Технологии бизнес-аналитики

Август 10, 2022

Главная
Информатика
Технологии бизнес-аналитики

Содержание

2. Knowledge Discovery in Databases KDD– обнаружение знаний в базах данных : последовательность действий по подготовке данных,
3. Получение данных: запросы, фильтры; эксперты помогают отобрать признаки, влияющие на результат. Оптимальный источник – хранилище данных.
4. Data Mining Считается, что термин был введен Г.Пятецким-Шапиро в 1989г. Оригинальное определение следующее: «Data Mining –
6. Модели и задачи Data Mining
7. Описательная аналитика (Descriptive analytics) ближе к сложной визуализации и разведочному анализу – компактное описание множества объектов
8. Ассоциация – выявление закономерностей между связанными событиями. Ассоциативное правило указывает, что из события X следует событие
9. Задачи Data Mining – кластеризация Кластеризация – это группировка объектов (наблюдений, событий) на основе свойств, описывающих
10. Ирисы Фишера
13. Применение кластерного анализа В медицине используется кластеризация заболеваний, лечения заболеваний или их симптомов, а также таксономия
14. Data Mining – задачи классификации и регрессии Классификация – отнесение объекта (события, наблюдения) к одному из
16. Скачать презентацию

Слайд 2

Knowledge Discovery in Databases KDD– обнаружение знаний в базах данных :

последовательность действий по подготовке данных, выбору информативных признаков, очистке, построение моделей, интерпретации полученных результатов
«Ядром» этого процесса является Data Mining – интеллектуальный анализ данных

Слайд 3

Получение данных: запросы, фильтры; эксперты помогают отобрать признаки, влияющие на результат.

Оптимальный источник – хранилище данных.
Очистка данных: заполнение пропусков, подавление выбросов, сглаживание, исключение дубликатов и противоречий…
Задача очистки может иметь самостоятельную ценность.
Преобразование данных: скользящее окно, вычисление агрегатов, приведение типов, выделение интервалов, квантование, сортировка, группировка, расчет производных столбцов…

Слайд 4

Data Mining
Считается, что термин был введен Г.Пятецким-Шапиро в 1989г.
Оригинальное определение

следующее:
«Data Mining – обнаружение в «сырых» данных ранее неизвестных, нетривиальных, практически полезных и доступных интерпретации знаний, необходимых для принятия решений в различных сферах человеческой деятельности».

Слайд 5

Слайд 6

Модели и задачи Data Mining

Слайд 7

Описательная аналитика (Descriptive analytics) ближе к сложной визуализации и разведочному анализу

– компактное описание множества объектов в виде правил, кластеров, шаблонов поведения, групп.
Описательные модели пытаются ответить:
Какова структура клиентской базы?
Какой профиль идеального клиента?
Какие есть взаимосвязи между характеристиками клиентов?
Какие события происходят одновременно?
Предсказательное моделирование (Predictive analytics) отвечает на вопросы:
Откликнется ли клиент на данную маркетинговую кампанию?
Какой размер прибыли будет в следующем месяце?
Какие из потенциальных клиентов вероятно совершат приобретение
услуги в следующем месяце?
Какой прогнозируемый спрос на следующий период планирования?

Слайд 8

Ассоциация – выявление закономерностей между связанными событиями.
Ассоциативное правило указывает, что

из события X следует событие Y.
Примеры приложения ассоциативных правил:
выявление наборов товаров, которые часто покупаются вместе;
определение доли клиентов, положительно относящихся к нововведениям;
определение профиля посетителей веб-ресурса;
определение доли случаев, в которых новое лекарство показывает
опасный побочный эффект.

Слайд 9

Задачи Data Mining – кластеризация
Кластеризация – это группировка объектов (наблюдений, событий)

на основе свойств, описывающих сущность объектов.
Объекты внутри кластера должны быть «похожими» и отличаться от объектов, вошедших в другие кластеры.
Интерпретация кластеров производится с использованием профилей кластеров.
Целями кластеризации является желание оперировать не объектами в отдельности, а подгруппами объектов.

Слайд 10

Ирисы Фишера

Слайд 11

Слайд 12

Слайд 13

Применение кластерного анализа
В медицине используется кластеризация заболеваний, лечения заболеваний или их

симптомов, а также таксономия пациентов, препаратов и т.д.
В археологии устанавливаются таксономии каменных сооружений и древних объектов и т.д.
В маркетинге это может быть задача сегментации конкурентов и потребителей.
В менеджменте примером задачи кластеризации будет разбиение персонала на различные группы, классификация потребителей и поставщиков, выявление схожих производственных ситуаций, при которых возникает брак.
В социологии задача кластеризации - разбиение респондентов на однородные группы.

Слайд 14

Data Mining – задачи классификации и регрессии
Классификация – отнесение объекта (события,

наблюдения) к одному из заранее известных классов. Примеры таких классов:
Заемщик банка: допустит просрочку или не допустит просрочку;
Клиент телекоммуникационной компании: уйдет в течение года или не уйдет в течение года;
Фильтр электронной почты: спам, не спам.
Задача регрессии – установление зависимости непрерывной выходной переменной от входных переменных. Примеры:
Оценка стоимости недвижимости;
Прогнозирование объема продаж;
Прогноз цен на оптовом рынке;
Какие банкоматы какими суммами инкассировать.

Технологии бизнес-аналитики

Содержание

Knowledge Discovery in Databases KDD– обнаружение знаний в базах данных :

Получение данных: запросы, фильтры; эксперты помогают отобрать признаки, влияющие на результат.

Data MiningСчитается, что термин был введен Г.Пятецким-Шапиро в 1989г. Оригинальное определение

Модели и задачи Data Mining

Описательная аналитика (Descriptive analytics) ближе к сложной визуализации и разведочному анализу

Ассоциация – выявление закономерностей между связанными событиями. Ассоциативное правило указывает, что

Задачи Data Mining – кластеризацияКластеризация – это группировка объектов (наблюдений, событий)

Ирисы Фишера

Применение кластерного анализаВ медицине используется кластеризация заболеваний, лечения заболеваний или их

Data Mining – задачи классификации и регрессииКлассификация – отнесение объекта (события,

Похожие презентации

Data Mining
Считается, что термин был введен Г.Пятецким-Шапиро в 1989г.
Оригинальное определение

Ассоциация – выявление закономерностей между связанными событиями.
Ассоциативное правило указывает, что

Задачи Data Mining – кластеризация
Кластеризация – это группировка объектов (наблюдений, событий)

Применение кластерного анализа
В медицине используется кластеризация заболеваний, лечения заболеваний или их

Data Mining – задачи классификации и регрессии
Классификация – отнесение объекта (события,