داده کاوی Datamining

گردآورنده : ریحانه حاجی مصیبی مریم حسین زاده

داده کاوی((data mining:

vاصطلاح داده کاوي زماني به کار برده مي شود که با حجم بزرگي از داده ها ، در حد مگا يا ترابايت ، مواجه باشيم . در تمامي منابع داده کاوي بر اين مطلب تاکيد شده است.

vهر چه حجم داده ها بيشتر و روابط ميان آنها پيچيده تر باشد دسترسي به اطلاعات نهفته در ميان داده ها مشکلتر مي شود و نقش داده کاوي به عنوان يکي از روشهاي کشف دانش ، روشن تر مي گردد.

vدر داده کاوی به کشف الگوهای مفید از میان داده ها اشاره میشود. منظور از الگوی مفيد ، مدلي در داده ها است که ارتباط ميان يک زير مجموعه از داده ها را توصيف مي کند و معتبر، ساده ، قابل فهم و جديد است .

vداده کاوي عبارت است از فرايند استخراج اطلاعات معتبر ، از پيش ناشناخته ، قابل فهم و قابل اعتماد از پايگاه داده هاي بزرگ و استفاده از آن در تصمیم گیری در فعالیتهای تجاری مهم.

vداده کاوی شامل 5مرحله میباشد: 1.تشکیل انبار داده 2.انتخاب داده ها

3.تبدیل داده ها

4.کاوش در داده ها

5.تفسیر نتیجه

vدر داده کاوی از الگوریتم های ژنتیک و شبکه های عصبی هم استفاده می شود.شبکه های عصبی به علت کار آمدی در حل مسائل پیچیده و بزرگ مورد استفاده اند و کاربرد الگوریتم های ژنتیک در داده کاوی برای جستجو و ساختن یک مدل بهینه در میان مدل های بدست آمده است.

vنرم افزارهای تخصصی داه کاوی عبارتند از: . Intelligent Miner , Darwin , Mine Set, Knowledge Studio, Data Mind

vدو مشکل اصلی که اکثر سیستمهای داده کاوی با آن مواجه اند عبارتند از:

1.حجم بالای داده های آموزشی

2.وجود عدم قطعیت در اطلاعات

vداده کاوی شباهت زیادی به تحلیل های آماری دارد. ولی داده کاوی از جهات زیادی با آمار متفاوت است و مزیت های زیادی نسبت به آمار دارد. جالب ترین تفاوت داده کاوی با تحلیل های آماری این است که در آمارما فرضیه ای طرح می کنیم و با استفاده از تحلیل های آماری به اثبات یا رد فرضیه می پردازیم اما داده کاوی به فرضیه احتیاجی ندارد.در واقع ابزار داده کاوی فرض می کند که شما خود هم نمی دانید به دنبال چه می گردیدو این نکته ای است که باعث می شود کار آمدی داده کاوی در مواقع بروز مشکل نمایان شود.تفاوت بعدی آمار و داده کاوی در این است که آمار فقط می تواند از داده های عددی استفاده کند ولی داده کاوی از داده های غیرعددی هم استفاده می کند.

vبرخي از کاربردهاي داده کاوي در محيطهاي واقعي عبارتند از :
1. خرده فروشي
2. تعيين الگوهاي خريد مشتريان
3. تجزيه و تحليل سبد خريد بازار
4. پيشگويي ميزان خريد مشتريان از طريق پست(فروش الکترونيکي)
5. بانکداري
6. پيش بيني الگوهاي کلاهبرداري از طريق کارتهاي اعتباري
7. تشخيص مشتريان ثابت
8. تعيين ميزان استفاده از کارتهاي اعتباري بر اساس گروههاي اجتماعي
9. بيمه و ...

vبه عنوان مثال مثال در یک فروشگاه زنجیره ای پس از داده کاوی مشخص میشود که درصدی از مشتریان خرید تلویزیون ، میز تلویزیون و گلدان کریستالی را هم در همان روز و بعد از خرید تلویزیون میخرند.مدیر فروشگاه می تواند بلافاصله دستوراتی صادر کند که براساس مدلهای تلویزیون موجود میزهایی و براساس مدل میزها گلدانهای کریستالی برای فروش سفارش داده شود و غرفه های جنبی غرفه تلویزیون را به میز و گلدان کریستالی اختصاص دهد. مطمئنا حتی پس از مدت کوتاهی سود حاصل از این بخش از فروشگاه به طور قابل ملاحظه ای ترقی خواهد کرد.

vدر واقع ابزار داده كــــاوي، داده را مي گيرد و يك تصوير از واقعيت به شكل مدل مي سازد، اين مدل روابط موجود در داده ها را شرح مي دهد.

vبانک‌ها و اداراتي که کارهاي مالي و اعتباري انجام مي‌دهند، از بهترين و اصلي‌ترين مشتريان داده‌کاوي هستند. چرا که بانک‌ها عملا چيزي براي ارايه ندارند مگر اعتبار، که آن‌هم مي‌بايست بر اساس اطلاعات درست و پيش‌بيني‌هاي دقيق باشد.مشتريان خوش‌حساب و مشتريان بدحساب را مي‌توان با تحليل رفتار اقتصادي آنها از هم جدا کرد و براي اعطاي وام‌ها به آنها امتيازات مختلفي داد. خوب است بدانيد در تمام کشورهاي پيشرفته و صنعتي، اعطاي تسهيلات بانکي تنها با در نظر گرفتن رتبه اعتباري افراد انجام مي‌گيرد و در بيشتر موارد نيازي به ارايه ضامن و وثيقه براي دريافت وام نيست.با استفاده از امکانات يک بانک اطلاعاتي کارآمد و داده‌کاوي مي‌توان مشتريان دايم را از مشتريان گذري تفکيک کرد و به مشترياني که سودآوري بيشتري دارند، خدمات بهتري داد.

داده کاوی Datamining

مطالب مشابه :

بیوگرافی و معرفی دکتر استفان کاوی

داده کاوی

دانلود کتاب آموزش داده کاوی در پایگاه داده های بزرگ

کتاب TAN و مباحثی در خصوص داده کاوی

داده کاوی در تجارت الکترونیک : فواید ، چالش ها و راهکارها

پروژه مدیریت فروشگاهی #C

داده کاوی

جزوه فارسی داده کاوی

داده کاوی Datamining

داده کاوی (Data Mining) چیست ؟