Интеллектуальный анализ данных-это процесс извлечения знаний из данных. Это позволяет реализовать сложные бизнес-процессы должны быть реорганизованы и понял. Это может быть достигнуто прошлое поведение бизнес-процессов в связи с моделей данных. Инструменты интеллектуального анализа данных используются для оценки будущих тенденций и поведения, что позволяет предприятиям, управляемые знаниями, инициативного решения. Он обеспечивает автоматизированное, перспективный анализ, который оставляет после анализа прошлых событий ретроспективная средства систем поддержки принятия решений. Интеллектуальный анализ данных может ответить на вопросы, которые некогда считались трудоемкими для решения. Они базы данных, поиск скрытых закономерностей и прогностическая информация, что эксперты могут пропустить. Он может быть быстро реализован на существующих аппаратных и программных платформ, чтобы увеличить ценность существующих информационных ресурсов. Она также может быть легко интегрирована с новыми продуктами и системами.

Как Интеллектуальный Анализ Данных Работ

1. ] Подготовке информации
Данные должны быть правильно организованы для эффективной обработки информации. В интеллектуальном анализе данных, 70% до 80% времени тратится на сортировку и обобщение информации, до интеллектуального усилия начать. Данные подготовлены на основе информации нужные цели.

2. ] Моделирование
Модель создается в зависимости от многих факторов, таких как размер базы данных, количество известных переменных, и какие алгоритмы работают. Успешные модели помогают компаниям для обучения и эффективно выявлять их целевого рынка. Модели предназначены против массивных деталей данных операций склады от 10 до 20 ТБ до. Эти модели часто используются в качестве переднего плана по разумной сегментации возможности деривации сегменты действенные поддержки.

3. ] Скоринга Клиентов
Лучший способ получить доступ к жизнеспособности модели заключается в том, чтобы проверить его против существующих данных, где ответ на конкретный вопрос уже известен. Оценка выхода модели, которая является числом между 0 и 1, так как вероятность ответа на конкретный вопрос.

4. ] Динамический Скоринг
В этого, процесс скоринга определяется еще одну программу с целью использовать этот результат для других целей. Для вверх-к-Дата результаты и устраняет необходимость забить всю базу данных, забил только требуемые записи подмножеств.

Сферы применения интеллектуального анализа данных

1. ] Автоматизированного прогнозирования тенденций и поведения
Интеллектуального анализа данных автоматически находит прогнозной информации в больших базах данных. Вопросы, которые требуют тщательного анализа, можно ответить непосредственно из данных. Проблемы прогностических является типичным примером целевого маркетинга. Эта технология использует данные о прошлых рассылок, чтобы определить цели и обеспечить максимальную отдачу от инвестиций в дальнейших рассылок.

2. ] Автоматическое Обнаружение ранее неизвестных закономерностей
Инструменты интеллектуального анализа данных поиск в базах данных и выявить ранее скрытые закономерности в один шаг. Открытие шаблон пример анализа данных по розничным продажам, чтобы определить, казалось бы, не связанных продуктов, которые часто приобретаются вместе. Инструменты могут анализировать огромные базы данных в течение нескольких минут, если они реализованы на высокопроизводительных параллельных системах обработки. Быстрее обработка позволяет пользователям автоматически экспериментировать с больше моделей, чтобы понять сложные данные. Баз данных может быть больше в глубину и ширину.

один. ] Несколько Столбцов
Аналитики дают ограниченное число переменных в анализ из-за нехватки времени. Интеллектуальный анализ данных позволяет пользователям исследовать всю глубину базу без выбора подмножества переменных.

б. ] Несколько Строк
Больше образцов приведет к снижению погрешностей и отклонений, и позволяют сделать выводы о малых, важных слоев населения.

Наиболее часто используемые методы:
я. ] Искусственные нейронные сети обеспечивает нелинейные модели прогнозирования, которые учатся через обучение, и напоминают биологических нейронных сетей в структуре.

второй. ] Деревья решений представляют собой наборы решений. Это создает правила для классификации набора данных. Некоторые методы включают классификационные и Регрессионные деревья (корзина).

III в. ] Генетические алгоритмы обеспечивают методы оптимизации, использующие такие процессы, как генетические комбинации, мутации, и естественный отбор в дизайн, основанный на концепции эволюции.

и.. ] Индукции правило, полезно, если если-то правила, основанные на статистической значимости.

Архитектура интеллектуального анализа данных

Интеллектуального анализа данных является полностью интегрированной с хранилищем данных и гибких интерактивных инструментов бизнес-анализа. В настоящее время многие инструменты работают за пределами хранилища данных, а это требует дополнительных действий по импорту, извлечения и анализа данных. В то время как новый подход требует оперативного внедрения, интеграции с хранилищем упрощает приложение интеллектуального анализа данных. В результате аналитического хранилища данных могут быть полезны для улучшения бизнес-процессов всей организации в управлении рекламной кампании, запуском нового продукта, и обнаружение мошенничества.

Хранилище данных-это идеальная отправная точка, содержащая совокупность внутренних данных, отслеживания и всех контактов с клиентами, в сочетании с внешнего рынка, информацию о деятельности конкурента. Поисково справочная информация по потенциальным клиентам предоставляет отличную основу. Это может быть реализовано в данных Sybase, Oracle и кирпич, и так далее, и должны быть оптимизированы для гибкого и быстрого доступа к данным.

При перемещении в хранилище данных и OLAP (аналитической обработки), что позволяет более сложные конечных пользователей бизнес-модели. Эти многомерные структуры позволяют пользователю анализировать данные в соответствии с их видом. Сервер интеллектуального анализа данных полностью интегрирована с хранилищем данных и OLAP-сервер для размещения рентабельности бизнес-анализ. Шаблон метаданных, который является процессно-ориентированной, определяет цели для конкретных вопросов бизнеса, как управление кампанией, поисковых и оптимизация продвижение. Интеграция с хранилищем данных позволяет оперативные решения, которые будут напрямую осуществляться и отслеживаться. Новые решения и результаты складе растет, и организация может постоянно мои наилучшие практики и применять их для будущих решений.

Приложения

1. ] Фармацевтическая компания может проверить свои недавно получила силу действия и их результаты для улучшения маркетинговой деятельности, которые имеют наибольшее влияние. Данные должны включать информацию о местных систем здравоохранения, а также рыночной деятельности конкурента. С помощью глобальной сети, результаты могут быть распределены по продажам, что позволяет представителям для рассмотрения рекомендации с точки зрения ключевых атрибутов в процессе решения. Этот динамический анализ позволяет передовой опыт по всей организации, которые должны применяться в конкретных ситуациях продаж.

2. ] Кредитная карта компания может заставить его обширные хранилища данных транзакций клиентов, идентификации клиентов, заинтересованных в новых кредитных продукта. Небольшой тест рассылки может определить атрибуты клиентов с сродство для продукта.

3. ] Большой потребительской упаковки товаров могут применять интеллектуальный анализ данных, чтобы улучшить свой процесс продаж в своей розничной торговли. Сбор данных от потребителей, поставки и активности конкурента может быть использовано для определения причин для бренда и магазина коммутации. Используя этот анализ, производитель может выбрать оптимальные стратегии, которые достигают своих целевых сегментов потребителей.


Комментарии


Ваше имя:

Комментарий:

ответьте цифрой: дeвять + пять =



Углубленный Обзор Основы технологии интеллектуального анализа данных
Углубленный Обзор Основы технологии интеллектуального анализа данных Углубленный Обзор Основы технологии интеллектуального анализа данных