هوش تجاری (Business Intelligence)
به اشتراک بگذاریم برای یادگیری، یاد بگیریم برای به اشتراک گذاری
هوش تجاری (Business Intelligence)
به اشتراک بگذاریم برای یادگیری، یاد بگیریم برای به اشتراک گذاریدرباره من
دسته‌ها
جدیدترین یادداشت‌ها
همه- انتخاب یک راهکار مناسبِ هوش تجاری بر اساس نیاز کسب و کار- بخش سوم
- انتخاب یک راهکار مناسبِ هوش تجاری بر اساس نیاز کسب و کار- بخش دوم
- انتخاب یک راهکار مناسبِ هوش تجاری بر اساس نیاز کسب و کار- بخش اول
- Running Total
- چرا باید برنامه های موبایلی را تحلیل کنیم؟ و چرا برای تحلیل داده های موبایلی نیاز به یک ابزار آماده داریم؟
- CAP Theorem
- الگوی طراحی جداول ابعاد- slowly changing dimension
- حذف سطرهای تکراری یک جدول، بوسیله SSIS Sort Transformation
- آیا دوران پادشاهی اوراکل در حوزه‌ی مدیریت پایگاه‌های داده عملیاتی به پایان رسیده است؟
- عوامل حیاتی در موفقیت سیستم‌های هوش تجاری (Critical Success Factors)
- گستردگی استفاده از سیستم های هوش تجاری
- 7 قابلیت جدید در SQL Server 2016
- مراحل کلی در انجام عملیات داده کاوی
- برقراری ارتباط کلیک ویو با Cube
- کاربرد Unary Operator در OLAP
نویسندگان
- حامد پالیک 61
- علی سیدزاده 3
بایگانی
- مهر 1400 1
- شهریور 1400 1
- مرداد 1400 1
- بهمن 1396 1
- آذر 1396 1
- دی 1395 1
- آذر 1395 1
- شهریور 1395 1
- آذر 1394 1
- آبان 1394 1
- خرداد 1394 1
- اردیبهشت 1394 1
- آبان 1393 1
- مهر 1393 1
- مرداد 1393 1
- اردیبهشت 1393 1
- فروردین 1393 1
- بهمن 1392 1
- آذر 1392 3
- آبان 1392 2
- مهر 1392 2
- شهریور 1392 2
- مرداد 1392 5
- تیر 1392 4
- خرداد 1392 1
- اردیبهشت 1392 1
- اسفند 1391 1
- بهمن 1391 2
- دی 1391 2
- آذر 1391 10
- آبان 1391 11
جستجو
مراحل کلی در انجام عملیات داده کاوی
می‌توان گفت داده‌کاوی هدف اصلی و نهایی سازمان‌ها در بکارگیری از BI است. انجام عمل داده‌کاوی علاوه بر تخصص و توانایی فنی بالا و تسلط به کسب و کار مربوطه نیازمند مقدمات دیگری نیز هست و تا فراهم نشدن تمامی این مقدمات امکان پذیر نمی‌باشد. در ادامه هر یک از این پیش نیازها را بررسی می‌کنیم.
طراحی و پیاده سازی انبار داده:
بدون وجود انبار داده‌ای جامع و دقیق نمی‌توان به سوی داده کاوی قدم برداشت. پیش از انجام هر نوع عمل کاوش در داده‌ها ابتدا باید از یکپارچگی، صحت و تجمیع اطلاعات اطمینان حاصل شود. اطلاعات باید واقعی و دارای توالی به روز رسانی مشخص باشند. مراحل پیاده سازی انبار داده در اینجا شرح داده شده است.
بررسی و انتخاب داده‌ها بر اساس نوع الگوریتم مورد استفاده:
فارغ از اینکه از چه ابزاری برای عملیات داده کاوی استفاده می‌کنیم، تعداد الگوریتم‌ها، تنوع و مقاصد آن‌ها متفاوت است. از این رو باید بر اساس نوع الگوریتمی که قصد استفاده از آن را داریم اطلاعات را انتخاب نماییم. الگوریتم‌های داده کاوی در اینجا شرح داده شده است.
تبدیل داده‌ها به فرمت و ساختار مورد نیاز الگوریتم:
هر الگوریتم داده کاوی بر اساس نوع خروجی و هدفی که دنبال می‌کند به فرمت خاص خود نیاز دارد. در این مرحله باید داده‌های مورد نیاز الگوریتم را به شکل و قالب قابل قبول برای الگوریتم تبدیل کنیم. انواع داده‌ای مورد استفاده در Microsoft Data Mining را اینجا مطالعه کنید.
کاوش در داده با استفاده از الگوریتم‌های داده کاوی:
در این مرحله کار را به الگوریتم انتخاب شده می‌سپاریم. الگوریتم بر اساس پارامترها و ورودی‌های مشخص شده شروع به کاوش در داده‌ها می‌کند و روابط و اطلاعات مورد نیاز جهت رسیدن به دانش را در اختیار ما قرار می‌دهد.
در این رابطه می‌توانید الگوریتم کلاسترینگ و سری زمانی را مطالعه نمایید.
تحلیل و تفسیر نتیجه :
بدیهی است که کسب دانش از داده‌ها نیازمند تجزیه و تحلیل و تفسیر خروجی مرحله قبل است. رسیدن به نتیجه مطلوب در کنار تلاش تیمی متشکل از افراد فنی و غیر فنی که تسلط کامل برروی اطلاعات و کسب وکار دارند میسر است.