Sirvi Autor "Pajula, Gea" järgi
Nüüd näidatakse 1 - 2 2
- Tulemused lehekülje kohta
- Sorteerimisvalikud
Kirje Benfordi seadus(Tartu Ülikool, 2014-06-16) Pajula, Gea; Selart, Anne, juhendaja; Tartu Ülikool. Matemaatika-informaatikateaduskond; Tartu Ülikool. Matemaatilise statistika instituutKäesolevas bakalaureusetöös antakse ülevaade Benfordi seadusest, mille kohaselt algab arv numbriga 1 tõenäosusega log 2 0;301, numbriga 2 tõenäosusega log(3=2) 0;176 ja nii monotoonselt kahanevalt kuni tõenäosuseni log(10=9) 0;046, et esimene number on 9. See seadus kehtib paljudes andmestikes, näiteks rahvaarvude, riikide pindalade, aktsiaturgude indeksite ja valimistulemuste korral. Antud töös uuritakse ka 2013. aasta kohaliku omavalitsuse volikogu valimiste tulemuste Benfordi seaduse järgmist.Kirje Hinnaelastsusel tuginev soovitussüsteem(2016) Pajula, Gea; Teinemaa, Irene; Vilo, JaakSoovitussüsteeme on palju uuritud ja edukalt rakendatud paljudes valdkondades, et suurendada läbimüüki tehes klienditele asjakohaseid soovitusi. Käesoleva magistritöö eesmärgiks on välja töötada uudne soovitussüsteem, mis teeb klientidele personaalseid pakkumisi toote soodushinna huvipakkuvuse põhjal. Seda saab rakendada olukordades, kus soovitusi tehakse allahinnatud toodete seast. Näiteks valides kampaaniatooteid kliendile saadetavasse personaalsesse uudiskirja. Me kaasame tootepõhise kaasfiltreerimise algoritmi täiendusena majanduse valdkonnas kasutatavat nõudluse hinnaelastsust, et võtta arvesse, et tootel on kampaaniaperioodil tavapärasest madalam hind. Hinnates mudeli abil omaelastsuse väärtuse, saame kliendi tootereitingu, mis näitab, kuidas hinna muutumine mõjutab ostetavat kogust. Toodete sarnasuste leidmiseks kasutame ristelastsust, mis liigitab tooted asendus- ja täiendkaupadeks. Selle suuruse leidmine ei nõua tihti esinevat kaugusmõõtude tingimust, et kaks toodet peavad olema ostetud samade klientide poolt. Kirjeldatud soovitussüsteem on rakendatud reaalelulistele supermarketi tehingute andmetele. Süsteemi headuse testimiseks kasutame kahte kampaaniaperioodi, mille allahinnatuid tooteid kasutame võimalike soovitustena. Me saavutame märgatavalt paremad tulemused kasutades ainult kampaaniatoote elastsusi ja mitte asendustoodete vastavaid väärtusi. Kaasates ainult kliendid, kellele leidsime vähemalt 5 pakkumist, saavutame tunduvalt paremad tulemused. Täpsemalt, tehes neile klientidele 12 soovitust (vähem kui 1% kampaaniatoodete arvust), tabame kõik klientide kampaaniatoodete ostud. Parima meetodi korral saavutame kordustäpsuse 0,24, mis on üle 10 korra parem võrreldes meetodiga, mida ettevõte hetkel kasutab, kus soovitused on manuaalselt valitud kliendi segmentide omaduste põhjal. Supermarketi kett on kinnitanud oma soovi, et esitletud meetodit testida, seega antud soovitussüsteemi rakendatakse reaalselt klientidele huvipakkuvate soovituste tegemiseks.