Toto je objekt systému MBI.

MBI (Management Byznys Informatiky) je portál obsahující zobecněná řešení v řízení provozu a rozvoje IT, resp. podnikové informatiky.

Pokud máte zájem získat více informací o tomto objektu (vazby na další objekty, přílohy, apod.), ale i získat mnoho dalších užitečných materiálů, můžete tak učinit ZDE / (registrace je bezplatná).

Faktor : BI: Dolování dat
BI: Dolování dat
Kód faktoru

Standardní kód faktoru v MBI.

:
F413
Autor

Jméno a příjmení autora

:
Kulhavý, L. (KIT, VŠE)
Podstatné charakteristik faktoru

Obsahové vymezení faktoru

1. Poznámka

Detailnější charakteristiky metod a algoritmů dolování dat jsou v přiloženém PDF dokumentu (zobrazení / stažení - ikonky v záhlaví stránky). Podstata a využití dolování dat se úzce váže na metodiku CRISP–DM (M505 ).

2. Obsahové vymezení dolování dat
  • Dolování dat ( Data Mining, DMI ) je proces extrakce relevantních, předem neznámých nebo nedefinovaných informací z velmi rozsáhlých databází.
  • Důležitou vlastností dolování dat je, že se jedná o analýzy odvozované z obsahu dat , nikoli předem specifikované uživatelem nebo implementátorem, a jedná se především o odvozování prediktivních informací.
3. Metody data miningu
  • V rámci data miningu se využívá řada metod, např.:
  • Rozhodovací stromy,
  • Rozhodovací pravidla,
  • Neuronové sítě,
  • Bayesovská klasifikace,
  • Evoluční algoritmy,
  • Metody založené na analogii,
  • Induktivní logické programování (ILP).
4. Efekty a přínosy faktoru pro kvalitu řízení podniku a IT
  1. Umožňuje využívat speciální algoritmy, pomocí kterých lze v datech vyhledat strategické informace ,
  2. Umožňuje provádět proces rozsáhlé extrakce relevantních a předem neznámých dat z předem neznámých databází,
  3. Poskytuje informace na prediktivní a deskriptivní bázi,
  4. Představuje silný analytický nástroj managementu v případě dobré znalosti Dmi,
  5. Podporuje detekci založenou na fraudových systémech,
  6. DMi napomáhá detekovat faktory , které mají vliv na zvýšení příjmu a snížení nákladů společnosti,
  7. V oblasti Marketing / Retailnig nabízí managementu užitečné a přesné trendy chování zákazníků,
  8. V oblasti Banking / Crediting představuje podporu finančních institucí v oblasti credit reportingu a dále v oblasti zabývající se úvěrovou politikou,
  9. V oblasti vymáhání trestného práva napomáhá odhalovat trestné činy a pachatele, tím, že pomocí algoritmů zkoumá trendy, zvyky a jiné chování v geograficky ohraničené oblasti,
  10. Ve výzkumu napomáhá vědcům v oblasti analýz, kdy výrazně urychluje jejich proces.
5. Otázky, roblémy a omezení spojené s faktorem
  1. Otázky a problémy spojené s nasazením dolování dat jsou formulovány ve scénáři (S460),
  2. Vzniká hrozba potencionálního zneužití osobních údajů ze strany společností vlastnících citlivá data (např. společnost American Express prodala jiné společnosti výpisy kreditních karet svých zákazníků),
  3. V praxi je velmi častá absence vhodného bezpečnostního systému,
  4. Problém zneužití dat ze strany realizátora, popřípadě majitele DMi analýzy,
  5. V praxi špatné povědomí a neznalost DMi ze strany managementu,
  6. Často příliš složitá problematika pro pochopení zákazníka,
  7. Vysoké náklady spojené s implementací.
6. Poznámky, reference
  • KULHAVÝ, L. - Praktické uplatnění technologií Data Mining v pojišťovnictví - (VŠE, Praha 2011),
  • Berka, Petr. 2003. Dobývání znalostí z databází. Praha : Academia, 2003. str. 366. ISBN 80-200-1062-9,
  • Friebelová, Jana. 2006. Rozhodovací stromy. Osobní stránka - Jana Friebelová,
  • Máša, Petr. 2008. 4IZ560 - Data mining - praktické aplikace. 2008.
  • Vomlelová, Marta. 2009. Rozhodovací stromy. Výuka - Marta Vomlelová. [Online] 10 20, 2009. [Cited: 11 10, 2010.] http://kti.mff.cuni.cz/~marta/slistromy.pdf.