Cтраница 3
Применение технологий DM & KDD имеет большие перспективы, так как существенно влияет на увеличение доходов предприятия путем выбора правильных стратегий деятельности. Лидерами в применении технологий интеллектуального анализа данных являются телекоммуникационные компании и компании, выпускающие кредитные карточки. Средства DM & KDD активно применяют страховые компании и фондовые биржи. Серьезные успехи связаны с применением этих подходов в медицине, где можно прогнозировать эффективность применения медикаментов, хирургических процедур и медицинских тестов. [31]
По словам ее главного исполнительного директора, он понимает, что сегодня смог бы приобрести аналогичную систему за гораздо меньшие деньги, но полученная с тех пор отдача с лихвой окупила потраченные миллионы. Этот пример дает некоторое представление о ценности интеллектуального анализа данных для бизнеса. Однако высокие цены на инструментарий свидетельствуют о том, что используемое сегодня ПО по своему уровню сложности все еще принадлежит к старому миру, в котором лишь самые крупные организации, располагавшие большим штатом сотрудников или пользовавшиеся услугами узкоспециализированных производителей, могли позволить себе глубокую переработку данных. [32]
Интеллектуальный анализ данных заключается в применении алгоритмов обработки для выявления скрытых тенденций, закономерностей, взаимосвязей и перспектив развития процесса, учет которых помогает повысить качество принимаемых решений. Все методы, используемые в настоящее время в интеллектуальном анализе данных, являются логическим обобщением различных аналитических подходов, известных уже на протяжении десятилетий. Новизна ИАД заключается в расширении сферы применения этих методов в управлении, которое стало возможно благодаря возросшей доступности данных и удешевлению вычислений. Рост интереса к средствам интеллектуального анализа объясняется отчасти и усовершенствованиями в области интерфейса, которые сделали их доступными для использования специалистами деловой сферы, но, главным образом, возросшими требованиями к результатам анализа, резким увеличением объема перерабатываемой информации, усложнением решаемых задач и временными ограничениями анализа обстановки и принятия решений. [33]
Интеллектуальный анализ данных заключается в применении алгоритмов обработки для выявления скрытых тенденций, закономерностей, взаимосвязей и перспектив развития процесса, учет которых помогает повысить качество принимаемых решений. Все методы, используемые в настоящее время в интеллектуальном анализе данных, являются логическим обобщением различных аналитических подходов, известных уже на протяжении десятилетий. Новизна НАД заключается в расширении сферы применения этих методов в управлении которое стало возможно благодаря возросшей доступности данных и удешевлению вычислений, Кроме того, до относительно недавнего времени не существовало компьютерных методов НАД с дружественным интерфейсом пользователя. Рост интереса к средствам интеллектуального анализа объясняется отчасти и усовершенствованиями в области интерфейса, которые сделали их доступными для использования специалистами деловой сферы, но, главным образом, возросшими требованиями к результатам анализа, резким увеличением объема перерабатываемой информации, усложнением решаемых задач и временными ограничениями анализа обстановки и принятия решений. [34]
Этапы интеграции данных экологического мониторинга в ЭИС представлены на рис. 6.4. На первом этапе первичные данные экологического мониторинга интегрируются в хранилища данных. На втором этапе данные экологического мониторинга анализируются с помощью стандартных пакетов, реализующих те или иные методы интеллектуального анализа данных ( см. подразд. [35]
Кроме этого, при анализе данных экологического мониторинга все чаще используются результаты математического моделирования. Такая сложная структура данных вынуждает на настоящем этапе разделить стадии анализа данных и представления результатов анализа, так как средства для анализа данных, в том числе и средства интеллектуального анализа данных, - это большие пакеты прикладных программ, которые нет никакого смысла размещать в сети Интернет. [36]
Страховые компании, например, предлагают такие продукты, которые могут оказаться для них очень прибыльными при приобретении одними клиентами, малоприбыльными - при приобретении другими и вовсе неприбыльными - при приобретении третьими. Эта разница коррелирует со статистикой страховых случаев. Интеллектуальный анализ данных позволяет выделить категории клиентов и географические области, для которых характерен высокий или низкий уровень выплат по страховке. Исходя из этого, можно принять решение об усилении маркетинговой активности в отношении потенциальных клиентов, возрастная группа или география проживания которых позволяют рассчитывать на низкий уровень страховых выплат, а также о предложении им привлекательных цен. С другой стороны, возможны и решения о повышении цен или сокращении маркетинговых усилий применительно к группам клиентов с неблагоприятной статистикой. Когда в условиях ведения бизнеса есть такие различия, применение интеллектуального анализа данных при разработке стратегии способно дать очень много. Аналогичные возможности применения этой технологии существуют и при поиске новых клиентов банками. Люди меняют сегодня банки гораздо чаще, чем раньше, и появляется все больше новых компаний, предлагающих финансовые услуги. Для привлечения клиентов приходится предпринимать все более серьезные маркетинговые усилия, которые окупаются только в тех случаях, когда эти клиенты оказываются достаточно выгодными. [37]
Мыльные оперы - основной продукт дневного вещания американского телевидения - получили свое название благодаря тому, что рекламодателями в них традиционно выступали крупные производители мыла, заинтересованные, в первую очередь, в женской аудитории. Так что идея адресной телевизионной рекламы не нова. Что появилось в последнее время радикально нового - так это применение интеллектуального анализа данных для извлечения нужной информации из массы статистики, а также цифровое телевидение и электронные книги, позволяющие подойти к аудитории более персонализированно. Сочетание этих факторов должно произвести настоящую революцию в нынешних представлениях о рекламе и маркетинге. Персонализация значительно увеличивает ценность знаний о тех, кому вы предлагаете свои товары и услуги. [38]
Что отличает клиентов, которых наши продукты и услуги удовлетворяют, от клиентов, которых они не удовлетворяют. Какие из клиентов в моей базе данных сходны друг с другом. Для сложных видов интеллектуального анализа данных требуется особое ПО, предназначенное для ориентирования в богатых информацией средах. И оно должно быть способно помочь своим пользователям в поиске ответов на вопросы, не требуя от них глубоких познаний в таких специальных областях, как статистика, анализ или работа с базами данных. [39]
Проблема адекватности модели и выбора метода стояла всегда. Дело в том, что различные методы интеллектуального анализа данных, примененные к одним и тем же данным, могут дать различные результаты. [40]
С ростом конкуренции в нашей основанной на информации экономике сведения о клиентах становятся все более важным производственным ресурсом. Каждая компания и каждый работник интеллектуального труда просто обязаны извлекать максимум возможного из имеющихся данных. Многие новые пользователи не могут позволить себе крупных расходов на инструментарий для работы с базами данных или на высококвалифицированных узких специалистов. К счастью, по мере освоения средствами интеллектуального анализа данных такой массовой платформы, как персональный компьютер, неизбежно должно произойти стремительное снижение цен с взрывоподобным ростом популярности этого инструментария в компаниях всех масштабов и в их подразделениях. [41]
На основании оценок Kt табл. 10.8 в табл. 10.9 показаны четыре принципа, реализация которых может дать наибольший эффект. Но уже из предварительного анализа табл. 10.9 ясно, что при ограниченных ресурсах ( а отсутствие ограничения ресурсов редкое исключение) может оказаться целесообразным выбрать не набор принципов, указанный в табл. 10.9, а какой-нибудь другой набор принципов. Для этого необходимо, чтобы система поддержки принятия решений умела генерировать различные комбинации принципов усовершенствования производства, их оценивать и выбирать лучший вариант. Теперь рассмотрим задачу генерации, оценки и выбора вариантов сценария с помощью генетических алгоритмов, рассмотренных в разделе 8.2, как поисковый метод интеллектуального анализа данных. [42]
В современных средствах DM & KDD часто используются комбинированные методы. Например, продукт компании SAS Enterprise Miner 3.0 содержит модуль автоматического построения результирующей гибридной модели, определенной на множестве моделей, которые предварительно были созданы различными методами: деревьев решений, нейронных сетей, обобщенной мно-грфакторной регрессии. Программная система Darwin, разработанная компанией Thinking Machines, позволяет не только строить модели на основе нейронных сетей или деревьев решений, но также использовать визуализацию и системы рассуждений по аналогии. Кроме того, этот продукт включает своеобразный генетический алгоритм для оптимизации моделей. Активно работает в области интеллектуального анализа данных компания IBM. [43]
В современных средствах DM & KDD часто используются комбинированные методы. Например, продукт компании SAS Enterprise Miner 3Л содержит модуль автоматического построения результирующей гибридной модели, определенной на множестве моделей, которые предварительно были созданы различными методами: деревьев решений, нейронных сетей, обобщенной многофакторной регрессии. Программная система Darwin, разработанная компанией Thinking Machines, позволяет не только строить модели на основе нейронных сетей или деревьев решений, но также использовать визуализацию и системы рассуждений по аналогии. Кроме того, этот продукт включает своеобразный генетический алгоритм для оптимизации моделей. Активно работает в области интеллектуального анализа данных компания IBM. [44]
Экономия получается благодаря созданию более точной модели клиента и уменьшению объемов рассылки. Кампания по продвижению нового вида кредитных карточек методом прямого маркетинга дает обычно эффект примерно в 2 % случаев. В 1997 году банк Mellon Bank USA поставил перед собой цель привлечь дополнительно 200 тыс. клиентов. Вместо этого с помощью технологии интеллектуального анализа данных было получено около трех тысяч моделей наиболее вероятных клиентов. [45]