Aplicação da Clusterização por K-means para Criação de Sistema de Recomendação de Produtos baseado em Perfis de Compra

Roniel Venâncio Santana, Heráclito Lopes Jaguaribe Pontes

Resumo


O uso de modelos preditivos de machine learning para big data se faz hoje uma das principais tendências a serem exploradas pela ciência de dados. Sua aplicação ao mundo dos negócios na busca por um diferencial competitivo se relaciona diretamente com o Business Intelligence para que assim as empresas passem a tomar decisões mais assertivas. Com isso, o presente artigo propõe-se a aplicar uma técnica de machine learning para a criação de um sistema de recomendação de produtos com base no perfil de compra dos clientes a partir da modelagem em uma empresa distribuidora de produtos. Para tanto foi utilizado o algoritmo de clusterização K-means para realização de agrupamentos dos clientes com base em seu perfil de compra. Por fim, o princípio de funcionamento do sistema de recomendação baseia-se na análise comparativa entre clientes de um mesmo cluster com base em suas distâncias geográficas para assim recomendar aquele item que vende bem em um estabelecimento, mas que não tem o mesmo desempenho em outro. Ao final da aplicação do sistema de recomendação de produtos foram gerados um total de 70 clusters para toda a gama de clientes da empresa foco do estudo. Cada cliente de cada cluster recebeu uma lista contendo 5 produtos recomendados com base na comparação realizada com seus vizinhos próximos de perfil de compra similar.


Palavras-chave


Sistema de recomendação. Ciência de Dados. Machine learning. Clusterização. Business Intelligence.

Texto completo:

PDF HTML

Referências


Ali, H., & Lande, M. (2019). Data-Driven Decisions in Prototyping and Product Development: A Framework for Uncertainty and Decision-Making. ASME International Mechanical Engineering Congress and Exposition, Salt Lake City, Vol. 83518, p. V014T14A039.

Arunachalam, D., & Kumar, N. (2018). Benefit-based consumer segmentation and performance evaluation of clustering approaches: An evidence of data-driven decision-making. Expert Systems with Applications, 111, 11-34.

Cardoso, G. P., Sininbardi, B. G., Sobral, M. S., & de Souza, E. M. (2019). Modelo de avaliação de risco em campanhas kickstarter utilizando machine learning. Navus-Revista de Gestão e Tecnologia, 9(4), 66-79.

Cavalcante, I. M., Frazzon, E. M., Forcellini, F. A., & Ivanov, D. (2019). A supervised machine learning approach to data-driven simulation of resilient supplier selection in digital manufacturing. International Journal of Information Management, 49, 86-97.

Chiu, M. C., & Ko, L. W. (2017). Develop a personalized intelligent music selection system based on heart rate variability and machine learning. Multimedia Tools and Applications, 76(14), 15607-15639.

Diale, M., Celik, T., & Van Der Walt, C. (2019). Unsupervised feature learning for spam email filtering. Computers & Electrical Engineering, 74, 89-104.

Fernández-García, A. J., Iribarne, L., Corral, A., Criado, J., & Wang, J. Z. (2019). A recommender system for component-based applications using machine learning techniques. Knowledge-Based Systems, 164, 68-84.

Ferreira, E. de Paula, Junior, M. R. B., Isnard, P. A., de Souza França, R., & de Aguiar Filho, A. S. (2018). Gestão do conhecimento, internet das coisas e inovação: a relação dos temas e a intensidade de pesquisas realizadas. Navus-Revista de Gestão e Tecnologia, 8(3), 99-112.

Fraga, B. D., Erpen, J. G., Varvakis, G., & dos Santos, N. (2017). Business Intelligence: métodos e técnicas de gestão do conhecimento e as tendências para avanços do capital intelectual. Navus-Revista de Gestão e Tecnologia, 7(1), 43-56.

Frémal, S., & Lecron, F. (2017). Weighting strategies for a recommender system using item clustering based on genres. Expert Systems with Applications, 77, 105-113.

Govind, B. S., Tene, R., & Saideep, K. L. (2018). Novel Recommender Systems Using Personalized Sentiment Mining. IEEE International Conference on Electronics, Computing and Communication Technologies (CONECCT), Bangalore, 4, 1-5.

Irvan, M., & Terano, T. (2016). Group Recommendation System for E-Learning Communities: A Multi-agent Approach. Advances in Social Computing and Digital Education, Singapore, 7, 35-46.

Kant, S., Mahara, T., Jain, V. K., Jain, D. K., & Sangaiah, A. K. (2018). LeaderRank based k-means clustering initialization method for collaborative filtering. Computers & Electrical Engineering, 69, 598-609.

Karimi, M., Jannach, D., & Jugovac, M. (2018). News recommender systems–Survey and roads ahead. Information Processing & Management, 54(6), 1203-1227.

Liang, J., & Liu, R. (2015). Stacked denoising autoencoder and dropout together to prevent overfitting in deep neural network. 2015 8th International Congress on Image and Signal Processing (CISP), London, 22, 697-701.

Long, Q. (2018). Data-driven decision making for supply chain networks with agent-based computational experiment. Knowledge-Based Systems, 141, 55-66.

Lopez, C., Tucker, S., Salameh, T., & Tucker, C. (2018). An unsupervised machine learning method for discovering patient clusters based on genetic signatures. Journal of biomedical informatics, 85, 30-39.

Majumdar, A. (2018). Graph structured autoencoder. Neural Networks, 106, 271-280.

Nilashi, M., Bagherifard, K., Rahmani, M., & Rafe, V. (2017). A recommender system for tourism industry using cluster ensemble and prediction machine learning techniques. Computers & industrial engineering, 109, 357-368.

Parashar, A., & Goyal, D. (2016). Clustering Gait Data Using Different Machine Learning Techniques and Finding the Best Technique. International Conference on Smart Trends for Information Technology and Computer Communications, Singapore, 426-433.

Portugal, I., Alencar, P., & Cowan, D. (2018). The use of machine learning algorithms in recommender systems: A systematic review. Expert Systems with Applications, 97, 205-227.

Putriany, V., Jauhari, J., & Heroza, R. I. (2019). Item Clustering as An Input for Skin Care Product Recommended System using Content Based Filtering. Journal of Physics: Conference Series, Palembang, Vol. 1196, No. 1, p. 012004.

Sangeetha, J., & Prakash, V. S. J. (2019). Improved Feature-Specific Collaborative Filtering Model for the Aspect-Opinion Based Product Recommendation. Advances in Big Data and Cloud Computing, Singapore, 275-289.

Schenatto, K., de Souza, E. G., Bazzi, C. L., Gavioli, A., Betzek, N. M., & Beneduzzi, H. M. (2017). Normalization of data for delineating management zones. Computers and Electronics in Agriculture, 143, 238-248.

Trigueiro, F. M. C., Neto, D. A. C., de Sousa Santos, T., & Prearo, L. C. (2017). Comportamento de consumo no segmento de veículos automotores nas cidades de Cuiabá e Várzea Grande. NAVUS-Revista de Gestão e Tecnologia, 7(3), 7-18.

Wasid, M., & Ali, R. (2018). An improved recommender system based on multi-criteria clustering approach. Procedia Computer Science, 131, 93-101.

Wen, T., Bao, J., & Ding, F. (2018). QoS-Aware Web Service Recommendation Model Based on Users and Services Clustering. Proceedings of the International Conference on Information Technology and Electrical Engineering 2018, Xiamen, 18, 1-6.

Zahra, S., Ghazanfar, M. A., Khalid, A., Azam, M. A., Naeem, U., & Prugel-Bennett, A. (2015). Novel centroid selection approaches for KMeans-clustering based recommender systems. Information sciences, 320, 156-189.

Zhang, Y., Zhang, R., Wang, Y., Guo, H., Zhong, R. Y., Qu, T., & Li, Z. (2019). Big data driven decision-making for batch-based production systems. Procedia CIRP, 83, 814-818.




DOI: https://doi.org/10.22279/navus.2020.v10.p01-14.1189

Apontamentos

  • Não há apontamentos.




NAVUS - Revista de Gestão e Tecnologia, Florianópolis, Santa Catarina, Brasil. ISSN - 2237-4558 

Membro da Associação Brasileira de Editores Científicos 

 

Desde 18/10/2017

 

Licença Creative Commons

Os originais publicados na Navus estão disponibilizados de acordo com a Licença Creative Commons Atribuição-Uso não-comercial-Vedada a criação de obras derivadas 3.0 Brasil.