Τεχνικές Εξόρυξης Δεδομένων σε Φαρμακευτικές Βάσεις Δεδομένων για τον προσδιορισμό προφίλ πελατών

Data Mining technics on Pharmaceutical Data Bases for identifying Customers' Profile (Αγγλική)

  1. MSc thesis
  2. ΤΣΑΜΠΟΥΡΗ, ΑΝΝΑ
  3. Μεταπτυχιακή Εξειδίκευση στα Πληροφοριακά Συστήματα (ΠΛΣ)
  4. Σεπτέμβριος 2016 [2016-09]
  5. Ελληνικά
  6. 178
  7. Σταυρόπουλος, Ηλίας
  8. Βερύκιος, Βασίλειος | Κωτσιάντης, Σωτήρης
  9. Τεχνικές εξόρυξης δεδομένων, Διαχείριση Πελατειακών σχέσεων, Αλγόριθμοι Μηχανικής Μάθησης, Πρόβλεψη Κύκλου Εργασιών Πελατών, Ταξινόμηση, Κατηγοριοποίηση Πελατών, Παλινδρόμηση. | Data Mining techniques, Client Relationship Management, Machine Learning Algorithms, Predicting Client's turnover, Client’s Classification, Regression
  10. 2
  11. 7
  12. 28
  13. Περιέχει: πίνακες, εικόνες
  14. Tan, P.-N., Steinbach, M., & Kumar, V. (2010). Εισαγωγή στην Εξόρυξη Δεδομένων. (Β. Β., Ed.) Επιμέλεια μετάφρασης: Βερύκιος Β., Εκδόσεις Τζιόλα.
    • Αντικείμενο της εργασίας είναι η κατηγοριοποίηση των πελατών φαρμακοποιών της εταιρείας ΣΥ.Φ.ΔΑ.Σ.ΔΥ.Μ ΣΥΝ. Π.Ε που ανήκει στο χονδρεμπόριο φαρμάκων με τη χρήση γνωστών αλγορίθμων Μηχανικής Μάθησης ώστε να γίνει καλύτερη διαχείριση της πελατειακής βάσης της εταιρείας Η βάση δεδομένων των συναλλαγών των πελατών που χρησιμοποιήθηκε για τη συγκεκριμένη μελέτη περίπτωσης έχει προέλθει από το λογισμικό της αποθήκης. Για την εφαρμογή των αλγορίθμων κατηγοριοποίησης και την αξιολόγηση των αποτελεσμάτων χρησιμοποιήθηκε το λογισμικό Weka, ενώ προτείνεται και ένα πρότυπο εργαλείο ταξινόμησης για τους υπεύθυνους της φαρμακαποθήκης και θα τους επιτρέπει να ενημερώνονται ώστε να λαμβάνουν αποφάσεις με βάση συγκεκριμένη πληροφόρηση και στοιχεία.
    • The object of this thesis is the classification of the Pharmacists who are clients to the wholesaler SYFFASDYM SYN PE by applying known, machine learning algorithms in order to create a customers' database that will be useful for the company. The pharmaceutical database that is used comes from the company's software. The software we used for applying the classification algorithms and evaluating their outcome is WEKA. Finally, we present the results that these algorithms produce and the conclusions we came up to and we suggest a helping tool to facilitate the automation of the prediction procedure.
  16. Items in Apothesis are protected by copyright, with all rights reserved, unless otherwise indicated.