Author(s): Coelho, Inês Capote
Date: 2013
Persistent ID: http://hdl.handle.net/10362/10511
Origin: Repositório Institucional da UNL
Subject(s): Artificial Neural Network; Clustering; Data Mining; Hierarchal Self Organizing Map; Kohonen algorithm; Segmentation; Self Organizing Map; Unsupervised learning
Trabalho de Projeto apresentado como requisito parcial para obtenção do grau de Mestre em Estatística e Gestão de Informação, especialização em Gestão do Conhecimento e Inteligência de Negócio
Um dos maiores desafios no processo de clustering está na multidimensionalidade da maioria dos problemas. A descrição de um fenómeno, necessita, normalmente, de um número elevado de variáveis, afetando assim, a eficiência dos algoritmos de clustering. Muitos destes algoritmos são sensíveis a variáveis divergentes, ou seja, com diferentes distribuições. Estas caracterizam-se por apresentar grandes diferenças quanto à tendência geral, o que lhes confere um maior peso na solução final de clustering. Como forma de contornar este aspeto, surge o HSOM (Hierarchical Self-Organizing Map), o qual permite agrupar as variáveis em vários temas, produzindo assim uma segmentação final onde cada um dos temas usados terá um impacto semelhante na mesma. Este Trabalho de Projeto vai debruçar-se sobre esta temática e envolve dois principais objetivos. O primeiro numa vertente teórica que visa explicar o método SOM (Self Organizing Maps) juntamente com o HSOM, dando a conhecer o modo como funcionam. O segundo, numa vertente prática, tendo o intuito de aplicar o método HSOM na construção de clusters, com base em clientes de um Banco, agrupando as variáveis nos seguintes temas: Marketing, Produção, Risco e Sociodemográficos. Com isto, o objetivo final será a construção de uma interface interativa e de fácil utilização que segmente os clientes, de modo a facilitar à obtenção de informação sobre os mesmos, auxiliar as análises futuras e diferenciar as ofertas nas campanhas de marketing direto. Neste âmbito, tanto o HSOM (com sete clusters) como o SOM (com cinco clusters) são concretizáveis. O HSOM permite reduzir a dimensionalidade dos problemas, a construção de uma estrutura natural do problema e exige menos esforço computacional usando diferentes SOMs para cada nível hierárquico.
Dimensionality is one of the biggest challenges faced by clustering process. Usually, the description of a phenomenon requires a large number of variables, which affects the clustering algorithms efficiency. Many of these algorithms are sensitive to variables with large differences between their scales which gives them a bigger weight on the final clustering solution. HSOM (Hierarchical Self Organizing Maps) deals with this problem by grouping several variables in different subjects, producing a final segmentation where each subject has similar impact. This project focuses on this subject and has two main goals. Explaining SOM and HSOM methods by introducing them in a theoretical way is the first one. The second one is applying the HSOM and SOM methods in a customer bank database in order to build clusters by grouping the available variables in different subjects – Marketing, Performance, Risk and Socio-demographic. Thus will be possible to build an interactive and user friendly interface which will allow segmenting customers, making easier information search, supporting future analysis and creating different offers in direct marketing campaigns. In this context, HSOM (with seven clusters) and SOM (with five clusters) are achievable. The HSOM reduces the dimensionality of the problems, require less computational effort and construct a natural structure of the problem, using different SOMs for each hierarchical level.
