Реферат: Нство компании стало пользоваться средствами обработки цифровой информации, появился и побочный продукт этой активности большие массивы разнородной информации

Содержание

Введение

Теоретические основы технологии Data-Mining

Основные понятия технологии Data-Mining

Специфика совместного использования CRM и Data-Mining

Развитие технологии Data-Mining (применение ДМ в различных областях)

Повышение эффективности системы обслуживания клиентов с использованием интеллектуального анализа данных

Общая характеристика компании «Ника»

Анализ существующей в компании «Ника» информационной системы (СРМ)

Оптимизация бизнес-процесса обслуживания клиентов с использованием технологии Data-Mining

Внедрение системы Data-Mining в деятельность компании «Ника»

Сравнительный анализ программных продуктов технологии Data-Mining

Описание программного продукта «Polyanalist»

Процесс внедрения программного продукта «Polyanalist»

ТЭО

Охрана труда

Заключение



Введение

За последние годы, когда, стремясь к повышению эффективности и прибыльности бизнеса, большинство компании стало пользоваться средствами обработки цифровой информации, появился и побочный продукт этой активности - большие массивы разнородной информации. Объемы данных настолько внушительны, что человеку просто не по силам проанализировать их самостоятельно, хотя необходимость проведения такого анализа вполне очевидна, ведь в этих "сырых" данных заключены знания, которые могут быть использованы при принятии решений. В современных условиях бизнеса одним из ключевых факторов успеха компании является не хранение огромного массива данных, а умение грамотно проанализировать имеющиеся данные, обнаружить в них новые знания, и на основе проведённого анализа и извлеченных знаний осуществлять решения, которые впоследствии обеспечат конкурентные преимущества за счет более глубокого взгляда на процессы, тенденции и риски в бизнесе компании.

Современные внедряемые на предприятиях CRM-системы, призванные собирать и обрабатывать большие объемы информации, сами по себе еще не дают знаний о клиентах, не дают возможности их понять, не могут позволить эффективно распорядиться всем тем огромным объемом накопленной информации. А именно знание и понимание своих клиентов - ключ к прибыльности любого бизнеса и необходимое условие для выживания в остро-конкурентной среде.

Решению данной задачи способствует внедрение системы, реализующей методы Data Mining, которые предназначены для интеллектуальной обработки и содержательной интерпретации данных с целью выявления практически полезных закономерностей и выработки оптимальных стратегий. ( или лучше написать : Решением является дополнение имеющейся CRM-системы системой Data-Mining? )

Цель дипломной работы состоит в разработке методических положений и рекомендаций, а также применение соответствующих инструментальных средств для оптимизации работы с клиентами. (точнее – про ДМ)

Достижение поставленной цели связано с решением следующих задач:

Классификация

Регрессия

Кластеризация

Ассоциация

Последовательность

//

исследование современных технологий Data-Mining и изучение их роли в повышении эффективности функционирования предприятия;

анализ специфики внедрения систем Data-Mining на предприятиях связи;

анализ системы обслуживания клиентов и основных бизнес-процессов предприятия;

выбор оптимальной системы Data-Mining и разработка методики ее внедрения на предприятии;

разработка и обоснование методических положений и рекомендаций по повышению эффективности совместного использования CRM-системы и системы Data-Mining.

Объектом исследования является компания "НИКА". …….

Предмет исследования – система управления клиентами компании "Ника". …….


^ Глава 1. Теоретические основы технологии Data-Mining


Основные понятия технологии Data-Mining

Мы живем в век информации. Трудно переоценить значение данных, которые непрерывно собираются в процессе человеческой деятельности: в управлении бизнесом или производством, в банковском деле, в решении научных, инженерных и медицинских задач. Мощные компьютерные системы, хранящие информацию и управляющие огромными базами данных, стали неотъемлемым атрибутом жизнедеятельности как крупных корпораций, так и небольших компаний. Тем не менее, наличие данных само по себе еще недостаточно для улучшения показателей работы. Ведь владеть информацией, это не только располагать ею, но и понимать все то, что она несет в себе, и делать из этого правильные выводы. Нужно уметь трансформировать сырые данные в полезную для принятия решений информацию, потому что избыток данных и недостаток в хороших методах их анализа приводит к ситуации богатства данными, но бедности информацией. Как следствие, важные решения применяются на основе информационно-ненасыщенных баз данных без применения подходящих инструментов для извлечения знаний из этих баз данных.

Для устранения этой проблемы и созданы программные инструменты класса Data Mining.

Data Mining – интеллектуальный анализ данных, поиск глубинной, неочевидной сути исходных данных, извлечение полезных знаний из них, позволяющее выйти на новый уровень корпоративного управления и способствующее совершенствованию бизнес стратегий, качественно увеличивая прибыль предприятия.

Инструменты Data Mining позволят обнаружить в накопленных компанией больших объёмах данных закономерности, которые не обнаруживаются

стандартными методами обработки информации или экспертным путем. Обнаруженные закономерности будут полностью соответствовать действительности, в отличие от экспертного мнения, которое всегда является субъективным. Выводы, сделанные на основе интеллектуального анализа данных, имеют конкретное значение, которому можно найти практическое применение.

Data Mining— важнейшее звено в управлении бизнесом, от сбора данных до принятия решений и оценки результатов воздействия. Результаты Data Mining — эмпирические модели, классификационные правила, найденные кластеры и т. д. — можно затем инкорпорировать в существующие системы поддержки принятия решений и использовать их для прогноза будущих ситуаций.

Однако результаты Data Mining в большой мере зависят от уровня подготовки данных, а не от "чудесных возможностей" некоего алгоритма или набора алгоритмов. Около 75% работы над Data Mining состоит в сборе данных, который совершается еще до того, как запускаются сами инструменты.

Чтобы максимально использовать мощность масштабируемых инструментов Data Mining коммерческого уровня, предприятию необходимо выбрать, очистить и преобразовать данные, иногда интегрировать информацию, добытую из внешних источников, и установить специальную среду для работы Data Mining алгоритмов. Существует еще один важный момент: процесс реализации Data Mining на практике оказывается более сложным, чем ожидается. Предполагается, что достаточно запустить такой инструмент на терабайтной базе данных, и моментально появится полезная информация. На самом деле, успешный Data Mining - проект требует понимания сути деятельности, знания данных и инструментов, а также процесса анализа данных". Ведь неграмотно применив некоторые инструменты, предприятие может бессмысленно растратить свой потенциал, а иногда и миллионы долларов.

Недавнее исследование компании «Two Crows» (ссылка) показало, что многие организации интересуются этой технологией, но лишь некоторые активно внедряют такие проекты.

Исследования так же отмечают, что существуют как успешные решения, использующие Data Mining, так и неудачный опыт применения этой технологии.

Технология data mining заняла свои позиции в последнее десятилетие, получив центральную роль во многих сферах бизнеса. Причина широкого распространения методов data mining проста: они дают хорошие результаты. Эта технология позволяет существенно повысить возможности организации в достижении целей. Ее популярность растет все больше, поскольку инструменты совершенствуются, получают все более широкое применение, дешевеют и становятся проще в использовании. Однако многие компании не знают, как начать работу с data mining. Когда в организации принято решение использовать Data Mining, первый вопрос, который возникает: "С чего начать?" После того как в организации принято решение использовать технологию Data Mining, необходимо потратить определенное время и усилия, чтобы подготовиться к этому. Необходимо создать определенную организационную

окружающую среду. Поток данных (flow of Data) в организации должен быть приспособлен к Data Mining, т.е. сотрудники должны быть заинтересованы в открытом сотрудничестве по обмену информацией. Особенно важно это во взаимодействии между бизнес-отделами и техническими отделами.

Существует два аспекта, касающихся организационных факторов процесса Data Mining: организационная культура и деловая окружающая среда.

Чтобы сотрудники могли работать на максимально высоком уровне, организация должна обеспечить свободный поток нужной информации к тому сотруднику, которому она требуется, в четкие сроки и в правильной форме; только тогда возможно будет выработать своевременное оптимальное решение. Лидирующие компании обеспечивают это путем инвестиций в свою информационную инфраструктуру, которая поддерживает бизнес-процессы предприятия.


^ Организационная культура

Она подразумевает активное открытое сотрудничество по обмену информацией между отделами компании и ее сотрудниками. Люди должны желать принимать новую информацию и, на основе этого, изменять условия и методы своего труда. Если сотрудники скрывают или защищают свои данные и не желают активно участвовать в обмене информацией и создании новой информации, организация, скорее всего, будет нуждаться во внутреннем или внешнем консультировании для изменения этих фактов. Это всегда непростая задача, но это существенный фактор для достижения успехов при внедрении Data Mining.

^ Деловая Окружающая среда.

Направлять действия по Data Mining должен бизнес. Руководители высшего звена должны быть заинтересованы во вложении средств в Data Mining, поскольку этот процесс всегда требует значительных затрат. Необходимо четкое понимание проблемы или задачи, которую нужно решить. В организации должна присутствовать готовность открыть доступ к данным и показателям, а также к другим аспектам деятельности.

Интеграция Data Mining в бизнес всегда означает интеграцию соответствующего инструмента в деловую среду организации.

^ Человеческие факторы. Роли в Data Mining

Человеческий фактор при внедрении Data Mining - это наличие и квалификационное соответствие специалистов, готовых работать с Data Mining.

Специалисты компании, вовлеченные в процесс Data Mining, исполняют одну из ролей, которые показаны на рис.1: специалист предметной области, администратор баз данных, специалист по добыче данных.



Рис 1. Роли в Data Mining

Роли между специалистами распределены следующим образом.

Специалист предметной области (Domain experts) - специалист, имеющий знания о окружении бизнеса, процессах, заказчиках, клиентах, потребителях, конкурентах, т.е. о предметной области.

Знания о предметной области включают факты, которые к данной области относятся, закономерности, характерные для нее, гипотезы о возможных связях между явлениями, процессами и фактами в ней, процедуры для решения типовых задач. Экспертные знания - это те знания, которыми располагает специалист в некоторой предметной области.

Администратор баз данных (Database administrator) - специалист, имеющий знания о том, где и каким образом хранятся данные, как получить к ним доступ и как связать между собой эти данные.

Администратор базы данных отвечает за выработку требований к базе данных, за ее проектирование, реализацию, эффективное использование и сопровождение. Другими обязанностями администратора баз данных могут быть: определение статуса информации и статуса пользователей; модификация данных; обеспечение целостности данных; загрузка данных и ведение БД; защита данных; обеспечение восстановления баз данных; сбор и статистическая обработка обращений к БД; анализ эффективности функционирования базы данных. Специалист по добыче данных (Mining specialists) - специалист по анализу данных, который имеет, как минимум, основы статистических знаний.

Этот специалист должен быть способен применять технологии Data Mining и

интерпретировать полученные результаты. Он должен уметь устанавливать связи со специалистом по предметной области для управления полученными результатами и с администратором БД для получения доступа к данным в запрос на свои действия.

Специалист по добыче данных ответственен за получение необходимых для Data Mining сведений из различных источников, а также за получение информации от специалистов в данной предметной области. Специалист по добыче данных должен быть также своего рода постановщиком задач. Он должен уметь получать необходимую информацию и входные данные для Data Mining-системы у специалистов по предметной области, задавать вопросы с целью уточнения сведений и т.д.

Первые две роли из описанных выше в том или ином виде присутствуют в любой компании. Третья роль в первое время внедрения Data Mining может исполняться консультантом другой компании. После приобретения соответствующих знаний, это место может занять человек из собственной компании, например - маркетинговый аналитик.

Одной из основных трудностей при выборе специалистов либо внутри организации, либо сторонних консультантов является разнообразие областей, которые должны быть объединены в одном процессе. Процесс Data Mining требует наличия связей между бизнесом, анализом и информационными технологиями, чтобы обеспечить непрерывный двунаправленный поток информации (данные - информация - решения).

Три роли, рассмотренные выше, являются основными, и без них процесс Data Mining не может быть осуществлен. Часто в процесс также вовлечены другие специалисты по информационным технологиям и менеджеры проектов.

Среди них могут быть:

· менеджер проектов (Project Manager);

· специалист по IT Архитектуре (IT Architect);

· специалист по Архитектуре Решений (Solution Architect);

· специалист по Архитектуре Данных (Data Architect);

· специалист по Моделированию данных (Data Modeler);

· эксперт Data Mining (Data Mining Expert);

· деловой Аналитик (Business Analyst).

Каждая из этих ролей может быть отведена специалисту внутри организации либо стороннему специалисту. Процесс найма третьих лиц, т.е. сторонних специалистов для выполнения определенных работ, называют аутсорсингом (outsourcing). Воспользовавшись услугами приглашенных специалистов, компании могут добиться существенного уменьшения затрат на оплату труда. Роли Data Mining, в зависимости от конечной цели работ, распределяются следующим образом:

· исследователи (написание исследовательских докладов и статей);

· практикующие аналитики (решение реальных и практических задач анализа данных);

· разработчики программного обеспечения (написание Data Mining- программного обеспечения);

· студенты (в настоящее время обучающиеся в учебных заведениях);

· бизнес-аналитики (главным образом, оценивающие результаты использования data mining);

· менеджеры (управляют одним или большим количеством проектов);

· другие.

Согласно последним опросам на KDnuggets, наибольшее число из голосующих – это практикующие аналитики, использующие технологию Data Mining для анализа реальных данных (34%), и исследователи (19%), далее идут студенты, бизнес-аналитики, разработчики программного обеспечения и менеджеры.

Процесс Data Mining практически никогда не является линейным, в большинстве случаев это итеративный циклический процесс. Именно итеративность гарантируют процессу Data Mining такой результат, который будет адаптирован под решение конкретной задачи.

Процесс Data Mining, с точки зрения человеческого фактора, является постоянным взаимодействием трех основных специалистов.

Взаимодействие специалиста по добыче данных и специалиста по предметной области осуществляется в двух точках соприкосновения.

Первая точка - анализ предметной области, где определяются задачи и требования к будущей системе. Специалист по добыче данных должен вникнуть в предметную область, изучить ее базовые термины, другими словами, он должен провести анализ предметной области. На основании знаний методов и инструментов Data Mining специалист по добыче данных предлагает вариант решения проблемы.

Второй точкой соприкосновения указанных выше специалистов является интерпретация результатов, полученных в результате Data Mining.

Взаимодействие специалиста по добыче данных и администратора баз данных

осуществляется на этапах анализа требований к данным и сбора данных. Непосредственно подготовка данных для Data Mining может осуществляться специалистом по добыче данных самостоятельно либо во взаимодействии с администратором баз данных.

Взаимодействие трех специалистов осуществляется на завершающих этапах Data Mining при проверке работоспособности системы, например, при сравнении прогнозных результатов с реальными. При необходимости процесс Data Mining возвращается на один из предыдущих этапов.

От того, насколько консолидированы будут действия специалистов из разных областей, зависит длительность проекта и качество полученных результатов.

Если в проекте Data Mining присутствует роль руководителя, на него возлагается координация и контроль работ, проводимых описанными выше специалистами.

Процесс Data Mining является своего рода исследованием. Как любое исследование, этот процесс состоит из определенных этапов, включающих элементы сравнения, типизации, классификации, обобщения, абстрагирования, повторения. Процесс Data Mining неразрывно связан с процессом принятия решений. Процесс Data Mining строит модель, а в процессе принятия решений эта модель эксплуатируется.

^ ПРО РОЛИ СЛИШКОМ МНОГО - СОКРАТИТЬ (самое главное оставить)

Рассмотрим традиционный процесс Data Mining. Он включает следующие этапы:

· анализ предметной области;

· постановка задачи;

· подготовка данных;

· построение моделей;

· проверка и оценка моделей;

· выбор модели;

· применение модели;

· коррекция и обновление модели.

^ Этап 1. Анализ предметной области

Исследование - это процесс познания определенной предметной области, объекта или явления с определенной целью. Процесс исследования заключается в наблюдении свойств объектов с целью выявления и оценки важных, с точки зрения субъекта-исследователя, закономерных отношений между показателями данных свойств. Решение любой задачи в сфере разработки программного обеспечения должно начинаться с изучения предметной области.

Предметная область - это мысленно ограниченная область реальной действительности, подлежащая описанию или моделированию и исследованию.

Предметная область состоит из объектов, различаемых по свойствам и находящихся в определенных отношениях между собой или взаимодействующих каким-либо образом. Предметная область - это часть реального мира, она бесконечна и содержит как существенные, так и не значащие данные, с точки зрения проводимого исследования. Исследователю необходимо уметь выделить существенную их часть.

В процессе изучения предметной области должна быть создана ее модель. Знания из различных источников должны быть формализированы при помощи каких-либо средств. Это могут быть текстовые описания предметной области или специализированные графические нотации. Существует большое количество методик описания предметной области: например, методика структурного анализа SADT и основанная на нем IDEF0, диаграммы потоков данных Гейна-Сарсона, методика объектно-ориентированного анализа UML и другие. Модель предметной области описывает процессы, происходящие в

предметной области, и данные, которые в этих процессах используются.

Это первый этап процесса Data Mining. Но от того, насколько верно смоделирована предметная область, зависит успех дальнейшей разработки приложения Data Mining.

^ Этап 2. Постановка задачи

Постановка задачи Data Mining включает следующие шаги:

· формулировка задачи;

· формализация задачи.

Постановка задачи включает также описание статического и динамического поведения исследуемых объектов. При описании динамики описывается поведение объектов и те причины, которые влияют на их поведение. Динамика поведения объектов часто описывается вместе со статикой.

Технология Data Mining не может заменить аналитика и ответить на те вопросы, которые не были заданы. Поэтому постановка задачи является необходимым этапом процесса Data Mining, поскольку именно на этом этапе нужно определить, какую же задачу необходимо решить. Иногда этапы анализа предметной области и постановки задачи объединяют в один этап.

^ Этап 3. Подготовка данных

Цель этапа: разработка базы данных для Data Mining. Подготовка данных является важнейшим этапом, от качества выполнения которого зависит возможность получения качественных результатов всего процесса Data Mining.

Кроме того, следует помнить, что на этап подготовки данных, по некоторым оценкам, может быть потрачено до 80% всего времени, отведенного на проект.

Рассмотрим подробно, что же представляет собой этот этап.

^ 1. Определение и анализ требований к данным

На этом этапе осуществляется так называемое моделирование данных, т.е. определение и анализ требований к данным, которые необходимы для осуществления Data Mining. При этом изучаются вопросы распределения пользователей (географическое, организационное, функциональное); вопросы доступа к данным, которые необходимы для анализа, необходимость во внешних и/или внутренних источниках данных; а также аналитические характеристики системы (измерения данных, основные виды выходных документов, последовательность преобразования информации и др.).

^ 2. Сбор данных

Наличие в организации хранилища данных делает анализ проще и эффективней, его использование, с точки зрения вложений, обходится дешевле, чем использование отдельных баз данных или витрин данных. Однако далеко не все предприятия оснащены хранилищами данных. В этом случае источником для исходных данных являются оперативные, справочные и архивные БД, т.е. данные из существующих информационных систем.

Также для Data Mining может потребоваться информация из информационных систем руководителей, внешних источников, бумажных носителей, а также знания экспертов или результаты опросов.

Следует помнить, что в процессе подготовки данных аналитики и разработчики не должны привязываться к показателям, которые есть в наличии, и описать максимальное количество факторов и признаков, влияющих на анализируемый процесс. Так же при подготовке данных нужно определить необходимое количество данных, количество записей в наборе (недостаточное количество записей в наборе данных может стать причиной построения некорректной модели), соотношение количества записей в наборе и количества входных переменных.

Набор данных должен быть репрезентативным и представлять как можно больше возможных ситуаций. Пропорции представления различных примеров в наборе данных должны соответствовать реальной ситуации.

^ 3. Предварительная обработка данных

Анализировать можно как качественные, так и некачественные данные. Результат будет достигнут и в том, и в другом случае. Для обеспечения качественного анализа необходимо проведение предварительной обработки данных, которая является необходимым этапом процесса Data Mining.

Данные, полученные в результате сбора, должны соответствовать определенным критериям качества. Таким образом, можно выделить важный подэтап процесса Data Mining - оценивание качества данных.

Качество данных (Data quality) - это критерий, определяющий полноту, точность, своевременность и возможность интерпретации данных.

Данные могут быть высокого качества и низкого качества, последние - это так

называемые грязные или "плохие" данные. Данные высокого качества - это полные, точные, своевременные данные, которые поддаются интерпретации.

Такие данные обеспечивают получение качественного результата: знаний, которые смогут поддерживать процесс принятия решений.

После окончания этапа подготовки данных можно переходить к этапу построения модели.

^ Этап 4. Построение модели

Моделирование - достаточно популярный и эффективный метод исследования данных, который является основой анализа данных. Существует огромное количество ситуаций, когда экспериментировать в реальной жизни не представляется возможным. В этих случаях как раз и применяется моделирование. Моделирование как процесс представляет собой построение модели и изучение ее свойств. Моделирование широко применяется при использовании методов Data Mining. Путем использования моделей Data Mining осуществляется анализ данных. С помощью моделей Data Mining обнаруживается полезная, ранее неизвестная, доступная интерпретации информация, используемая для принятия решений. Модель представляет собой упрощенное представление о реальном объекте, процессе или явлении.

Создание и использование Data Mining модели является ключевым моментом для начала понимания, осмысления и прогнозирования тенденций анализируемого объекта. Построение моделей Data Mining осуществляется с целью исследования или изучения моделируемого объекта, процесса, явления и получения новых знаний, необходимых для принятия решений. Использование моделей Data Mining позволяет определить наилучшее решение в конкретной ситуации.

Для построения моделей используются различные методы и алгоритмы Data Mining. Идеальной модели, которая бы позволила решать разнообразные

задачи, не существует. Поэтому многие разработчики включают в инструменты Data Mining возможность построения различных моделей, многие также обеспечивают возможность расширяемости моделей.

Выбор метода, на основе которого будет построена модель, должен осуществляться с учетом постановки задачи, особенностей набора исходных данных, специфики решаемой задачи, результатов, которые должны быть получены на выходе.

Этапы подготовки данных, построения модели, оценки модели и выбора лучшей представляют собой цикл. Если по каким-либо причинам построенная модель оказалось неприемлемой, цикл повторяется и следует один из следующих этапов:

· подготовка данных (если причина некорректности модели - в данных);

· построение модели (если причина некорректности - во внутренних параметрах самой модели).

^ Этап 5. Проверка и оценка моделей

Проверка модели подразумевает проверку ее достоверности или адекватности. Эта проверка заключается в определении степени соответствия модели реальности. Адекватность модели проверяется путем тестирования.

Адекватность модели (adequacy of a model) - соответствие модели моделируемому объекту или процессу. Понятия достоверности и адекватности являются условными, поскольку не возможно рассчитывать на полное соответствие модели реальному объекту, иначе это был бы сам объект, а не модель. Поэтому в процессе моделирования следует учитывать адекватность

не модели вообще, а именно тех ее свойств, которые являются существенными с точки зрения проводимого исследования. В процессе проверки модели необходимо установить включение в модель всех существенных факторов. Сложность решения этой проблемы зависит от сложности решаемой задачи.

Проверка модели также подразумевает определение той степени, в которой она

действительно помогает менеджеру при принятии решений.

Оценка модели подразумевает проверку ее правильности. Оценка построенной модели осуществляется путем ее тестирования. Тестирование модели заключается в "прогонке" построенной модели, заполненной данными, с целью определения ее характеристик, а также в проверке ее работоспособности. Тестирование модели включает в себя проведение множества экспериментов.

Построенные модели рекомендуется тестировать на различных выборках для определения их обобщающих способностей. В ходе экспериментов можно варьировать объем выборки (количество записей), набор входных и выходных переменных, использовать выборки различной сложности. Выявленные соотношения и закономерности должны быть проанализированы экспертом в

предметной области - он поможет определить, какими являются выясненные закономерности (возможно, слишком общими или узкими и специфическими).

Для оценки результатов полученных моделей следует использовать знания специалистов предметной области. Если результаты полученной модели эксперт считает неудовлетворительными, следует вернуться на один из предыдущих шагов процесса Data Mining, а именно: подготовка данных, построение модели, выбор модели. Если же результаты моделирования эксперт считает приемлемыми, ее можно применять для решения реальных задач.

^ Этап 6. Выбор модели

Если в результате моделирования было построено несколько различных моделей, то на основании их оценки можно осуществить выбор лучшей из них. В ходе проверки и оценки различных моделей на основании их характеристик, а также с учетом мнения экспертов, следует выбор наилучшей. Достаточно часто это оказывается непростой задачей.

Основные характеристики модели, которые определяют ее выбор, - это точность модели и эффективность работы алгоритма.

Так же выбор можно сделать на основе так называемой "конкурентной оценки моделей", которая состоит в применении различных моделей к одному и тому же набору данных и последующем сравнении их характеристик.

^ Этап 7. Применение модели

После тестирования, оценки и выбора модели следует этап применения модели. На этом этапе выбранная модель используется применительно к новым данным с целью решения задач, поставленных в начале процесса Data Mining.

^ Этап 8. Коррекция и обновление модели

По прошествии определенного установленного промежутка времени с момента начала использования модели Data Mining следует проанализировать полученные результаты, определить, действительно ли она "успешна" или же возникли проблемы и сложности в ее использовании.

Однако даже если модель с успехом используется, ее не следует считать абсолютно верной на все времена. Дело в том, что необходимо периодически оценивать адекватность модели набору данных, а также текущей ситуации (следует учитывать возможность изменения внешних факторов). Даже самая точная модель со временем перестает быть таковой. Для того чтобы построенная модель выполняла свою функцию, следует работать над ее коррекцией (улучшением). При появлении новых данных требуется повторное

обучение модели. Этот процесс называют обновлением модели. Работы, проводимые с моделью на этом этапе, также называют контролем и сопровождением модели. Существует много причин, требующих обучить модель заново, т.е. обновить ее, чтобы отразить определенные изменения.

Основными причинами являются следующие:

· изменились входящие данные или их поведение;

· появились дополнительные данные для обучения;

· изменились требования к форме и количеству выходных данных;

· изменились цели бизнеса, которые повлияли на критерии принятия решений;

· изменилось внешнее окружение или среда (макроэкономика, политическая ситуация, научно-технический прогресс, появление новых конкурентов и товаров и т.д.).

Причины, перечисленные выше, могут обесценить допущения и исходную информацию, на которых основывалась модель при построении.

Процесс Data Mining может быть успешным и неуспешным. Использование Data Mining не является гарантией получения исключительно достоверных знаний и принятия на основе этих знаний абсолютно верных решений.

Построенная модель может обладать рядом погрешностей. Вот некоторые из них: недостоверные исходные допущения при построении модели; ограниченные возможности при сборе необходимых данных; неуверенность и страхи пользователя системы, и, в силу этого, слабое их применение; неоправданно высокая стоимость.

^ Неверные или недостоверные исходные допущения. (не нужно, сократить)

Некоторые допущения поддаются объективной предварительной проверке, другие не могут быть заранее проверены. Если модель Data Mining основана на допущениях, естественно, ее точность зависит от точности допущений. Если допущения предыдущих периодов при использовании модели неоправдались, т.е. оказались неточны, то следует отказаться от "продления" этих допущений на будущие периоды.

^ Ограниченные возможности при сборе необходимых данных

Не всегда есть возможность получить именно те данные, которые необходимы, а также быть уверенными в их качестве. Тем не менее, следует учитывать, что точность построенной модели определяется точностью входных данных.

Если внешние факторы, включенные в модель, изменяются очень часто, эти изменения должны отражаться в системе. Следует учитывать, что это не всегда возможно, а иногда - нецелесообразно.

^ Неуверенность пользователей

Ни одну модель "нельзя считать успешно выстроенной, пока она не принята, не понята и не применена на практике". Однако во многих исследованиях, касающихся использования моделей, отмечается, что в процессе принятия решений далеко не все построенные модели используются в полной мере, а некоторые вовсе не используются. Основными причинами этого является недоверие к моделям либо их непонимание. Для того чтобы избежать подобных явлений, лица, принимающие решения, должны принимать участие в постановке той задачи, для которой строится модель. В дальнейшем следует руководителям работать с моделью (т.е. ее программной реализацией), в частности, понимать функции модели, возможности, ограничения и т.д.

^ Неоправданно высокая стоимость

В результате процесса Data Mining должна быть получена выгода. Полученная прибыль должна оправдать расходы на процесс Data Mining, а это не только стоимость программного обеспечения для Data Mining, но и затраты на подготовку данных, обучение, консультирование и т.д. Стоимость проекта зависит от его длительности, типа конечного приложения, уровня подготовки

пользователей, варианта внедрения.

Подзаголовок
^ Описательный анализ

Сегментация и кластеризация широко используются для группировки клиентов со сходными характеристиками, чтобы выявить шаблоны, которые можно использовать при формировании маркетинговых инициатив.

Базовая сегментация часто используется для группировки клиентов по легко различаемым и независимым признакам, таким как демографические данные, возраст, пол, доход и т.д. Сегментация должна формировать группировку, ведущую к лучшему пониманию структуры клиентской базы и, соответственно, характеру маркетинговых инициатив.

Кластеризация часто используется для описания независимых подсегментов на основании набора предварительно выбранных характеристик, к которым относятся ключевые индикаторы потребительского поведения. Большие компании часто используют географические, демографические, социальные, экономические характеристики, наложенные на потребительские показатели для продвижения брэнда. Некоторые компании используют понятие «ценность кластера» при построении маркетинговой деятельности на основании текущей или потенциальной ценности соответствующей группы клиентов.

Пересекающиеся сегменты требуют более сложных аналитических методов и предполагают учет особенностей характера поведения клиентов. Например, какой-либо клиент может тратить много средств на какую-либо услугу, но не тратить ничего на сопутствующие услуги и товары. Эти закономерности потребления должны служить факторами дальнейшего разделения клиентов на различные группы.

Другим примером описательного анализа может служить так называемый анализ рыночных корзин, который связывает вместе продукты на основании их совместного покупательского потребления.

Анализ последовательностей действий — также пример описательного анализа. В э