Shopping intention prediction using decision trees

Article English OPEN
Šebalj, Dario ; Franjković, Jelena ; Hodak, Kristina (2017)
  • Publisher: Instituto Superior Politécnico de Viseu
  • Journal: (issn: 0873-3015, eissn: 1647-662X)
  • Related identifiers: doi: 10.29352/mill0204.01.00155
  • Subject: Classification algorithms | Special aspects of education | Retailer’s image | RA1-1270 | Modelo; Compra, Árvore de decisão | Public aspects of medicine | Modelo; Compra, Árbol de decisión | Price image | Shopping intention; Price image; Retailer’s image; Classification algorithms; Machine learning | Shopping intention | Machine learning | LC8-6691

Introducción: El precio se considera un elemento descuidado del marketing-mix debido a la complejidad de la gestión de precios y la sensibilidad de los clientes en los cambios de precios. Esto lleva a reacciones más rápidas de los clientes a ese cambio. En consecuencia, el proceso de toma decisiones de compra puede ser muy desafiante para el cliente.Objetivo: Crear un modelo capaz de predecir la intención de la compra y clasificar a los encuestados en una de las dos categorías, dependiendo de si pretenden comprar o no. Métodos: La muestra de datos consta de 305 encuestados, que son personas mayores de 18 años involucrados en la compra de productos de alimentación para su hogar. La investigación se realizó en febrero de 2017. Con el fin de crear un modelo, se utilizó el método de árboles de decisión con sus diversos algoritmos de clasificación.Resultados: Todos los modelos, excepto el que utilizó el algoritmo RandomTree, lograron una tasa de clasificación relativamente alta (más del 80%). La precisión de clasificación más alta del 84,75% se dio con los algoritmos J48 y RandomForest. Dado que no hay diferencia estadísticamente significativa entre los dos algoritmos, los autores decidieron elegir el algoritmo J48 y construir un árbol de decisión.Conclusiones: El valor del dinero y el nivel de precios en la tienda fueron las variables más significativas para la clasificación de la intención de compra. Planes futuros de estudio para comparar este modelo con algunas otras técnicas de data mining, tales como redes neuronales o máquinas vectoriales de apoyo, ya que estas técnicas lograron muy buena precisión en algunas investigaciones previas en este campo. 
  • References (12)
    12 references, page 1 of 2

    Bouckaert, R. R., Frank, E., Hall, M., Kirkby, R., Reutemann, P., Seewald, A., & Scuse, D. (2016). WEKA Manual for Version 3-8-0.

    Breiman, L. (2001). Random forests. Machine Learning, 45(1), 5-32. doi: 10.1023/A:1010933404324

    Crone, S. F., & Soopramanien, D. (2005). Predicting customer online shopping adoption-an evaluation of data mining and market modelling approaches. DMIN. pp. 215-221.

    Franjković, J. (2017). Prices and price image of retailer. Thesis of the postgraduate specialist study. Osijek: Faculty of Economics in Osijek.

    Ganchev, T., Zervas, P., Fakotakis, N., & Kokkinakis, G. (2006). Benchmarking Feature Selection Techniques on the Speaker Verification Task. Fifth International Symposium on Communication Systems, Networks And Digital Signal Processing, pp. 314-318.

    Hall, M. A., & Holmes, G. (2003). Benchmarking Attribute Selection Techniques for Discrete Class Data Mining. IEEE Transactions on Knowledge and Data Engineering, 15(3), 1437-1447. doi: 10.1109/TKDE.2003.1245283

    Hssina, B., Merbouha, A., Ezzikouri, H., & Erritali, M. (2014). A comparative study of decision tree ID3 and C4.5. International Journal of Advanced Computer Science and Applications, 4(2), 13-19.doi: 10.14569/SpecialIssue.2014.040203

    Kalmegh, S. (2015). Analysis of WEKA Data Mining Algorithm REPTree, Simple Cart and RandomTree for Classification of Indian News. IJISET - International Journal of Innovative Science, Engineering & Technology, 2(2), 438-446. Retrieved from http://ijiset.com/vol2/v2s2/IJISET_V2_I2_63.pdf

    Liaw, A., & Wiener, M. (2002). Classification and regression by randomForest. R news, 2(3), 18-22. Retrieved from https://www.r-project.org/doc/Rnews/Rnews_2002-3.pdf

    Mitchell, T. M. (1997). Machine Learning. McGraw-Hill.

  • Metrics
    No metrics available
Share - Bookmark