http://www.vilaggazdasag.hu/penzugy/adatbanyaszat-a-jo-dontesekert-66401
Vilaggazdasag
Adatbányászat a jó döntésekért
|Utolsó módosítás: 2004. 9. 29. 00:00|Pénzügy
A vállalatok nagy részénél ma már a tranzakciós, számlázási, eladási és egyéb rendszerekből rengeteg adat áll rendelkezésre. Ezek tisztítását követően biztosítható, hogy konzisztens, azonos forrásból származó riportok készülhessenek. A riportok statisztikai elemzésekkel társulva lényegében arra adnak választ, hogy mi történt eddig: például egy direkt marketinges kampány során a perszonalizált levéllel és telemarketinggel megkeresett ügyfelek válaszadása alapján feltárható, hogy az adott kampány mennyire volt hatékony, milyen demográfiai jellemzővel bíró ügyfeleket sikerült megszólítani, mely kommunikációs csatornát preferálták az ügyfelek.
Az adatbányászat által alkalmazott prediktív modellek ugyanakkor lehetővé teszik, hogy a feltárt múltbeli összefüggések alapján jövőre vonatkozó következtetések legyenek levonhatók. Az optimalizációs modellek arra adnak választ, hogy a jövőbeli események közül mely lenne a vállalati hatékonyság szempontjából az optimális. Az adatokból információ nyerhető, az információból levont következtetések tudást jelentenek, s ennek a tudásnak a hasznosítása valójában az intelligencia. Az adatbányászat ebben a folyamatban egy eszköz, mely a vállalatok sikerességét segíti.
A SEMMA (sampling-exploration-modification-modeling-assessment) módszertan az adatbányászat folyamatának tipikus lépéseit és logikai folyamatát tükrözi. A mintavételezés (sampling) az elemzéshez szükséges adat-előkészítési fázisokat támogatja, úgymint mintavételezési eljárások alkalmazása, adatparticionálás, hiányzó értékek pótlása, extrém értékek elhagyása stb. A feltárás (exploring) az interaktív vizuális és statisztikai elemzések gazdag tárházát biztosítja az egyszerűbb összefüggések felismeréséhez. Az előzetes elemzések függvényében kerülhet sor adattranszformációk, módosítások elvégzésére (modification) - például új változók képzése - majd az előkészített adatokon a prediktív modellezés (modeling) végrehajtására. A megfelelő modellek kiválasztását a modellek értékelése, grafikus összehasonlítása (assessment) segíti.
Az adatbányászat tehát eszköz az üzleti felhasználók és elemzők számára, amelyek konkrét üzleti céljainak megvalósítását, illetve a döntések adatokra történő alapozását támogatja.
A vállalatok stratégiai tervezésénél az ügyfélkör megismerését nagymértékben támogatja a szegmentáció. A szegmentáció során - statisztikai eljárások alkalmazásával - például klaszterelemzés segítségével képezhetők homogén ügyfélcsoportok. Ezt követően a szegmensek profilozása, karakterisztikájuk feltárása, a szegmens változók későbbi modellekben mint inputváltozók alkalmazása már a modellezés folyamatába tartozik.
A prediktív modellek gazdag tárháza áll ma már rendelkezésre. Az egyik legismertebb statisztikai eljárás a regressziós modellek alkalmazása. Ennek során valamely esemény bekövetkezését - így például az ügyfél lemorzsolódását - a figyelembe vett input változók alapján becsülik. A regressziós modellek új adatállományon való futtatása, vagy a képzett algoritmus alkalmazása többek között új ügyfelekre már prediktív modellezést jelent. A regressziós modelleken túl döntési fa, neurális hálók és ma már újabb modellek is rendelkezésre állnak.
Az adatbányászat által alkalmazott prediktív modellek ugyanakkor lehetővé teszik, hogy a feltárt múltbeli összefüggések alapján jövőre vonatkozó következtetések legyenek levonhatók. Az optimalizációs modellek arra adnak választ, hogy a jövőbeli események közül mely lenne a vállalati hatékonyság szempontjából az optimális. Az adatokból információ nyerhető, az információból levont következtetések tudást jelentenek, s ennek a tudásnak a hasznosítása valójában az intelligencia. Az adatbányászat ebben a folyamatban egy eszköz, mely a vállalatok sikerességét segíti.
A SEMMA (sampling-exploration-modification-modeling-assessment) módszertan az adatbányászat folyamatának tipikus lépéseit és logikai folyamatát tükrözi. A mintavételezés (sampling) az elemzéshez szükséges adat-előkészítési fázisokat támogatja, úgymint mintavételezési eljárások alkalmazása, adatparticionálás, hiányzó értékek pótlása, extrém értékek elhagyása stb. A feltárás (exploring) az interaktív vizuális és statisztikai elemzések gazdag tárházát biztosítja az egyszerűbb összefüggések felismeréséhez. Az előzetes elemzések függvényében kerülhet sor adattranszformációk, módosítások elvégzésére (modification) - például új változók képzése - majd az előkészített adatokon a prediktív modellezés (modeling) végrehajtására. A megfelelő modellek kiválasztását a modellek értékelése, grafikus összehasonlítása (assessment) segíti.
Az adatbányászat tehát eszköz az üzleti felhasználók és elemzők számára, amelyek konkrét üzleti céljainak megvalósítását, illetve a döntések adatokra történő alapozását támogatja.
A vállalatok stratégiai tervezésénél az ügyfélkör megismerését nagymértékben támogatja a szegmentáció. A szegmentáció során - statisztikai eljárások alkalmazásával - például klaszterelemzés segítségével képezhetők homogén ügyfélcsoportok. Ezt követően a szegmensek profilozása, karakterisztikájuk feltárása, a szegmens változók későbbi modellekben mint inputváltozók alkalmazása már a modellezés folyamatába tartozik.
A prediktív modellek gazdag tárháza áll ma már rendelkezésre. Az egyik legismertebb statisztikai eljárás a regressziós modellek alkalmazása. Ennek során valamely esemény bekövetkezését - így például az ügyfél lemorzsolódását - a figyelembe vett input változók alapján becsülik. A regressziós modellek új adatállományon való futtatása, vagy a képzett algoritmus alkalmazása többek között új ügyfelekre már prediktív modellezést jelent. A regressziós modelleken túl döntési fa, neurális hálók és ma már újabb modellek is rendelkezésre állnak.
Szerző: Schay Krisztina
