ارتباط با مشتری و شبکه های عصبی

دانلود پایان نامه

وظایف داده کاوی

  • داده کاوی با همه عظمت و بزرگی خود که امروزه در تمامی موضوعات جهان ورود پیدا کرده است شامل شش عمل و وظیفه مهم است که میتوان بسیاری از مسائل محیط اطراف خود را در قالب یکی از این شش عمل و وظیفه زیر گنجاند [5] :
    دسته بندی
    تخمین
    پیش بینی
    گروه بندی شباهت
    خوشه بندی
    توصیف و نمایه سازی
    دسته بندی، تخمین و پیش بینی همگی داده کاوی هدایت شده هستند که هدف آنها یافتن ارزش یک متغیر هدف خاص است. گروه بندی شباهت و خوشه بندی جزو داده کاوی غیرهدایت شده هستند که در آن هدف، یافتن ساختار پنهان درون داده ها بدون توجه به یک متغیر هدف خاص است. نمایه سازی، عملی توصیفی است که میتواند هم هدایت شده و هم غیرهدایت شده باشد.
    دسته بندی
    دسته بندی که یکی از معمولترین کارکردهای داده کاوی است، یکی از واجبات بشر است. ما برای و درجه بندی شناخت و برقراری رابطه درباره دنیا، به طور مداوم دسته بندی، طبقه بندی می کنیم. دسته بندی شامل بررسی ویژگیهای یک شیء جدید و تخصیص آن به یکی از مجموعه های از قبل تعیین شده میباشد. عمل دسته بندی با تعریف درستی از دسته ها و مجموعهای از ویژگیها که حاوی موارد از پیش دسته بندی شده هستند، مشخص می گردد. این عمل شامل ساختن مدلی است که بتوان از آن برای دسته بندی کردن داده های دسته بندی نشده، استفاده نمود. اشیایی که باید دسته بندی شوند، معمولاً به وسیله اطلاعاتی در جدول پایگاه داده یا یک فایل ارائه می شوند و عمل دسته بندی شامل افزودن ستون جدیدی با کد دسته بندی خاصی است. از جمله تکنیک تکنیکهای درخت تصمیم و نزدیکترین همسایهای دسته بندی می باشند. شبکه های عصبی و تحلیل پیوند نیز در شرایط خاصی عمل دسته بندی را انجام می دهند.
    تخمین
    تخمین، با نتایج مجزایی که با ارقام پیوسته نشان داده شدهاند، سروکار دارد. در تخمین، دادههای ورودی در قالب متغیرهای ورودی مختلف به سیستم داده میشود و متغیرهای خروجی آن رقمی مثل درآمد یا تراز کارت اعتباری میباشد. در عمل تخمین اغلب برای انجام دسته بندی استفاده میشود. روش تخمین فواید زیادی دارد که مهمترین آنها، این است که در آن اطلاعات را می توان مطابق تخمین به دست آمده مرتب نمود. مدلهای رگرسیون و شبکه های عصبی از جمله تکنیکهای مناسب داده کاوی برای تخمین میباشند.
    پیش بینی
    پیشبینی مانند دسته بندی یا تخمین است با این تفاوت که اطلاعات، مطابق برخی از رفتارهای پیش بینی شده آینده یا ارقام تخمین زده آینده، دسته بندی میشوند. در عمل پیش بینی، تنها روش برای بررسی صحت دسته بندی، انتظار دیدن آینده است.هر یک از تکنیکهای استفاده شده در دسته بندی و تخمین را میتوان برای استفاده در پیش بینی تطبیق داد، جایی که متغیری باید پیش بینی شود از قبل معلوم است و دادههای پیشین برای آن وجود دارد. از دادههای پیشین برای تهیه یک مدل که بیانگر رفتار مشاهده شده کنونی است استفاده میشود؛ وقتی این مدل برای ورودیهای کنونی به کار رفت، نتیجه کار، پیش بینی رفتار آینده خواهد بود. بسیاری از تکنیک های داده کاوی در صورت وجود دادههای مناسب، برای استفاده در پیش بینی مناسب هستند. انتخاب تکنیک به ماهیت داده های ورودی و نوع متغیری که باید پیش بینی شود بستگی دارد.
    گروه بندی شباهت یا قوانین وابستگی
    گروه بندی شباهت یا قوانین وابستگی برای تعیین ویژگی های همزمانی هستند که در وقوع یک پدیده رخ می دهند. به عبارت دیگر عمل گروه بندی شباهت احتمال وقوع و یا عدم وقوع همزمان ویژگیها را تعیین می نماید. به عبارت ساده تر عمل گروه بندی شباهت تعیین می کند که چه چیزهایی با هم جورند؛ مثال معمول این موضوع تعیین کالاهایی است که با هم در یک سبد خرید قرار می گیرند، چیزی که آن را تحلیل سبد بازار نام دارد. فروشگاه های زنجیرهای خرده فروشی می توانند از گروه بندی شباهت برای تعیین چیدمان کالاها در قفسه های فروشگاه، در یک کاتالوگ و یا صفحه وب فروش اینترنتی استفاده کنند تا اقلامی که اغلب با هم خریده می شوند در کنار هم قرار گیرند. از گروه بندی شباهت می توان برای تعیین شرایط فروشهای متقابل و همزمان و همچنین برای طراحی بسته بندیهای جذاب و یا دسته بندی محصولات و خدمات استفاده کرد .
    خوشه بندی
    خوشه بندی به عمل تقسیم جمعیت ناهمگن به تعدادی زیرمجموعه ها یا خوشه های همگن گفته میشود. وجه تمایز خوشه بندی از دسته بندی این است که خوشه بندی به دستههای از پیش تعیین شده تکیه ندارد. در دسته بندی بر اساس یک مدل هر کدام از دادهها به دستههای از پیش تعیین شده اختصاص مییابد؛ این دسته ها یا از ابتدا در طبیعت وجود داشتهاند مثل جنسیت، رنگ پوست و … یا از طریق یافتههای پژوهشهای پیشین تعیین گردیدهاند. در خوشه بندی هیچ دسته از پیش تعیین شده وجود ندارد و دادهها صرفاً براساس تشابه گروهبندی میشوند و عناوین هر گروه نیز توسط کاربر تعیین میگردد. خوشه بندی معمولاً به عنوان پیش درآمدی برای به کارگیری سایر تحلیلهای داده کاوی یا مدلسازی به کار میروند.
    نمایه سازی
    گاهی اوقات هدف داده کاوی، تنها توصیف آن چیزی است که در یک پایگاه دادهای پیچیده در جریان است. نتایج نمایه سازی درک ما را از مردم، محصولات یا فرآیندهایی که دادهها را در
    مرحله اول تولید کردهاند افزایش می دهد. توصیف خوب رفتار، اغلب توضیح خوبی هم به همراه دارد؛ یک توصیف خوب حداقل نشان میدهد چه زمانی میتوان انتظار یک توضیح مناسب را داشت. درختهای تصمیم ابزار مفیدی برای نمایه سازی میباشند؛ قوانین وابستگی و خوشه بندی را نیز می توان برای نمایه سازی ها استفاده نمود.
    کاربرد های داده کاوی
    داده کاوی به سرعت در حال محبوبیت است به خاطر کمک های اساسی آن، سازمان های زیادی در حال استفاده از داده کاوی برای کمک به مدیریت تمام فازهای ارتباط با مشتری شامل به دست آوردن مشتریان جدید، افزایش سود از طریق مشتریان موجود و حفظ کردن مشتریان خوب هستند. با تعیین مشخصات یک مشتری خوب یک شرکت می تواند با همان مشخصات اهداف آینده خویش را پیش بینی کند. با پرونده سازی برای مشتری که یک محصول خاص را خرید می نماید این شرکت می تواند توجه خود را به مشتریان مشابهی که از این محصول خرید نکرده اند معطوف دارد با پرونده سازی برای مشتریانی که این سازمان را ترک کرده اند یک شرکت می تواند مشتریانی را که خطر رفتن آنها نیز وجود دارد را نگه دارد چرا که نگهداری یک مشتری موجود بسیار کم هزینه تر از بدست آوردن یک مشتری جدید هزینه می برد. داده کاوی ارزشهایی را از طریق بررسی یک طیف وسیعی از کارخانه ها پیشنهاد می کند.شرکتهای ارتباطات از راه دور و کارت های اعتباری دو شاخه بزرگ در استفاده از داده کاوی برای تشخیص استفاده کلاه بردارانه از خدمات آنها می باشند. شرکتهای بیمه و درآمد هم علاقمند به استفاده از این تکنولوژی برای کاهش کلاهبرداری می باشند. کاربردهای دارویی نواحی مفید دیگری هستند که داده کاوی در آنها دست دارد داده کاوی می تواند برای تشخیص تاثیر اعمال جراحی، آزمایش های دارویی ودرمان استفاده گردد. شرکتهایی که در خرید و فروشهای مالی فعالیت میکنند از دادهکاوی برای تعیین شاخصه های بازار و صنعت برای تشخیص کارایی درآمد استفاده می کنند. خرده فروشها از داده کاوی برای تصمیم درمورد اینکه کدام محصول در فروشگاه ها در آمد زاست به منظور دسترسی به ارتقای کیفیت کار خود استفاده بیشتری می نمایند. شرکتهای دارویی درحال کاوش پایگاههای داده بزرگی از ترکیبات شیمیایی و مواد ژنتیکی برای کشف مواد که می توانند گزینه خوبی برای ساخت به عنوان دارو باشند [41].
    این نوشته در مقالات و پایان نامه ها ارسال و , برچسب شده است. افزودن پیوند یکتا به علاقه‌مندی‌ها.