Metodologia para clusterização de clientes e recomendação de produtos

Detalhes bibliográficos
Autor(a) principal: Robes, Fernanda, 1985-
Data de Publicação: 2021
Tipo de documento: Dissertação
Idioma: por
Título da fonte: Repositório Institucional da UFPR
Texto Completo: https://hdl.handle.net/1884/71914
Resumo: Orientadora: Prof.ª Dra. Mariana Kleina
id UFPR_a990a397fd780d6756ce02a6eef1a220
oai_identifier_str oai:acervodigital.ufpr.br:1884/71914
network_acronym_str UFPR
network_name_str Repositório Institucional da UFPR
repository_id_str 308
spelling Robes, Fernanda, 1985-Kleina, Mariana, 1988-Marques, Marcos Augusto Mendes, 1978-Universidade Federal do Paraná. Setor de Tecnologia. Programa de Pós-Graduação em Engenharia de Produção2021-10-05T14:16:17Z2021-10-05T14:16:17Z2021https://hdl.handle.net/1884/71914Orientadora: Prof.ª Dra. Mariana KleinaCoorientador: Prof. Dr. Marcos Augusto Mendes MarquesDissertação (mestrado) - Universidade Federal do Paraná, Setor de Tecnologia, Programa de Pós-Graduação em Engenharia de Produção. Defesa : Curitiba, 25/05/2021Inclui referências: p. 133-138Resumo: O agrupamento de clientes auxilia o marketing estratégico, permitindo traçar estratégias diferenciadas a grupos específicos de clientes, com objetivo de criar relacionamento. A identificação do perfil de cada grupo associada a algoritmos de recomendação de produtos, auxilia os clientes a encontrarem os itens mais indicados às necessidades específicas. Esta facilidade pode auxiliar muito empresas que possuem uma extensa gama de produtos, pois, a tarefa exaustiva da busca de produtos por parte dos clientes pode ocasionar que ele compre da concorrência que pode conseguir fazer uma recomendação assertiva. Este trabalho se baseou nesta necessidade para demonstrar a aplicação de um método que combinou o algoritmo de clusterização e o de regras de associação, mostrando cada etapa da aplicação em uma base mista, que possuem tanto variáveis quantitativas quanto qualitativa. Os resultados mostraram que a medida de distância de Gower, utilizada para verificar a semelhança entre os clientes, gerou clusters com estrutura mais forte, de acordo com Coeficiente de Silhueta e o Índice de Davies Bouldin, se comparada a Jaccard. Para possibilitar o agrupamento empregou-se o K-Medoid, por ser mais flexível a utilização de diferentes medidas, o que propiciou a comparação e gerou onze clusters com perfis diferentes de clientes em um estudo de caso no setor de serviços. Para a recomendação de produtos foi avaliado o desempenho dos algoritmos Apriori, Filtragem Colaborativa Baseada em Clientes e Filtragem Colaborativa Baseada no Item, este último apresentou êxito nos dez primeiros clusters, analisando-se as Taxas de Recall e Precisão, e Curva ROC. Porém no cluster onze o Apriori apresentou melhores resultados. Após a identificação dos algoritmos de recomendação, visando otimizar as métricas de eficiência, foi ajustado o número de vizinhos mais próximos do algoritmo de Filtragem colaborativa e os parâmetros de suporte e confiança do Apriori, o que garantiu melhor desempenho de ambos. Palavras-chave: Clusterização. Recomendação de Produtos. K-Medoid. Filtragem Colaborativa. Apriori.Abstract: The grouping of clients assists strategic marketing, allowing the design of differentiated strategies to specific groups of clients, with the objective of creating relationships. The identification of the profile of each group associated with product recommendation algorithms, helps customers to find the most suitable items for their specific needs. This facility can help a lot of companies that have an extensive range of products, because the exhaustive task of searching for products on the part of customers can cause them to buy from the competition that may be able to make an assertive recommendation. This work was based on this need to demonstrate the application of a method that combined the clustering algorithm and that of association rules, showing each step of the application on a mixed basis, which have both quantitative and qualitative variables. The results showed that the Gower distance measure, used to verify the similarity between the clients, generated clusters with a stronger structure, according to the Silhouette Coefficient and the Davies Bouldin Index, when compared to Jaccard. To make the grouping possible, K-Medoid was used, as it is more flexible to use different measures, which enabled the comparison and generated eleven clusters with different customer profiles in a case study in the service sector. For the recommendation of products, the performance of the Apriori algorithms, Collaborative Client-Based Filtering and Item-Based Collaborative Filtering was evaluated, the latter was successful in the first ten clusters, analyzing the Recall and Precision Rates, and ROC Curve. However, in cluster eleven, Apriori presented better results. After identifying the recommendation algorithms, in order to optimize the efficiency metrics, the number of neighbors closest to the collaborative filtering algorithm and the support and trust parameters of Apriori were adjusted, which guaranteed better performances by both. Keywords: Clustering. Product Recommendation. K-Medoid. Collaborative Filtering. Apriori.1 arquivo (138 p.) : il. (algumas color.).application/pdfAnalise por conglomeradosEngenharia de ProduçãoMetodologia para clusterização de clientes e recomendação de produtosinfo:eu-repo/semantics/publishedVersioninfo:eu-repo/semantics/masterThesisporreponame:Repositório Institucional da UFPRinstname:Universidade Federal do Paraná (UFPR)instacron:UFPRinfo:eu-repo/semantics/openAccessORIGINALR - D - FERNANDA ROBES DE OLIVEIRA.pdfapplication/pdf2641507https://acervodigital.ufpr.br/bitstream/1884/71914/1/R%20-%20D%20-%20FERNANDA%20ROBES%20DE%20OLIVEIRA.pdf12a8949298de83507a979ea01cb4485aMD51open access1884/719142021-10-05 11:16:17.735open accessoai:acervodigital.ufpr.br:1884/71914Repositório de PublicaçõesPUBhttp://acervodigital.ufpr.br/oai/requestopendoar:3082021-10-05T14:16:17Repositório Institucional da UFPR - Universidade Federal do Paraná (UFPR)false
dc.title.pt_BR.fl_str_mv Metodologia para clusterização de clientes e recomendação de produtos
title Metodologia para clusterização de clientes e recomendação de produtos
spellingShingle Metodologia para clusterização de clientes e recomendação de produtos
Robes, Fernanda, 1985-
Analise por conglomerados
Engenharia de Produção
title_short Metodologia para clusterização de clientes e recomendação de produtos
title_full Metodologia para clusterização de clientes e recomendação de produtos
title_fullStr Metodologia para clusterização de clientes e recomendação de produtos
title_full_unstemmed Metodologia para clusterização de clientes e recomendação de produtos
title_sort Metodologia para clusterização de clientes e recomendação de produtos
author Robes, Fernanda, 1985-
author_facet Robes, Fernanda, 1985-
author_role author
dc.contributor.other.pt_BR.fl_str_mv Kleina, Mariana, 1988-
Marques, Marcos Augusto Mendes, 1978-
Universidade Federal do Paraná. Setor de Tecnologia. Programa de Pós-Graduação em Engenharia de Produção
dc.contributor.author.fl_str_mv Robes, Fernanda, 1985-
dc.subject.por.fl_str_mv Analise por conglomerados
Engenharia de Produção
topic Analise por conglomerados
Engenharia de Produção
description Orientadora: Prof.ª Dra. Mariana Kleina
publishDate 2021
dc.date.accessioned.fl_str_mv 2021-10-05T14:16:17Z
dc.date.available.fl_str_mv 2021-10-05T14:16:17Z
dc.date.issued.fl_str_mv 2021
dc.type.status.fl_str_mv info:eu-repo/semantics/publishedVersion
dc.type.driver.fl_str_mv info:eu-repo/semantics/masterThesis
format masterThesis
status_str publishedVersion
dc.identifier.uri.fl_str_mv https://hdl.handle.net/1884/71914
url https://hdl.handle.net/1884/71914
dc.language.iso.fl_str_mv por
language por
dc.rights.driver.fl_str_mv info:eu-repo/semantics/openAccess
eu_rights_str_mv openAccess
dc.format.none.fl_str_mv 1 arquivo (138 p.) : il. (algumas color.).
application/pdf
dc.source.none.fl_str_mv reponame:Repositório Institucional da UFPR
instname:Universidade Federal do Paraná (UFPR)
instacron:UFPR
instname_str Universidade Federal do Paraná (UFPR)
instacron_str UFPR
institution UFPR
reponame_str Repositório Institucional da UFPR
collection Repositório Institucional da UFPR
bitstream.url.fl_str_mv https://acervodigital.ufpr.br/bitstream/1884/71914/1/R%20-%20D%20-%20FERNANDA%20ROBES%20DE%20OLIVEIRA.pdf
bitstream.checksum.fl_str_mv 12a8949298de83507a979ea01cb4485a
bitstream.checksumAlgorithm.fl_str_mv MD5
repository.name.fl_str_mv Repositório Institucional da UFPR - Universidade Federal do Paraná (UFPR)
repository.mail.fl_str_mv
_version_ 1801860674626781184

Registros relacionados