6. YHTEENVETO JA JOHTOPÄÄTÖKSET
6.2. JATKOTUTKIMUSMAHDOLLISUUDET
Numeeristen arvojen perusteella muodostuttujen SOM:in antamat tulokset olisivat luotettavuudeltaan parempia kuin käyttämäni numeerisiksi koodatut demografiset muuttuj at.
Jatkossa tutkimuksen kohteena voisikin olla asiakkaiden taustojen sijaan heidän mieltymystensä tarkastelu, kuten suhtautuminen korkotason muutoksiin tai jopa määrittämä llä potentiaalisten asiakkaiden sosio-taloudellinen kuvaus. Jatkossa tärkeää olisikin valita niin tutkimuskysymyksen asettelu kuin käytetyt muuttujatkin huolella valitun menetelmä n ominaisuuksia huomioiden.
Jatkossa voisi tutustua aiemmissa tutkimuksissa esiin tulleeseen Fuzzy Delphi –menetelmää n datan rajauksen tueksi. Tämän lisäksi voisi tutustua myös muihin klusterointimenetelmiin, jotka nyt rajattiin tämän tutkielman ulkopuolelle. Jatkossa voisi myös tutustua SOM:n erityispiirteisiin sekä ominaisuuksiin entistä syvällisemmin aiempaa luotettavampien tulosten aikaansaamiseksi.
LÄHDELUETTELO
Adams, R. A. (1999) Calculus: A Complete Course, Addison-Wesley, Vancouver, 4. ed.
Akkanen, R. (2016) Datanhallintaosuuskunnan tulevat! OT Osuuskunta: Johdon ja hallinnon ammattilehti, Vol. 106(5), p. 44 – 45.
Alhoniemi, E., Himberg, J., Hollmén, J., Laine, S., Lehtimäki, P., Raivio, K., Similä, T., Simula, O., Sirola, M., Sulkava, M., Tikka, J. & Vesanto, J. (2000) SOM in data mining.
[verkkodokumentti] [viitattu 3.7.2017] Saatavilla
http://www.cis.hut.fi/research/reports/biennial02-03/cis-biennial-report-2002-2003-14.pdf Basher, S.A. & Sadorsky, P. (2006) Day-of-the-week effects in emerging stock markets.
Applied Economic Letters, Vol. 13, p. 621 – 628.
Bengio, Y., Courville, A. & Vincent, P. (2013) Representation learning: a review and new perspectives. IEEE Transactions on Pattern Analysis and Machine Intelligence, Vol. 35(8), p.
1798 – 1828.
Boyn, S., Grollier, J., Lecerf, G., Xu, B., Locatelli, N., Fusil, S., Girod, S., Carrétéro, C., Garcia, K., Xavier, S., Tomas, J., Bellaiche, L., Bibes, M., Barthélémy, A., Saïghi, S. & Garcia, V.
(2017) Learning through ferrpelectric domain dynamics in solid-state synapses. Nature Communicatios, Vol. 8.
Encyclopædia Britannica, inc. (2017) Laspeyres index. [verkkodokumentti] [viitattu 12.6.2017]
Saatavilla https://www.britannica.com/topic/Laspeyres-index
European Central Bank. (2017) Glossary: Euro interbank offered rate (EURIBO R)
[verkkodokumentti] [viitattu 27.6.2017] Saatavilla
https://www.ecb.europa.eu/home/glossary/html/glosse.en.html#454
Eurostat. (29.6.2016) Glossary: Employment rate dispersion [verkkodokumentti] [viita tt u 9.6.2017] Saatavilla http://ec.europa.eu/eurostat/statistic s-explained/index.php/Glossary:Employment_rate_dispersion
Golmah, V. (2014) A Case Study of Applying SOM in Market Segmentation of Automobile Insurance Customers. International Journal of Database and Application, 2014(1), Vol. 7, p.
25 – 36.
Gunes, H. & Çelik, S. (2010) Consumer confidence and financial market variables in an emerging market: The case of Turkey. International Research Journal of Finance and Economics, Vol. 48, p. 169 – 186.
Hanafizadeh, P. & Mirzazadeh, M. (2011) Visualizing market segmentation using self-organizing maps and Fuzzy Delphi method – ADSL market of a telecommunication company.
Expert Systems with Applications, Vol. 38, p. 198 – 205.
Hof, R. D. (2013) Deep Learning: With massive amounts of computational power, machines can now recognize objects and translate speech in real time. Artificia l intelligence is fina lly getting smart. MIT Technology Review. [verkkodokumentti] [viitattu 30.6.2017] Saatavilla https://www.technologyreview.com/s/513696/deep- learning/
Hsu, S., Hsieh, J. P., Chih, T. & Hsu, K. (2009) A two-staged architecture for stock price forecasting by integrating self-organizing map and support vector regression. Expert Systems with Applications, Vol. 36, p. 7947 – 7951.
Hudson, M. (2010) Iris Flower Clustering with Neural Net Clustering App. MathWorks, Inc.
[videotallenne] [viitattu 5.7.2017] Saatavilla https://se.mathworks.com/videos/iris-flowe r-clustering-with-neural-clustering-tool-68796.html
ICA. (2003) 2003 Cases of Information and Telecommunication Export. Seoul: ICA.
Karhu, A. (2017) Digitalisaatio, globalisaatio, toimialadisruptio – Osaaminen korostuu murroksessa. OT Osuuskunta: Johdon ja hallinnon ammattilehti, Vol. 107(3), p. 3.
Klement, P. & Snášel, V. (2011) Using SOM in the performance monitoring of the emergenc y call-taking system. Simulation Modelling Practice and Theory, Vol. 19, p. 98 – 109.
Kohonen, T., (1981) Automatic formation of topological maps of patterns in a self- organizing system. In E. Oja, & O. Simula, (Eds.). Proceedings of 2SCIA, Scand. conference on image analysis, Helsinki, Finland, p. 214 – 220.
Kohonen, T. (2013) Essentials of the self-organizing map. Neural Networks, Vol. 37, p. 52 – 65.
Kohonen, T. (2014) MATLAB Implementations and Applications of the Self-Organizing Map.
Unigrafia Oy, Helsinki.
Kohonen, T., Mäkisara, K., & Saramäki, T. (1984) Phonotopic maps – Insightful representatio n of phonological feauters for speech recognition. IEEE Computer Society Press, p. 182 – 185.
Kontkanen, P., Lehtonen, J. & Luosto, K. (2012) Pyramidi 6: Todennäköisyys ja tilastot, SanomaPro Oy, Helsinki, 1. ed.
Kotler, P. (1997) Marketing Management: Analysis, planning, implementation and control, A Simon and Schuster Co, New Jersey, 9. ed.
Kreyszig, E. (1993) Advanced Engineering Mathematics, John Wiley & Sons, Inc., New York, 7. ed.
Lee, S. C., Suh, Y. H., Kim, J. K. & Lee, K. J. (2004) A cross-national market segmentation of online game industry using SOM. Expert Systems with Applications, Vol. 27, p. 559 – 570.
LeCun, Y., Bottou, L., Bengio, Y. & Haffner, P. (1998) Gradient-based learning applied to document recognition. IEEE. Vol. 86, p. 2278 – 2324.
Lehto, T. (25.11.2016a) Pankeilla on edessään raju digimurros. Tekniikka ja Talous, Vol. 35, p. 6 – 7.
Lehto, T. (28.10.2016b) Tekoäly voi korvata tietoturvaekspertin. Tekniikka ja Talous, Vol. 35, p. 9.
Leino, R. (4.11.2016) Data houkutti Watsonin Suomeen. Tekniikka ja Talous, Vol. 35, p. 4 – 5.
MathWorks. (2017b) Company: About us [verkkodokumentti] [viitattu 27.5.2017] Saatavilla https://se.mathworks.com/company/aboutus.html
MathWorks. (2017i) Documentation: MATLAB: Data Import and Analysis: Data Import and Export: Standard File Formats: Spreadsheets: xlsread [verkkodokumentti] [viitattu 7.6.2017]
Saatavilla https://se.mathworks.com/help/matlab/ref/xlsread.html
MathWorks. (2017j) Documentation: MATLAB: Data Import and Analysis: Data Import and Export: Standard File Formats: Text Files: csvread [verkkodokumentti] [viitattu 19.6.2017]
Saatavilla https://se.mathworks.com/help/matlab/ref/csvread.html
MathWorks. (2017k) Documentation: Neural Networks Toolbox: Clustering: Self-Organiz ing Maps: Cluster with Self-Organizing Map Neural Network [verkkodokumentti] [viita tt u 5.7.2017] Saatavilla https://se.mathworks.com/help/nnet/ug/cluster-with-self-organizing- map-neural-network.html
MathWorks. (2017d) Documentation: Neural Network Toolbox: Clustering: Self-Organiz ing Maps: hextop [verkkodokumentti] [viitattu 23.5.2016] Saatavilla https://se.mathworks.com/help/nnet/ref/hextop.html?searchHighlight=hextop&s_tid=doc_srch title
MathWorks. (2017h) Documentation: Neural Network Toolbox: Clustering: Self-Organiz ing Maps: learnsomb [verkkodokumentti] [viitattu 30.5.2016] Saatavilla https://se.mathworks.com/help/nnet/ref/learnsomb.html?searchHighlight=learnsomb&s_tid=d oc_srchtitle
MathWorks. (2017c) Documentation: Neural Network Toolbox: Clustering: Self-Organiz ing Maps: selforgmap [verkkodokumentti] [viitattu 23.5.2016] Saatavilla https://se.mathworks.com/help/nnet/ref/selforgmap.html
MathWorks. (2017e) Documentation: Neural Network Toolbox: Define Neural Network Architectures: linkdist [verkkodokumentti] [viitattu 23.5.2016] Saatavilla https://se.mathworks.com/help/nnet/ref/linkd ist.html?searchHighlight=linkdist&s_tid=doc_sr chtitle
MathWorks. (2017i) Documentation: Neural Network Toolbox: Define Neural Network Architectures: sim [verkkodokumentti] [viitattu 30.5.2016] Saatavilla https://se.mathworks.com/help/nnet/ref/sim.html
MathWorks. (2017g) Documentation: Neural Network Toolbox: Define Neural Network Architectures: trainbu [verkkodokumentti] [viitattu 27.5.2017] Saatavilla https://se.mathworks.com/help/nnet/ref/trainbu.html
MathWorks. (2017f) Documentation: Neural Network Toolbox: Function Approximation and Nonlinear Regression: train [verkkodokumentti] [viitattu 27.5.2017] Saatavilla https://se.mathworks.com/help/nnet/ref/train.html?requestedDomain=www.mathworks.com MathWorks. (2017a) Products: Matlab: Overview [verkkodokumentti] [viitattu 30.5.2017]
Saatavilla https://se.mathworks.com/products/matlab.html
Martini, F. H., Ober, W. C., Garrison, C. W., Welch, K. & Hutchings, R. T. (2006) Fundamentals of Anatomy & Physiology, International Edition. Pearson: Benjamin Cummings.
7. ed.
Merriam-Webster, Incorporated. (2017a) Dictionary: Topology [verkkodokumentti] [viita tt u 23.5.2017] Saatavilla https://www.merriam-webster.com/dictionary/topology
Merriam-Webster, Incorporated. (2017b) Dictionary: Topological [verkkodokumentti] [viita tt u 23.5.2017] Saatavilla https://www.merriam-webster.com/dictionary/topological
Moro, S., Cortez, P. & Rita, P. (6.2014) A Data-Driven Approach to Predict the Success of Bank Telemarketing. Decision Support Systems, Elsevier, 62:22-31.
Neuroscientist. (22.4.2013) Lesson 2 – The Materialistic Mind – Your Brain’s Ingredients.
[verkkodokumentti] [viitattu 4.7.2017] Saatavilla
http://neuroscientist.weebly.com/blog/lesson-2-the-materialistic- mind- your-brains- ingredients OECD. (2017b) OECD Data: Consumer confidence index (CCI). [verkkodokumentti] [viita tt u 9.6.2017] Saatavilla https://data.oecd.org/leadind/consumer-confidence- index-cci.htm
OECD. (2017a) OECD Data: Employment rate. [verkkodokumentti] [viitattu 9.6.2017]
Saatavilla https://data.oecd.org/emp/employment-rate.htm
Solunetti. (2006) Hermosto: Hermotukikudos: Astrosyytti [verkkodokumentti] [viita tt u 15.3.2017] Saatavilla http://www.solunetti.fi/fi/histologia/astrosyytti/
Stenberg, D. & Porkka-Heiskanen, T. (1994) Sähköiset aivomme: Unen ja vire yden neurofysiloginen säätely, Suomen kliinisen neurofysiologian yhdistys ry, Turku.
Sui, C., Bennamoun, M. & Togneri, R. (2017) Deep feature learning for dummies: A simple auto-encorder method using Particle Swarm Optimization. Pattern Recognition Letters, Vol.
94, p. 75 – 80.
Suomen Standardisoimisliitto SFS ry. (1998) SFS 4175: Numeroiden ja merkkien kirjoittaminen, Helsinki. 4. ed.
Tilastokeskus. (13.2.2015) Tietoa tilastoista: Tilastojen kuvaukset: Kuluttajahintaindek s i.
[verkkodokumentti] [viitattu 12.6.2017] Saatavilla http://www.stat.fi/meta/til/khi.html
TRC Research Insight Direction. (2017) Market Segmentation: One Method, Four Examples
[verkkodokumentti] [viitattu 29.6.2017] Saatavilla
https://www.greenbook.org/Content/TRC/4ExMarketSeg.pdf
VanPutte, C., Regan, J., Russo, A., Seeley, R., Stephens, T. & Tate, P. (2014) Seeley’s Anatomy
& Physiology. The McGraw-Hill Companies, New York. 10. ed.
Wei, J. T., Lin, S. Y., Weng, C. C. & Wu, H. H. (2012) A case study of applying LRFM model in market segmentation of a children’s dental clinic. Expert Systems with Applications, Vol. 39, p. 5529 – 5533.
Williams, P. L., Warwick, R., Dyson, M. & Bannister, L. H. (ed.) (1989) Gray’s Anatomy.
Longman Group, London. 37. p.
Äijölä, A. (2016) Vuorineuvos Simo Palokangas: Ennakoiva tapa toimia varmistaa menestyksen. OT Osuuskunta: Johdon ja hallinnon ammattilehti, Vol. 106(5), p. 8 – 9.
LIITTEET
LIITE 1. MATLAB –koodi aineiston kuvailuun
clear all close all clc
disp('tuodaan taulukointia varten tarvittavat tiedot Excel-tiedostosta')
ages = xlsread('bank-additional-full.xlsm','bank-additional-full','A2:A41189');
[num,success,raw] = xlsread('bank-additional-full.xlsm','bank-additional-full','U2:U41189');
% ei tämä evr = csvread('bank-additional-full.csv',1,15,[1,15,41189,15])
% ei tämä [num,evr,raw] = xlsread('bank-additional-full.xlsm','bank-additional-full','V2:V41189')
% ei tämä evr = cellfun(@str2num, evr,'UniformOutput',false)
% ei tämä cpi =
maxage = max(ages) % ikävektorin suurin arvo minage = min(ages) % ikävektorin pienen arvo
meanage = mean(ages) % ikävektorin alkioiden keskiarvo mdage = median(ages) % ikävektorin alkioiden mediaani binedges = [0:5:100]; % ikäluokat viiden vuoden ryppäissä figure(1)
hage = histogram(ages,binedges) % piirretään histogrammi hold on
ylabel('vastaajien määrä','FontWeight','bold') % nimetään y-akseli xlabel('vastaajien ikä','FontWeight','bold') % nimetään x-akseli
fjob = tabulate(jobs) % ammattien frekvenssitaulukko fmarital = tabulate(marital) % siviilisäätyjen frekvenssi feducation = tabulate(education) % koulutusten frekvenssi fdefault = tabulate(default) % maksuhäiriöiden frekvenssi fhousing = tabulate(housing) % asuntolainanoton frekvenssi floan = tabulate(loan) % asuntolainanoton frekvenssi
disp('Aiemmat kampanjoinnit')
fcontact = tabulate(contact) % yhteydenottotapojen frekvenssi
month = categorical(month,{'mar' 'apr' 'may' 'jun' 'jul' 'aug' 'sep' 'oct' 'nov' 'dec'},'Ordinal',true);
% muutetaan muuttuja month kategoriseksi histogrammia varten summary(month) % tarkistuksen vuoksi
figure(2) % piirretään uuteen ikkunaan
mhist = histogram(month) % piirretään histogrammi
xlabel('yhteydenottokuukaudet','FontWeight','bold') % nimetään x-akseli ylabel('yhteydenottojen lkm','FontWeight','bold') % nimetään y-akseli fday = tabulate(day) % viikonpäivien frekvenssi
meandurat = mean(duration) % puhelun keskimääräinen kesto sekunteina meanduratmin = meandurat/60 % puhelun keskimääräinen kesto minuutteina maxdurat = max(duration) % puhelun maksimikesto sekunteina
maxduratmin = maxdurat/60 % pisin puhelun kesto minuutteina mindurat = min(duration) % puhelun minimikesto sekunteina
disp('Muut muuttujat')
fcampaign = tabulate(campaign); % yhdelle henkilölle suoritettujen yhteydenottojen frekvenssi
maxcampaign = max(campaign) % suurin yhdelle henkilölle suoritettujen yhteydenottojen määrä
mincampaign = min(campaign) % pienin yhdelle henkilölle suoritettujen yhteydenottojen määrä
meancampaign = mean(campaign) % yhdelle henkilölle kampanjan aikana suoritettujen
% yhteydenottojen keskiarvo
fpdays = tabulate(pdays) % edellisen kampanjan aikaisesta yhteydenotosta kuluneiden
% päivien frekvenssi
fpout = tabulate(pout) % edellisen kampanjan yhteydenottojen lopputulemien frekvenssi
disp('Sosioekonomiset attribuutit') disp('Työllisyysasteen variaatio')
maxevr = max(evr) % työllisyssvariaatiovektorin suurin arvo minevr = min(evr) % työllisyssvariaatiovektorin pienen arvo
meanevr = mean(evr) % työllisyssvariaatiovektorin alkioiden keskiarvo
disp('Kuluttajahintaindeksi')
fcpi = tabulate(cpi) % kuluttajahintaindeksin frekvenssi ehtolausetta varten maxcpik = max(cpik) % kuluttajahintaindeksivektorin suurin arvo
mincpik = min(cpik) % kuluttajahintaindeksivektorin pienen arvo
meancpik = mean(cpik) % kuluttajahintaindeksivektorin alkioiden keskiarvo
disp('Kuluttajaluottamusindeksi')
fcci = tabulate(cci) % kuluttajaluottamusindeksin frekvenssi ehtolausetta varten maxccik = max(numcci) % kuluttajaluottamusindeksivektorin suurin arvo
minccik = min(numcci) % kuluttajaluottamusindeksivektorin pienin arvo
meanccik = mean(numcci) % kuluttajaluottamusindeksivektorin alkioiden keskiarvo
disp('3 kk:n euribor')
maxeuribor = max(numeur) % euriborkorkovektorin suurin arvo mineuribor = min(numeur) % euriborkorkovektorin pienin arvo
meaneuribor = mean(numeur) % euriborkorkovektorin alkioiden keskiarvo binedges2 = [0:.005:6]; % euriborkorot 0.005 %:n ryppäissä
figure(3)
hage2 = histogram(numeur,binedges2) % piirretään histogrammi ylabel('vastaajien määrä','FontWeight','bold') % nimetään y-akseli xlabel('EURIBOR 3kk (%)','FontWeight','bold') % nimetään x-akseli hold on
y1 = get(gca,'ylim') x1 = meaneuribor
plot([x1 x1],y1,'r','LineWidth',2) % piirretään pystysuoraviiva aiempaan kuvaan
disp('Työntekijöiden määrä')
femploy = tabulate(employ) % työntekijöiden määrän frekvenssi ehtolausetta varten maxemployk = max(employk) % työntekijöiden määrän suurin arvo
minemployk = min(employk) % työntekijöiden määrän pienin arvo meanemployk = mean(employk) % työntekijöiden määrän keskiarvo
disp('Tulostemuuttuja')
fsuccess = tabulate(success) % onnistumisen frekvenssi
Published with MATLAB® R2017a
LIITE 2. Esimerkkidatan SOM-prosessi
% Solve a Clustering Problem with a Self-Organizing Map
% Script generated by Neural Clustering app
% Created 05-Jul-2017 12:11:49
%
% This script assumes these variables are defined:
%
% Uncomment these lines to enable various plots.
%figure, plotsomtop(net)
LIITE 3. Asiakasdatan SOM-prosessi
% Solve a Clustering Problem with a Self-Organizing Map
% Script generated by Neural Clustering app
% Created 09-Aug-2017 21:46:43
%
% This script assumes these variables are defined:
%
% versio2skaalattucsv - input data.
x = versio2skaalattucsv';
% Uncomment these lines to enable various plots.
%figure, plotsomtop(net)
LIITE 4. Asiakasdatan SOM-otososumakuvaaja
LIITE 4. SOM-painoarvojen asemakuvaaja asiakasdatasta