ……… tháng …………n m KHOA QU N LÝ NGÀNH L IC M N hồn thành lu n v n này, tơi nh n đ tình, s đ ng viên c a giáo viên h cs h ng d n t n ng d n, s giúp đ c a quý th y cô Khoa Công Ngh Thông Tin, c a b n bè nh ng ng i thân Nhân đây, tơi xin bày t lịng bi t n đ i v i t t c th y cô, b n, nh ng ng i thân đ c bi t th y h ng d n, Ti n s V Thanh Nguyên Lu n v n không tránh kh i nh ng sai sót, h n ch th i gian ki n th c có h n, r t mong nh n đ c nh ng ý ki n đóng góp c a quý th y cô b n Thành ph H Chí Minh, ngày 20 tháng 06 n m 2005 H c viên th c hi n Ti t Kim H i ABSTRACT Today, in a dynamic economic market, if a company wants to success it has to find a way to exploit its resources to improve the competitive position We are hard to find a successful company in manufacturing and trading without doing good marketing From the modern marketing concepts, customers are valuable assets and the most important factor to decide the total company sales Because customers are so important in the company’s success, a company that does good marketing always stores customer database as one of its assets And one of the problems is to exploit the database to have information for marketing decision support When the company wants to a marketing campaign, an incoming problem is to identify the target customers to minimizing costs, improve efficiency and reduce customers’ annoyance At the present time, in information technology field, artificial intelligence and data mining have developed and attract many experts’ interest With this advantage, artificial intelligence and data mining have successfully applied in marketing and especially played a role of decision support for identifying target customers This thesis presents “Applying data mining and fuzzy logic algorithms in marketing” In this thesis, five following algorithms: fuzzy c – means algorithm, Gustafson – Kessel algorithm, extended fuzzy c – means, extended Gustafson – Kessel, fuzzy modeling with gain charts analysis; and finally a neural – fuzzy approach are used to modeling These approaches are compared using probability hit charts TÓM T T Trong n n kinh t th tr ng đ y bi n đ ng c nh tranh, m t công ty mu n thành công ph i tìm cách phát tri n t i đa ngu n l c đ nâng cao v th c nh tranh c a Chúng ta khó có th tìm đ c m t cơng ty thành cơng s n xu t kinh doanh mà không làm t t công tác Marketing Xu t phát t quan m Marketing hi n đ i, khách hàng tr ng tâm, tài s n vô giá y u t quan tr ng nh t quy t đ nh doanh thu c a cơng ty Vì khách hàng đóng vai trị quan tr ng nh th s thành b i, m t công ty có ho t đ ng Marketing t t ln l u gi li u khách hàng nh m t tài s n Và m t nh ng vi c c n làm khai thác d li u khách hàng đ có đ c thơng tin h tr cho trình quy t đ nh Marketing Khi m t công ty mu n th c hi n m t chi n d ch Marketing, v n đ quan tr ng xác đ nh khách hàng m c tiêu đ gi m chi phí, nâng cao hi u qu gi m đ c s phi n toái cho khách hàng Ngày nay, l nh v c cơng ngh thơng tin, trí tu nhân t o data mining phát tri n m t nh ng l nh v c thu hút đ nghiên c u c a nhi u ng c s quan tâm i… V i l i th đó, trí tu nhân t o data mining phát tri n m nh nhanh chóng đ c áp d ng thành công Marketing đ c bi t đóng vai trị h tr trình xác đ nh khách hàng m c tiêu Quy n lu n v n trình bày n i dung “Nghiên c u thu t toán data mining fuzzy logic vào toán Marketing” Trong thu t tốn sau đ c dùng đ xây d ng mơ hình d đốn: fuzzy c – means (FCM), Gustafson – Kessel (GK), FCM m r ng, GK m r ng, mơ hình m dùng phân tích bi u đ đ l i ph ng pháp neural – fuzzy Các ph bi u đ đáp ng ng pháp đ c so sánh v i dùng M CL C L IC M N TÓM T T DANH M C HÌNH Ch ng GI I THI U Ch ng MARKETING VÀ NGHIÊN C U MARKETING Marketing 1.1Quá trình đ i 1.2 Khái ni m 1.3 V trí c a Marketing Qu n tr Marketing 10 H th ng thông tin Marketing 10 Nghiên c u Marketing 11 Môi tr ng Marketing 12 Hành vi c a khách hàng 13 6.1 Th tr 6.2 Th tr i tiêu dùng hành vi c a ng ng ng ng t ch c hành vi mua c a t ch c 13 L a ch n th tr ng m c tiêu đ nh v th tr 7.1 L a ch n th tr 7.2 Ch i tiêu dùng 13 nh v th tr ng 14 ng m c tiêu 14 ng 16 ng LOGIC M T p m phép toán t p m 19 Quan h m 25 2.1 C b n v quan h m 25 2.2 Các phép toán quan h m 26 2.3 Ph ng trình quan h m 28 S h c m 28 3.1 Bi u di n kho ng giá tr không ch c ch n 29 3.2 Các phép toán thu c tính c a s m 30 Logic m l p lu n x p x 31 4.1 Bi n ngôn ng 32 4.2 Logic m 32 4.3 L p lu n x p x 34 Ch ng CÁC K THU T DATA MINING 39 1.Quá trình đ i 39 nh ngh a data mining 41 2.1 Các m c tiêu lo i data mining 44 2.2 Các lo i thông tin thu đ c t data mining 46 2.3 Chu k c a data mining 48 Các k thu t data mining 52 3.1 Phân lo i d đoán 52 3.2 M ng n ron 53 Ch ng XÂY D NG CÁC MƠ HÌNH TRONG MARKETING M C TIÊU 59 Các ph ng pháp l a ch n khách hàng m c tiêu 60 Mơ hình d đốn 61 Mô t c s d li u 62 Các bi n RFM 63 Mơ hình m 65 5.1 Phân nhóm m 65 5.2 Ph ng pháp phân nhóm m l a ch n khách hàng m c tiêu 66 5.3 Phân nhóm m dùng phân tích bi u đ đ l i 67 Mơ hình m dùng h lai neural – fuzzy 71 6.1 Perceptron m 73 6.2 Gi i thu t h c lu t lo i Mamdani 75 6.3 T i u hoá c s lu t m 81 6.4 Hi n th c mơ hình 85 ánh giá mơ hình 87 Ch ng K T QU C A CÁC MƠ HÌNH K t qu c a mơ hình 89 1.1 Mơ hình b ng gi i thu t FCM 89 1.2 Mơ hình b ng gi i thu t Gustafson – Kessel 90 1.3 Mơ hình b ng gi i thu t FCM m r ng 92 1.4 Mơ hình b ng gi i thu t Gustafson – Kessel m r ng 93 1.5 Mô hình m dùng phân tích bi u đ đ l i 94 1.6 Mơ hình m dùng ph ng pháp neural – fuzzy 95 So sánh mơ hình 98 Ch ng K T LU N 104 Tài li u tham kh o 107 DANH M C HÌNH Hình 2.1 Qu n tr Marketing 10 Hình 2.2 Các giai đo n nghiên c u Marketing 11 Hình 3.1 H m 28 Hình 4.1 Data mining m t khâu KDD 42 Hình 4.2 H th ng data mining 43 Hình 4.3 N ron nhân t o 54 Hình 4.4 M ng n ron h ng t i 55 Hình 5.1 Mơ hình h phân lo i m 73 Hình 5.2 Bi u đ đáp ng 87 Hình 6.1 Bi u đ đáp ng t t nh t d đoán b ng FCM 91 Hình 6.2 Bi u đ đáp ng cho mơ hình Gustafson – Kessel 91 Hình 6.3 Bi u đ đáp ng cho mơ hình EFCM 93 Hình 6.4 Bi u đ đáp ng cho mơ hình Gustafson – Kessel m r ng 94 Hình 6.5 Bi u đ đáp ng cho mơ hình m dùng bi u đ đ l i 95 Hình 6.6 Giao di n c a mơ hình neural – fuzzy 96 Hình 6.7 C u hình m ng neural – fuzzy 97 Hình 6.8 C u hình tham s h c cho m ng neural – fuzzy 97 Hình 6.9 Các lu t k t qu c a mô hình sau luy n m ng 98 Hình 6.10 Bi u đ đáp ng cho mơ hình m dùng ph Hình 6.11 Bi u đ đáp ng so sánh ph ng pháp neural - fuzzy 99 ng pháp khác 100 Hình 6.12 So sánh gi a mơ hình dùng phân tích đ l i mơ hình FCM 100 Hình 6.13 So sánh gi a mơ hình dùng phân tích đ l i Gustafson-Kessel 101 96 K t qu t t nh t c a mơ hình thu đ c ch n ba thu c tính v138, v142, v143 v144 S vịng l p 100, t c đ thay đ i tham s c a t p m c a ngõ 0.01; t p m không v t qua t p m k c n trình h c; h c b t đ ng b ; không thay đ i giá tr ngõ q trình h c Giao di n c a mơ hình m neural – fuzzy nh hình 6.6 Hình 6.6 Giao di n c a mơ hình neural – fuzzy 97 Hình 6.7 C u hình m ng neural – fuzzy C u hình m ng n ron nh hình 6.7 Và c u hình tham s h c nh hình 6.8 Hình 6.8 C u hình tham s h c cho m ng neural – fuzzy 98 H c s lu t sau luy n mơ hình nh hình 6.9 Hình 6.9 Các lu t k t qu c a mơ hình sau luy n m ng K t qu c a mơ hình đ c cho hình 6.10 So sánh mơ hình Nh n xét: Khi xây d ng mơ hình dùng bi n RFM, ba bi n v138, v142, v143 v144 ba bi n quan tr ng nh t quy t đ nh đ n kh n ng d đốn c a mơ hình, phân tích thêm bi n khác th i gian xây d ng mơ hình s lâu h n k t qu d đốn khơng t t b ng Các mơ hình đ c so sánh v i bi u đ đáp ng đ m t h tr c to đ Hình 6.11 s ch k t qu so sánh c v 99 B i thơng th ng ng i ta s ch n t 10% đ n 40% khách hàng chi n d ch Marketing c a h nên bi u đ đáp ng c a mơ hình m dùng phân tích bi u đ đ l i hi u qu nh t N u ph i quy t đ nh ch n khách hàng m c tiêu, tr h p ta nên ch n ph ng ng pháp mơ hình m dùng phân tích bi u đ đ l i đ ti n hành d đốn Khi đó, k t qu sinh t mơ hình s cho k t qu cao nh t Các hình sau bao g m hình 6.12, hình 6.13, hình 6.14, hình 6.15 hình 6.16 ch s so sánh gi a mơ hình dùng ph ph ng pháp mơ hình khác dùng bi u đ đáp ng Qua s so sánh ta th y s khác bi t r t rõ u m c a ph đ ng pháp phân tích bi u đ đ l i ng pháp mơ hình dùng phân tích bi u đ đ l i Trong ng dao đ ng quanh giá tr 0.5 giá tr c a bi u đ đáp ng tr ng h p l y ng cong cao h n bi u di n bi u đ đáp ng cho tr ng h p mơ m u ng u nhiên hình dùng phân tích bi u đ đ l i, đ cho tr ng cong th p h n bi u di n bi u đ đáp ng ng h p bi u đ đáp ng khác Hình 6.10 Bi u đ đáp ng cho mơ hình m dùng ph ng pháp neural - fuzzy 100 Gain charts l i EFC FC GK EGK Random Hình 6.11 Bi u đ đáp ng so sánh ph ng pháp khác Hình 6.12 So sánh gi a mơ hình dùng phân tích đ l i mơ hình FCM 101 Hình 6.13 So sánh gi a mơ hình dùng phân tích đ l i mơ hình Gustafson-Kessel Hình 6.14 So sánh gi a mơ hình dùng phân tích đ l i mơ hình EFCM 102 Hình 6.15 So sánh gi a mơ hình dùng phân tích đ l i mơ hình EGK Hình 6.16 So sánh gi a mơ hình dùng phân tích đ l i mơ hình neural – fuzzy 103 Sau so sánh mơ hình dùng bi u đ đáp ng, có th ti n hành dùng mơ hình t t nh t, ho c m t mơ hình tu thích đ d đốn khách hàng đáp ng cho chi n d ch Marketing ti p theo Tu theo chi n d ch s p t i mà s l ng khách hàng ch n có khác Sau m t ví d ch n khách hàng t k t qu c a mô hình dùng phân tích bi u đ đ l i v i thông tin v khách hàng đ c l y t b ng mô t d li u (cho ý ngh a bi n v1, v2, v3, ) Hình 6.17 M t ví d ch n khách hàng m c tiêu t k t qu sinh c a mơ hình 104 Ch ng K T LU N Trong cu c s ng hàng ngày m i ng i ph i đ i m t v i nhi u quy t đ nh khác M t quy t đ nh đ n s d n đ n s thành cơng m mãn, cịn ng c l i có m t quy t đ nh sai l m s đ l i h u qu Do n m b t đ quan tr ng c a quy t đ nh đ n nên ng đ nh sai l m T ng quy t đ nh nh m t ng c i ta tìm ki m ph ct m i ta c g ng gi m thi u quy t ng pháp khác đ ph c v h tr ng s quy t đ nh đ n Do ph i quy t đ nh l nh v c khác cho v n đ khác nên lo i quy t đ nh r t đa d ng i u d n đ n công c h tr quy t đ nh c ng vô đa d ng i v i ho t đ ng c a m t cơng ty bên c nh ngu n nhân l c y u t qua tr ng s ng còn, m t y u t khác c ng quan tr ng khơng góp ph n t ng doanh thu qu ng bá hình nh c a cơng ty r ng rãi v i ng i tiêu dùng ó cơng tác Marketing Trong Marketing, y u t đóng vai trị quan tr ng khách hàng, nh có khách hàng mà cơng ty m i có đ c l i nhu n, m i t n t i đ c Vì th , ng i ta coi khách hàng m t nh ng tài s n quý giá nh t c a công ty M t công ty có ho t đ ng Marketing t t th ng coi tr ng m i quan h v i khách hàng c a h b i chi phí đ gi chân m t khách hàng c th p h n nhi u so v i chi phí đ cơng ty có đ khách hàng m i Trong công ty coi tr ng m i quan h v i khách hàng ng th i ta ng l u l i d li u c a khách hàng đ trì m i quan h Theo th i gian d li u khách hàng nhi u v th t c ng t ng m t ng t kh n ng phân tích c a ng i Khơng i có kh n ng phân tích hàng ch c ngàn m u tin c s d li u đ tìm m t thơng tin có ích Chính nhu c u ph i phân tích c s d li u l n mà ng i ta nghiên c u nhi u công c khác M t nh ng l nh v c 105 đ c s quan tâm nghiên c u c a nhi u ng i l nh v c công ngh thông tin trí tu nhân t o Theo th i gian, l nh v c phát tri n m nh có nhi u ng d ng nhi u l nh v c khác Và s thành công c a trí tu nhân t o nhanh chóng đ có l c áp d ng Marketing đ c bi t Markting m c tiêu, ngành ng c s d li u l n S phát tri n c a trí tu nhân t o, máy h c, xác su t th ng kê nhi u ngành khác d n đ n s đ i c a m t ngành nghiên c u m i, data mining Data mining cho phép có th phân tích nhi u c s d li u có kích th c l n khác nhau, cho k t qu thông tin quan tr ng rút trích t c s d li u Và m t l n n a data mining l i đ c áp d ng cho nhi u k t qu đáng trân tr ng Marketing Riêng Marking m c tiêu, m t nh ng tốn quan tr ng tìm khách hàng m c tiêu t c s d li u đ th c hi n m t chi n d ch Marketing Trong trình xác đ nh khách hàng m c tiêu, c n ph i ý hai v n đ Th nh t hi u qu v chi phí Khi xác đ nh đ có th h ng đ n m t l d ch đ i v i m t s l c khách hàng m c tiêu ng khách hàng c n thi t mà ch c n th c hi n chi n ng khách h n r t nhi u so v i th c hi n m t chi n d ch khách hàng đ c ch n ng u nhiên t c s d li u M c dù t l đáp ng c a khách hàng s d ng data mining công c khác t th p, nh ng th c t ch ng minh r ng v i t l l i ích thu đ so v i không s d ng công c khách hàng nh n đ ph c v n cao h n nhi u i u th hai c n l u ý s phi n toái c a c l i chào hàng, ho c qu ng cáo không mong mu n Trong ph m vi lu n v n ch xin trình bày ph đ ng đ i ng pháp quan tr ng nh t c áp d ng trình h tr xác đ nh khách hàng m c tiêu ó ng pháp: phân nhóm m dùng gi i thu t fuzzy c – means, gi i thu t Gustafson – Kessel, gi i thu t fuzzy c – means m r ng gi i thu t Gustafson – Kessel m r ng; ph ng pháp mơ hình m dùng s phân tích bi u đ đ l i, ph ng pháp neural – 106 fuzzy Trong n m ph – fuzzy đ ng pháp đ u tiên đ c nêu c đ ngh đ a vào Có th nói r ng ph [18] ph ng pháp neural ng pháp phân nhóm m dùng gi i thu t fuzzy c – means đ đ xác đ nh khách hàng m c tiêu Nh ng c ng xét gi i thu t khác đ có nhìn khách quan c ng đ so sánh k t qu khác đ có th l a ch n m t gi i thu t thích h p cho t ng toán c th Qua k t qu c a vi c xây d ng mô hình trên, ph k t qu t t so v i ph ng pháp neural – fuzzy đ ng pháp l i n u ta cho s lu t l n, s vòng l p đ l n Bên c nh đó, n u mu n có m t ph có th gi i thích đ lu t đ ng c ph c bi u di n d c đ ngh s cho ng pháp có k t qu ng pháp neural - fuzzy Trong ph ng pháp i d ng lu t c a ngôn ng d hi u đ i v i nh ng i không ph i chuyên gia T vi c xây d ng mơ hình b ng ph ng pháp trên, l u l i tham s c a mơ hình đ có th áp d ng chúng vào t p d li u m i ch a có k t qu đ ti n hành xác đ nh khách hàng m c tiêu chu n b th c hi n m t chi n d ch Marketing Vi c xây d ng mơ hình ph m vi lu n v n ch d ng l i nghiên c u mà ch a th áp d ng vào th c t kinh doanh đ m cđ c b i t p trung nhi u vào gi i thu t đ xây d ng mơ hình Trong th c t , đ có đ c m t cơng c h u ích ph c v cho cơng vi c kinh doanh, c n có m t qui trình ph c t p h n t vi c thu th p d li u t trình nghiên c u Marketing đ n vi c ti n x lý d li u đ u vào k t h p v i ph n m m b ph n khác đ có m t h th ng tích h p ERP có th h tr q trình quy t đ nh hồn h o theo th i gian t i ó c ng n i dung nghiên c u ti p 107 TÀI LI U THAM KH O [1] PGS.TS Tr n Minh o, “Giáo trình Marketing c n b n”, Nhà xu t b n Giáo d c, Hà N i, 2002 [2] Nguy n ình Th , “Nghiên c u Marketing”, Nhà xu t b n Giáo d c, Hà N i, 1998 [3] Nguy n H u Lam, inh Thái Hoàng, Ph m Xuân Lan, “Qu n tr chi n l c phát tri n v trí c nh tranh”, Nhà xu t b n Giáo d c, Hà N i, 1998 [4] Tom Soukup, and Ian Davidson , “Visual Data Mining: Techniques and Tools for Data Visualization and Mining”, John Wiley & Son, 2002 [5] “Data mining for Marketing applications”, 12th European Conference on Machine Learning (ECML'01) and 5th European Conference on Principles and Practice of Knowledge Discovery in Databases (PKDD'01), Freiburg, Germany, September 7th, 2001 [6] J.Han, and M.Kamber, “Data mining: Concepts and Techniques”, Morgan Kaufmann, San Francisco, CA.2001 [7] David Hand, Heikki Mannila and Padhraic Smyth, “Principles of Data Mining”, The MIT Press, 2001 [8] Olivia Parr Rud, “Data Mining Cookbook Modeling Data for Marketing, Risk, and Customer Relationship Management”, Wiley Computer Publishing, 2001 [9] Mehmed Kantardzic, “Data Mining: Concepts, Models, Methods, and Algorithms”, John Wiley & Sons, 2003 [10] John Wang (ed), “Data Mining: Opportunities and Challenges”, Idea Group Publishing, 2003 108 [11] Dorian Pyle, “Business Modeling and Data Mining”, Morgan Kaufmann Publishers, 2003 [12] Rob Potharst, Uzay Kaymak, Wim Pijls, “Neural Network for target selection in Direct Marketing”, March 2001 [13] Valery A.Petrushin, James M.Britton, “Data mining for targeted marketing”, Proceedings of the 2000 Conference on Artificial Neural Networks in Engineering (ANNIE 2000) [14] YongSeog Kim, W Nick Street, Gary J Russellz, Filippo Menczer, “Customer targeting: A Neural Network Approach Guided by Genetic Algorithms” [15] Magne Setnes and Uzay Kaymak, “Fuzzy Modeling of Client Preference in Data-Rich Marketing Environments” [16] János Abonyi, Hans Roubos, “A Simple Fuzzy Classifier based on Inconsistency Analysis of Labeled Data” [17] George J.Klir and Bo Yuan, “Fuzzy sets and fuzzy logic: Theory and Applications”, Prentice Hall PTR 1995 [18] João M.Sousa, Uzay Kaymak, Sara Madeira, “A comparative study of fuzzy target selection methods in direct marketing” [19] Detlef Nauck and Rudolf Kruse, “Nefclass – a neural-fuzzy approach for the classification of data”, Technical University of Braunschweig [20] Detlef Nauck and Rudolf Kruse, “Generating rules from data by fuzzy and neural-fuzzy methods”, Technical University of Braunschweig [21] Detlef Nauck and Rudolf Kruse, “Learning methods for fuzzy system”, Technical University of Braunschweig 109 [22] Uzay Kaymak and Magne Setnes, “Extended fuzzy clustering algorithms”, Rotterdam Shool of Management [23] Peter Van Der Putten, “Data mining in direct marketing databases”, Sentient Machine Research, Amsterdam and Dept of Computer Science, Leiden University ... TÊN : Nam : 00703193 TÀI : NGHIÊN C U CÁC THU T TOÁN DATA MINING, FUZZY LOGIC VÀO BÀI TOÁN MARKETING II NHI M V VÀ N I DUNG: - Nghiên c u thu t toán data mining fuzzy logic - Xây d ng mơ hình xác... Quy n lu n v n trình bày n i dung ? ?Nghiên c u thu t toán data mining fuzzy logic vào tốn Marketing? ?? Trong thu t tốn sau đ c dùng đ xây d ng mơ hình d đoán: fuzzy c – means (FCM), Gustafson –... 39 nh ngh a data mining 41 2.1 Các m c tiêu lo i data mining 44 2.2 Các lo i thông tin thu đ c t data mining 46 2.3 Chu k c a data mining 48 Các k thu t data mining