Az előadás letöltése folymat van. Kérjük, várjon

Az előadás letöltése folymat van. Kérjük, várjon

Üzleti intelligencia megoldások, avagy vezetői döntéstámogatás (XXI.) Pásztor Márta Zsuzsanna Szent István Egyetem Gazdasági Informatika Tanszék 2004.

Hasonló előadás


Az előadások a következő témára: "Üzleti intelligencia megoldások, avagy vezetői döntéstámogatás (XXI.) Pásztor Márta Zsuzsanna Szent István Egyetem Gazdasági Informatika Tanszék 2004."— Előadás másolata:

1 Üzleti intelligencia megoldások, avagy vezetői döntéstámogatás (XXI.) Pásztor Márta Zsuzsanna Szent István Egyetem Gazdasági Informatika Tanszék május

2 Vezetői döntéstámogatás zExecutive Information Systems (EIS) zManagement Information Systems (MIS) zDecision Support Systems (DSS) zEnterprise Information Systems zBusiness Intelligence (BI) yData Warehouse (DW) yData Mining (DM) yOnline Analytical Processing (OLAP) yGeographic Information Systems (GIS)

3 A teljes információs rendszer Rendszerelemek: az adat z tárolás - tárház (Inmon) z feldolgozás - bányászat z megjelenítés - vizualizáció (Codd) (Barry, Linhoff 1997)

4 „Az adattárház egy témaorientált, integrált, történeti, nem változó adatgyűjtemény, amelyet elsősorban a döntéshozatalban használnak.” (W.H. Inmon) Az adattárház zAdatkinyerés a tranzakciós és/vagy más (vállalat-működtetési) rendszerekből zA kinyert adatok átformálása feldolgozás vagy beszámoló készítés számára zA riportok (beszámolók) elérhetővé tétele a döntéshozók számára

5 Adattárház komponensek

6 OLAP zMultidimenzionális nézet (jellemzően adattárház alapon) zAdatelemzés (egyszerű „lefúrás”-tól az adatbányászati eredmények felhasználásáig) "olyan szoftver technológia, amely analitikusok, üzletemberek, vezetők számára lehetővé teszi, hogy vállalkozásuk adatainak dimenziók szerint rendezett mértékeit gyors, konzisztens és interaktív módon vizsgálhassák” (OLAP Council)

7 Adatbányászat zElőkészítés: adatforrások azonosítása, adatgyűjtés zÁtalakítás: adattisztítás, hiányzó adatok pótlása zFelfedezés: modellalkotás, -értékelés, elemzés zBemutatás: adat-vizualizáció zHasználat: alkalmazás „nagy adatbázisokban rejlő rejtett, és kevésbé rejtett információk felismerése és kinyerése”

8 Projektmódszertanok zCRISP-DM ySPSS technológa yhat szakaszt különböztet meg yalkalmazási helytől és eszköztől független yCRoss-Industry Standard Process for Data Mining z SEMMA ySAS technológia yöt lépésből áll ya cég adattárház alapú információ szolgáltató rendszerébe épül be yaz elemzési szakasz módszertana, a lépések kezdőbetűiből áll össze az elnevezés

9 CRISP-DM (1-2) zÜzleti környezet megismerése yprojekt célok és követelmények yadatbányászati probléma leírás yelőzetes terv az elérendő célokról zAdatok megismerése ykezdeti adatgyűjtemény összeállítása yminőségi problémák azonosítása yelsődleges adatösszefüggések vagy részhalmazok definiálása

10 CRISP-DM (3-4) zAdatelőkészítés ya végső adathalmaz összeállítása ykiválasztás és transzformáció yvalamint az adattisztítás zModellezés ytöbbféle modellezési technika és eljárás kipróbálása yadatelőkészítési fázisba való visszatérés adatpótlás miatt

11 CRISP-DM (5-6) zKiértékelés ya felépített modellek közül a legjobb kiválasztása yaz elérhető üzleti eredmények számszerűsítése zAlkalmazás ya legjobb modell eredményeinek bemutatása yazon megjelenítési formák kidolgozása, melyek legjobban tükrözik a számítási eredményeket

12 SEMMA zSampling (mintavételezés): külső és belső rendszerekből gyűjtött adatok leválogatása zExploration (feltárás): hiányzó vagy extrém elemek kiszűrése, esetleges adatösszevonások zModification, Manipulation (módosítás): hiányzó adatok pótlása, változók összevonása vagy elhagyása zModelling (modellezés): modellalkotás különféle számítási módszerekkel zAssessment (felmérés, kiértékelés): modellek összehasonlítása, válasz az üzleti kérdésekre

13 Tipikus adatbányászati kérdések az üzleti életben zKi a jó (megbízható) adós, biztosított? Kik vásárolnak sokat (sokszor, nagy értékben)? zMilyen terméket ajánljunk a fogyasztónak? Mely termékeket vásárolják együtt? zMi az esélye, hogy az adott fogyasztó válaszol a megkeresésünkre? zHova telepítsük üzletünket/raktárunkat?

14 Alkalmazott módszerek 1. A) Kapcsolat-keresés: 1. Asszociációs keresés 2.Gyakori minták kinyerése 3.Idősoros minták 4.Bayes-hálók B) Klasszifikáció: 1. Klasszifikáló neuronális hálók 2.Döntési fák 3.Bayesi klasszifikáció 4.K-legközelebbi szomszéd 5.Lineáris diszkriminancia elemzés 6.Emlékezet alapú következtetés 7.Asszociációs klasszifikáció

15 Alkalmazott módszerek 2. C) Klaszterezés: 1.K-közép 2.Kapcsolatelemzés 3.Klaszterező neuronális háló D) Statisztikai módszerek: 1.Hagyományos módszerek: középérték, gyakoriság 2.Lineáris regresszió 3.Nem lineáris regresszió 4.Próbák: t-, F- Chi2 5.Főkomponens analízis 6.Faktoranalízis

16 Alkalmazott módszerek 3. E) Előrejelzés: 1.Előrejelző neuronális hálók 2.Radiális bázisfüggvény 3.Fuzzy következtetés 4.Idősor elemzés 5.Emlékezet alapú következtetés

17 Fontosabb termékek és az általuk használt elemzési módszerek

18 Modellösszehasonlítás zHogyan értékeljük a különféle módszerekkel kapott eredményeket? yösszevonás vagy yválasztás zMelyik (létezik-e) a legjobb modell? ymúlt-jelen-jövő(?) ycéltalanság tétele zSzakértők és a programok együttműködése ynem vak bizalom(!) ytapasztalat


Letölteni ppt "Üzleti intelligencia megoldások, avagy vezetői döntéstámogatás (XXI.) Pásztor Márta Zsuzsanna Szent István Egyetem Gazdasági Informatika Tanszék 2004."

Hasonló előadás


Google Hirdetések