Słowa kluczowe: preferencje klientów, zarzdzanie relacjami z klientem 1. Wprowadzenie
Istotnym elementem zarzdzania firm nie tylko usługow w dobie gospodarki rynkowej i globalizacji jest dostp do informacji o rzeczywistych i przewidywanych preferencjach klientów – usługobiorców. Znajomo tych preferencji moe by ródłem wiedzy w procesach podejmowa-nia strategicznych decyzji o firmie. Moe by równie ródłem wiedzy w kampapodejmowa-niach marketin-gowych oraz w kształtowaniu relacji z potencjalnymi klientami firmy. Moe wpłyn równie na zwikszenie przychodów firmy czy te zmniejszenie ryzyka podejmowania decyzji nie tylko na szczeblu strategicznym. Preferencje usługobiorców zale nie tylko od rodzaju, organizacji, prze-biegu czy jakoci usług, ale równie od mody, polityki i innych uwarunkowa szeroko rozumiane-go otoczenia, w którym realizowane s procesy usłurozumiane-gowe w firmie na rzecz jej klientów. W arty-kule zaprezentowano metody badania preferencji klientów dowolnej firmy wiadczcej usługi. Preferencje usługobiorców s na ogól zmienne w czasie a badanie tej zmiennoci jest równie istotne z punktu widzenia zarzdzania firm. W zwizku z tym w artykule wskazano na zmienny charakter tych preferencji oraz zaproponowano autorsk metod oceny preferencji w takim aspek-cie.
2. Zakres, cel i sposoby badania preferencji klientów firmy usługowej
Komunikacja midzy firm usługow a jej klientem (usługobiorc) realizowana jest w oto-czeniu biznesowym firmy, zgodnie ze schematem zaprezentowanym na Rys. 1. Z t komunikacj wi si okrelone preferencje klientów. Celem badania preferencji usługobiorców jest odwzoro-wanie motywacji, upodoba i potrzeb usługobiorców. Ponadto celami oceny preferencji usługo-biorców mog by równie: badanie zapotrzebowania na wiadczone usługi, badanie zachowa usługobiorców w procesie wiadczenia usługi, znalezienie tych klientów, których zaspokojenie potrzeb przynosi firmie najwiksze korzyci (w krótkim i długim horyzoncie czasu).
Rysunek 1. Relacje miĊdzy firmą usługową a klientem (usługobiorcą) w ujĊciu systemowym
ródło: Opracowanie własne.
Miernikiem wartoci kontaktów z usługobiorc moe by „warto” usługobiorcy mierzona wartoci przeszłych korzyci dla firmy wiadczcej usługi lub te warto usługobiorcy wyzna-czana na podstawie zainteresowania usługobiorcy nowym rodzajem usług oferowanych przez firm. Zakres oceny preferencji usługobiorców powinien obejmowa:
− identyfikacja usługobiorców (pod ktem wyodrbnienia indywidualnych lub grupowych usługobiorców),
− charakterystyka cech usługobiorców (m. in. przy wykorzystaniu takich cech jak: osigany zysk, rentowno, udział w zysku, siła przetargowa),
− analiza struktury preferencji i postaw usługobiorców.
− okrelenie zmian struktury usługobiorców i przyczyn tych zmian (w tym równie przyczyn odchodzenia dotychczasowych usługobiorców do konkurencji),
− wskazanie najlepszych usługobiorców z punktu widzenia korzyci firmy,
− okrelenie potrzeb rónych grup usługobiorców i korzyci, jakich oczekuj od firmy, − analiza stosunków midzy usługobiorcami.
Preferencje usługobiorców mog by preferencjami jednorodnymi (wszyscy usługobiorcy maj mniej wicej takie same preferencje), preferencjami rozproszonymi (preferencje znacznie si ró-ni) lub mog by preferencjami zgrupowanymi (wystpuje wyrana grupa preferencji). Najczst-szymi kryteriami identyfikacji usługobiorców s: informacja o tym czy usługobiorca jest klientem instytucjonalnym czy indywidualnym, wiek, płe, dochody, zawód, region a take inne kryteria silnie zwizane z dziedzin usługi (np. zainteresowania, upodobania, zdolno do ryzyka, wiato-pogld, otwarto na innowacje, itp.). Badanie postaw klientów przeprowadza si w oparciu o oceny emocjonalne, skłonnoci i odczucia usługobiorców, najczciej przy uyciu tzw. pomia-rowej skali postaw, zalenej równie od wiadczonych usług lub skłonnoci zwizane z okrelo-nym przedmiotem lub ide. W badaniu tym wykorzystuje si skale pomiarowe postaw. Istotokrelo-nym ródłem zasilania metod badania preferencji klientów firmy moe by rejestr wiadczonych usług w ujciu historycznej kolekcji danych. Zwykle dane takie s przechowywane w bazie lub innej
teryzujce usług nie s adekwatne do badania preferencji klientów, s nieodrónialne lub jest ich zbyt mało. Przyczyn takiej nieadekwatnoci moe by wiele. Aby unikn takiej sytuacji w defi-niowaniu atrybutów charakteryzujcych wykonanie usługi mona posłuy si nastpujcymi dobrymi praktykami:
− ustali w miar moliwoci bogaty wachlarz tych atrybutów, − zbada istotno atrybutu w definiowaniu preferencje usługobiorców, − zaczerpn opinii eksperta w dziedzinie badania preferencji klientów, − zaczerpn opinii eksperta w dziedzinie procesu usługowego.
Badanie preferencji w oparciu o dane zgromadzone w bazie danych nie naley do zada no-wych. Znane s tu metody przynalene do tzw. metod data minning (DM)1. Do metod wykorzy-stywanych w celu zdobycia jak najwikszej wiedzy na temat klienta (usługobiorcy) nale równie metody okrelane jako odkrywanie wiedzy w bazach danych (ang. knowledge discovery in databa-ses – KDD)2. Obejmuj one rozwizania w zakresie automatycznego odkrywania uogólnionych reguł i wiedzy zawartej w bazach danych. Jedn z czciej stosowanych grup metod oceny prefe-rencji usługobiorców s tzw. metody segmentacji, uywane do identyfikacji grup usługobiorców, Np. usługobiorców lojalnych, wiarogodnych, generujcych najwysze zyski, itp. Proces identyfi-kacji i opisu segmentów mona zazwyczaj podzieli na kilka etapów, w których kolejno okrelane s odpowiednie kryteria oraz wdraane procedury grupowania. Do najistotniejszych elementów takiego procesu zaliczy naley identyfikacj liczby segmentów oraz ich optymalne wypełnienie (przydział odpowiednich usługobiorców do poszczególnych grup). Jeeli za najwaniejsze w segmentacji przyjmie si dobór kryteriów i cel segmentacji, to rozwaa mona, poparty wielo-ma pozycjami literaturowymi, podział segmentacji na predykcyjn i opisow. W przypadku seg-mentacji predykcyjnej zmienne dzielone s na dwa podzbiory, grup zmiennych zalenych, bd-cych odwzorowaniem kryteriów segmentacji oraz zmiennych niezalenych, których głównym celem jest okrelenie podstaw do wyboru poszczególnych kryteriów. Do najczciej wykorzysty-wanych rozwiza w tym podejciu zaliczy mona tzw. metod drzew decyzyjnych. Drzewa decyzyjne (Rys.2) s graficzn metod wspomagania procesu decyzyjnego. Jest to jedna z najcz-ciej wykorzystywanych technik analizy danych. Drzewo składa si z jednego wzła nazywanego korzeniem oraz wielu wzłów tzw. gałzi prowadzcych od korzenia do kolejnych wierzchołków nazywanych limi. Przejcie do kolejnego wierzchołka odbywa si po sprawdzeniu okrelonych warunków dotyczcy danego zadania i wyborze na tej podstawie jednej z dostpnych gałzi. Przy-pisanie obserwowanego elementu do odpowiedniej klasy polega na przejciu od korzenia do wy-branego licia i zapisania w nim podanego stanu.
1
J. Han, M. Kamber, Data Minning.: Concepts and techniques, Morgan Kaufman, 2000. 2 G. Piatetsky-Shapiro, J.W. Frawley, Knowledge Discavery in DataBases, AAAI/MIT Press, 1991.
Rysunek 2. Drzewo decyzyjne ródło: Opracowanie własne.
W wielu przypadkach drzewa decyzyjne wykorzystywane s do pozyskiwania wiedzy z puli dostarczonych przykładów (Np. ankiet wypełnianych przez usługobiorców lub potencjalnych usługobiorców). Drzewa decyzyjne znajduj szerokie zastosowanie w identyfikacji grup usługo-biorców. W analizie preferencji usługobiorców w oparciu o drzewa decyzyjne dy si do wska-zania takich drzew decyzyjnych, które mogłyby sklasyfikowa optymalne przykłady trenujce z jak najmniejszym błdem próbki, o moliwie najmniejszym rozmiarze, w nadziei, e pozwoli to na uzyskanie równie niewielkiego błdu rzeczywistego. Na du efektywno obliczeniow roz-wiza klasyfikujcych, opartych na drzewach wpływ ma fakt, i do wyznaczenia grup czy kate-gorii w najgorszym wypadku wymagane jest jednokrotne przetestowanie wszystkich jego atrybu-tów. Jedn z ich waniejszych cech jest hierarchiczne podejcie, które wyrónia je sporód innych metod, oraz to, e kluczowym elementem tworzenia drzew jest wybór kolejnoci cech, według których, bdzie dokonywany podział zbioru obiektów. Ogólnie przyjmuje si zasad, e konstruu-jc drzewo decyzyjne naley wykona poszczególne etapy:
− sprawdzi jednorodno zbioru obiektów (jeli jest to prawd, to algorytm koczy prac, jeli nie, to przechodzi do dalszej cz algorytmu),
− wykry wszystkie moliwe podzbiory zbioru obiektów, a nastpnie okreli, który z nich wykazuje cechy zbioru jednorodnego (który tworzy najbardziej jednorodne zbiory) na podstawie przyjtych kryteriów,
− w oparciu o przyjte kryteria, podzieli zbiór,
− przeprowadzi t operacj dla pozostałych podzbiorów,
− przeprowadzi optymalizacj drzewa, czyli pomin fragmenty o małym znaczenie dla ja-koci rezultatów,
− zastosowa drzewo w klasyfikacji kolejnych, nowych obiektów.
Budowanie drzewa decyzyjnego jest procedur, która ma w pełni deterministyczny charakter. Podejcie drugie do segmentacji (tzw. Segmentacja opisowa) nie dzieli zmiennych, wszystkie traktowane s jako zmienne niezalene, wane informacje i wiedza pozyskiwana jest w trakcie analizy przeprowadzonej na podstawie zebranych danych wejciowych. Nie wyrónia si tutaj kryteriów ani wzorów, które mogłyby wpłyn na analiz przeprowadzan najczciej jedn z metod tzw. bezwzorcowego drenia danych (wszelkie zwizki i prawidłowoci znajdowane s tylko na postawie cech wejciowych), do których zaliczy mona m.in. sieci neuronowych lub analiz skupie.
Rysunek 3. Analiza skupieĔ ródło: Opracowanie własne.
Analiza skupie (Rys.3.), nazywana równie klastrowaniem danych (ang. cluster analysis) to jedna z najbardziej znanych metod, polegajca na organizowaniu obserwowanych danych w sen-sowne struktury, grupy obiektów podobnych. W przeciwiestwie do innych rozwiza, tu klasy nie s znane ani w aden sposób scharakteryzowane przed przystpieniem do analizy. Druga me-toda, czyli sztuczne sieci neuronowe to metoda imitujca ludzk sie neuronów, odpowiedzialna za zbieranie, przetwarzanie wanych informacji i na tej podstawie podejmowanie decyzji. Archi-tektura sieci neuronowej to układ powstały z połczenia wielu warstw neuronów, wraz z funkcja-mi opisujcyfunkcja-mi sposób ich działania, ich złoono i moliwoci całego układu. Zasada działania sieci neuronowych opiera si na obserwowaniu przykładów działalnoci pewnej, wybranej funkcji (Rys.4) rozwizujcej zadany problem.
Rysunek 4. Sztuczna sieü neuronowa ródło: Opracowanie własne.
Algorytm działanie takiej sieci musi by zdolny do rozwizania postawionego mu problemu, moe to osign tylko dziki odpowiedniemu zdefiniowaniu zbioru zmiennych zarówno wej-ciowych jak i wyjwej-ciowych (wraz z przykładowym zbiorem rozwiza trenujcych). Wykorzy-stywane w tej metodzie sztuczne neurony maj tzw. połczenia wejciowe, które oczekuj na impulsy od połczonych z nimi neuronów (z ich wyjciami), sumowane w celu wyznaczenia wy-niku na wyjciu. Kiedy rozpatrywany neuron otrzymuje wymagan liczb impulsów, sam generuje impuls wysyłany do kolejnych ssiadów. Jak wspomniano wczeniej neurony w sieci s uporzd-kowane w kolejnych warstwach, z których pierwsze zawieraj neurony wejciowe a ostatnie, wyj-ciowe reprezentujce odpowiednio wejcie i wyjcie przyjtej na pocztku funkcji rozwizujcej zadany problem. Metoda uczenia sieci neuronowe polega na odpowiednim jej wytrenowaniu, tzn. powolnej zmianie przyjtych warunków, które pozwol osign wyniki identyczne z podanymi rozwizaniami przykładowymi. Umoliwia to osignicie stanu, w którym sie po otrzymaniu
kolejnego zestawu wartoci wejciowych poda kolejny poprawny zbiór wynikowy. Podczas ucze-nia neuronów zwykle trudno oszacowa, ile czasu potrzeba do prawidłowego funkcjonowaucze-nia sieci. Zbyt mało czasu na nauk i sie nie bdzie w stanie zaklasyfikowa danych treningowych, zbyt wiele, sie stanie si zbyt wyspecjalizowana w rozpoznawaniu danych wzorcowych i nie bdzie prawidłowo klasyfikowa tych, których wczeniej nie znała. O ile proces uczenia zwykle zabiera wiele czasu, o tyle czas potrzebny do przeprowadzenia właciwej analizy powinien by jak najkrótszy, zwłaszcza w systemach korzystajcych z bardzo złoonych sieci neuronowych bd wykonujcych analizy setki razy na sekund. Inn moliw do zastosowa metod odkrywania wiedzy o preferencjach usługobiorców jest klasyfikacja3. W klasycznych metodach klasyfikacji, opartych na ogólnej teorii zbiorów podstaw klasyfikacji s silne współzalene owiadczenia uzy-skane w drodze badania odpowiedzi na zapytania ankietowe kierowane do potencjalnych usługo-biorców, które pomagaj w okreleniu tzw. profilu potencjalnego usługobiorcy oraz zasada, e element (odpowied) naley albo nie naley do danej klasy. Klasyfikacja wymaga jednak okrele-nia tzw. błdu klasyfikacji. Zwykle do weryfikacji procesu klasyfikacji stosuje si tzw. macierz pomyłek. Błd klasyfikacji wiadczy o wiarogodnoci klasyfikacji i poprawnoci wycignitych z tej klasyfikacji wniosków. Dane ankietowe do badania preferencji usługobiorców mog zawiera sprzecznoci i niespójnoci. Dlatego do analizy danych ankietowych czsto stosuje si tzw. zbiory przyblione (ang. rough sets). Metody zbiorów przyblionych opisano w literaturze z licznymi przykładami ilustrujcymi jej uycie 4 5. W metodach tych definiowanie przynalenoci elemen-tów, obiekelemen-tów, atomów czy atrybutów do tzw. zbioru przyblionego oparte jest na podejciu, w których odrzuca si wymóg istnienia cile okrelonych granic zbioru. Wykorzystuje si wów-czas moliwo zdefiniowania zbioru przyblionego w oparciu o jego tzw. przyblienie dolne i górne. Pod pojciem przyblienia dolnego zbioru obiektów Y rozumie si zbiór tych elementów tego zbioru, których wszystkie obiekty nale na pewno do zbioru Y natomiast pod pojciem dol-nego przyblienia zbioru Y rozumie si taki zbiór elementów, których cho jeden obiekt naley do zbioru Y, czyli zbiór takich elementów, które „by moe” nale do tego zbioru6. Brzegiem zbioru obiektów nazywa si rónic mnogociow midzy górnym i dolnym przyblieniem tego zbioru obiektów.
Kade przyblienie wie si z koniecznoci okrelenia dokładnoci tego przyblienia. Najczciej tak dokładno okrela si jako stosunek licznoci dolnego przyblienia zbioru do jego górnego przyblienia. Metody zbiorów przyblionych s alternatywnymi podejciami do analizy danych zwłaszcza ankietowych o preferencjach człowieka, w tym wypadku preferencjach usługobiorców w stosunku do metod statystycznych, metody zbiorów rozmytych, teorii Dempstera-Shafera czy te sztucznych sieci neuronowych. Przede wszystkim mog by uyte w zamian za metody statystyki wielowymiarowej. W oparciu o zbiory przyblione opracowano algorytmy przy pomocy, których moliwa jest nie tylko klasyfikacja obiektów, ale równie moliwe jest automatyczne generowanie reguł tzw. reguł decyzyjnych. Reguły te s podstaw
3
T. Dudek, Zastosowanie teorii zbiorów przybliĪonych do oceny preferencji klientów marketingowej hurtowni danych, Studia i Materiały Polskiego Stowarzyszenia Zarządzania Wiedzą, Wydawca Polskie Stowarzyszenie Zarządzania Wiedzą, Bydgoszcz, 2004: s. 79–86.
4 A. Piegat, Materiały szkoleniowe z teorii zbiorów przybliĪonych, ZUT, 2010.
5 P. Synak, Temporalne aspekty eksploracji danych: Teoria zbiorów przybliĪonych, rozprawa doktorska, http://logic. mimuw.edu.pl/publikacje/phd_synak.pdf, Warszawa 2003.
klasy nieodrónialnoci. Obszar pozytywny (ang. positive region) jest okrelony jako suma tych wszystkich klas nieodrónialnoci, które s całkowicie zawarte w której z klas decyzyjnych. Przez stopie zalenoci (ang. degree of dependency) midzy dwoma zbiorami atrybutów rozumie si w teorii zbiorów przyblionych iloraz wielkoci obszaru pozytywnego do liczby wszystkich ankietowanych. Znaczenie a właciwie istotno atrybutu (ang. significance of an attribute) jest wyznaczane jako rónica stopnia zalenoci, gdy rozpatrywany atrybut wystpuje oraz gdy zosta-nie on pominity.
Badanie prawidłowoci wynikajcych ze zgromadzonych danych o preferencjach ludzi – w tym przypadku usługobiorców polega równie na wyznaczaniu tzw. reguł decyzyjnych. Z kad reguł zwizane s dwa współczynniki liczbowe okrelane mianem współczynnika wsparcia (po-parcia reguły) i zaufania (inaczej dokładnoci reguły. Im wiksze s wartoci tych współczynni-ków, tym reguły wyraaj silniejsz prawdziwo bada ankietowych i wniosków wynikajcych z tych bada. Badania ankietowe umoliwiajce poznanie preferencji usługobiorców z uyciem zbiorów przyblionych mona podzieli na dwa istotne etapy a mianowicie: selekcj najbardziej istotnych atrybutów do klasyfikacji preferencji usługobiorców, generowanie reguł na podstawie wybranych atrybutów. Drugi etap tej procedury jest całkowicie zdeterminowany i wynika z teorii zbiorów przyblionych za selekcja najbardziej istotnych atrybutów jest trudniejsza z uwagi na niepewno wyboru atrybutów. Jednym ze sposobów selekcji najbardziej istotnych atrybutów moe by metoda leave-one-out [5], która polega na chwilowym pominiciu danych jednego an-kietowanego usługobiorcy, po czym budowany jest klasyfikator (zbioru reguł) na podstawie pozo-stałych danych i porównaniu klasyfikacji pominitego przypadku z właciw odpowiedzi. Tak procedur wykonujemy tyle razy, ilu jest danych ankietowych.
Wymienione metody nale do grupy typowych metod przynalenych do klasy metod DM i KDD. Aby jednak metody KDD oraz DM mogły by podstaw oceny preferencji klientów firmy usługowej musz by uyteczne, odkrywa wiedz wczeniej nieznan i musz by adekwatne do wykorzystania ich wyników. Zarówno metody DM jak i metody KDD mog by uyte w tzw. „duych” kolekcji danych. W tym przypadku kadorazowo wyniki zastosowania metod DM oraz KDD musz by poddane analizie moliwoci ich uycia, istotnoci i uytecznoci uzyskanych wyników oraz analizie stopnia zaufania do nich. Nie wszystkie jednak firmy usługowe posiadaj tak „bogate” ródła danych. Gdy ich w firmie brak, naley podj działania wzbogacajce baz danych. Do takich działa mog nalee: akcja ankietyzacji potencjalnych usługobiorców, groma-dzenie danych o usługach firm konkurencyjnych (Np. w oparciu o zasoby internetowe, roczniki statystyczne, profesjonalne publikacje branowe). Brak dostpu do bogatej kolekcji danych unie-moliwia, bowiem wiarogodn ocen preferencji klientów firmy wiadczcej usługi.
3. Zmienny charakter preferencji w czasie i metody szacowania tej zmiennoĞci
Preferencje klientów dowolnej firmy usługowej s zmienne w czasie. Wpływ na te preferencje zaley od zmiennoci w nastpujcych obszarach działalnoci człowieka: system prawny i podat-kowy, system polityczny, organizacji lokalnych i samorzdowych, społeczny, popularno usług (moda na usług), i in. rozumianych jako szeroko pojte otoczenie procesów wiadczenia usług przez firm usługow na rzecz jej klienta – usługobiorcy. W literaturze szczególnie zwizanej z badaniem zachowania ludzi, dostpne s równie publikacje, z których wynika, e preferencje ludzi ulegaj zmianie w sposób zaskakujco róny od dotychczasowych preferencji. Dlatego u podstaw metod oceny preferencji usługobiorców musz by uwzgldnione aspekty zmiennoci preferencji w czasie jako istotne i naturalne ich charakterystyki. Z analizy istniejcych metod oce-ny preferencji klientów firmy wiadczcej usługi wynika, e niewtpliwy wpływ na jako oceoce-ny tych preferencji ma zastosowania rónego rodzaju algorytmów wspierajcych t ocen oraz dobór zbioru atrybutów charakterystycznych dla wiadczonych usług, co zostało zaprezentowane w rozdziale 2 niniejszego artykułu. Poniewa jednak preferencje klientów firmy (ogólnie preferen-cje człowieka) s zmienne w czasie to istotne dla procesu oceny tych preferencji jest rozpoznanie tej zmiennoci w czasie i adaptacja oceny tych preferencji do tej zmiennoci. Dobr metod rozpo-znania zmiennych preferencji usługobiorcy jest zapisywanie w temporalnej bazie danych informa-cji o uytych w procesie oceny prefereninforma-cji wartociach atrybutów charakterystycznych dla wiad-czonych usług i kontekcie ich uycia. Nastpnie wykorzystujc odpowiednie algorytmy (Np. zbiory przyblione) mona wyselekcjonowa z dostpnej bazy danych baz reguły a w konse-kwencji zmienno tych reguł. Gdy zmiany kolejno wygenerowanych w czasie reguł s istotne, to wiadcz one o zmianie dotychczasowych preferencji usługobiorców. Schematycznie ide tej koncepcji zaprezentowano na Rys. 5.
Rysunek 5. Koncepcja metody oceny zmiennych preferencji usługobiorców ródło: Opracowanie własne.
Zapamitanie, wyszukiwanie i badanie zmiennoci reguł wiadczcych o preferencjach usłu-gobiorców jest moliwe dziki regałowym jzykom zapyta do historycznych i temporalnych baz danych oraz mechanizmom przechowywania obok bazy danych bazy reguł. Dodatkowo w analizie preferencji usługobiorców mona na podstawie danych historycznych przy uyciu sieci neurono-wych okreli przyszłe preferencje (odpowiedzi systemu) na podstawie cigu wartoci z przeszło-ci. Majc bowiem informacje o wartociach preferencji x w chwilach poprzedzajcych predykcj, wyuczona sie okreli, jaka bdzie estymowana warto x badanego cigu w dowolnej chwili
rencji usługobiorców jest szczególnie istotna w aspekcie zmiennoci tych preferencji w czasie. Ocena preferencji usługobiorców musi by ocen dynamiczn (zmienn w czasie), poniewa po-winna ona pokazywa kierunki i dynamik zmiany preferencji. Podstaw metody uwzgldniajcej zmienno preferencji usługobiorców jest gromadzenie reguł preferencyjnych w bazie reguł z atrybutem czasu oraz badanie istotnoci zmian tych reguł.
Bibliografia
[1] Dudek T., Zastosowanie teorii zbiorów przybliĪonych do oceny preferencji klientów marketingowej hurtowni danych, Studia i Materiały Polskiego Stowarzyszenia Zarzdzania Wiedz, Wydawca Polskie Stowarzyszenie Zarzdzania Wiedz, Bydgoszcz, 2004: s. 79– 86.
[2] Han J., Kamber M., Data Minning.: Concepts and techniques. Morgan Kaufman, 2000: [3] Piatetsky-Shapiro G., Frawley J.W., Knowledge Discavery in DataBases, AAAI/MIT Press,
1991.
[4] Piegat A., Materiały szkoleniowe z teorii zbiorów przybliĪonych, ZUT, 2010.
[5] Polkowski L., Skowron A., Rough Sets in Knowledge Discovery 1, Physica-Verlag, Heidelberg, 1998.
[6] Synak P., Temporalne aspekty eksploracji danych: Teoria zbiorów przybliĪonych, rozprawa doktorska, http://logic.mimuw.edu.pl/publikacje/phd_synak.pdf, Warszawa 2003.
TESTING METHODS FOR COMPANY’S CUSTOMER PREFERENCES Summary
The ability to identify and measure customer preference is an essential element supporting service company management, especially with world wide globalization. The above article presents testing methods for your company’s consumer prefer-ences based on a historical databases as well as author’s conceptual method, which considers time-varying users' preferences.
Keywords: customer preferences, customer relationship management
Tomasz Dudek
Instytut Zarzdzania Transportem
Wydział Inynieryjno-Ekonomiczny Transportu Akademia Morska w Szczecinie