- Эволюция поддержки принятия решенийРазличные категории анализа DSПростые запросы….. Более продвинутые методы анализаСамая распространенная техника анализа
Переходите от простых запросов к расширенному анализу
- Простая консультация: свежие данные, стратегические решения «консервированные» или предварительно определенные консультации Консультации без подготовки (ad-hoc)
МНОГОМЕРНЫЙ АНАЛИЗ:
Власть делить
Стандартная консультация многомерного анализа
Более мощный метод анализа
- Копаться глубже
Различные перспективы данных с использованием «измерений»
Информация по определенному измерению
Сверлить
Подобные инструменты (к стандартному запросу)
Одни и те же данные: разные способы
Моделирование и сегментация:
Анализ для работников умственного труда
Громоздкие и подробные данные
Работники умственного труда
Модель. Коллекция шаблонов для заданной характеристики
Алгоритмы моделирования Поддержка принятия решений
Сегментация тоже не НОВЫЙ инструмент
Пример: СЕГМЕНТАЦИЯ КЛИЕНТА
Специализированное программное обеспечение
Открытие знаний
- Маркетинг ищет лучших клиентовKD. Мощные алгоритмы поиска шаблонов в больших БД. Шаблоны, не указанные заранее (как в моделировании), DW сообщает компании, где важными шаблонами и взаимосвязями являются «Неизвестные ответы», в поиске новых инновационных путей.
Некоторые наблюдения
- Эволюция инфраструктуры DWЭволюция инфраструктуры DWДанные в DW развиваются и совершенствуютсяDW как основная потребность
Увеличение частоты использования
Экономия времени или средств
Процесс консолидации
Стандартные Запросы
«Перечислите количество ссуд, предоставленных клиенту X, и даты платежей, когда это заняло более недели»
Консультация стремится подтвердить предполагаемую часть очень сильной гипотезы
«Перечислите всех клиентов, для которых доход в расчете на пиковое время уменьшился на 20% и более». Результат коммерческих действий
«Показать всех клиентов сотовых телефонов с неполными входящими звонками более чем на 20% в неделю»
Полезные результаты:
- Клиенты с высоким уровнем использования, которым необходимо дополнительное оборудование Потенциальные конкуренты на рынке Кандидаты на новые продукты Подозрения в мошенничестве Потенциально недовольные клиенты Короче говоря, удерживайте и добавляйте клиентов
«Показать всех клиентов мобильных телефонов с неполными входящими звонками более чем на 20% в неделю» Детализация
«Из тех клиентов, которые используют роуминг вне сети?
Полученные результаты:
«Показать квартальный доход, соответствующий крупным коммерческим клиентам в Северном, Северо-западном и Южном регионах в 1977 и 1978 годах»
«Показать те же данные по районам в пределах Северо-Западного региона»
«Показать те же данные для района B в северо-западном регионе»
Инструменты OLAP уникальны, чтобы облегчить пользователю запрашивать одни и те же данные разными способами.
ПОСТАВЩИКИ
- Oracle OLAPSAP - OLAPMicrosoftInesoftDundas Chart для.NET OLAP ServicesMicroStrategy OLAP Services
моделирование
- Будущее поведение клиента Ваша долгосрочная жизнеспособность
сегментация
- Сортировать и реклассифицировать клиентов по демографии.
Примеры моделирования
- Потребительская ценность для жизни Износ клиента Прогнозное моделирование
Примеры сегментов
- Клиенты, которые отвечают на предложения Клиенты, которые реагируют на скидки Клиенты, которые реагируют на новые продукты Клиенты, которые реагируют на акции
Результаты сегментации:
- Какая группа клиентов ориентируется на новую услугу? Кто больше всего будет заинтересован в этой услуге? Какие клиенты чаще всего совершают мошенничество? Какие клиенты чаще всего реагируют на скидки? Нулевая гипотеза Найти в данных шаблона Скрытый: Поведение клиентов по продажам отмены продукта Будущие покупки
Примеры:
- Что происходит при одновременном приеме 2 препаратов Неизвестные модели сродства к продукту
Больше примеров:
Из клиентов, которые покупают жареные продукты, 66% также покупают сладости
75% покупателей покупают жареные продукты и сладости, а также красное вино.
АКЦИИ
- Отправка купонов частым покупателям. Отмена скидок на красное вино. Перемещение продуктов в магазине. Примеры данных, которые выявляются благодаря KD: некоторые триггерные продукты влияют на другие покупки. Откройте для себя «следующую вероятную покупку». Откройте для себя схемы падения покупок. жизненный цикл продукта. Анализ данных включает в себя сегментацию, моделирование и поиск знаний. Это синоним статистического анализа. Поддерживается 3 технологиями. Большой сбор данных. Мощные компьютеры с многопроцессорными алгоритмами Data Mining.
Он разработан на языках последнего поколения на основе искусственного интеллекта и использует математические модели, такие как:
- Искусственные Нейронные Сети Деревья Решений Индукционные Правила Генетические Алгоритмы
Предсказывает будущие тенденции и поведение, чтобы позволить предприятиям принимать упреждающие решения
Эти инструменты могут ответить на трудоемкие бизнес-вопросы
Они сканируют базы данных на наличие скрытых закономерностей, находя предсказуемую информацию, которую эксперт не может найти, поскольку она выходит за рамки их ожиданий.
Хранилище данных в реальности
Данные находятся в наименьшем количестве различных платформ, предпочтительно в DW или Data киоске
Менеджеры обычно обращаются к DW напрямую, когда им требуется информация
Руководители поддерживают принятие решений
DW может улучшить производительность и увеличить прибыльность организации
Ссылки
E-данные. Преобразование данных в информацию с хранилищем данных
Глава 2. Поддержка снизу вверх решения Джилл Дайче
Скачать оригинальный файл
