Theses metadata

“Data exchange” service offers individual users metadata transfer in several different formats. Citation formats are offered for transfers in texts as for the transfer into internet pages. Citation formats include permanent links that guarantee access to cited sources. For use are commonly structured metadata schemes : Dublin Core xml and ETUB-MS xml, local adaptation of international ETD-MS scheme intended for use in academic documents.

Export

Creator:	Rogić, Sunčica, 1992-
Title:	Prediktivni modeli odlučivanja u direktnom marketingu bazirani na Support Vector Machine metodi
Copyright date:	2023
Trajni link:	https://phaidra.ucg.ac.me/detail_object/o:1818?tab=0#mda
Pregled teze:
Download link:
Select license:	Autorstvo-Nekomercijalno-Bez prerade 3.0 Srbija (CC BY-NC-ND 3.0)

Academic metadata

Theses Type:	Phd. theses
Academic Expertise :	Društveno-humanističke nauke
Academic Title:	doktor nauka - ekonomske nauke
University:	Univerzitet Crne Gore
Faculty:	Ekonomski fakultet
Group:	Studijski program Ekonomija

Other Theses Metadata

Title translated:	Predictive decision support models in direct marketing based on Support Vector Machine method
Publisher:	[S. Rogić]
Format:	PDF/A (415 pages)
Other responsibilities:	Kašćelan, Ljiljana, 1968- (mentor)
Other responsibilities:	Luković, Ivan, 1965- (član komisije)
Other responsibilities:	Melović, Boban, 1980- (član komisije)
Abstract:	Digitalna revolucija, koja je uticala na rast količine raspoloživih podataka, odrazila se i na marketing sferu i komunikaciju kompanija s kupcima. Kako savremeni potrošači zahtijevaju odgovor na svoj upit, dvosmjernu komunikaciju i personalizovanu ponudu, upravo je online direktni marketing jedan od najznacajnijih alata za direktnu komunikaciju s kupcima, njihovu retenciju i plasiranje diferenciranih poruka, kreiranih na osnovu specificnosti pojedinacnih kupaca ili segmenata kupaca. Uzimajuci u obzir cinjenicu da sve veci broj savremenih kompanija svoje poslovne odluke zasniva na podacima, organizacije koje efikasno koriste ove podatke sticu znacajnu konkurentsku prednost i vece sanse za uspjeh na trzistu. Samim tim, big data analitika i prediktivni modeli za podrsku odlucivanju, koji pruzaju uvid u ponasanje potrošača, predstavljaju aktuelan izazov ne samo za poslovne subjekte, vec i za naucnu zajednicu. U ovom radu predlozeni su konceptualni modeli za unapređenje sistema selekcije i targetiranja kupaca u direktnom marketingu, bazirani na predikciji pripadnosti segmentu zavisno od kupovnog ponasanja, predikciji odgovora na kampanju i predikciji njihove profitabilnosti. Predlozenim prediktivnim modelima prevaziđeni su određeni nedostaci modela iz prethodne literature, prije svega kroz rjesavanje problema nebalansiranosti klasa i asimetricne distribucije profitabilnosti respondenata, koji nastaju zbog manjeg broja respondenata i visokoprofitabilnih kupaca u odnosu na ostale. Zbog ovih problema, prediktivni modeli pokazuju lose prediktivne performanse za klasu najvrednijih i najvaznijih kupaca za kompaniju. Zbog toga je predlozeno balansiranje podataka pomocu Support Vector Machine (SVM) metode, koja je i ranije u literaturi primjenjivana u tu svrhu, ali u direktnom marketingu po prvi put u ovom radu. Balansirani podaci se zatim predviđaju pomocu razlicitih data mining (DM) klasifikatora. Da bi se povecala prediktivna tacnost, primjenjuju se ensemble metode, koje kombinuju vise slabih klasifikatora u jaki, koji znacajno poboljsava prediktivne performanse. Za predikciju profitabilnosti predlozena je Support Vector Regression (SVR) metoda, cije su izvanredene mogucnosti generalizacije vec potvrđene u literaturi i zbog cega se uspjesno prevazilazi problem asimetricne distribucije. Empirijsko testiranje predlozenih modela na podacima iz direktnih kampanja crnogorske kompanije, kao i na javno dostupnim skupovima podataka, pokazalo je znacajno povecanje prediktivnih performansi za kategoriju najvrednijih kupaca, a samim tim i efikasnost selekcije i targetiranja kupaca, kao i potencijalnog profita ostvarenog u kampanjama direktnog marketinga. Pored toga, predlozeni modeli obezbjeđuju profilisanje segmenta najvrednijih kupaca - visokoprofitabilnih respondenata, stvarajuci tako pretpostavke za kreiranje relevantnijih ponuda i prilagođenih poruka, te uspostavljanje baze lojalnih kupaca. U ovom radu nisu samo predlozeni koncepti za navedene prediktivne modele, vec i nacin njihove realizacije u alatu Rapid Miner. Modeli su realizovani u vidu gotovih procesa koje kompanije mogu, uz prilagođavanje sopstvenoj bazi kupaca, primjenjivati u direktnom marketingu. Stoga, rezultati ove disertacije mogu biti od koristi marketing menadzerima da povecaju povjerenje u donosenje odluka na osnovu podataka, kao i efikasnost i profitabilnost direktnih kampanja. Takođe, mogu biti podsticaj i putokaz za primjenu analitickih alata kao sto je Rapid Miner u marketingu.
Abstract:	The digital revolution, which influenced the growth of the amount of available data, also affected the marketing sphere and the communication of companies with customers. As modern consumers demand an answer to their inquiry, two-way communication and a personalized offer, online direct marketing is one of the most important tools for direct communication with customers, their retention and differentiated messages, created based on the specifics of individual customers or customer segments. Taking into account the fact that an increasing number of modern companies base their business decisions on data, organizations that effectively use this data gain a significant competitive advantage and greater chances of success on the market. Therefore, big data analytics and predictive models for decision support, which provide insight into consumer behavior, represent a current challenge not only for businesses, but also for the scientific community. In this paper, conceptual models are proposed for improving the system of selection and targeting of customers in direct marketing, based on the prediction of affiliation to a segment depending on purchasing behavior, the prediction of the campaign response and the prediction of their profitability. The proposed predictive models overcome certain limitations of models from previous literature, primarily by solving the problem of class imbalance and asymmetric distribution of respondents' profitability, which arise due to a smaller number of respondents and highly profitable customers compared to others. Because of these problems, predictive models show weaker predictive performance for the class of most valuable and important customers for the company. Therefore, in this dissertation, data balancing using the Support Vector Machine (SVM) method, which has been used for this purpose in the literature before, but in direct marketing for the first time in this paper, is proposed. The balanced data are then predicted using different data mining (DM) classifiers. In order to increase the predictive accuracy, ensemble methods are applied, which combine several weak classifiers into a strong one, which significantly improves the predictive performance. For profitability prediction, the Support Vector Regression (SVR) method is proposed, whose extraordinary generalization capabilities have already been confirmed in the literature, which is why it successfully overcomes the problem of asymmetric distribution. Empirical testing of the proposed models on data from direct campaigns of the Montenegrin company, as well as on publicly available data sets, showed a significant increase in predictive performance for the category of the most valuable customers, and thus the effectiveness of selection and tagging of customers, as well as the potential profit achieved in direct marketing campaigns . In addition, the proposed models provide profiling of the segment of the most valuable customers - highly profitable respondents, thus creating prerequisites for creating more relevant offers and customized messages, and establishing a base of loyal customers. In this dissertation, not only are the concepts proposed for these predictive models, but also the method of implementation in the Rapid Miner tool. The models are realized in the form of ready-made processes that companies can, with adaptation to their own customer base, apply in direct marketing. Therefore, the results of this dissertation can be useful to marketing managers to increase confidence in decision- making based on data, as well as the efficiency and profitability of direct campaigns. Also, they can be an incentive and guide for the application of analytical tools like Rapid Miner in marketing.
Authors Key words:	direktni marketing, selekcija i targetiranje kupaca, profilisanje kupaca, data mining, Support Vector Machine
Authors Key words:	direct marketing, customer selection and targeting, customer profiling, data mining, Support Vector Machine
Classification:	658.84:004.738.5(043.3)
Language:	Serbian
Identifier:	27344388
Type:	Tekst.

Abstract:

Digitalna revolucija, koja je uticala na rast količine raspoloživih podataka, odrazila se i na marketing sferu i komunikaciju kompanija s kupcima. Kako savremeni potrošači zahtijevaju odgovor na svoj upit, dvosmjernu komunikaciju i personalizovanu ponudu, upravo je online direktni marketing jedan od najznacajnijih alata za direktnu komunikaciju s kupcima, njihovu retenciju i plasiranje diferenciranih poruka, kreiranih na osnovu specificnosti pojedinacnih kupaca ili segmenata kupaca. Uzimajuci u obzir cinjenicu da sve veci broj savremenih kompanija svoje poslovne odluke zasniva na podacima, organizacije koje efikasno koriste ove podatke sticu znacajnu konkurentsku prednost i vece sanse za uspjeh na trzistu. Samim tim, big data analitika i prediktivni modeli za podrsku odlucivanju, koji pruzaju uvid u ponasanje potrošača, predstavljaju aktuelan izazov ne samo za poslovne subjekte, vec i za naucnu zajednicu. U ovom radu predlozeni su konceptualni modeli za unapređenje sistema selekcije i targetiranja kupaca u direktnom marketingu, bazirani na predikciji pripadnosti segmentu zavisno od kupovnog ponasanja, predikciji odgovora na kampanju i predikciji njihove profitabilnosti. Predlozenim prediktivnim modelima prevaziđeni su određeni nedostaci modela iz prethodne literature, prije svega kroz rjesavanje problema nebalansiranosti klasa i asimetricne distribucije profitabilnosti respondenata, koji nastaju zbog manjeg broja respondenata i visokoprofitabilnih kupaca u odnosu na ostale. Zbog ovih problema, prediktivni modeli pokazuju lose prediktivne performanse za klasu najvrednijih i najvaznijih kupaca za kompaniju. Zbog toga je predlozeno balansiranje podataka pomocu Support Vector Machine (SVM) metode, koja je i ranije u literaturi primjenjivana u tu svrhu, ali u direktnom marketingu po prvi put u ovom radu. Balansirani podaci se zatim predviđaju pomocu razlicitih data mining (DM) klasifikatora. Da bi se povecala prediktivna tacnost, primjenjuju se ensemble metode, koje kombinuju vise slabih klasifikatora u jaki, koji znacajno poboljsava prediktivne performanse. Za predikciju profitabilnosti predlozena je Support Vector Regression (SVR) metoda, cije su izvanredene mogucnosti generalizacije vec potvrđene u literaturi i zbog cega se uspjesno prevazilazi problem asimetricne distribucije. Empirijsko testiranje predlozenih modela na podacima iz direktnih kampanja crnogorske kompanije, kao i na javno dostupnim skupovima podataka, pokazalo je znacajno povecanje prediktivnih performansi za kategoriju najvrednijih kupaca, a samim tim i efikasnost selekcije i targetiranja kupaca, kao i potencijalnog profita ostvarenog u kampanjama direktnog marketinga. Pored toga, predlozeni modeli obezbjeđuju profilisanje segmenta najvrednijih kupaca - visokoprofitabilnih respondenata, stvarajuci tako pretpostavke za kreiranje relevantnijih ponuda i prilagođenih poruka, te uspostavljanje baze lojalnih kupaca. U ovom radu nisu samo predlozeni koncepti za navedene prediktivne modele, vec i nacin njihove realizacije u alatu Rapid Miner. Modeli su realizovani u vidu gotovih procesa koje kompanije mogu, uz prilagođavanje sopstvenoj bazi kupaca, primjenjivati u direktnom marketingu. Stoga, rezultati ove disertacije mogu biti od koristi marketing menadzerima da povecaju povjerenje u donosenje odluka na osnovu podataka, kao i efikasnost i profitabilnost direktnih kampanja. Takođe, mogu biti podsticaj i putokaz za primjenu analitickih alata kao sto je Rapid Miner u marketingu.