Usando técnicas de mineração de dados para extrair estratégia de lucratividade

Today, with the development of base systems and the high volume of data stored in them, there is a need for tools to process and use these data. The best tool is to discover rules between data, data mining and data mining techniques. In this article, we are looking for data mining tools to extract the profitability rules. In order to obtain the tangible results of this research, the information of customers of a restaurant in two parts has been collected through the distribution of a questionnaire. The first part is customer personal information, and the second part is the importance of each of the loyalty factors assigned by each customer. After collecting the data, the Excel file was imported and analyzed by Rapid Miner software, and clustering was performed on all customer information and customers were placed in clusters based on similarity of features and their behavior. Clustering is performed using the K-means algorithm. Then, an index is defined for categorization and is categorized on each cluster of clustering, and customers of each cluster are divided into two groups of profitable and non-profitable, and after extracting the rules from the decision tree, the strategies are presented for making more profit in the studied location.Hoy en día, con el desarrollo de sistemas básicos y el gran volumen de datos almacenados en ellos, existe la necesidad de herramientas para procesar y utilizar estos datos. La mejor herramienta es descubrir reglas entre datos, la minería de datos y las técnicas de minería de datos. En este artículo, buscamos herramientas de extracción de datos para extraer las reglas de rentabilidad. Con el fin de obtener los resultados tangibles de esta investigación, se obtuvo, en dos partes, la información de los clientes de un restaurante a través de un cuestionario. La primera parte es información personal del cliente, y la segunda parte es la importancia de cada uno de los factores de lealtad asignados por cada cliente. Después de recopilar los datos en un archivo de Excel, se exporta y analiza la información en el software Rapid Miner; se realiza la agrupación de toda la información del cliente en clústeres y se coloca en clústeres según la similitud de características y su comportamiento. La agrupación se realiza utilizando el algoritmo K-means. Luego, se define un índice para la categorización y se clasifica en cada grupo de clustering. Los clientes de cada clúster se dividen en dos grupos de rentable y no rentable, y después de extraer las reglas del árbol de decisiones, se presentan estrategias para hacer más ganancias en la ubicación estudiada.Atualmente, com o desenvolvimento de sistemas básicos e o grande volume de dados armazenados neles, há necessidade de ferramentas para processar e utilizar esses dados. A melhor ferramenta é descobrir regras entre dados, mineração de dados e técnicas de mineração de dados. Neste artigo, procuramos ferramentas de extração de dados para extrair as regras de lucratividade. A fim de obter os resultados tangíveis desta pesquisa, as informações dos clientes de um restaurante foram obtidas em duas partes através de um questionário. A primeira parte é a informação pessoal do cliente, e a segunda parte é a importância de cada um dos fatores de lealdade atribuídos por cada cliente. Depois de coletar os dados em um arquivo do Excel, as informações são exportadas e analisadas no software Rapid Miner; O agrupamento de toda as informações do cliente é feito em clusters e colocado em clusters de acordo com a similaridade de características e seu comportamento. O agrupamento é feito usando o algoritmo K- means. Em seguida, um índice é definido para categorização e classificado em cada grupo de agrupamento. Os clientes em cada cluster são divididos em dois grupos de lucrativos e não rentáveis e, depois de extraírem as regras da árvore de decisão, são apresentadas estratégias para obter mais lucros no local estudado