مقدمه ای بر داده کاوی و کاربردهای آن
چکیده
سازمان ها برای تصمیم گیری و برنامه ریزی به اطلاعات نیاز دارند، بخش مهمی از این اطلاعات از خود سازمان ناشی می شود، از داده های قبلی و الگوهای عملکرد سازمان استخراج می شوند، داده های خود سازمان نشان دهنده رفتار مشتریان و همکاران و بیان کننده موفقیت یا شکست سازمان در یک عمل خاص هستند. برای استخراج اطلاعات مفید از میان انبوه حجم داده های ثبت شده باید از فن داده کاوی استفاده کرد. داده کاوی فنی است که از میان پایگاه داده سازمان، به دنبال الگوهای پنهان در میان داده ها، ارتباط میان آنها، روند و الگوی آنها می گردد. داده کاوی از توابع و الگوریتم های پیشرفته ریاضی استفاده می کند تا ارتباط میان دو دسته از داده و امکان رخ دادن یک نتیجه را در آینده پیش بینی کند. داده کاوی (به انگلیسی: Data Mining)، به مفهوم استخراج اطلاعات نهان یا الگوها و روابط مشخص در حجم زیادی از داده ها در یک یا چند بانک اطلاعاتی بزرگ است. بسیاری از مردم داده کاوی را مترادف واژههای رایج کشف دانش از داده ها (KDD) میدانند. داده کاوی، پایگاهها و مجموعه حجیم داده ها را در پی کشف و استخراج، مورد تحلیل قرار میدهد. اینگونه مطالعات و کاوشها را به واقع میتوان همان امتداد و استمرار دانش کهن و همه جا گیر آمار دانست. تفاوت عمده در مقیاس، وسعت و گوناگونی زمینهها و کاربردها، و نیز ابعاد و اندازههای داده های امروزین است که شیوههای ماشینی مربوط به یادگیری، مدلسازی، و آموزش را طلب مینماید. داده کاوی (Data Mining) علم و فنی است که در سالهای اخیر و با گسترش استفاده از فناوری اطلاعات و سیستم های اطلاعاتی مورد توجه سازمان ها قرار گرفت. داده کاوی کاربردهای مختلفی برای سازمان ها دارد و می تواند برای شرکت ها در زمینه های مهمی مثل بازاریابی و فروش بسیار راهگشا و مفید باشد. بسیاری از شرکتها و موسسات دارای حجم انبوهی از اطلاعات هستند. تکنیکهای داده کاوی به طور تاریخی به گونهای گسترش یافتهاند که به سادگی میتوان آنها را بر ابزارهای نرمافزاری و … امروزی تطبیق داده و از اطلاعات جمعآوری شده بهترین بهره را برد. در صورتی که سیستمهای داده کاوی بر روی سکوهای Client/Server قوی نصب شده باشد و دسترسی به بانکهای اطلاعاتی بزرگ فراهم باشد، میتوان به سوالاتی از قبیل:آیا بیماری که بیمارستان مراجعه کرده است آیا بیمار هست یا نه؟ و نوع بیماری آن چیست؟ آیا نیاز به عمل جراحی دارد یا نه؟ و میزان درمانپذیری آن شخص چه میزان است؟ و یا کدامیک از مشتریان ممکن است خریدار کدامیک از محصولات آینده شرکت باشند، چرا، در کدام مقطع زمانی و بسیاری از موارد مشابه پاسخ داد.
داده کاوی عموما توسط سازمان های مشتری محور استفاده می شود، این سازمان ها (فروشگاه ها، تولید کنندگان، خرده فروشان و فروشگاه های اینترنتی) می توانند با استفاده از داده کاوی ارتباط میان اقدامات خود و عوامل درونی سازمان مثل قیمت کالاها، تخفیفات، هزینه تبلیغات و دیگر عوامل داخلی را با عوامل بیرونی مثل مشخصات مشتریان (سن، جنسیت، درآمد و محل سکونت)، رقبا و عوامل عمومی بازار (سطح درآمد جامعه، وضعیت رونق و رکود اقتصادی) را پیدا کنند. علاوه بر این می توان شاخص هایی مثل رضایت مشتری، درآمد و سود سازمان، مجموع سرمایه درگردش و هزینه های جاری و میزان افزایش و کاهش آنها در طول زمان را استخراج کند. به طور مثال شرکت ویدئوی خانگی Blockbuster از داده های سابق مشتریان استفاده میکند و به انها ویدئوهایی پیشنهاد می دهد تا آنها را تماشا کنند. والمارت (بزرگترین خرده فروش زنجیره ای جهان) برای بهبود عمکلرد عرضه کنندگان خود از داده کاوی در مقیاسی وسیع استفاده کرده است. داده های ۲۹۰۰ فروشگاه در ۶ کشور برای این کار استفاده شده اند و در مجموع ۷٫۵ ترابایت داده مورد بررسی قرار گرفت. ۳۵۰۰ تامین کننده به داده های دسترسی پیدا کردند تا بتوانند الگوهای خرید مشتریان، عمکلرد یک کالا و محصول خاص را بررسی کنند و برنامه های خود را بر این پایه و اساس بهبود دهند.
مزایای داده کاوی
شناخت مشتریان سودآور:
- می توانید مشتریانی که بیشترین سود شما از آنها حاصل شده را شناسایی کنید و برایحفظ وفاداری مشتری تلاش کنید.
بهینه سازی سبد محصول:
- شناخت محصولات پر فروش، محصولات سودآور محصولات زیان ده از دیگر فواید داده کاوی است. با این کار می توانید در بهتر کردن سبد محصول خود اقدام کنید.
شناخت مشتریان وفادار و قدیمی:
- می توانید بفهمید مشتریان قدیمی شما چه کسانی هستند و با چه برنامه ای خرید می کنند، چه کالایی را دوست دارند و چه کالایی باعث وفاداری آنها شده است.
بررسی طول عمر مشتری:
- با استفاده از داده کاوی می توانید طول عمر مشتری و چرخه آن، میزان سود حاصل عایده از هر مشتری در هر مرحله را بررسی کنید.
شناسایی رفتار مشتری:
- اگر شما بتوانید رفتار مشتریان خود را بشناسید و آن را با ویژگی های مشتری تطابق دهید می توانید در زمینه بخش بندی و قسمت بندی بازار موفق عمل کنید. اگر امروز بتوانید برای یک محصول خود به صورت مستند بخش بندی بازار انجام دهید در ادامه نیز در این امر موفق خواهید بود.
بررسی عمکلرد یک برنامه بازاریابی:
- اگر می خواهید بدانید یک برنامه بازاریابی و تبلیغاتی که انجام داده اید چه اثرات آشکار و پنهانی داشته و برای انتخاب آن در آینده تصمیم بگیرید بی شک داده کاوی بسیار مفید خواهد بود.
کشف الگو و روند:
- با استفاده از داده کاوی و بررسی میزان خرید مشتریان می توانید الگوهای فصلی خرید را استخراج کنید، روند کاهش و یا افزایش آن را تحلیل کنید و در صورت نیاز اقدام اصلاحی انجام دهید.
فهرست مطالب
فصل اول
۱-۱ – تاریخچه داده کاوی
۲-۱- داده با اطلاعات چه فرقی دارد؟
۳-۱- انبوه داده بلای جان سازمان ها
۴-۱- تعریف دیگر از داده کاوی
۵-۱- داده کاوی چه کاری می تواند انجام دهد؟
۶-۱- داده کای چه فایده ای دارد؟
۷-۱- پیش بینی فروش
۸-۱- اصولاً به پرسشهای زیر در زمینه داده کاوی باید پاسخ داده شود
۹-۱- چیستی؟
۱۰-۱- محدودیتهای داده کاوی
۱۱-۱- ابزارهای داده کاوی
۱۲-۱- برنامههای کاربردی و نرمافزارهای داده کاوی تجاری
۱۳-۱- بررسی اجمالی بازار نرمافزارهای داده کاوی
۱۴-۱- پیوند به بیرون
فصل دوم
۱-۲- داده کاوی چه کاربردهایی دارد؟
۲-۲- پیشنیازهای داده کاوی
۳-۲- بررسی و جایگزینی داده های مفقود شده (Missing Data)
۴-۲- تشخیص و حذف داده های تکراری و اضافه (Redundant Data)
۵-۲- تصمیمگیری درباره داده های خارج از محدوده یا دارای اختلال (Outlier Detection and Noise
۶-۲- داده کاوی (Data Mining) چیست؟
۷-۲- تصمیمگیری درباره داده های متناقض و ناسازگار (Incomplete or Inconsistent Data)
۸-۲- تحلیل همبستگی داده ها (Correlation Analysis)
۹-۲- ایجاد فیلد محاسباتی جدید (Pre-Calculated Field)
۱۰-۲- فشردهسازی داده ها (Data Compression)
۱۱-۲- نرمالسازی داده ها (Normalization)
۱۲-۲- کاهش ابعاد داده ها (Dimension Reduction)
۱۳-۲- نمونهگیری از داده ها (Data Sampling)
۱۴-۲- یکپارچهسازی و تجمیع داده ها (Data Integration)
۱۵-۲- کاربردهای داده کاوی
۱۶-۲- ابزارها و نرم افزارهای داده کاوی
۱۷-۲- داده کاوی کاربردهای مختلفی دارد که اهم کاربردهای آن:
۱۸-۲- کاربرد داده کاوی در کسب و کار هوشمند بانک
داده کاوی درمدیریت ارتباط بامشتری
۱۹-۲- کاربردهای داده کاوی در کتابخانه ها و محیط های دانشگاهی
۲۰-۲-کاربردهای داده کاوی در کتابخانه ها
۲۱-۲- داده کاوی و مدیریت موسسات دانشگاهی
۲۲-۲- داده کاوی و مدیریت بهینه وب سایت ها
۲۳-۲- دادهکاوی و مدیریت دانش
۲۴-۲- کاربرد دادهکاوی در آموزش عالی
فصل سوم
۱-۳- مورد از مهمترین دلایل رشد کند این داده کاوی در سلامت
۲-۳- داده کاوی در تشخیصهای غیر تهاجمی
۳-۳- داده کاوی در تعیین نوع درمان
۴-۳- داده کاوی در شناسایی عوارض جانبی داروها
۵-۳- داده کاوی در پرونده ی الکترونیک سلامت
۶-۳- داده کاوی در کنترل عفونت بیمارستانی
۷-۳- داده کاوی در رتبه بندی بیمارستانها
۸-۳- داده کاوی در بهره برداری از خدمات سلامت
۹-۳- کاربردهای داده کاوی در مراقبت از بیمار
۱۰-۳- کاربرد عملی داده کاوی در بهداشت و درمان امروز
۱۱-۳- داده کاوی به منظور پیش بینی میزان ریسک جمعیت بیمار
۱۲-۳- مراحل یادگیری از یک همگرایی و ایجاد یک الگوریتم
۱۳-۳- داده کاوی در بهداشت و درمان دارای توان بالقوه است
فصل چهارم
۱-۴- مقدمه
۲-۴- آماده سازی داده ها
۵-۴- پیش پردازش داده ها
۶-۴- نتایج حاصل از تحقیق
۷-۴- نتایج درخت تصمیم سنتی C4.5 Tree
۸-۴- نتایج شبکه بیزین BayesNet
۹-۴- نتایج NaiveBayes
۱۰-۴- نتیجه ماشین بردار پشتیبانSupport Vector Machine
۵-۴- نتیجه گیری
فصل پنجم
۱-۵- شهر الکترونیکی
۲-۵-زمینه دادهکاوی در شهر الکترونیک
۳-۵-کاربردهای دادهکاوی در شهر الکترونیک
۴-۵-تجدید ساختار سایت وب شهر و افزایش کارایی سیستم
۵-۵-تقویت برنامهریزیهای دولت و ترویج نوآوری
۶-۵-بهبود تحلیل ها و تصمیمات دولت
۷-۵-چالش های داده کاوی در شهر الکترونیک
۸-۵-کیفیت داده ها
۹-۵-قابلیت انتقال داده ها و استفاده از اطلاعات
۱۰-۵-چالش برآورد مدلهای داده کاوی
۱۱-۵-دقت نتایج متدهای داده کاوی
۱۲-۵-پیچیدگی و هزینه زمانی
۱۳-۵-محرمانگی داده ها
۱۴-۵-استفاده از داده کاوی در بهبود مدیریت شهری: موردکاوی سامانه ۱۳۷شهرداری تهران
۱۴-۵- قوانین انجمنی
۱۵-۵- الگوریتم Apriori
۱۶-۵- مطالعه موردی: سامانه ۱۳۷ شهرداری تهران
۱۷-۵- معرفی مرکز داده ۱۳۷ شهرداری
۱۸-۵- پیش پردازش
۱۹-۵- روش دومرحله ای مورد استفاده
۲۰-۵- کشف قوانین انجمنی موجود در بازه های زمانی-مکانی بروز مشکلات
۲۱-۵-کشف هم زمانی وقوع مشکلات
۲۲-۵-نتیجه گیری
فصل ششم
۱-۶-مقدمه
۲-۶-سایر ابعاد بررسی شده در مورد داده کاوی
۳-۶-روابط عمومی
۴-۶-روابط عمومی دارای چندین قلمرو کاری مشخص است
۷-۶-وظایف مدیریت روابط الکترونیکی
۸-۶-تعریف داده کاوی در روابط عمومی
۹-۶-کاربردهای داده کاوی در روابط عمومی
۱۰-۶-تکنیک های مورد استفاده در داده کاوی روابط عمومی
۱۱-۶-بحث و نتیجه گیری
فصل هفتم
۱-۷-مقدمه
۲-۷-طبقه بندی مشتریان اینترنت بانک با کمک الگوریتمهای داده کاوی
۳-۷-طبقه بندی مشتریان اینترنت بانک با کمک الگوریتم های داده کاوی
منابع
هنوز بررسیای ثبت نشده است.