Review and analyze market basket and order goods store chain

Document Type : Research Paper

Authors

Islamic Azad University of Arak

Abstract

Basket Analysis is one of the most important applications in data mining the buying patterns discovered by data transactions, focus. In many stores, exchanges, sales are the only source of information the data mining could use it. Data Mining is the extraction of knowledge from raw data via data mining is said to be found in databases, data mining provides useful information and knowledge. Data mining is used in various applications and customer relationship management is one of the tools. Given the importance of applying data mining techniques to extract knowledge from huge volumes of sales data and the impact of this information on profitability, and improve customer relationship management system in this article, the using data mining techniques to analyze customers in Cart one of the branches of chain stores in the ARAK city, too. This paper shows the results of applying data mining techniques to discover items that are purchased together to increase customer satisfaction and store profitability will follow. In this regard, the association algorithm to discover customer buying pattern is used. The store will offer strategies to improve performance.

Keywords

References

۱. تارخ، محمد­جعفر و شریفیان، کبری (۱۳۸۹). کاربرد داده­کاوی در بهبود مدیریت ارتباط با مشتری. فصلنامه علمی پژوهشی مطالعات مدیریت صنعتی، 6(17): 181-153.
2. تقوی­فرد، محمدتقی و خواجوند، سمانه (1392). بخش­بندی خوشه­ای مشتریان بانک (مورد مطالعه: بانک صادرات ایران). دو فصلنامه علمی-­­پژوهشی کاوش­های مدیریت بازرگانی، 5(9): 64-39.
3. جهان دیده، بهروز، گل محمدی، علیرضا و صفدری رنجبر، مصطفی (۱۳۹۱). شناسایی و اولویت بندی عوامل تعیین کننده تداوم خرید مشتریان فروشگاه­های زنجیره­ای اتکا با استفاده از الگوریتم شبکه­های عصبی. فصلنامه علمی-پژوهشی تحقیقات بازاریابی نوین، 2(4): 77-73.
4. حاجی کریمی، عباسعلی و منصوریان، تالین (1391). بررسی و تبیین نقش مدیریت دانش مشتری در بهبود عملکرد سازمانی. فصلنامه علمی- پژوهشی کاوش­های مدیریت بازرگانی، 4(8): 92-75.
5. دیوسالار، علی و بهبود، وحید (۱۳۸۵). مدیریت بر اطلاعات مشتری در مدیریت زنجیره تأمین با استفاده از رویکرد داده کاوی. فصلنامه اطلاع رسانی، آموزشی و پژوهشی مدیریت فردا، 4(14و13): 73-67.
6. غفاری آشتیانی، پیمان و اسکندری، علیرضا (1390). ارزیابی رابطه بین ویژگی­های برنامه وفاداری، رضایت از فروشگاه و وفاداری به فروشگاه (مطالعه موردی: فروشگاه رفاه اراک). مجله مدیریت بازاریابی، (10): 45-27.
7. فشارکی، مهدی؛ شیرازی، حسین و بخشی، اکرم (۱۳۸۹). استخراج دانش از پایگاه داده نرم­افزارهای مدیریت اطلاعات و مستندات با تکنیک­های داده­کاوی. فصلنامه علمی پژوهشی پژوهشگاه علوم و فناوری اطلاعات ایران، 26(2): 283-259.
8. کفاش­پور، آذر؛ توکلی، احمد و علیزاده زوارم، علی (۱۳۹۱). بخش­بندی مشتریان براساس ارزش دوره عمر آن­ها با استفاده از داده­کاوی بر مبنای مدل آر.اف.ام. پژوهش­های مدیریت عمومی، 5(15): 84-63.
9. گلستانی، امین (۱۳۸۶). هوش تجاری و تصمیمات کلان سازمانی. ماهنامه تدبیر، (190): 45-41.
10. محقر، علی؛ کارولوس، حسینی، فرید و منشی، آصف­علی (۱۳۸۷). کاربرد هوش تجاری به عنوان یک تکنولوژی اطلاعات استراتژیک در بانکداری: بازرسی و کشف تقلب. نشریه مدیریت فناوری اطلاعات، 1(1): 120-105.
11. مرتضوی، محسن(۱۳۸۰). فروشگاه­های زنجیره­ای معایب و مزایا. ماهنامه تدبیر، (116): 51-44.
12. مک لنان، جیمی؛ تانگ، جائوهوی و کریوات، بوگدان (۱۳۹۲). داده­کاوی با اس.کیو.ال سرور ۲۰۰۸. امیر علیخانزاد و پاتریس کوشش، مشهد، انتشارات پرتونگار.
13. مومنی، هوشنگ (۱۳۸۵). سیستم­های اطلاعات مدیریت پیشرفته، تهران، انتشارات ستاره سپهر.
14. مهدوی، عبدالمحمد و موسوی، زهره (1393). ارائه چارچوبی جهت سنجش ارزش بلندمدت مشتریان در فرایند مدیریت ارتباط با مشتری. دو فصلنامه علمی- پژوهشی کاوش‌های مدیریت بازرگانی، 6(12): 17-1.
۱5. ناظمی، جمشید؛ جعفری، پژمان و هاشمی، حامد (۱۳۹۱). کاوش خصوصیات مشتریان بانکداری خرد با استفاده از تکنیک­های داده­کاوی. مجله مدیریت بازاریابی، (14):35-21.
16. Raorane, A.A, Kulkarni R.V., and Jitkar B.D. (2012). Association Rule – extracting Knowledge Using Market Basket Analysis. Research Journal of Recent Sciences, 01(2): 19-27.
17. Annie M.C., Loraine Ch. and Ashok Kumar D. (2012). Market Basket Analysis for a Supermarket based on Frequent Itemset Mining. International Journal of Computer Science, 9(3): 257-264.
18. Bahrami, M. Arabzad, M. and Ghorbani, M. (2012). Innovation In Market Management By Utilizing Business Intelligence: Introducing Proposed Framework. The First International Conference on Leadership, Technology and Innovation Management, 41: 160-167.
19. Bottcher, M. Spott, M. Nauck, D., and Kruse, R. (2009). Mining changing customer segments in dynamic markets. Expert Systems with Applications, 36: 155–164.
20. Gupta, A. K., and Gupta, Ch. (2010). Analyzing Customer Behavior Using Data Mininghniquse: Optimizing relationships with customer. Management Insight, VI (1): 92-98.
21.  Hamrouni, T., Slimani, F., and Charrada, B. (2016). A survey of dynamic replication and replica selection strategies based on data mining techniques in data grids. Engineering ApplicationsofArtificial Intelligence, 48: 140-158
22. Han, J., and Kamber, M. (2006). Data Mining Concepts and Techniques. Second edition. Morgan Kaufmann Publisher (imprint of Elsevier), San Francisco. CA 94111.
23. Miguéis, V.L., Poel, Dirk Van den, Camanho, A.S., and Cunha, Joo Falco e (2012). Modeling partial customer churn: On the value of first product-category purchase sequences. Expert Systems with Applications, 39: 11250–11256.
24. Ngai, E.W.T., Xiu, Li and Chau, D.C.K. (2009). Application of data mining techniques in customer relationship management: A literature review and classification. Expert Systems with Applications, 36: 2592–2602.
25. Ramageri, Bharati M., and Desai, B.L. (2013). Role of data mining in retail sector. International Journal on Computer Science and Engineering (IJCSE), 5(01): 47-50.
Journal of Business Administration Researches
Volume 8, Issue 16
June 2017
Pages 161-184

Files

Share

How to cite

Statistics