Evaluation of consumer satisfaction based on binary decision trees

Abstract

This article presents the original approach to the assessment of global customer satisfaction of business organizations based on data mining. The basis of the approach is the mechanism of machine learning, which includes two phases: training and testing. Given the qualitative nature of initial information, the logical algorithm of machine learning was chosen, basing on the construction of the classifying binary decision trees and allows to restore the non-linear relationship between the target variable and features. Logic algorithm allows: 1) to include random customer satisfaction to one of the classes, which are prede-fined in advance, depending on the preferences of company management; 2) to measure the weight / im-portance of each criterion and rank them in order of importance; 3) to construct an action diagram of the strengths and weaknesses of a company for each criterion. The proposed method is brought up to specific steps and is illustrated by a numerical example.

En el presente artículo se propone un enfoque original para evaluar la satisfacción global de consumidores de organizaciones empresariales, basado en la metodología de exploración de datos (minería de datos). El enfoque se basó́ en el mecanismo del aprendizaje automático, que incluye dos partes: capacitación y examen. Habida cuenta del carácter cualitativo de información básica, un algoritmo lógico de aprendizaje automático fue elegido, que se basa en construcción de árboles binarios de decisión para la clasificación y que permite recuperar las relaciones no lineales entre una variable objetiva y sus que características. El algoritmo lógico permite: 1) incluir un consumidor arbitrario a una de las clases de satisfacción predeterminadas según las preferencias de la Dirección de una empresa; 2) medir el peso/la importancia de cada criterio y graduarlos en orden creciente de importancia; 3) hacer una diagrama de acciones, que muestra los puntos fuertes y débiles de una empresa según cada criterio. La metodología propuesta es llevada a los casos concretos y fue ilustrada con un el ejemplo numérico.