Компьютер Чип

Опубликовано: Ноябрь 17, 2015

0

Интеллектуальный анализ данных и его использование для решения бизнес задач

Умение работать с информацией в современном бизнесе является практически незаменимым. Именно от того, насколько грамотно и эффективно будет проведена аналитика данных, очень часто зависит успех как отдельного проекта, так и всего предприятия. Исследовать рынок, сокращать издержки производства, составлять прогнозы и оптимизировать ресурсы без использования прогрессивных аналитических средств невозможно.

Понимая это, представители малого, среднего и крупного бизнеса пытаются вооружиться самыми эффективными инструментами извлечения информации. В настоящее время существует сразу несколько способов добиться такой цели. Однако в большинстве случаев выбор современников падает на методику Knowledge Discovery in Databases. Данная методика является практически универсальной. Это значит, что она позволяет справиться с самыми разнообразными бизнес задачами. Knowledge Discovery in Databases описывает четкий порядок действий, которые необходимо совершить для того, чтобы построить модель и извлечь из неорганизованного потока информации необходимые для каждого конкретного случая данные. Следуя ей и выбирая из представленных наборов операций нужные комбинации, можно решить поставленные задачи в практически любой предметной области.

Начальным этапом анализа данных является выборка. Собранная на этой стадии информация становится основой для построения модели извлечения знаний. Для осуществления выборки советуют пригласить эксперта, который сможет отобрать необходимые факты и выдвинуть гипотезы. Полученные на этом этапе данные необходимо предварительно обработать. Подобное задание является ключевой целью второго этапа интеллектуального анализа – очистки данных. Последняя проводится путем заполнения пропусков, исключения дубликатов, редактирования разного рода аномалий и т.п.

Третий подготовительный этап, предшествующий непосредственному анализу, предполагает трансформацию данных. Он позволяет привести информацию в то состояние, которое будет соответствовать алгоритму. При этом решаются такие задачи, как группировка, сортировка, выделение временных интервалов и т.п.

Выполнив всю необходимую подготовку, можно приступать непосредственно к анализу данных (Data Mining). Он предполагает решение таких задач, как кластеризация (когда объекты, объединенные в один кластер, схожи друг с другом и отличаются от объектов другого кластера), классификация (объекты относятся к тому или иному классу), ассоциация (выведение закономерностей типа из события А следует событие В), регрессия (выявление зависимости выходных показателей от входных данных) и последовательные шаблоны (определение закономерностей между событиями, которые связаны во времени).



Добавить комментарий

Ваш e-mail не будет опубликован. Обязательные поля помечены *

Можно использовать следующие HTML-теги и атрибуты: <a href="" title=""> <abbr title=""> <acronym title=""> <b> <blockquote cite=""> <cite> <code> <del datetime=""> <em> <i> <q cite=""> <strike> <strong>

Back to Top ↑