You are on page 1of 12

PRISTUPNI RAD

PREZIME I IME
Mari Ivana
BROJ INDEKSA
3204/2013
STUDIJSKI
PROGRAM
Mas!r
PREZIME I IME
MENTORA
prof. dr Boris Delibai
NAS"O# RADA
Primena otkrivanja zakonitosti u podacima kao podrka unapreenju
prodajnih modela u oblasti telekomunikacija
Napredak tehnologije i pojaana konkurencija navela je telekomunikacione
kompanije da diverzifikuju svoje programe to je stvorilo uslove za brz
prelazak kompanija sa tradicionalnog prenosa govora na pru!anje usluga
dodate vrednosti "eng. #$%& value added services'. Problem koji je postao
izazov za ove kompanije je kako identifikovati potencijalne korisnike ovih
usluga. (odeli prodaje kao to su modeli unakrsne prodaje "eng. cross
sell' i modeli proirene prodaje "eng. up&sell' su postali kljuni za rast
prihoda i profita ovih kompanija i rast prosenog prihoda po korisniku. )
ovom radu bie predlo!ene neke od metoda otkrivanja zakonitosti u
podacima koje telekomunikacionim kompanijama mogu poslu!iti kao
podrka za definisanje* razvoj i unapreenje svojih modela prodaje. +a
reenje ovog problema predla!u se razliite metode, asocijativna pravila*
metode klasifikacije i klasterovanja. -ao polazite istra!ivanja* autor je
uzeo dosadanja dostignua na polju klasifikacije* koja se uglavnom
baziraju na primeni algoritama, maina sa vektorima podrke* neuronske
mre!e i logistika regresija. Prethodna istra!ivanja su opravdala izbor
navedenih algoritama za klasifikaciju* ali i ukazala na mogunost
poboljanja postojeih reenja na polju podeavanja parametara modela*
opse!ne pripreme podataka i izboru odgovarajue metode selekcije
atributa* te e ti problemi biti posebno razmatrani. +a evaluaciju modela je
koriena matrica konfuzije i mere tanost* preciznost i osetljivost* pri
emu se istovremeno prate rezultati koje algoritmi posti!u na balansiranim
i neizbalansiranim podacima* kao i koliko je model pogodan za objanjenje
uticaja ulaznih atributa na izbor klase* to mo!e poslu!iti kao osnova za
pravljenje profila korisnika. Da bi se opravdala validnost modela* model je
primenjen na podacima jedne azijske telekomunikacione kompanije* a za
izvoenje eksperimenta koristie se softver .apid (iner. Pored toga* rad
e dati pregled literature i dosadanjih istra!ivakih radova.
U#OD
Podruje istraivanja ovog rada predstavlja otkrivanje zakonitosti u podacima. Prema
(Rygielski et al. 2002) kroz otkrivanje zakonitosti u podacima ekstrakcijom skriveni o!razaca
iz veliki !aza podataka " organizacije mogu da identi#ikuju vredne korisnike$ predvide njiovo
!udu%e pona&anje i kreiraju proaktivne$ na znanju zasnovane$ strategije. 'vaj rad ukazuje na
jedan od naina na koji telekomunikacione kompanije mogu da iskoriste otkrivanje zakonitosti u
podacima za unapre(enje svoji prodajni modela.
Prema ()mat$ 2002) jedan od kljuni pro!lema telekomunikacioni kompanija nije
samo kako da uvaju i upravljaju velikom koliinom podataka$ generisani iz korisniki
ugovora ili korisniki aplikacija$ ve% kakao da izvuku iz nji znanje i korisne in#ormacije.
(Rygielski et al. 2002) *enike otkrivanja zakonitosti u podacima daju re&enja za poslovne
pro!leme koju su ranije !ili nere&ivi usled visoki tro&kova i vremenske ogranienosti. +pravo
ovaj napredak u nauci i tenologiji je omogu%io da upravljanje odnosima sa korisnicima postane
o!last u kojoj kompanije mogu da generi&u svoju kompetitivnu prednost.
Prema (Raisingani$ 200,) tri&te telekomunikacija postaje sve vi&e zasi%eno i mo!ilni
operateri prelaze sa tradicionalnog prenosa glasa na pruanje usluda sa dodatom vredno&%u (eng.
-)."value added services). /olaskom nove generacije ,0$ kori&%enje ovi usluga %e !rzo
porasti i upravo ovi korisnici mogu !iti najve%i potencijal u generisanju prioda za mo!ilne
operatere. (1ia$ 2saya 3 .ajari$ 2045). 2zazov koji se stavlja pred telekomunikacione
kompanije je kako identi#ikovati korisnike ovi usluga i kako prodati ove usluge.
*elekomunikacione kompanije ulau velike napore u razvoj razliiti modela prodaje koji
spadaju u domen uspe&nog upravljanja odnosima sa korisnicima (eng. 6R7). 1eki od$ sada ve%
tradicionalni modela$ su model unakrsne ili vezane prodaje (eng. 6ross"sell) i model uve%ane
ili pro&irene prodaje (eng. +p"sell). Pro&irena prodaja predstavlja teniku prodaje kojom se
pretplatniku nudi skuplja ili naprednija verzija proizvoda u okviru iste kategorije dok unakrsna
podaja podrazumeva ponudu proizvoda iz neke druge$ povezane kategorije. 'snova uspe&nog
razvoja i implementacije ovi modela lei u detaljnoj analizi podataka o korisniku i kreiranju
adekvatnog pro#ila koji %e omogu%iti targetiranje pravog korisnika za pravi proizvod ili uslugu.
Podaci koji stoje na raspolaganju telekomunikacionim kompanijama su previ&e !rojni i previ&e
kompleksni$ kako !i se uspe&no nosile sa njima$ ove kompanije moraju da o!ez!ede neke
napredne i mo%ne metode njiove o!rade.
DOSADA$NJI NAJ#A%NIJI REZU"TATI U ZADO#O"JA#ANJU
POTREBA U PREDMETNOJ OB"ASTI
Prve znaajnije studije o razvoju modela unakrsne i pro&irene prodaje kori&%enjem
metoda otkrivanja zakonitosti u podacima ra(ene su u o!lasti !ankarstva sa ciljem da se razviju
modeli koji %e !ankama pomo%i da kroz precizno rangiranje !ankarski proizvoda iza!eru
proizvod koji %e najvi&e odgovarati speci#inom pro#ilu korisnika. + svom radu$ #ormulisanom
kao #azi odluivanje zasnovano na interakciji ciljeva sa primenom na unakrsne modele prodaje u
s#eri privatni !anaka$ (8eli9$ 2004) prikazuje kako klijentu !anke koji aplicira za kredit ponuditi
jo& neki !ankarski proizvod: ivotno osiguranje$ kreditnu karticu ili otvaranje rauna. ;a slian
pro!lem (<erry 3 =ino##$ 2000) su koristili sta!la odluivanja$ dok su (.u et al. 200,) koristili
asocijativna pravila i statistike modele. +z pomo% asocijativni pravila generisali su atri!ute
koji imaju najve%u prediktorsku mo%$ a koje su potom koristili kao ulaze za i!ridne modele
klasi#ikacije.
1e&to kasnije$ slini poku&aji su ra(eni i u o!lasti telekomunikacija. >ao osnova za
poetak istraivanja uzeti je rad autora (<adani$ .ankar 3 Rao$ 2042) koji se !ave
pro!lemom klasi#ikovanje korisnika u cilju identi#ikovanja -). usluge koja najvi&e odgovara
odre(enom segmentu korisnika. + svom radu$ ovi autori koriste ma&inu sa vektorima podr&ke sa
tri razliita kernela (eng. Polynomial$ R<8 and .igmoid kernels) i neuronsku mreu. ;a
evaluaciju podataka koristili su meru tanosti modela (eng. accuracy)$ a za optimizaciju
parametara kernela metodu grid optimizacije. /o&li su do zakljuka da ma&ine sa vektorima
podr&ke postiu !olje rezultate od neuronske mree$ a za po!olj&anje rezultata predlau poku&aj
primene neke osetljivije metode selekcije atri!uta i poku&aj sa razliitim metodama optimizacije
parametara modela.
>ao potencijalno re&enje za slian pro!lem (?yuncul et al. 2040) predlau upotre!u
i!ridni tenika otkrivanja zakonitosti u podacima za unapre(enje unakrsne prodaje. + svom
radu koriste nekoliko algoritama za klasi#ikaciju: logistiku regresiju$ sta!la odluivanja i
neuronsku mreu i prave i!ridni model za klasi#ikaciju tako &to integri&u rezultate oda!rani
algoritama uz pomo% genetskog algoritma i metode ponderisanog proseka (eng. @eigted"
averaging metod ) sa ciljem da se &to vi&e pove%a tanost klasi#ikacije. Prednost njiovog
predloenog i!ridnog modela klasi#ikacije se zasniva na upotre!i ponderisanog proseka kao
metode integracije rezultata pojedinani algoritama$ za razliku od tradicionalne metode
proseno ili ve%insko glasanje (eng. averaging and majority voting) koja je uglavnom kori&%ena
za takve pro!leme. ;a modele klasi#ikacije se opredelio i (Aarosze@icz$ 200B). + svom radu$ ovaj
autor koristi <ajesovu mreu za analiziranje pona&anja korisnika. 2spostavilo se da ova mrea
daje do!ar uvid u zavisnost izme(u varija!li i kako promena jedne utie na promenu druge.
Pored !rojni poku&aja da se uz pomo% tenika klasi#ikacije razviju modeli za
unapre(enje prodaje postoje i radovi u kojima se predlau asocijativna pravila$ genetski algoritmi
i metode klasterovanja. *ako (=i$ 200C) predlae kvantitativna asocijativna pravila za #azi
klasterovanje gde pokazuje kako se kom!inovanjem #uzi 6"means sa metodama klasterovanja
(eng. su!tractive cluster metod) do!ijaju algoritmi za !rzo inicijalizovanje i preraunavanje
centroida$ ime se u!rzavanjem stope iteracije u!rzava klasi#ikacija i pove%ava verovatno%a
uspe&ne unakrsne prodaje.
.)."ova re&enja se !aziraju na primeni asocijativni pravila kojima se analizira tipina
staza razvoja korisnika$ od poetnog pretplatnika sa jednim aktivnim !rojem do pretplatnika koji
koristi vi&e !rojeva istovremeno$ internet i druge napredne usluge. .a druge strane$ 2<7 nudi
kompletna re&enja unakrsne prodaje (2<7 0uided .elling 3 )ctive )dvisor)$ ali ona su
uglavnom namenjena maloprodaji.
*re!a napomenuti da veliku slinost sa modelima unakrsne prodaje imaju sistemi
preporuke (eng. recommender systems) koji na osnovu istorijski podataka predlau korisniku
proizvod slian onom koji su ve% kupili. 1aj!olji primer za to je sajt )mazona. 7e(utim ovakav
sistem unakrsne prodaje su pogodni samo za sisteme koje nude na iljade proizvoda$ te nisu
primenljivi u o!lasti telekomunikacija.
+ ovom radu$ autor se opredelio za teniku klasi#ikacije kao podr&ke unapre(enju
unakrsni i pro&ireni modela prodaje u telekomunikacijama. ;a razvoj modela kori&%eni su
algoritmi ma&ina sa vektorima podr&ke$ neuronska mrea i logistika regresija. 6ilj je da se
do!ije model$ koji %e na osnovu raspoloivi podataka o korisniku$ sa velikom verovatno%om
predvideti da li je korisnik zainteresovan za neku od novi usluga. *re!a napomenuti da pored
telekomunikacija predloeni model !i mogao da na(e primenu i u drugim o!lastima kao &to su
!ankarstvo$ osiguravaju%e kompanije ili maloprodaja$ odnosno na !ilo koje poslovanje koje je
direktno okrenuto klijentima.
&ORMU"A'IJA PROB"EMA
Pro!lem koji %e se re&avati u ovom radu predstavlja unapre(enje modela prodaje u o!lasti
telekomunikacija primenom metoda otkrivanja zakonitosti u podacima. Pro!lem se zasniva na
injenici da su telekomunikacione kompanije poslednji godina znaajno diverzi#ikovale svoj
program usluga$ te pored standardni imaju i &iroku lepezu usluga dodate vrednosti koje ele da
prodaju svojim postoje%im pretplatnicima. Pro!lem sa kojim se suoavaju ove kompanije je kako
identi#ikovati korisnika koji je zainteresovan za kupovinu neke od novi usluga. 'vome tre!a
dodati i injenicu da telekomunikacione kompanije imaju !ogate !aze podataka o svojim
korisnicima koju mogu iskoristiti za otkrivanje o!razaca pona&anja korisnika te da na osnovu
toga anticipiraju njiove !udu%e potre!e.
+zimaju%i u o!zir dosada&nja dostignu%a na ovom polju$ u radu %e !iti prikazan jedan od
naina na koji kompanije mogu da pristupe analizi raspoloivi podataka o korisnicima i da iz
nji izvuku potre!ne in#ormacije kao polazne osnovu za de#inisanje$ razvoj i unapre(enje
adekvatnog modela prodaje svoji usluga. Pose!an naglasak %e se staviti na upotre!u algoritama
za klasi#ikaciju: ma&ina sa vektorima podr&ke$ neuronska mrea i logistika regresija$ kao i na
mogu%nost po!olj&anja per#ormansi ovi algoritama kroz optimizaciju parametara i iz!or
adekvatne metode selekcije atri!uta$ ali i pra%enje i pore(enje rezultata koje iza!rani algoritmi
postiu na !alansiranim i neiz!alansiranim podacima. *ako(e$ autor veruje da !i potencijalno
re&enje pro!lema moglo !iti i kom!inovanje metoda klasi#ikacije i klasterovanja$ pri emu valja
naglasiti da veliina doprinosa klasterovanja ovom pro!lemu zavisi od same prirode podataka$ te
ako istraivanje ne prikae eljene rezultate onda ta ideja svakako moe !iti podloga nekog
!udu%eg istraivakog rada.
'vim istraivanjem tre!a do%i do odgovora na slede%a pitanja:
>ako su de#inisani modeli prodaje u telekomunikacijamaD
>oje su to usluge nove generacije za koje kompanije tre!a da unaprede svoje modele
prodajeD
>akvi su dosada&nji rezultati na polju analitike podr&ke razvoja modela prodaje u
telekomunikacijamaD
>ako otkrivanje zakonitosti u podacima moe da doprinese unapre(enju de#inisani
modela prodajeD
>oje podatke iz !aze kompanije tre!a da koriste za razvoj i unapre(enje prodajni
modelaD
1a koji nain unapre(enje ovi modela doprinosi uspe&nom upravljanju odnosima sa
korisnicimaD
>oji algoritmi klasi#ikacije !i najvi&e odgovarali datom pro!lemuD
+ kojoj meri predloeni algoritam odgovara stvarnom pro!lemuD
MOTI#A'IJA( INTE"EKTUA"NA I "I)NA MOTI#ISANOST
7otivacija autora za pisanje ovog rada je pro&irivanje znanja u o!lasti primene tenika
otkrivanja zakonitosti u podacima u o!lasti telekomunikacija pregledom relevantne literature i
dosada&nji istraivaki radova. )utor smatra da razvoj modela unakrsne prodaje kori&%enjem
tenika otkrivanja zakonitosti u podacima moe doneti veliku korist telekomunikacionim
kompanijama kao nov nain gledanja na korisnike i maksimalno iskori&%avanje postoje%i
resursa i podataka. >ao &to je ve% napomenuto$ do sada je veliki !roj strunjaka dao doprinos
ovoj o!lasti$ o!javljen je veliki !roj studija$ istraivanja i akademski radova i sa teorijskog i sa
praktinog aspekta. 7e(utim kako se pro!lem svake kompanije u ovoj o!lasti moe posmatrati
kao pose!an sluaj kome tre!a pristupiti na pose!an nain$ ova tema je i dalje aktuelna i ima jo&
dosta prostora za rad i unapre(enje postoje%i re&enja i rezultata. *ako(e$ ovaj rad !i tre!alo da
utie na svest naune i strune zajednice o znaaju tenika otkrivanja zakonitosti u podacima kao
novog pristupa re&avanju poslovni pro!lema. 'va disciplina je jo& u #azama razvoja i nema
puno a#irmisani strunjaka te je ostavljen prostor analitiarima da daju svoj doprinos i da
razvijaju ekspertizu u ovom smeru. ;a kompanije$ ovaj rad !i tre!alo da !ude podstrek da
aktivnije primenjuju tenike otkrivanja zakonitosti u podacima u svom poslovanju od ega mogu
da imaju vi&estruku korist: da deluju na osnovu znanja$ da redukuju svoje tro&kove$ ali pre svega
da !udu savremene i proaktivne. ;a akademske gra(ane ovaj rad moe !iti dodatak postoje%oj
literaturi$ ali i osnova za neki !udu%i istraivaki rad.
'vim istraivanjem$ autor nastoji da prikae mogu%nost primene algoritama za
klasi#ikaciju kao podr&ke unapre(enju modela unakrsne i pro&irene prodaje u o!lasti
telekomunikacija$ kao i da ukae na prednosti i mane ovog pristupa i gde postoji prostor za dalja
istraivanja i unapre(enje rezultata.
ORGANIZA'IJA I METODE ISTRA%I#ANJA
>ao osnova za poetak istraivanja uzeti je rad (<adani et al. 2042) koji se zasniva na
primeni algoritama za klasi#ikaciju ma&ine sa vektorima podr&ke i neuronske mree. )utor je
odluio da poku&a sa jo& nekim algoritmima iz ove grupe kao &to su razliite implementacije
logistike regresije. =ogistika regresija je podesna za ovakvu vrstu pro!lema$ jer pored
predvi(anja klase daje i verovatno%u predvi(anja$ te je kao takva pogodnija za tumaenje
rezultata. *ako(e$ (<adani et al. 2042) navode mogu%nost po!olj&anja re&enja na polju
pode&avanja parametara modela kao i iz!oru odgovaraju%e metode selekcije atri!uta &to je uzeto
kao polazi&te u istraivakom delu rada.
Pored pomenutog$ istraivanje se temelji i na radu E+potre!a i!ridni tenika
otkrivanja zakonitosti u podacima za unapre(enje unakrsne prodajeF$ autora (?yuncul et al.
2040)$ u kome predloeni model i!ridne klasi#ikacije kom!inuje nekoliko razliiti algoritama
za klasi#ikaciju. )utor veruje da se do privatljivog re&enja moe do%i uz pomo% pojedinani
algoritama$ !ez pravljenja i!rida$ ako se pretodno uradi do!ra priprema podataka$ te %e u radu
!iti prikazane neke od metoda redukovanja dimenzija seta: korelacija i analiza glavni
komponenti kao i metode !alansiranja podataka i parametrizacije modela. *ako(e$ !i%e i poku&aj
segmentacije korisnika uz pomo% metode klasterovanja kako !i se utvrdilo da li pomenuti
algoritmi postiu !olje per#ormanse na tako oda!ranim skupovima podataka.
/alje$ u praktinom delu rada pro!lem %e !iti re&avan nad podacima jedne azijske
telekomunikacione kompanije koja je uspela uspe&no da lansira tre%u generaciju mo!ilne
telekomunikacione mree (50) i eli da na osnovu demogra#ski podataka i podataka o
ostvarenom sao!ra%aju u pretodnom periodu predvidi potencijal prelaska njeni korisnika iz 20
u 50 mreu. Raspoloivi skup podataka se sastoji od 2G4 atri!ut i 4B 000 instanci. .toga$ autor
veruje da %e najvi&e vremena !iti neopodno za pripremu podataka$ redukovanje dimenzija
skupa podataka i identi#ikovanje atri!uta$ odnosno karakteristika korisnika koje igraju najvaniju
ulogu u predvi(anju o!razaca pona&anja korisnika.
>oraci za re&enje ovog praktinog pro!lema mogu !iti #ormulisani na slede%i nain:
4. )naliziranje podataka i utvr(ivanje #aktora koji imaju najve%i uticaj na verovatno%u
prelaska korisnika u 50 mreu.
2. Razvoj modela kroz testiranje razliiti alogoritama za klasi#ikaciju$ pode&avanje
parametara modela i iz!or modela koji daje naj!olje predvi(anje
5. +enje modela na trening podacima a zatim testiranje nad podacima koje model nije
video (score podaci) i predvi(anje izlaznog atri!uta 20"50
,. Pravljenje pro#ila 50 korisnika koji moe posluiti kompaniji kao osnova za kreiranje
optimalne marketing kampanje
'kvirni plan istraivanja o!uvata:
)naliza stanja na polju primene otkrivanja zakonitosti u podacima u o!lasti
telekomunikacija
/e#inisanje koncepta modela prodaje u o!lasti telekomunikacija
/e#inisanje modela unakrsne i pro&irene prodaje
/e#inisanje aritekture za primenu modela prodaje u telekomunikacijama
/e#ininsanje koncepta modela prodaje kao dela uspe&nog upravljanja odnosima sa
korisnicima
Postupak re&avanja pro!lema istraivanja
)naliza do!ijeni rezultata.
'kviran sadraj rada !i !io:
P'0=)-=AH 4.
4.4 +vod
4.2 /osada&nji najvaniji rezultati u zadovoljavanju potre!a u predmetnoj o!lasti
4.5 6iljevi i #ormulacija pro!lema
4., 6iljna grupa i personalna motivacija
4.G 'pis strukture rada
P'0=)-=AH 2.
2.4 Pregled stanja u predmetnoj o!lasti
2.2 /e#inisanje usluga dodate vrednosti (eng. vas"value added services)
2.5 'tkrivanje zakonitosti u podacima i 6R7 u telekomunikacijama
2., Pro#ilisanje korisnika i telekom podaci za analizu
2.G 7odeli prodaje u telekomunikacijama
P'0)-=AH 5.
5.4 Poro!lem istraivanja i metodologija
5.2 Razvoj modela
5.5 )lgoritmi za klasi#ikaviju
5., 6R2.P"/7 metodologija
P'0=)-=AH ,.
Rezultati istraivanja i diskusija
P'0=)-=AH G.
;akljuak sa preporukama za unapre(enje do!ijenog re&enja
=2*HR)*+R)
OPIS DE"A S#ETA KOJI *E BITI IZU)A#AN
Razvoj i unapre(enje modela prodaje je jedan od zanimljiviji pro!lema u o!lasti
telekomunikacija. Pri emu se njiov nastanak vi&e vezuje za o!last !ankarstva i poku&aj !anaka
da unakrsno prodaju svoje proizvode i tako generi&u ve%i priod od svoji klijenata. *ako(e$
veliku primenu ovi modeli su na&li i u o!lasti mloprodaje$ naroito elektronske trgovine. 7oglo
!i se re%i da je unapre(enje modela prodaje postalo znaajno za kompanije tek onda kada su se$
usled napretka tenologije$ razvoj skladi&ta podataka i unapre(enje standardni analitiki alata$
stvorili uslovi za kompanije da vi&e koriste !ogatstvo raspoloivi podataka u svojim !azama.
>onkurencija izme(u kompanija i znaajna diverzi#ikacija programa su svakako dva
najznaajnija #aktora koja su uticala na kompanije u o!lasti telekomunikacija da se oz!iljnije
poza!ave unapre(enjem svoji modela prodaje. 1aj!olji opis scenarija daju (?yuncul et al$
2040)$ prema njima$ nakon !rzog rasta u potekli nekoliko godina$ tri&te telekomunikacija ulazi
u #azu zasi%enosti. 'd kako su standardne usluge #iksne i mo!ilne tele#onije postale uo!iajene
operateri se suoavaju sa pro!lem prido!ijanja novi pretplatnika te se tei&te tri&ne utakmice
preme&ta sa &irenja !aze klijenata na pove%anje prioda koji se generi&e od postoje%eg klijenta.
/a !i prevazi&li trenutnu krizu operateri se okre%u ka pruanju napredniji usluga. 2li drugim
reima (>uo 3 6en$ 200I) mo!ilni operateri poku&avaju da unakrsno prodaju (eng. cross sell)
svoje nove usluge.
'vome u prilog ide i injenica da je koncept masovne proizvodnje i masovnog
marketinga$ kreiranog tokom 2ndustrijske revolucije$ danas !iva zamenjen novim idejama u
kojima odnosi sa korisnicima postaju centralni pro!lem poslovanja. >ompanije poku&avaju da
pove%aju vrednost koju generi&u od korisnika$ a stari model Edizajniraj"izgradi"prodajF
(orjentisanost na proizvod) je zamenjen novim Eprodaj"izgradi"redizajnirajF (orjentisanost na
korisisnika). Prema (Rygielski$ Jang 3 Ken$ 2002.) u tradicionalnom marketingu cilj je da se
privue &to vi&e korisnika i pro&iri !aza klijenata. 'vi dana$ s o!zirom na visoke tro&kove
privlaenja novi korisnika$ kompanije su promenile #okus od &irenja !aze klijenata na
produ!ljivanja odnosa sa postoje%im korisnicima. /akle$ kompanije danas kao imperaiv ne
postavljaju &irenje tri&nog ue&%a ve% pove%anje prioda od svakog pojedinanog$ postoje%eg$
korisnika.
+ ovom istraivanju$ za re&avanje pro!lema unapre(enja modela prodaje u o!lasti
telekomunikacija !i%e kori&ene metode klasi#ikacije$ sa pose!nim osvrtom na algoritme iz ove
grupe: ma&ina sa vektorima podr&ke$ neuronska mrea i logistika regresija. )kcenat %e !iti na
primeni ovi algoritama na !alansiranim i neiz!alansiranim podacima kao i poku&aju
unapre(enja rezultata koje algoritmi postiu kroz opsenu pripremu podataka i pode&avanje
parametra modela.
RE&ERENTNA "ITERATURA+ KON'EPTI I TEORIJSKI &OKUS
>ljuni koncepti koji !i tre!alo koristiti u ovom istraivanju su modeli prodaje u
telekomunikacijama$ primena otkrivanja zakonitosti u podacima u o!lasti telekomunikacija$ veza
izme(u otkrivanje zakonitosti u podacima i upravljanja odnosima sa korisnicima$ klasi#ikacija
kao podr&ka unapre(enja modela prodaje (i algoritmi koji se koriste). >ljune re#erence koje
pokrivaju ove koncepte su:
6ris Rygielski$ Ayun"6eng Jang$ /avid 6. Ken (2002)$ /ata mining tecniLues #or
customer relationsip management$ *ecnology in .ociety$ 2, (2002) ,B5G02$ *ai@an
Aean"=ouis )mat (2002)$ +sing reporting and data mining tecniLues to improve
kno@ledge o# su!scri!ersM applications to customer pro#iling and #raud management$
Aurnal o# telecommunications and in#ormation tenology$ 2N2002
<en Kuas$ 1ir@an )nsari (4CC,)$ 1eural 1et@orks in *elecommunications$ 1e@ Kork
Raisingani$ 7aes (200,)$ <usiness 2ntelligence in te /igital Hconomy:
'pportunities$ =imitations and Risks$ ?ersey$ P): 2dea 0roup Pu!lising
). <erson$ .. .mit$ and >. *realing (2000)$ <uilding /ata 7ining )pplications #or
6R7$ 7c0ra@ ?ill
7iller$ *. J. (200G)$ /ata and *e9t 7ining: ) <usiness )pplications )pproac$ Pearson
Prentice ?all$ 1e@ Aersey
*an$ P.$ .tein!ac$ 7. and >umar$ -. (200I)$ 2ntroduction to /ata 7ining$ Pearson$
)ddison Jesley$ <oston
.trouse$ >. 0. (4CCC)$ 7arketing *elecommunications .ervices: 1e@ )pproaces #or a
6anging Hnvironment$ )rtec ?ouse$ 1or@ood
<erry 7.$ =ino## 0. (2000)$ 7astering /ata 7ining"*e )rt and .cience o# 6ustomer
Relationsip 7anagement$ Jiley Pu!lising$ 1e@ Kork.
Jeiss$ 0. 7. (200G)$ /ata 7ining in*elecommunications$ /ata 7ining and >no@ledge
/iscovery$ .pringer .cience$ 1e@Kork$ pp.44BC"4204.
..7.?. Aansen (200O)$ 6ustomer .egmentation and 6ustomer Pro#iling #or a 7o!ile
*elecommunications 6ompany <ased on +sage <eavior$ -oda#one 6ase .tudy
)mad 1adali (2044)$ Hvaluating te .uccess =evel o# /ata 7ining Projects <ased on
6R2.P"/7 7etodology !y a 8uzzy H9pert .ystem
6R2.P"/7 4.0 .tep"!y" .tep /ata 7ining 0uide$ .P..
Re#erence koje su koi&%ene za de#inisanje koncepta modela unakrsne i pro&irene prodaje su:
<ernard 8. >u!iak (2040)$ +niversity o# 0daPsk$ /epartment o# 2n#ormation .ystems$
Aournal o# 2nternet <anking and 6ommerce$ vol. 4G$ no.5
7ona <akaraei 1ia$ *anko 2saya$ 7edi .ajari (2045)$ )n )pplication o# .'<2
)rcitecture #or 6ross"selling in *elecoms 2ndustryM 2nternational Aournal o# Hngineering
and )dvanced *ecnology (2AH)*) 2..1: 22,C BCGB$ -olume"2$ 2ssue",
King"8eng >uo$ Pang"6eng 6en (200I)$ .election o# mo!ile value"added services #or
system operators using #uzzy syntetic evaluation H9pert .ystems @it )pplications 50
(200I) I42I20
.zymon Aarosze@icz (200B)$ 6ross"selling models #or telecommunication services$
1ational 2nstitute o# *elecommunications .zaco@a st 40,"BC, Jarsa@$ Poland$ Aurnal
o# telecommunications and in#ormation tenology$ 5N200B
Re#erence koje su koi&%ene za de#inisanje koncepta usluga dodate vrednosti (-).) su:
=ee$ =.K. (2005)$ ) study on mo!ile internet !usiness model. 7aster *esis$ 2nstitute o#
<usiness and 7anagement$1ational 6iao *ung +niversity$ *ai@an.
.i$ 6.J. (2005)$ ) study o# te consumer !eavior inmo!ile value"added service " a
case o# college student area. 7aster *esis$ /epartment o# 2n#ormation 7anagement$
/a"Ke +niversity$ *ai@an.
)nckar$ <.$ 3 /Q2ncau$ /. (2002)$ -alue creation in mo!ile commerce: 8indings #rom a
consumer survey. Aournal o# 2n#ormation *ecnology *eory and )pplication$,(4)$ ,5"I,.
.pisak re#erentne literature koja je uzeta kao polazi&te istraivanja i za pore(enje rezultata je:
)!ay <adani$ Ravi .ankar$ and /. -ijay Rao (2042)$ E) 6omputational 2ntelligence
!ased )pproac to *elecom 6ustomer 6lassi#ication #or -alue )dded .ervicesF$ <26"*)
4$ volume 204 o# )dvances in 2ntelligent .ystems and 6omputing$ page 4B4"4C2.
.pringer
?yuncul$ ).$ et al (2040)$ E+sing ?y!rid /ata 7ining *ecniLues #or 8acilitating
6ross"selling o# a 7o!ile *elecom 7arket to develop 6ustomer 6lassi#ication 7odelF$
Proceedings o# te ,5rd ?a@aii 2nternational 6on#erence on .ystem .ciences 2040
8eli9$ R (2004)$ E8uzzy decision making @it interacting goals applied to cross"selling
decisions in te #ield o# private customer !ankingF$ 8uzzy .ystems$ *e 40t 2HHH
2nternational 6on#erence$ 2004$ pp.CI,"CIO
7. <erry and 0. =ino## (2000)$ 7astering /ata 7ining$ 1e@ Kork$ Jiley
H. .u$ .. =im$ ?. ?@ang$ and .. >im (200,)$ E) prediction model #or te purcase
pro!a!ility o# anonymous customers to support real time marketing: a case studyF$ H9pert
.yst. )ppl.$ vol. 2O$ pp. 2,G2GG
.zymon Aarosze@icz (200B)$ E6ross"selling models #or telecommunication servicesF$
1ational 2nstitute o# *elecommunications .zaco@a st 40,"BC, Jarsa@$ Poland$ Aurnal
o# telecommunications and in#ormation tenology$ 5N200B
=i$ R (200C) S)n )lgoritm o# Ruantitative )ssociation Rule on 8uzzy 6lustering @it
)pplication to 6ross"selling in *elecom 2ndustryT 2nternational Aoint 6on#erence on
6omputational .ciences and 'ptimization$ 200C
S#R,A I 'I"JE#I ISTRA%I#ANJA
.vra ovog istraivanja je da prikae mogunosti unapre(enja modela prodaje u o!lasti
telekomunikacija primenom neke od metoda otkrivanja zakonitosti u podacima &to %e omogu%iti
telekomunikacionim kompanijama da kroz indenti#ikovanje pravog korisnika za pravu uslugu
uvrste postoje%e odnose i uve%aju priod koji generi&u od svoji korisnika$ kao i da da opis$
pregled i pore(enje dosada&nji rezultata na ovom polju$ o!razloi prednosti i nedostatke
dosada&nji metoda i ukae na mogu%nost njiovog po!olj&anja.
6ilj rada predstavlja prikaz rezulatata algoritama za klasi#ikaciju: ma&ina sa vektorima
podr&ke$ neuronska mrea i logistika regresija kao podr&ke unapre(enju modela unakrsne i
pro&irene prodaje u telekomunikacijama i pore(enje u odnosu na druge rezultate koje se koriste
za re&avanje ovog pro!lema.
RE&EREN'E
6ris Rygielski$ Ayun"6eng Jang$ /avid 6. Ken (2002)$ /ata mining tecniLues #or
customer relationsip management$ *ecnology in .ociety$ 2, (2002) ,B5G02$ *ai@an
Aean"=ouis )mat (2002)$ +sing reporting and data mining tecniLues to improve
kno@ledge o# su!scri!ersM applications to customer pro#iling and #raud management$
Aurnal o# telecommunications and in#ormation tenology$ 2N2002
<en Kuas$ 1ir@an )nsari (4CC,)$ 1eural 1et@orks in *elecommunications$ 1e@ Kork
Raisingani$ 7aes (200,)$ <usiness 2ntelligence in te /igital Hconomy:
'pportunities$ =imitations and Risks$ ?ersey$ P): 2dea 0roup Pu!lising
). <erson$ .. .mit$ and >. *realing (2000)$ <uilding /ata 7ining )pplications #or
6R7$ 7c0ra@ ?ill
7iller$ *. J. (200G)$ /ata and *e9t 7ining: ) <usiness )pplications )pproac$ Pearson
Prentice ?all$ 1e@ Aersey
*an$ P.$ .tein!ac$ 7. and >umar$ -. (200I)$ 2ntroduction to /ata 7ining$ Pearson$
)ddison Jesley$ <oston
.trouse$ >. 0. (4CCC)$ 7arketing *elecommunications .ervices: 1e@ )pproaces #or a
6anging Hnvironment$ )rtec ?ouse$ 1or@ood
<erry 7.$ =ino## 0. (2000)$ 7astering /ata 7ining"*e )rt and .cience o# 6ustomer
Relationsip 7anagement$ Jiley Pu!lising$ 1e@ Kork.
Jeiss$ 0. 7. (200G)$ /ata 7ining in*elecommunications$ /ata 7ining and >no@ledge
/iscovery$ .pringer .cience$ 1e@Kork$ pp.44BC"4204.
..7.?. Aansen (200O)$ 6ustomer .egmentation and 6ustomer Pro#iling #or a 7o!ile
*elecommunications 6ompany <ased on +sage <eavior$ -oda#one 6ase .tudy
)mad 1adali (2044)$ Hvaluating te .uccess =evel o# /ata 7ining Projects <ased on
6R2.P"/7 7etodology !y a 8uzzy H9pert .ystem$
6R2.P"/7 4.0 .tep"!y" .tep /ata 7ining 0uide$ .P..
<ernard 8. >u!iak (2040)$ +niversity o# 0daPsk$ /epartment o# 2n#ormation .ystems$
Aournal o# 2nternet <anking and 6ommerce$ vol. 4G$ no.5
7ona <akaraei 1ia$ *anko 2saya$ 7edi .ajari (2045)$ )n )pplication o# .'<2
)rcitecture #or 6ross"selling in *elecoms 2ndustryM 2nternational Aournal o# Hngineering
and )dvanced *ecnology (2AH)*) 2..1: 22,C BCGB$ -olume"2$ 2ssue",
King"8eng >uoa$ Pang"6eng 6en (200I)$ .election o# mo!ile value"added services #or
system operators using #uzzy syntetic evaluation H9pert .ystems @it )pplications 50
(200I) I42I20
.zymon Aarosze@icz (200B)$ 6ross"selling models #or telecommunication services$
1ational 2nstitute o# *elecommunications .zaco@a st 40,"BC, Jarsa@$ Poland$ Aurnal
o# telecommunications and in#ormation tenology$ 5N200B
=ee$ =.K. (2005)$ ) study on mo!ile internet !usiness model. 7aster *esis$ 2nstitute o#
<usiness and 7anagement$1ational 6iao *ung +niversity$ *ai@an.
.i$ 6.J. (2005)$ ) study o# te consumer !eavior inmo!ile value"added service " a
case o# college student area. 7aster *esis$ /epartment o# 2n#ormation 7anagement$
/a"Ke +niversity$ *ai@an.
)nckar$ <.$ 3 /Q2ncau$ /. (2002)$ -alue creation in mo!ile commerce: 8indings #rom a
consumer survey. Aournal o# 2n#ormation *ecnology *eory and )pplication$,(4)$ ,5"I,.
)!ay <adani$ Ravi .ankar$ and /. -ijay Rao (2042)$ E) 6omputational 2ntelligence
!ased )pproac to *elecom 6ustomer 6lassi#ication #or -alue )dded .ervicesF$ <26"*)
4$ volume 204 o# )dvances in 2ntelligent .ystems and 6omputing$ page 4B4"4C2.
.pringer
?yuncul$ ).$ et al (2040)$ E+sing ?y!rid /ata 7ining *ecniLues #or 8acilitating
6ross"selling o# a 7o!ile *elecom 7arket to develop 6ustomer 6lassi#ication 7odelF$
Proceedings o# te ,5rd ?a@aii 2nternational 6on#erence on .ystem .ciences 2040
8eli9$ R (2004)$ E8uzzy decision making @it interacting goals applied to cross"selling
decisions in te #ield o# private customer !ankingF$ 8uzzy .ystems$ *e 40t 2HHH
2nternational 6on#erence$ 2004$ pp.CI,"CIO
7. <erry and 0. =ino## (2000)$ 7astering /ata 7ining$ 1e@ Kork$ Jiley
H. .u$ .. =im$ ?. ?@ang$ and .. >im (200,)$ E) prediction model #or te purcase
pro!a!ility o# anonymous customers to support real time marketing: a case studyF$ H9pert
.yst. )ppl.$ vol. 2O$ pp. 2,G2GG
.zymon Aarosze@icz (200B)$ E6ross"selling models #or telecommunication servicesF$
1ational 2nstitute o# *elecommunications .zaco@a st 40,"BC, Jarsa@$ Poland$ Aurnal
o# telecommunications and in#ormation tenology$ 5N200B
=i$ R (200C) S)n )lgoritm o# Ruantitative )ssociation Rule on 8uzzy 6lustering @it
)pplication to 6ross"selling in *elecom 2ndustryT 2nternational Aoint 6on#erence on
6omputational .ciences and 'ptimization$ 200C