Práce je věnována analýze aktivit elektronického obchodu s využitím web miningu. Teoretická část seznamuje s definicí data minigu, podrobněji je pojednáno o CRISP-DM metodologii, typech a modelech elektronických obchodů a metodách měření. Stěžejní částí diplomové práce je provedení analýz prostřednictvím metod web miningu včetně zhodnocení výsledků a doporučení majiteli obchodu.
Anotace v angličtině
The thesis is devoted to the analysis of e-commerce activities with the use of web mining. The theoretical part introduces the definition of data mining, in more details are discussed - CRISP -DM methodology, types and models of electronic commerce and measurement methods. The main part of the thesis is to undertake analysis via the web mining methods, including evaluation of results and recommendations to the store owner.
Klíčová slova
Data mining, web mining. CRISP-DM, elektronický obchod, web metriky
Klíčová slova v angličtině
Data mining, web mining, CRISP-DM, e-shop, web metrics
Rozsah průvodní práce
55 s. (78 000 znaků)
Jazyk
CZ
Anotace
Práce je věnována analýze aktivit elektronického obchodu s využitím web miningu. Teoretická část seznamuje s definicí data minigu, podrobněji je pojednáno o CRISP-DM metodologii, typech a modelech elektronických obchodů a metodách měření. Stěžejní částí diplomové práce je provedení analýz prostřednictvím metod web miningu včetně zhodnocení výsledků a doporučení majiteli obchodu.
Anotace v angličtině
The thesis is devoted to the analysis of e-commerce activities with the use of web mining. The theoretical part introduces the definition of data mining, in more details are discussed - CRISP -DM methodology, types and models of electronic commerce and measurement methods. The main part of the thesis is to undertake analysis via the web mining methods, including evaluation of results and recommendations to the store owner.
Klíčová slova
Data mining, web mining. CRISP-DM, elektronický obchod, web metriky
Klíčová slova v angličtině
Data mining, web mining, CRISP-DM, e-shop, web metrics
Zásady pro vypracování
Cíl práce: identifikovat a analyzovat aktivity zákazníků v elektronickém obchodu.
Práce bude obsahovat:
- vysvětlení základních pojmů z oblasti Web Miningu;
- popis základních metod Web Miningu;
- využití Web Miningu při analyzování aktivit zákazníků e-shopu;
- doporučení, závěry.
Zásady pro vypracování
Cíl práce: identifikovat a analyzovat aktivity zákazníků v elektronickém obchodu.
Práce bude obsahovat:
- vysvětlení základních pojmů z oblasti Web Miningu;
- popis základních metod Web Miningu;
- využití Web Miningu při analyzování aktivit zákazníků e-shopu;
- doporučení, závěry.
Seznam doporučené literatury
GUIDICI P. Applied Data Mining - Statistical Methods for Business and Industry. Guildford, John Wiley & Sons, 2003
BERRY, M. - LINOFF G. Data Mining Techniques - For Marketing, Sales, and Customer Relationship Management. Indianapolis, John Wiley & Sons, 2004
BERKA, P. Dobývání znalostí z databází. Praha, Academia, 2003, 366 s.. 2003. ISBN 80-200-1062-9
Seznam doporučené literatury
GUIDICI P. Applied Data Mining - Statistical Methods for Business and Industry. Guildford, John Wiley & Sons, 2003
BERRY, M. - LINOFF G. Data Mining Techniques - For Marketing, Sales, and Customer Relationship Management. Indianapolis, John Wiley & Sons, 2004
BERKA, P. Dobývání znalostí z databází. Praha, Academia, 2003, 366 s.. 2003. ISBN 80-200-1062-9
Přílohy volně vložené
-
Přílohy vázané v práci
ilustrace, mapy, grafy, schémata, tabulky
Převzato z knihovny
Ne
Plný text práce
Přílohy
Posudek(y) oponenta
Hodnocení vedoucího
Záznam průběhu obhajoby
Student seznámil členy komise se svou diplomovou prací na téma Analýza aktivit elektronického obchodu s využitím Web Miningu. Autor práce v průběhu obhajoby zodpověděl následující položené otázky:
Na základě nesrovnalostí v textu práce na str. 15 vysvětlete rozdíl mezi B2B a B2C? Jaký je průměrný konverzní poměr u českých e-shopů? Vysvětlete obrázek 26 (na str. 45). V části Hledání vzorů v nákupním koši na str. 42 jste použil ke generování pravidel pouze uzel Apriori s defaultním nastavením metody Rule Confidence. Jakých výsledků by bylo dosaženo při jiném než defaultním nastavení metody vyhodnocení pravidel u Ariori, popřípadě při použití jiného vhodného algoritmu? Ve Vaší prezentaci máte uvedené doporučení, závěry - to je úsudek nebo výsledek analýzy? Kolik máte v datové matici záznamů? Jak identifikujete uživatele, podle IP adresy?