Estudio del comportamiento de compra de los asociados y clientes del servicio de supermercado de una cooperativa, aplicando reglas de asociación
DOI:
https://doi.org/10.24054/face.v17i1.694Palabras clave:
Gestión, Organización, Comportamiento de compra, Minería de datos, Reglas de AsociaciónResumen
La generación creciente de importantes volúmenes de datos, como resultado de la actividad de la empresa, ha obligado de forma generalizada al uso de recursos informáticos que permitan su tratamiento y disponibilidad, creando una cultura de confianza y uso adecuado de la información. Lo que no es tan frecuente encontrar es empresas que hagan uso del conocimiento que se puede generar de esos datos a partir de uso de herramientas de minería de datos. Las reglas de asociación se basan en métodos y técnicas de la minería de datos que permiten estimar o predecir comportamientos sobre datos recolectados como resultado del quehacer operativo de la empresa, con las que se espera conocer, a partir de la aplicación de modelos formales, el comportamiento de compra de los clientes de un supermercado de mediana superficie y proponer, a partir de este conocimiento, estrategias y acciones a seguir para de un lado fortalecer los hallazgos favorables encontrados, y de otro, mejorar las posibles falencias identificadas.
Descargas
Citas
Agrawal, R., & Srikant, R. (1994). Fast Algorithms for Mining Association Rules. Proc. Int. Conf. Very Large Database (VLDB’94), 487-499. Santiago, Chile.
Agrawal, R., Imielinski, T., & Swami, A. (1993). Mining Association Rules Between Sets of Items in Large Databases. In Proceedings of the 1993 ACM SIGMOD International Conference on Management of Data (pp. 207-216). Washington, D.C., USA: ACM.
Frawley, W. J., Piatetsky-Shapiro, G., & Matheus, C. J. (1991). Knowledge Discovery in Databases. Cambridge: MIT Press.
Han, J., Pei, J., Yin, Y., & Mao, R. (2004). Mining Frequent Patterns without Candidate Generation: A Frequent-Pattern Tree Approach. Data Mining and Knowledge Discovery, 53-87.
Hernandez, J., Ramírez, M. J., & Ferri, C. (2008). Introducción a la minería de datos. Madrid: Pearson / Prentice Hall.
Menzies, T., & Hu, Y. (2003). Data Mining for Very Busy People. IEEE Computer, 18-25.
Park, J., Chen, M.-S., & Yu, P. S. (1997). Using a Hash-Based Method with Transaction Trimming for Mining Association Rules. IEEE Transactions on Knowledge and Data Engineering, 813-825.
Rapidminer. (2016, December 1). Rapidminer. Retrieved from https://rapidminer.com/us/
Savasere, A., Omiecinski, E., & Navathe, S. (1995). An Efficient Algorithm for Mining Association Rules in Large Databases. In Proceedings of the 21st International Conference On Very Large Data Bases (pp. 432-444). Zurich, Switzerland.
Zaki, M. J., Parthasarathy, S., Ogihara, M., & Li, W. (1997). New Algorithms for Fast Discovery of Association Rules. In KDD'97 Proceedings of the Third International Conference on Knowledge Discovery and Data Mining (pp. 283-286). Newport Beach, CA: AAAI Press.
Descargas
Publicado
Versiones
- 2016-03-20 (2)
- 2021-01-30 (1)
Cómo citar
Número
Sección
Licencia
Derechos de autor 2021 FACE: Revista de la Facultad de Ciencias Económicas y Empresariales
Esta obra está bajo una licencia internacional Creative Commons Atribución-NoComercial-CompartirIgual 4.0.
Atribución: debe dar el crédito apropiado, proporcionar un enlace a la licencia e indicar si se realizaron cambios. Puede hacerlo de cualquier manera razonable, pero no de ninguna manera que sugiera que el licenciante lo respalda a usted o su uso.
No comercial: no puede utilizar el material con fines comerciales.
CompartirIgual: si remezclas, transformas o construyes a partir del material, debes distribuir tus contribuciones bajo la misma licencia que el original.
Sin restricciones adicionales: no puede aplicar términos legales ni medidas tecnológicas que restrinjan legalmente a otros hacer cualquier cosa que la licencia permita.
