BazEkon - Biblioteka Główna Uniwersytetu Ekonomicznego w Krakowie

BazEkon home page

Meny główne

Autor
Rostek Katarzyna (Politechnika Warszawska)
Tytuł
Metodyka realizacji procesu pozyskiwania wiedzy z danych
Methodology of the Process of Knowledge Discovery in Databases
Źródło
Zarządzanie Przedsiębiorstwem / Polskie Towarzystwo Zarządzania Produkcją, 2005, nr 2, s. 70-81, rys., tab., bibliogr. 15 poz.
Słowa kluczowe
Data Mining, Systemy wspomagania decyzji, Generowanie wiedzy
Data Mining, Decision Support Systems (DSS), Knowledge generating
Uwagi
summ.
Abstrakt
Pozyskiwanie wiedzy z danych (ang. KDD - Knowledge Discovery in Databases) to jedna z najszybciej rozwijających się dziedzin informatyki w ostatnich latach. Powstała w wyniku rosnącego zapotrzebowania na coraz efektywniejsze metody wydobywania informacji ukrytych w ogromnych zbiorach danych (np. hurtowniach danych). Praktycznie nieograniczone możliwości w zakresie gromadzenia danych sprawiły, że same systemy utrzymywania baz danych stały się niewystarczające. Wraz ze zwiększającą się objętością zbiorów danych powstawały problemy związane z prezentacją informacji w nich zawartych, a także z efektywnym ich wydobyciem. Ilość informacji z czasem przerosła ludzkie możliwości analizy oraz utrudniła podejmowanie na ich podstawie decyzji. Dostrzeżono, że wśród ogromnej liczby pozornie nieprzydatnych danych zawarte są cenne informacje, które można wykorzystać w zarządzaniu przedsiębiorstwem. (fragment tekstu)

The process of discovering knowledge in databases may become a strong tool which would facilitate retaining competitive advantage on the insurance market. Its classification capabilities will enable insurance companies to acquaint themselves with their customers and their preferences, and to gain an in-depth understanding of the current policy portfolio. As a result of the predictive properties of the process an insurance company will be able to respond proactively to its customers' expectations, and thus ensure retaining the customers and counteracting customer loss to competitors. The predictive properties also enable some market behaviour and risks on the part of the competition to be anticipated before they actually occur, and this increases the probability of being the first to counteract. However, in order to enable correct and effective completion of the knowledge discovery and data mining processes, the methodology of the process completion has to be adhered to and the terms and conditions for each of the stages of the process have to be met. Many computer information tools have been developed to support knowledge discovery in databases. However, even the best of programs will not solve all the problems connected with completion of the process and are not sufficient to ensure the success of the project as a whole. It is necessary to have an effective and efficient operating methodology. The methodology I am presenting has been developed based on the known methodology of computer tools for data mining purposes (specifically on the SAS and SPSS methodologies) and on the basis of my own professional experience. Methodology DAD (Data-Analisys-Decision) includes nine stages: formulating process assessments, extracting records and variables, extract processing, getting acquainted with the data, analysis of cross-correlations, analysis of multi-factor correlations, assessment of model results, transformation of results into knowledge, assessment of the usefulness of knowledge. The particular description of methodology DAD are presented in this article. (original abstract)
Dostępne w
Biblioteka Główna Uniwersytetu Ekonomicznego w Krakowie
Biblioteka Główna Uniwersytetu Ekonomicznego w Poznaniu
Pełny tekst
Pokaż
Bibliografia
Pokaż
  1. Inmon W. H.: Building the Data Warehouse, J. Wiley, New York 1992.
  2. Piatetsky-Shapiro G., Frawley W.J.: Knowledge Discovery in Databases, AAAI Press/MIT Press, Menlo Park 1991.
  3. Poe V., Klauer P.. Brobst S.: Building a Data Warehouse for Decisial Support. Prentice-Hall Inc. 1998.
  4. Radosiński E.: Systemy informatyczne w dynamicznej analizie decyzyjnej, PWN. Warszawa 2001.
  5. Rostek K.: Eksploracja danych w ubezpieczeniach, "Wiadomości Ubezpieczeniowe", nr 11-12, Warszawa 2002.
  6. Rostek K.: Proces pozyskiwania wiedzy i eksploracji danych w zastosowaniach biznesowych na przykładzie ubezpieczeń, [w:] Informatyka w przedsiębiorstwie - wybrane zagadnienia pod red. T. Krupy, Prace naukowe Organizacja i Zarządzanie Przemyślem, Wydawnictwo Politechniki Warszawskiej, z 16/2004, Warszawa 2004.
  7. Rostek K.: Proces pozyskiwania wiedzy z danych narzędziem utrzymywania przewagi konkurencyjnej na rynku europejskim, [w:] problemy organizacji i zarządzania przedsiębiorstwem w warunkach integracji z Unią Europejską", praca zbiorowa pod red. L. Gąsiorkiewicza, Wydawnictwo IOSP PW, Warszawa 2003.
  8. Rostek K.: Zastosowanie procesów eksploracji danych w ubezpieczeniach, [w:] "Komputerowo zintegrowane zarządzanie", praca zbiorowa pod red. R. Knosali, WNT, Warszawa 2003.
  9. SAS Institute Inc.: Business Intelligence Systems and Data Mining, SAS Institute White Paper, Cary NC: SAS Institute Inc. 1997.
  10. SAS Institute Inc.: Data Mining and the Case for Sampling, SAS Institute Best Practice Paper, Cary NC, SAS Institute Inc. 1998.
  11. SAS Institute Inc.: Data Mining Using Enterprise Miner Software: A Case Study Approach, USA Cary, luty 2000.
  12. SAS Institute Inc.: Finding the Solution to Data Mining: A Map of the Features and Components of SAS® Enterprise Miner ™ Software Version 3, Cary NC: SAS Institute Inc., USA 1999.
  13. SPSS Inc.: CRISP-DM 1,0 Data Mining Guide, SPSS Inc., USA 2000.
  14. Sypko W.: Rodowód i definicja systemów Business Intelligence, VI Konferencja "Systemy Wspomagania Decyzji", IDG Forum, Sulejów 2002.
  15. Witten I. A., Frank E.: Data Mining, Morgan Kaufmann 2000.
Cytowane przez
Pokaż
ISSN
1643-4773
Język
pol
Udostępnij na Facebooku Udostępnij na Twitterze Udostępnij na Google+ Udostępnij na Pinterest Udostępnij na LinkedIn Wyślij znajomemu