Практическое применение Data Mining

Ниже приведены типичные задачи, которые можно решать с помощью Data Mining в различных сферах бизнеса.

Розничная торговля:

– анализ покупательской корзины (анализ сходства) предназначен для выявления товаров, которые покупатели стремятся приобретать вместе. Знание покупательской корзины необходимо для улучшения рекламы, выработки стратегии создания запасов товаров и способов их раскладки в торговых залах;

– исследование временных шаблонов помогает торговым предприятиям принимать решения о создании товарных запасов. Оно дает ответы на вопросы типа «Если сегодня покупатель приобрел видеокамеру, то через какое время он вероятнее всего купит новые батарейки и пленку?»;

– создание прогнозирующих моделей дает возможность торговым предприятиям узнавать характер потребностей различных категорий клиентов с определенным поведением, например, покупающих товары известных дизайнеров или посещающих распродажи. Эти знания нужны для разработки точно направленных, экономичных мероприятий по продвижению товаров.

Банковское дело:

– выявление мошенничества с кредитными карточками. Путем анализа прошлых транзакций, которые впоследствии оказались мошенническими, банк выявляет некоторые стереотипы такого мошенничества;

– сегментация клиентов. Разбивая клиентов на различные категории, банки делают свою маркетинговую политику более целенаправленной и результативной, предлагая различные виды услуг разным группам клиентов.

– прогнозирование изменений клиентуры. Data Mining помогает банкам строить прогнозные модели ценности своих клиентов и соответствующим образом обслуживать каждую категорию.

Телекоммуникации:

– анализ записей о подробных характеристиках вызовов. Назначение такого анализа – выявление категорий клиентов с похожими стереотипами пользования их услугами и разработка привлекательных наборов цен и услуг;

– выявление лояльности клиентов. Data Mining можно использовать для определения характеристик клиентов, которые, один раз воспользовавшись услугами данной компании, с большой долей вероятности останутся ей верными. В итоге средства, выделяемые на маркетинг, можно тратить там, где отдача больше всего.

Страхование:

- выявление мошенничества. Страховые компании могут снизить уровень мошенничества, отыскивая определенные стереотипы в заявлениях о выплате страхового возмещения, характеризующих взаимоотношения между юристами, врачами и заявителями;

- анализ риска. Путем выявления сочетаний факторов, связанных с оплаченными заявлениями, страховщики могут уменьшить свои потери по обязательствам. Известен случай, когда в США крупная страховая компания обнаружила, что суммы, выплаченные по заявлениям людей, состоящих в браке, вдвое превышают суммы по заявлениям одиноких людей. Компания отреагировала на это новое знание пересмотром своей общей политики предоставления скидок семейным клиентам.

Контрольные вопросы

1. Охарактеризуйте возможности информационных технологий в области интеллектуальной обработки данных.

2. Охарактеризуйте современные требования к средствам переработки информации и подготовки данных для анализа.

3. Для каких целей и на каком уровне управления (оперативном, тактическом или стратегическом) необходимо применение систем поддержки принятия решений?

4. Что понимается под термином «система поддержки принятия решений»?

5. Какие критерии используются в качестве классификационных признаков информационных систем?

6. Какое место и значение имеют хранилища данных в экономических информационных системах?

7. Опишите структуру хранилища данных.

8. В чем вы видите отличие баз данных от хранилища данных?

9. Охарактеризуйте основные положения OLAP-технологий.

10. В чем заключаются задачи управления знаниями и какую роль они играют в реализации экономической и управленческой деятельности?

11. Дайте определение и охарактеризуйте сферы применения Data Mining.

12. Охарактеризуйте основные классы систем Data Mining.

13. Приведите примеры использования OLTP-, OLAP-, Data Mining-технологий в решении задач бизнеса.

Список литературы

1. Дюк В., Самойленко А. Data Mining: учебный курс(+CD). СПб.: Питер, 2001.

2. Коровкин С. Д., Левенец И. А., Ратманова И. Д., Старых В. А., Щавелёв Л. В. Решение проблемы комплексного оперативного анализа информации хранилищ данных // СУБД. 1997. № 5–6. С. 47–51.

3. Кречетов Н., Иванов П. Продукты для интеллектуального анализа данных // ComputerWeek-Москва. 1997. № 14–15. С. 32–39.

4. Пржиялковский В. В. Сложный анализ данных большого объема: новые перспективы компьютеризации // СУБД. 1996. № 4. С. 71–83.

5. Раден Н. Данные, данные и только данные // ComputerWeek-Москва. 1996. № 8. С. 28.

6. Сахаров А. А. Концепция построения и реализации информационных систем, ориентированных на анализ данных // СУБД. 1996. № 4. С. 55–70.

7. Сахаров А. А. Принципы проектирования и использования многомерных баз данных (на примере Oracle Express Server) // СУБД. 1996. № 3. С. 44–59.

8. Туо Дж. Инструменты для анализа информации на настольных ПК // ComputerWeek-Москва. 1996. № 38. С. 34–35, 46.

9. Туо Дж. Каждому пользователю – свое представление данных // ComputerWeek-Москва. 1996. № 38. С. 1, 32–33.

10. Alalouf C. Hybrid OLAP. St. Laurent, Canada: Speedware Corporation Inc., 1997.

11. An Introduction to Multidimensional Database Technology. Kenan Systems Corporation, 1995.

12. Demarest M. Building the Data Mart // DBMS. 1994. № 7. P. 44–50.

13. Gray J., Chaudhuri S., Bosworth A., etc. Data Cube: A Relational Aggregation Operator Generalizing Group-By, Cross-Tab, and Sub-Totals // Data Mining and Knowledge Discovery. 1997. № 1. P. 29–53.

14. Harinarayan V., Rajaraman A., Ullman J. D. Implementing Data Cubes Efficiently // SIGMOD Conference. Montreal, CA. 1996.

15. Inmon W. H. Building The Data Warehouse (Second Edition). NY, NY: John Wiley, 1993.

16. Mumick I. S., Quass D., Mumick B. S. Maintenance of Data Cubes and Summary Tables in a Warehouse. Stanford University, Database Group, 1996 (http://www-db.stanford. edu/pub/papers/cube-maint.ps).

17. Newquist H. P. Data Mining: The AI Metamorphosis // Database Programming and Design. 1996. № 9.

18. OLAP for the Masses. Business Objects S. A., 1996 (http://www.businessobjects.com /product/olap/olap.htm).

19. Parsaye K. OLAP and Data Mining: Bridging the Gap // Database Programming and Design. 1997. № 2.

20. Parsaye K. Surveying Decision Support: New Realms of Analysis // Database Programming and Design. 1996. № 4.

21. Raden N. Star Schema. Santa Barbara, CA: Archer Decision Sciences, Inc., 1995–1996 (http://members.aol.com/nraden/str101.htm).

22. Tukey J. Exploratory Data Analysis. NY: McMillan, 1973.

23. Han J. OLAP Mining: An Integration of OLAP with Data Mining. IFIP, 1997. P. 18. (ftp://ftp.fas.sfu.ca/pub/cs/han/kdd/olapm.ps.gz).

24. Stuart T. A. Intellectual Capital. The New Wealth of Organization. London, 1977.