Τεχνολογίες Εταιρικής Νοημοσύνης Εξόρυξη Δεδομένων (Data Mining)

Παρουσίαση με θέμα: "Τεχνολογίες Εταιρικής Νοημοσύνης Εξόρυξη Δεδομένων (Data Mining)"— Μεταγράφημα παρουσίασης:

1 Τεχνολογίες Εταιρικής Νοημοσύνης Εξόρυξη Δεδομένων (Data Mining)

2 Τεχνολογίες Εταιρικής Νοημοσύνης Business Intelligence
Στην σημερινή εμπορική πραγματικότητα, δύο πράγματα είναι σίγουρα Ο συναγωνισμός είναι ποιό έντονος από ποτέ Η ποσότητα της πληροφορίας για τους πελάτες αυξάνεται εκθετικά Προβλέπεται μεγάλη επένδυση σε εφαρμογές Εταιρικής Νοημοσύνης για τα επόμενα 5 χρόνια

3 Τεχνολογίες Εταιρικής Νοημοσύνης Business Intelligence
Σύμφωνα με την International Data Corporation (IDC), σε 65 εταιρίες, ο μέσος όρος απόδοσης σε μια επένδυση εταιρικής νοημοσύνης ήταν πάνω από 400% σε περίοδο 2.3 ετών Αποθήκευση Δεδομένων (Data Warehousing) Εξόρυξη Δεδομένων (Data Mining)

4 Τεχνολογίες Εταιρικής Νοημοσύνης Αποθήκευση Δεδομένων
Τεχνολογίες Εταιρικής Νοημοσύνης Αποθήκευση Δεδομένων “ Μια αποθήκη δεδομένων είναι μια αντικειμενοστρεφής, ολοκληρωμένη, μεταβαλόμενη με το χρόνο καί μη καταστρεφόμενη συλλογή απο δεδομένα που έχει σκοπό την υποστήριξη της διαδικασίας λήψης των διοικητικών αποφάσεων. Πινακας Χρόνου Πίνακας Πωλήσεων Πίνακας Προιόντων Χρονικά Χαρακτηριστικά Κλειδί Χρόνου Χαρακτηριστικά Προιόντων Κλειδί Προιόντος Πίνακας Καταστήματος Κλειδί Καταστήματος Πίνακας Χώρου Χαρακτηριστικά Καταστήματος Κλειδί Χώρου Χωρικά Χαρακτηριστικά Πωλήσεις ανα μονάδα Πωλήσεις σε ευρώ Μετρήσεις Πωλήσεις σε γιέν

5 Τεχνολογίες Εταιρικής Νοημοσύνης Εξόρυξη Δεδομένων
Τεχνολογίες Εταιρικής Νοημοσύνης Εξόρυξη Δεδομένων Γνώση και Εικόνα Πελάτη A. Berger is most likely to buy new product T. Martin is profitable customer and is likely to switch carriers Αποφάσεις και Ενέργειες Offer A. Berger promotion for new product T. Martin marketing to retain Πληροφορία A. Berger M. Jones T. Martin J. Smith 50,000 46,800 29,200 75,500 Shoes Scarves Jewelry Groceries MoU Qty Income Education wireless Δεδομένα Taurus Anna Berger Mary Jones John Smith Ted Martin Amex Gold 50,000 April 1, 1999 234 dog Florida B.A. shoes

6 Τεχνολογίες Εταιρικής Νοημοσύνης Εξόρυξη Δεδομένων
Τεχνολογίες Εταιρικής Νοημοσύνης Εξόρυξη Δεδομένων Data Mining είναι η διαδικασία εύρεσης άγνωστης, μη-τετριμμένης και χρήσιμης γνώσης μέσα από μεγάλο πλήθος δεδομένων Είναι η έρευνα για σχέσεις και πρότυπα που υπάρχουν σε μεγάλες βάσεις δεδομένων αλλά είναι “κρυμμένα” μέσα σε τεράστιο πλήθος δεδομένων. Για παράδειγμα: H σχέση μεταξύ δεδομένων ασθενών και ιατρικών διαγνώσεων Λύση στο πρόβλημα: “πλούσιοι σε δεδομένα, φτωχοί σε γνώση”

7 Τεχνολογίες Εταιρικής Νοημοσύνης Εξόρυξη Δεδομένων
Τεχνολογίες Εταιρικής Νοημοσύνης Εξόρυξη Δεδομένων Γιατί χρειάζεται η Εξόρυξη Δεδομένων ; Για να δίνει απαντήσεις σε προβλήματα που δεν μπορούν να λύσουν συμβατικές μέθοδοι όπως: προγραμματισμός με SQL, στατιστικά πακέτα και Query tools Οικονομικό Παράδειγμα: “Ποιοι πελάτες έχουν την μεγαλύτερη τάση να ανταποκριθούν στην νέα προσφορά της Gold Credit Card?” Επικοινωνιακό Παράδειγμα: “Ποιοι πελάτες είναι πιο πιθανό να ¨ενδώσουν¨ στην διαφημιστική καμπάνια ανταγωνιστικών εταιριών?” Διοικητικό Παράδειγμα: “Ποιο αίτημα ιατρικής περίθαλψης είναι πιθανόν δόλιο?”

8 Τεχνολογίες Εταιρικής Νοημοσύνης Εταιρική Γνώση
Τεχνολογίες Εταιρικής Νοημοσύνης Εταιρική Γνώση Χρησιμοποιούμενα Εργαλεία Top-Down Methodology Surface SQL (Structured Query Language) για απλά queries και reports Corporate Data Shallow Στατιστικά & OLAP για περίληψη &ανάλυση Bottom-Up Methodology Hidden Data Mining για κατηγοριοποιήσεις, συσχετίσεις και προβλέψεις

9 Τεχνολογίες Εταιρικής Νοημοσύνης Διαχρονική Εξόρυξη Δεδομένων
Τεχνολογίες Εταιρικής Νοημοσύνης Διαχρονική Εξόρυξη Δεδομένων Εξόρυξη Δεδομένων σε χρονικά η μη δεδομένα Οι περισσότερες εφαρμογές χρησιμοποιούν ιστορική πληροφορία π.χ., ιστορία ασθενειών, ιστορία πωλήσεων κ.λ.π

10 Τεχνολογίες Εταιρικής Νοημοσύνης Η Διαδικασία Marketing
Στοιχεία Πελάτη Αποτελεσματικότητα Εκστρατείας Τμηματοποίηση Πωλήσεις Επικέντρωση Απαντήσεις Δημιουργία Καταλόγου Επίσκεψη

11 Τεχνολογίες Εταιρικής Νοημοσύνης Ανάλυση Πωλήσεων
Τεχνολογίες Εταιρικής Νοημοσύνης Ανάλυση Πωλήσεων Ποιά προιόντα πωλούνται περισσότερο σε μιά συγκεκριμένη ώρα της ημέρας? Σε ποιά συγκεκριμένη περίοδο π.χ., εβδομάδα πρέπει να ξεκινήσουμε την καινούργια διαφημιστική εκστρατεία? Υπάρχει σχέση μεταξύ της διαφημιστικής εκστρατείας του προιόντος μας και προιόντων άλλων σημαντικών ανταγωνιστών για συγκεκριμένες περιόδους του έτους?

12 Τεχνολογίες Εταιρικής Νοημοσύνης Εξόρυξη Δεδομένων – Υπηρεσίες
Τεχνολογίες Εταιρικής Νοημοσύνης Εξόρυξη Δεδομένων – Υπηρεσίες Συμβουλευτικές υπηρεσίες για Προσδιορισμό των εφαρμογών εξόρυξης δεδομένων σε μιά επιχείρηση Ανάλυση της κατάστασης των ανταγωνιστών σε σχέση με εφαρμογές εξόρυξης δεδομένων Ανάλυση των δεδομένων της επιχείρησης και υλοποίηση λύσεων Μελέτη για την αποτελεσματικότητα των προτεινόμενων λύσεων Το πρώτο ελληνικό προιόν (EnVisioner) σε εξόρυξη δεδομένων και το μοναδικό προιόν διεθνώς που υποστηρίζει διαχρονική εξόρυξη δεδομένων

13 Συστήματα Εξόρυξης Δεδομένων EnVisioner
Πρότυπα συστήματα και λύσεις που επιτρέπουν τη μεγιστοποίηση στην εξόρυξη της «κρυφής» πληροφορίας μέσα από τα στοιχεία των πελατών μας Βασισμένο σε τεχνολογίες αιχμής που αναπτύχθηκαν σε συνεργασία με το Πανεπιστήμιο UMIST του Ηνωμένου Βασιλείου Το EnVisioner προσφέρει τις καλύτερες μεθόδους για την εξόρυξη γνώσης απο τον όγκο πληροφορίας που παράγεται η συγκεντρώνεται απο τον οργανισμό (διαχρονική εξόρυξη δεδομένων)

14 Συστήματα Εξόρυξης Δεδομένων EnVisioner
Μπορεί να χρησιμοποιηθεί είτε ως αυτόνομο εργαλείο είτε ως βιβλιοθήκη ενσωματωμένη μέσα σε άλλες εφαρμογές Το EnVisioner έχει εκτεταμένες δυνατότητες για εξόρυξη, μετασχηματισμό και απεικόνιση πληροφοριών και αποτελεσμάτων μπορεί να χειριστεί δεδομένα διαφορετικών τύπων, από ακατέργαστα και μη δομημένα με αδιευκρίνιστες ή ελλιπείς τιμές ως καλώς δομημένα

15 Συστήματα Εξόρυξης Δεδομένων EnVisioner - Εφαρμογές
Διαχείρηση των σχέσεων με τους πελάτες (Customer relationship management) Ανάλυση και πρόβλεψη τυχερών παιχνιδιών Διαδικασία προώθησης προιόντων (marketing) Έλεγχος πιστότητας (credit scoring) Εκτίμηση της αποτελεσματικότητας ιατρικών διαδικασιών ή πειραματικών φαρμάκων

16 Συστήματα Εξόρυξης Δεδομένων EnVisioner - Αρχιτεκτονική
Ανάλυση Εργασίας Data Mining Εργασία Συγκέντρωση Πληροφορίας Βάση Δεδομένων Ερώτηση στη ΒΔ Ερώτηση στη ΒΔ Σχετικά Δεδομένα Χρήστες Εύρεση Συσχετισμών Δεδομένα προς επεξεργασία Εύρεση Αναπαραστάσεων Ενδιαφέρωντες Συσχετισμοί Αποτελέσματα

17 Κατηγοριοποίηση : Εκπαίδευση
Κατηγοριοποίηση δεδομένων με βάση της τιμές ενός πεδίου Παράδειγμα: “Ποιο είναι το Account Status ενός πελάτη;” Acc. Status: 60 days late and more Balanced 30 days late Ακρίβεια Κατηγοριοποίησης Γενικά πρότυπα Δέντρο Απόφασης Νευρονικό Δίκτυο

18 Κατηγοριοποίηση:Εφαρμογή
Acc. Status: 60 days late and more Balanced 30 days late Classifier(s) Νέα Δεδομένα

19 Κανόνες Συσχέτισης Κανόνας συσχέτισης μεταξύ δύο γεγονότων Α και Β σημαίνει ότι η παρουσία του Α σε μία εγγραφή επάγεται και την παρουσία του Β στην ίδια εγγραφή: AB Υποστήριξη-support ενός κανόνα είναι το ποσοστό των δεδομένων που αυτός αφορά Εμπιστοσύνη-confidence ενός κανόνα είναι το ποσοστό των φορών που αυτός είναι σωστός

20 Παραδείγματα Κανόνων Συσχέτισης
IF Credit_limit IN {mid-level}, Home IN {Own} THEN Account_Status = Balanced Support: 13.5%, Confidence: 80% IF Marital_Status IN {Single}, Home IN {Rent}, Gender IN {Male} THEN Account_Status = 30 days late Support: 7.62%, Confidence: 80.65% IF Credit_limit IN {high}, 1084 < Mo_Income <= 1432, Home IN {Rent} THEN Account_Status = 60 days late Support: 4.91%, Confidence: 85%

21 Διαχρονική Εξόρυξη Δεδομένων
Κανόνες συσχέτισης μπορούν να αντληθούν για διάφορα χρονικά διαστήματα και για διάφορες χρονικές γενικεύσεις (π.χ. κάθε πρώτη εβδομάδα του μήνα, κάθε καλοκαίρι κ.τ.λ.) Η σύγκριση των και η μεταβολή των στατιστικών (υποστήριξη, εμπιστοσύνη) αυτών των κανόνων είναι μια χρήσιμη μορφή γνώσης Χρησιμοποίηση ποικιλίας γραφικών παραστάσεων βοηθάει στην καλύτερη μελέτη αυτών των μεταβολών

22 Οπτική Εξόρυξη Δεδομένων
Σημαντικό μέρος του Data Mining είναι η απεικόνιση των αποτελεσμάτων των διάφορων τεχνικών Σκοπός μας είναι να επιτύχουμε: Δυνατότητα να κάνουμε υποθέσεις για τα δεδομένα Επιβεβαίωση/Απόρριψη υποθέσεων Υψηλή ποιότητα παρουσίασης της πληροφορίας Ενίσχυση Αντίληψης για Λήψη Αποφάσεων

23 Κατανεμημένη Εξόρυξη Δεδομένων
Καθώς οι εταιρίες επεκτείνονται και γίνονται γεωγραφικά κατανεμημένες, η ανάγκη για υποστήριξη αποφάσεων δεν βρίσκεται πια σε ένα μόνο σημείο Client Data Mining Server Knowledge Models

24 Εφαρμογές Απόκτηση Πελατών Εξυπηρέτηση Πελατών Ανίχνευση Προβλημάτων
Target Marketing Credit Scoring Sales Forecasting Promotion Analysis Campaign Management Εξυπηρέτηση Πελατών Customer Segmentation/ Profiling Customer Profitability Analysis Cross Sell/Up Sell Customer Satisfaction Help Desk Problem Resolution Customer Service Automation Ανίχνευση Προβλημάτων Fraud Detection Credit Risk/Loan Default Assessment Security Management Insurance Claims Analysis Άλλες Επιχ. Λειτουργίες Product/Product Line Profitability Merchandise Planning Resource Management Operations Management Store/Branch Performance Analysis Store/Branch Site Selection Network Forecasting Tariff Modeling Portfolio Management Read list.