داده کاوی

1. ‫ﮐﺎرﺑردھﺎی داده ﮐﺎوی در دﻧﯾﺎی واﻗﻌﯽ‬ ‫ﻃﻪ ﻣﮑﻔﯽ‬ ‫ﮐﺎرﺷﻨﺎس ﻣﻬﻨﺪﺳﯽ ﺻﻨﺎﯾﻊ داﻧﺸﮕﺎه آزاد اﺳﻼﻣﯽ واﺣﺪ ﺗﻬﺮان ﺟﻨﻮب‬ ‫82 اردﯾﺒﻬﺸﺖ ﻣﺎه 0931‬ ‫1‬

2. ‫ﺧوش آﻣدﯾد‬ ‫اوﻟﯿﻦ ﺳﻤﯿﻨﺎر راﯾﮕﺎن داده ﮐﺎوي و ﻣﺠﻤﻮﻋﻪ ﮐﺎرﮔﺎه ﻫﺎي ﺗﺨﺼﺼﯽ‬ ‫” ﺑﺮاي ﻫﺮ ﭼﯿﺰي زﮐﺎﺗﯽ اﺳﺖ و زﮐﺎت ﻋﻠﻢ ﺑﯿﺎن و ﻧﺸﺮ آن اﺳﺖ“‬ ‫ﺳﺨﻨﯽ از ﻣﻌﺼﻮم)ص(‬ ‫2‬

3. ‫ﻣطﺎﻟب ﻣطرح ﺷده در اﯾن ﺑﺧش:‬ ‫ﻣﻘﺪﻣﻪ‬ ‫1(‬ ‫ﮐﺎرﺑﺮدﻫﺎي داده ﮐﺎوي‬ ‫2(‬ ‫ﻣﻮﻓﻘﯿﺖ ﻫﺎي ﭘﺮوژه ﻫﺎي داده ﮐﺎوي‬ ‫3(‬ ‫ﻣﻄﺎﻟﻌﺎت ﻣﻮردي داﺧﻠﯽ‬ ‫4(‬ ‫ﻓﯾﻠم‬ ‫3‬

4. ‫ﻣﻘدﻣﮫ:‬ ‫‪ ‬داده ﮐﺎوي در ﮐﺠﺎي زﻧﺪﮔﯽ روزﻣﺮه ﻣﺎ ﮐﺎرﺑﺮد دارد؟‬ ‫‪ ‬ﭼﺮا ﻧﯿﺎز ﺑﻪ درك ﮐﺎرﺑﺮدﻫﺎي داده ﮐﺎوي دارﯾﻢ؟‬ ‫4‬

5. ‫ﺟﺎﯾﮕﺎه ﺷﻐﻠﯽ داده ﮐﺎوی در دﻧﯾﺎ:‬ ‫ﻣﻘﺎﯾﺴﻪ ﺷﻐﻞ ﻫﺎي ﻣﺮﺑﻮط ﺑﻪ ﻓﻨﺎوري اﻃﻼﻋﺎت و ﺷﻐﻞ ﻫﺎي ﻣﺮﺑﻮط ﺑﻪ داده ﮐﺎوي‬ ‫‪‬‬ ‫5‬

6. ‫ﺟﺎﯾﮕﺎه ﺷﻐﻠﯽ داده ﮐﺎوی در دﻧﯾﺎ:‬ ‫درآﻣﺪ ﺷﻐﻞ ﻫﺎي ﻣﺮﺑﻮط ﺑﻪ داده ﮐﺎوي ﺑﻪ ﻃﻮر ﻣﯿﺎﻧﮕﯿﻦ 12% از ﺳﺎﯾﺮ‬ ‫‪‬‬ ‫ﺷﻐﻞ ﻫﺎ ﺑﯿﺸﺘﺮ ﻣﯽ ﺑﺎﺷﺪ.‬ ‫درآﻣﺪ ﺷﻐﻞ ﻫﺎي داده ﮐﺎوي 52% ﺑﯿﺸﺘﺮ از ﻣﯿﺎﻧﮕﯿﻦ درآﻣﺪ ﺷﻐﻠﻬﺎي‬ ‫‪‬‬ ‫ﻣﺮﺑﻮط ﺑﻪ ﻓﻨﺎوري اﻃﻼﻋﺎت ﺑﯿﺸﺘﺮ ﻣﯽ ﺑﺎﺷﺪ.‬ ‫درآﻣﺪ ﺷﻐﻞ ﻫﺎي ﻣﺮﺑﻮط ﺑﻪ ﻓﻨﺎوري اﻃﻼﻋﺎت 4% زﯾﺮ ﻣﯿﺎﻧﮕﯿﻦ درآﻣﺪ ﺳﺎﯾﺮ‬ ‫‪‬‬ ‫ﺷﻐﻞ ﻫﺎ ﻣﯽ ﺑﺎﺷﺪ.‬ ‫6‬

7. :‫ﺟﺎﯾﮕﺎه ﺷﻐﻠﯽ داده ﮐﺎوی در ﮐﺷور‬ ‫آﮐﻬﯽ ﯾﮑﯽ از ﺷﺮﮐﺖ ﻫﺎي ﺑﯿﻤﻪ اي ﺑﺮاي اﺳﺘﺨﺪام ﻣﺘﺨﺼﺺ داده ﮐﺎوي در اﯾﺮان‬  Data Mining Expert Mellat Insurance Tehran, Iran A Data Mining Expert, Analyst or Engineer who can find patterns or relationships in business data for increasing business intelligence and the knowledge of organization: • Design and develop reference databases in SQL Server 2005 and 2008, along with the ETL applications required to build them. • Observe current systems and processes, interacting with the appropriate personnel. • Utilizing a variety of sources, collect and analyze information to support the modeling and analysis. • Ensures data quality and reliability and provide feedback to business process owners and to the IT department 7

8. ‫ﺑررﺳﯽ ﺟﺎﯾﮕﺎه داده ﮐﺎوی در ﭘژوھش ھﺎ:‬ ‫ﺑﺮرﺳﯽ ﻣﻘﺎﻻت ﻣﻨﺘﺸﺮ ﺷﺪه در ﺣﻮزه داده ﮐﺎوي در ﺳﺎﯾﺖ ‪:Scopus‬‬ ‫‪‬‬ ‫ﺗﻌﺪاد‬ ‫ﻋﻨﻮان‬ ‫ﮐﻠﻤﻪ ﻣﻮرد ﺟﺴﺘﺠﻮ‬ ‫388261‬ ‫ﺟﺴﺘﺠﻮ در ﮐﻞ ﻣﻘﺎﻟﻪ‬ ‫‪Data Mining‬‬ ‫73835‬ ‫ﺟﺴﺘﺠﻮ در ﻋﻨﻮان، ﻣﻘﺪﻣﻪ و ﮐﻠﻤﺎت ﮐﻠﯿﺪي‬ ‫‪Data Mining‬‬ ‫0487‬ ‫ﺟﺴﺘﺠﻮ در ﻋﻨﻮان‬ ‫‪Data Mining‬‬ ‫72‬ ‫ﺟﺴﺘﺠﻮ در ﻋﻨﻮان‬ ‫‪Data Mining + Hospital‬‬ ‫21‬ ‫ﺟﺴﺘﺠﻮ در ﻋﻨﻮان‬ ‫‪Data Mining + Healthcare‬‬ ‫8‬

9. ‫ﺑررﺳﯽ ﮐﺎرﺑردھﺎی داده ﮐﺎوی:‬ ‫‪ ‬ﻣﺪﯾﺮﯾﺖ ارﺗﺒﺎط ﺑﺎ ﻣﺸﺘﺮي‬ ‫‪ ‬ﺑﺎﻧﮏ و اﻗﺘﺼﺎد‬ ‫‪ ‬ﺳﺎﺧﺖ و ﺗﻮﻟﯿﺪ‬ ‫‪ ‬زﻧﺠﯿﺮه ﺗﺎﻣﯿﻦ‬ ‫‪ ‬ﺗﻌﻤﯿﺮات و ﻧﮕﻬﺪاري‬ ‫‪ ‬ﮐﻨﺘﺮل ﮐﯿﻔﯿﺖ‬ ‫‪ ‬ﻣﺪﯾﺮﯾﺖ ﻣﺎﻟﯽ‬ ‫‪ ‬ﭘﺰﺷﮑﯽ‬ ‫‪ ‬ﺳﺎﯾﺮ ﺷﺎﺧﻪ ﻫﺎي ﻣﻬﻨﺪﺳﯽ‬ ‫9‬

10. ‫ﻣدﯾرﯾت ارﺗﺑﺎط ﺑﺎ ﻣﺷﺗری)‪:(CRM‬‬ ‫اﺳﺘﺮاﺗﮋي ﺗﻮﺳﻌﻪ ﯾﺎﻓﺘﻪ اي ﺑﺮاي ﻣﺪﯾﺮﯾﺖ ﺗﻌﺎﻣﻼت ﺳﺎزﻣﺎن ﺑﺎ ﻣﺸﺘﺮﯾﺎن ﻣﯽ ﺑﺎﺷﺪ.‬ ‫‪‬‬ ‫ﻫﺪف: ﺟﺬب ﻣﺸﺘﺮﯾﺎن ﺟﺪﯾﺪ، ﺑﻘﺎي ﻣﺸﺘﺮﯾﺎن ﻣﻮﺟﻮد‬ ‫‪‬‬ ‫روﻧﺪ ﭼﺎپ ﻣﻘﺎﻻت داده ﮐﺎوي و ‪ CRM‬در ﻣﻘﺎﻻت ‪)SSCI‬ﺑﻪ ﺗﻔﮑﯿﮏ(:‬ ‫‪‬‬ ‫01‬

11. ‫ﻣدﯾرﯾت ارﺗﺑﺎط ﺑﺎ ﻣﺷﺗری)‪:(CRM‬‬ ‫ﮐﺎرﺑﺮدﻫﺎ‬ ‫‪‬‬ ‫ﺷﻨﺎﺧﺖ و ﭘﯿﺶ ﺑﯿﻨﯽ رﻓﺘﺎر ﻣﺸﺘﺮﯾﺎن‬ ‫‪‬‬ ‫ﺑﺮرﺳﯽ راه ﺣﻠﻬﺎي ﺗﺒﻠﯿﻐﺎﺗﯽ ﻣﻮﺛﺮﺗﺮ‬ ‫‪‬‬ ‫دﺳﺘﻪ ﺑﻨﺪي ﻣﺸﺘﺮﯾﺎن ﺑﻪ ﻣﻨﻈﻮر ﻓﺮاﻫﻢ ﺳﺎﺧﺘﻦ ﺑﺴﺘﺮي ﺑﺮاي اراﺋﻪ ﺧﺪﻣﺎت ﺑﻬﺘﺮ ﺑﻪ آﻧﻬﺎ‬ ‫‪‬‬ ‫ﺑﺮرﺳﯽ اﻧﻮاع روش ﻫﺎي ﺑﺎزارﯾﺎﺑﯽ و اﻧﺘﺨﺎب ﺑﻬﯿﻨﻪ ﺗﺮﯾﻦ روش‬ ‫‪‬‬ ‫ﺗﺤﻠﯿﻞ ﺳﺒﺪ ﺧﺮﯾﺪ ﻣﺸﺘﺮﯾﺎن‬ ‫‪‬‬ ‫ﭘﯿﺶ ﺑﯿﻨﯽ اﺣﺘﻤﺎل اﺳﺘﻘﺒﺎل ﻣﺸﺘﺮﯾﺎن از ﻣﺤﺼﻮﻻت ﺟﺪﯾﺪ‬ ‫‪‬‬ ‫اﺑﻌﺎد ﻣﺪﯾﺮﯾﺖ ارﺗﺒﺎط ﺑﺎ ﻣﺸﺘﺮي ‪:CRM‬‬ ‫‪‬‬ ‫ﺷﻨﺎﺧﺖ ﻣﺸﺘﺮﯾﺎن‬ ‫1.‬ ‫ﺟﺬب ﻣﺸﺘﺮﯾﺎن‬ ‫2.‬ ‫ﺑﻘﺎ ﻣﺸﺘﺮﯾﺎن‬ ‫3.‬ ‫ﺗﻮﺳﻌﻪ ﻣﺸﺘﺮﯾﺎن‬ ‫4.‬ ‫11‬

12. ‫ﻣدﯾرﯾت ارﺗﺑﺎط ﺑﺎ ﻣﺷﺗری)‪:(CRM‬‬ ‫ﺷﻨﺎﺧﺖ ﻣﺸﺘﺮﯾﺎن‬ ‫1.‬ ‫ﺧﻮﺷﻪ ﺑﻨﺪي‬ ‫ﺗﻘﺴﯿﻢ ﺑﻨﺪي ﻣﺸﺘﺮﯾﺎن‬ ‫1.‬ ‫از ﻟﺤﺎظ اﺑﻌﺎد ﻣﮑﺎﻧﯽ ﻣﺸﺘﺮﯾﺎن )ﻣﮑﺎن ﻣﺸﺘﺮﯾﺎن(‬ ‫1.‬ ‫از دﯾﺪ ﺟﻤﻌﯿﺖ ﺷﻨﺎﺧﺘﯽ/ اﺟﺘﻤﺎﻋﯽ و اﻗﺘﺼﺎدي ﻣﺸﺘﺮﯾﺎن )ﺳﻦ، ﺟﻨﺴﯿﺖ، درآﻣﺪ و ﺷﻐﻞ ﻣﺸﺘﺮﯾﺎن (‬ ‫2.‬ ‫از ﺑﻌﺪ رواﻧﯽ ﻣﺸﺘﺮﯾﺎن )ﻧﻮع ﻧﮕﺮش، ارزش ﻫﺎ، ﺷﯿﻮه زﻧﺪﮔﯽ(‬ ‫3.‬ ‫از ﺑﻌﺪ رﻓﺘﺎري ﻣﺸﺘﺮﯾﺎن )ﻣﯿﺰان وﻓﺎداري(‬ ‫4.‬ ‫از ﺑﻌﺪ ﻣﺴﺎﺋﻞ ﻣﺮﺑﻮط ﺑﻪ ﻣﺤﺼﻮﻻت‬ ‫5.‬ ‫آﻧﺎﻟﯿﺰ ﺑﺎزار ﻫﺪف‬ ‫2.‬ ‫21‬

13. ‫ﻣدﯾرﯾت ارﺗﺑﺎط ﺑﺎ ﻣﺷﺗری)‪:(CRM‬‬ ‫1. ﺷﻨﺎﺧﺖ ﻣﺸﺘﺮﯾﺎن < ﺗﻘﺴﯿﻢ ﺑﻨﺪي ﻣﺸﺘﺮﯾﺎن < اﺑﺰار ﺧﻮﺷﻪ ﺑﻨﺪي)ﻣﺜﺎﻟﯽ در ﯾﮏ ﺷﺮﮐﺖ ﻣﺨﺎﺑﺮاﺗﯽ(‬ ‫ﺧﻮﺷﻪ‬ ‫ﻃﻮل ﺣﺴﺎب ﮐﺎرﺑﺮي‬ ‫ﭘﯿﺎم ﺻﻮﺗﯽ‬ ‫ﻣﮑﺎﻟﻤﻪ در روز‬ ‫ﻣﮑﺎﻟﻤﻪ در ﻋﺼﺮ‬ ‫ﻣﮑﺎﻟﻤﻪ در ﺷﺐ‬ ‫ﻣﮑﺎﻟﻤﺎت ﺑﯿﻦ اﻟﻤﻠﻠﯽ‬ ‫ﺗﻌﺪاد‬ ‫1‬ ‫26‬ ‫0‬ ‫2.981‬ ‫2.002‬ ‫902‬ ‫2.01‬ ‫258‬ ‫2‬ ‫7.001‬ ‫2.92‬ ‫6.871‬ ‫3.202‬ ‫5.102‬ ‫1.01‬ ‫038‬ ‫3‬ ‫2.101‬ ‫0‬ ‫2.971‬ ‫202‬ ‫4.991‬ ‫3.01‬ ‫025‬ ‫4‬ ‫1.701‬ ‫2.13‬ ‫8.881‬ ‫3.802‬ ‫402‬ ‫11‬ ‫38‬ ‫5‬ ‫9.041‬ ‫0‬ ‫861‬ ‫4.891‬ ‫1.491‬ ‫1.01‬ ‫808‬ ‫6‬ ‫301‬ ‫5.0‬ ‫7.781‬ ‫4.202‬ ‫8.391‬ ‫5.01‬ ‫042‬ ‫ﺗﺤﻠﯿﻞ ﻧﺘﺎﯾﺞ:‬ ‫‪‬‬ ‫ﺧﻮﺷﻪ3: ﻣﺸﺘﺮﯾﺎن ﻣﯿﺎﻧﮕﯿﻦ‬ ‫ﺧﻮﺷﻪ 2: ﻣﺸﺮﯾﺎن ﭘﯿﺎم ﺻﻮﺗﯽ‬ ‫ﺧﻮﺷﻪ 1: ﻣﺸﺘﺮﯾﺎن ﺟﺪﯾﺪ‬ ‫ﺧﻮﺷﻪ 6: ﻣﺸﺘﺮﯾﺎن ﺑﯿﻦ اﻟﻤﻠﻠﯽ‬ ‫ﺧﻮﺷﻪ 4: ﻣﺸﺘﺮﯾﺎن ﻗﺪرﺗﻤﻨﺪ ﺧﻮﺷﻪ 5: ﻣﺸﺘﺮﯾﺎن ﮐﻢ اﺳﺘﻔﺎده‬ ‫31‬

14. ‫ﻣدﯾرﯾت ارﺗﺑﺎط ﺑﺎ ﻣﺷﺗری)‪:(CRM‬‬ ‫ﺷﺮﮐﺖ ارﺗﺒﺎﻃﺎت ‪ Sprint‬ﺑﻪ ﻣﻨﻈﻮر ﭘﯿﺶ ﺑﯿﻨﯽ رﻓﺘﺎر ﻣﺸﺘﺮﯾﺎن ﺧﻮد از‬ ‫‪‬‬ ‫ﺳﯿﺴﺘﻢ داده ﮐﺎوي اﺳﺘﻔﺎده ﻧﻤﻮد و در ﻣﺎه ﻫﺎي اول 1 ﻣﯿﻠﯿﻮن دﻻر ذﺧﯿﺮه‬ ‫ﻧﻤﻮد.‬ ‫اﯾﻦ ﺳﯿﺴﺘﻢ ﺗﻮﺳﻂ اﻧﺴﺘﯿﺘﻮي ‪ SAS‬ﺑﺮاي ‪ CRM‬اﯾﻦ ﺷﺮﮐﺖ ﻃﺮاﺣﯽ ﺷﺪه‬ ‫‪‬‬ ‫ﺑﻮد.‬ ‫ﮐﺎرﺷﻨﺎﺳﺎن اﯾﻦ ﺷﺮﮐﺖ اﻋﻼم ﮐﺮدﻧﺪ:“ درﺧﻮاﺳﺖ ﻫﺎي ﻣﺎ از اﻃﻼﻋﺎت‬ ‫‪‬‬ ‫ﻣﻮﺟﻮد ﮐﻪ ﻫﻔﺘﻪ ﻫﺎ ﺑﻪ ﻃﻮل ﻣﯽ اﻧﺠﺎﻣﯿﺪ اﮐﻨﻮن در ﮐﻤﺘﺮ از ﭼﻨﺪ ﺳﺎﻋﺖ‬ ‫ﻣﯿﺴﺮ ﻣﯽ ﺷﻮد. “‬ ‫41‬

15. ‫ﻣدﯾرﯾت ارﺗﺑﺎط ﺑﺎ ﻣﺷﺗری)‪:(CRM‬‬ ‫اﺑﺰار ﮐﻼﺳﻪ ﺑﻨﺪي‬ ‫2. ﺟﺬب ﻣﺸﺘﺮﯾﺎن‬ ‫ﻣﺜﺎل: ﻓﺮوﺷﮕﺎه ﭘﻮﺷﺎﮐﯽ ﺑﻪ ﻣﻨﻈﻮر ارزﯾﺎﺑﯽ ﻣﯿﺰان ﺗﺎﺛﯿﺮ ﺗﺒﻠﯿﻐﺎت ﺧﻮد در ﺑﯿﻦ ﻣﺸﺘﺮﯾﺎن، اﻗﺪام ﺑﻪ‬ ‫ﺟﻤﻊ آوري اﻃﻼﻋﺎت ﻓﺮوش ﺧﻮد در ﻣﺪت ﯾﮏ ﺳﺎل و در ﻓﻮاﺻﻞ ﻫﻔﺘﮕﯽ ﻧﻤﻮد. ﺑﺮﺧﯽ از داده‬ ‫ﻣﺘﻐﯿﺮ‬ ‫ﺷﻤﺎره‬ ‫ﻫﺎي ﺟﻤﻊ آوري ﺷﺪه ﻋﺒﺎرت ﺑﻮدﻧﺪ از:‬ ‫ﺗﻌﺪاد ﮐﺎﺗﺎﻟﻮگ ﻫﺎي ﭘﺴﺖ ﺷﺪه ﺑﺮاي ﻣﺸﺘﺮﯾﺎن ﺟﺪﯾﺪ‬ ‫1‬ ‫ﺗﻌﺪاد ﮐﺎﺗﺎﻟﻮگ ﻫﺎي ﭘﺴﺖ ﺷﺪه ﺑﺮاي ﻣﺸﺘﺮﯾﺎن ﻗﺪﯾﻢ‬ ‫2‬ ‫ﺗﻌﺪاد ﺻﻔﺤﺎت ﮐﺎﺗﺎﻟﻮگ‬ ‫3‬ ‫ﺗﻌﺪاد ﺧﻄﻮط ﺗﻠﻔﻦ ﺑﺮاي ﭘﺎﺳﺨﮕﻮﯾﯽ‬ ‫4‬ ‫ﻫﺰﯾﻨﻪ ﺻﺮف ﺷﺪه ﺑﺮاي ﺗﺒﻠﯿﻐﺎت‬ ‫5‬ ‫ﺗﻌﺪاد ﻧﻤﺎﯾﻨﺪﮔﯽ ﻫﺎي ﺧﺪﻣﺎت ﺑﻪ ﻣﺸﺘﺮي‬ ‫6‬ ‫ﻣﯿﺰان ﻓﺮوش ﻟﺒﺎس ﻣﺮداﻧﻪ‬ ‫7‬ ‫ﻣﯿﺰان ﻓﺮوش ﻟﺒﺎس زﻧﺎﻧﻪ‬ ‫8‬ ‫43% ﮐﺎﻫﺶ در ﻫﺰﯾﻨﻪ ﺗﺒﻠﯿﻐﺎت-ﺳﺎل 8002‬ ‫51‬

16. ‫ﻣدﯾرﯾت ارﺗﺑﺎط ﺑﺎ ﻣﺷﺗری)‪:(CRM‬‬ ‫ﺣﻞ ﻣﺴﺌﻠﻪ: ﺑﺎ اﺳﺘﻔﺎده از داده ﻫﺎي ﻗﺒﻠﯽ ﻣﺪل ﺳﺎزي ﻣﯽ ﮐﻨﯿﻢ. ﺳﭙﺲ ﻣﺪل را ﺑﺮ روي‬ ‫‪‬‬ ‫داده ﻫﺎي ﺟﺪﯾﺪ)در اﯾﻨﺠﺎ اﺳﺘﺮاﺗﮋي ﻫﺎي ﺟﺪﯾﺪ ﺗﺒﻠﯿﻐﺎﺗﯽ( اﻋﻤﺎل ﻣﯽ ﮐﻨﯿﻢ.‬ ‫ﺗﻌﺪاد ﮐﺎﺗﺎﻟﻮگ‬ ‫ﺗﻌﺪاد ﮐﺎﺗﺎﻟﻮگ‬ ‫ﻣﯿﺰان ﻓﺮوش‬ ‫ﺗﻌﺪاد ﻧﻤﺎﯾﻨﺪﮔﯽ‬ ‫ﻫﺰﯾﻨﻪ ﺻﺮف ﺷﺪه‬ ‫ﺗﻌﺪاد ﺧﻄﻮط‬ ‫ﺗﻌﺪاد ﺻﻔﺤﺎت‬ ‫ﻫﺎي ﭘﺴﺖ ﺷﺪه‬ ‫ﻫﺎي ﭘﺴﺖ ﺷﺪه‬ ‫ﻟﺒﺎس زﻧﺎﻧﻪ ﺑﻪ‬ ‫ﻫﺎي ﺧﺪﻣﺎت ﺑﻪ‬ ‫ﺑﺮاي ﺗﺒﻠﯿﻐﺎت ﺑﻪ‬ ‫ﺗﻠﻔﻦ ﺑﺮاي‬ ‫ﮐﺎﺗﺎﻟﻮگ‬ ‫ﺑﺮاي ﻣﺸﺘﺮﯾﺎن‬ ‫ﺑﺮاي ﻣﺸﺘﺮﯾﺎن‬ ‫ﻣﯿﻠﯿﻮن رﯾﺎل‬ ‫ﻣﺸﺘﺮي‬ ‫ﻣﯿﻠﯿﻮن رﯾﺎل‬ ‫ﭘﺎﺳﺨﮕﻮﯾﯽ‬ ‫ﻗﺪﯾﻢ‬ ‫ﺟﺪﯾﺪ‬ ‫0021‬ ‫01‬ ‫06‬ ‫42‬ ‫41‬ ‫0001‬ ‫003‬ ‫0041‬ ‫31‬ ‫55‬ ‫71‬ ‫21‬ ‫008‬ ‫055‬ ‫0531‬ ‫8‬ ‫35‬ ‫02‬ ‫61‬ ‫0011‬ ‫002‬ ‫...‬ ‫...‬ ‫...‬ ‫...‬ ‫...‬ ‫...‬ ‫...‬ ‫؟‬ ‫51‬ ‫05‬ ‫51‬ ‫02‬ ‫0002‬ ‫051‬ ‫ﭘﺎﺳﺦ ﻣﺪل‬ ‫61‬

17. ‫ﻣدﯾرﯾت ارﺗﺑﺎط ﺑﺎ ﻣﺷﺗری)‪:(CRM‬‬ ‫3. ﺑﻘﺎ ﻣﺸﺘﺮﯾﺎن‬ ‫اﺑﺰار ﺧﻮﺷﻪ ﺑﻨﺪي‬ ‫ﺳﻨﺠﺶ وﻓﺎداري ﻣﺸﺘﺮﯾﺎن‬ ‫‪‬‬ ‫اﺑﺰارﻫﺎي ﺧﻮﺷﻪ ﺑﻨﺪي و ﮐﻼﺳﻪ ﺑﻨﺪي‬ ‫ﺑﺎزارﯾﺎﺑﯽ ﺗﮏ ﺑﻪ ﺗﮏ‬ ‫‪‬‬ ‫4. ﺗﻮﺳﻌﻪ ﻣﺸﺘﺮﯾﺎن‬ ‫اﺑﺰار ﻗﻮاﻋﺪ واﺑﺴﺘﮕﯽ)ﻗﻮاﻧﯿﻦ اﻧﺠﻤﻨﯽ(‬ ‫آﻧﺎﻟﯿﺰ ﺳﺒﺪ ﻓﺮوش‬ ‫‪‬‬ ‫اﺑﺰار ﻗﻮاﻋﺪ واﺑﺴﺘﮕﯽ)ﻗﻮاﻧﯿﻦ اﻧﺠﻤﻨﯽ(‬ ‫ﻓﺮوش ﻣﺤﺼﻮﻻت ﺟﺪﯾﺪ ﺑﻪ ﻣﺸﺘﺮﯾﺎن‬ ‫‪‬‬ ‫71‬

18. ‫ﻣدﯾرﯾت ارﺗﺑﺎط ﺑﺎ ﻣﺷﺗری)‪:(CRM‬‬ ‫4. ﺗﻮﺳﻌﻪ ﻣﺸﺘﺮﯾﺎن < آﻧﺎﻟﯿﺰ ﺳﺒﺪ ﻓﺮوش< اﺑﺰار ﻗﻮاﻋﺪ واﺑﺴﺘﮕﯽ)ﻗﻮاﻧﯿﻦ اﻧﺠﻤﻨﯽ(‬ ‫ﻣﺜﺎل: ﯾﮏ ﻓﺮوﺷﮕﺎه ﻟﻮازم ﺧﺎﻧﮕﯽ، ﺳﺒﺪ ﮐﺎﻻﻫﺎي ﺧﺮﯾﺪاري ﺷﺪه ﺗﻮﺳﻂ ﻣﺸﺘﺮﯾﺎن ﺧﻮد را‬ ‫ﻣﻮرد ﺗﺤﻠﯿﻞ ﻗﺮار داد. ﺑﺮاي اﯾﻦ ﮐﺎر از ﻗﻮاﻋﺪ واﺑﺴﺘﮕﯽ ﺑﺮاي ﮐﺸﻒ ﻗﻮاﻋﺪ در ﺑﯿﻦ داده‬ ‫ﻫﺎ اﺳﺘﻔﺎده ﻧﻤﻮد. ﺑﺮﺧﯽ از ﻧﺘﺎﯾﺞ ﺑﺪﺳﺖ آﻣﺪه ﻃﺒﻖ زﯾﺮ ﻣﯽ ﺑﺎﺷﺪ.‬ ‫آﻧﮕﺎه‬ ‫اﮔﺮ‬ ‫آﻧﮕﺎه‬ ‫اﮔﺮ‬ ‫اﮔﺮ‬ ‫81‬

19. ‫ﻣدﯾرﯾت ارﺗﺑﺎط ﺑﺎ ﻣﺷﺗری)‪:(CRM‬‬ ‫• 0092 ﻓﺮوﺷﮕﺎه در 5 ﮐﺸﻮر دﻧﯿﺎ.‬ ‫• 5.7 ﺗﺮا ﺑﺎﯾﺖ داده را داده ﮐﺎوي ﮐﺮده.‬ ‫• از داده ﮐﺎوي ﺑﺮاي اﺳﺘﺮاﺗﮋي ﻫﺎي ﻓﺮوش اﺳﺘﻔﺎده ﻣﯽ ﮐﻨﺪ.‬ ‫• ﺑﻪ 0053 ﺗﺎﻣﯿﻦ ﮐﻨﻨﺪه ﺧﻮد اﺟﺎزه ﻣﯽ دﻫﺪ ﺗﺎ داﻧﺶ ﮐﺴﺐ ﺷﺪه از اﻃﻼﻋﺎت ﻣﺸﺘﺮﯾﺎن‬ ‫را ﺑﺮرﺳﯽ ﮐﻨﻨﺪ.‬ ‫• در ﺳﺎل 5991، 1 ﻣﯿﻠﯿﻮن ‪ Query‬ﭘﯿﭽﯿﺪه را اﺳﺘﺨﺮاج ﮐﺮده اﺳﺖ.‬ ‫91‬

20. ‫ﺑﺎﻧﮏ، اﻗﺗﺻﺎد، ﺑﯾﻣﮫ:‬ ‫ﭘﯿﺶ ﺑﯿﻨﯽ ﻣﯿﺰان رﯾﺴﮏ اﻋﺘﺒﺎري‬ ‫1.‬ ‫ﭘﯿﺶ ﺑﯿﻨﯽ ﻣﯿﺰان ﺗﺎﺛﯿﺮ ﺗﺒﻠﯿﻐﺎت ﺑﺎﻧﮑﯽ‬ ‫2.‬ ‫ﮐﺸﻒ ﺗﻘﻠﺐ ﻫﺎ در ﺳﯿﺴﺘﻢ ﻫﺎي ﺑﺎﻧﮏ و ﺑﯿﻤﻪ‬ ‫3.‬ ‫ﺑﺮرﺳﯽ اﺣﺘﻤﺎل ورﺷﮑﺴﺘﮕﯽ ﺷﺮﮐﺖ ﻫﺎ‬ ‫4.‬ ‫ﭘﯿﺶ ﺑﯿﻨﯽ ﺷﺎﺧﺺ ﻫﺎي ﻣﺎﻟﯽ و ﺷﺎﺧﺺ ﻫﺎي ﺑﻮرس‬ ‫5.‬ ‫02‬

21. ‫ﺑﺎﻧﮏ، اﻗﺗﺻﺎد، ﺑﯾﻣﮫ:‬ ‫1. ﭘﯿﺶ ﺑﯿﻨﯽ ﻣﯿﺰان رﯾﺴﮏ اﻋﺘﺒﺎري‬ ‫ﻣﺜﺎل: ﺑﺮاي ﻣﺪﯾﺮان ﺑﺎﻧﮏ ﻫﺎ در ﺑﺴﯿﺎري ﻣﻮاﻗﻊ اﯾﻦ اﻣﺮ ﻣﻬﻢ ﻣﯽ ﺑﺎﺷﺪ ﮐﻪ ﺑﺘﻮاﻧﻨﺪ ﻣﯿﺰان رﯾﺴﮏ اﻋﺘﺒﺎري‬ ‫ﻣﺸﺘﺮﯾﺎن ﺧﻮد را ﭘﯿﺶ ﺑﯿﻨﯽ ﮐﻨﻨﺪ. ﺑﺮاي اﯾﻦ ﻣﻨﻈﻮر ﻣﻤﮑﻦ اﺳﺖ ﻣﺸﺨﺼﻪ ﻫﺎي ﻣﺮﺑﻮط ﺑﻪ ﻣﺸﺘﺮﯾﺎن‬ ‫ﺟﻤﻊ آوري ﺷﻮﻧﺪ. اﯾﻦ ﻣﺸﺨﺼﻪ ﻫﺎ ﻣﻤﮑﻦ اﺳﺖ ﻃﺒﻖ زﯾﺮ ﺑﺎﺷﻨﺪ:‬ ‫ﻋﻨﻮان‬ ‫ﺷﻤﺎره‬ ‫ﺳﻦ‬ ‫1‬ ‫ﻣﯿﺰان ﺗﺤﺼﯿﻼت‬ ‫2‬ ‫ﺗﻌﺪاد ﺳﺎﻟﻬﺎﯾﯽ ﮐﻪ در ﻣﮑﺎن ﻓﻌﻠﯽ ﻣﺸﻐﻮل ﺑﻪ ﮐﺎر اﺳﺖ‬ ‫3‬ ‫ﺗﻌﺪاد ﺳﺎﻟﻬﺎﯾﯽ ﮐﻪ در ﻣﮑﺎن ﻓﻌﻠﯽ ﺳﮑﻮﻧﺖ دارد‬ ‫4‬ ‫درآﻣﺪ ﺳﺎﻻﻧﻪ‬ ‫5‬ ‫ﻧﺴﺒﺖ ﺑﺪﻫﯽ ﻫﺎ ﺑﻪ درآﻣﺪ‬ ‫6‬ ‫ﻣﯿﺰان ﺑﺪﻫﯽ ﮐﺎرت اﻋﺘﺒﺎري‬ ‫7‬ ‫12‬ ‫ﻗﺼﻮر در ﭘﺮداﺧﺖ ﻫﺎي ﭘﯿﺸﯿﻦ‬ ‫8‬

22. ‫ﺑﺎﻧﮏ، اﻗﺗﺻﺎد، ﺑﯾﻣﮫ:‬ ‫ﺑﺎﻧﮏ ﻣﺮﮐﺰي آﻣﺮﯾﮑﺎ در ﻃﯽ 2 ﺳﺎل 8.4 ﻣﯿﻠﯿﺎرد دﻻر ﺻﺮﻓﻪ ﺟﻮﯾﯽ ﻧﻤﻮد.‬ ‫اﯾﻦ ﺑﺎﻧﮏ ﺑﺎ اﺳﺘﻔﺎده از ﺳﯿﺴﺘﻢ ﻣﺪﯾﺮﯾﺖ رﯾﺴﮏ اﻋﺘﺒﺎري ﺑﺮ ﭘﺎﯾﻪ داده ﮐﺎوي ﮐﻪ ﺗﻮﺳﻂ‬ ‫ﺷﺮﮐﺖ ‪ SAS‬ﻃﺮاﺣﯽ ﺷﺪه ﺑﻮد، ﺳﯿﺴﺘﻢ ﭘﯿﮕﯿﺮي ﺑﺮﺧﻄﯽ را ﺑﺮاي ﺗﺨﺼﯿﺺ ﺑﺮﺧﻂ ﻣﯿﺰان‬ ‫رﯾﺴﮏ اﻋﺘﺒﺎري ﻣﺸﺘﺮﯾﺎن ﺧﻮد ﻃﺮاﺣﯽ ﻧﻤﻮد.‬ ‫22‬

23. ‫ﺑﺎﻧﮏ، اﻗﺗﺻﺎد، ﺑﯾﻣﮫ:‬ ‫ﻣﺜﺎل: اﺳﺘﻔﺎده از درﺧﺖ ﺗﺼﻤﯿﻢ ﺑﺮاي ﭘﯽ ﺑﺮدن ﺑﻪ ﻣﯿﺰان رﯾﺴﮏ اﻋﺘﺒﺎري ﻣﺸﺘﺮﯾﺎن ﺑﺎﻧﮏ.‬ ‫ﻣﺠﻤﻮﻋﻪ داده اي ﺑﺎ ﺳﻪ ﻣﺘﻐﯿﺮ زﯾﺮ دارﯾﻢ:‬ ‫1. ﻣﯿﺰان داراﯾﯽ اﻓﺮاد‬ ‫2. ﻣﯿﺰان ﭘﺲ اﻧﺪاز اﻓﺮاد‬ ‫3. ﻣﯿﺰان درآﻣﺪ اﻓﺮاد‬ ‫رﯾﺴﮏ‬ ‫درآﻣﺪ‬ ‫ﭘﺲ اﻧﺪاز‬ ‫داراﯾﯽ‬ ‫ﻣﺸﺘﺮي‬ ‫رﯾﺴﮏ ﭘﺎﯾﯿﻦ‬ ‫ﮐﻢ‬ ‫ﮐﻢ‬ ‫زﯾﺎد‬ ‫1‬ ‫رﯾﺴﮏ ﺑﺎﻻ‬ ‫زﯾﺎد‬ ‫زﯾﺎد‬ ‫ﮐﻢ‬ ‫2‬ ‫؟‬ ‫ﮐﻢ‬ ‫زﯾﺎد‬ ‫زﯾﺎد‬ ‫3‬ ‫32‬

24. ‫ﺑﺎﻧﮏ، اﻗﺗﺻﺎد، ﺑﯾﻣﮫ:‬ ‫2. ﭘﯿﺶ ﺑﯿﻨﯽ ﻣﯿﺰان ﺗﺎﺛﯿﺮ ﺗﺒﻠﯿﻐﺎت ﺑﺎﻧﮑﯽ‬ ‫ﺳﺎﻻﻧﻪ ﻫﺰاران دﻻر ﺻﺮف ﺑﺎزارﯾﺎﺑﯽ ﻣﺴﺘﻘﯿﻢ ﺧﻮد ﻣﯽ ﮐﺮد ﮐﻪ اﯾﻦ ﺗﺒﻠﯿﻐﺎت ﺷﺎﻣﻞ ﻣﻮارد زﯾﺮ‬ ‫‪‬‬ ‫ﺑﻮدﻧﺪ:‬ ‫ﺗﺒﻠﯿﻐﺎت ﺧﯿﺎﺑﺎﻧﯽ‬ ‫1.‬ ‫ارﺳﺎل ﮐﺎﺗﺎﻟﻮگ ﻫﺎ‬ ‫2.‬ ‫ارﺳﺎل ﻧﺎﻣﻪ ﻫﺎي ﺗﺒﻠﯿﻐﺎﺗﯽ‬ ‫3.‬ ‫ﭘﺨﺶ ﺗﺮاﮐﺖ‬ ‫4.‬ ‫اﺳﺘﻔﺎده از ﻧﺮم اﻓﺰار ‪ Clementine‬ﺑﺮاي ﺑﺮرﺳﯽ ﻣﺸﺘﺮﯾﺎن.‬ ‫‪‬‬ ‫ﻧﺘﺎﯾﺞ:‬ ‫‪‬‬ ‫ﺑﻪ ﺑﺎﻧﮏ ﮐﻤﮏ ﮐﺮد ﺗﺎ ﻣﺸﺘﺮﯾﺎن ﺧﻮد را ﺑﻬﺘﺮ ﺑﺸﻨﺎﺳﺪ.‬ ‫‪‬‬ ‫روش ﻫﺎي ﺗﺒﻠﯿﻐﺎﺗﯽ را ﭘﯿﺸﻨﻬﺎد ﮐﺮد ﮐﻪ ﻫﻢ ﮐﺎراﺗﺮ ﺑﻮدﻧﺪ و ﻫﻢ ﺳﻮد ﺑﯿﺸﺘﺮي را ﺑﺮاي ﺑﺎﻧﮏ‬ ‫‪‬‬ ‫ﻓﺮاﻫﻢ ﺳﺎﺧﺘﻨﺪ.‬ ‫ﻧﺮخ واﮐﻨﺶ ﻣﺸﺘﺮﯾﺎن 5% اﻓﺰاﯾﺶ ﭘﯿﺪا ﮐﺮد و ﻫﺰﯾﻨﻪ ارﺳﺎل ﺗﺒﻠﯿﻐﺎت ﺑﻪ ﻣﯿﺰان 02% ﮐﺎﻫﺶ ﭘﯿﺪا‬ ‫‪‬‬ ‫ﮐﺮد.‬ ‫42‬

25. ‫ﺑﺎﻧﮏ، اﻗﺗﺻﺎد، ﺑﯾﻣﮫ:‬ ‫3. ﮐﺸﻒ ﺗﻘﻠﺐ ﻫﺎ در ﺳﯿﺴﺘﻢ ﻫﺎي ﺑﺎﻧﮏ و ﺑﯿﻤﻪ‬ ‫ﺑﺮرﺳﯽ ﺗﻘﻠﺐ در ﺳﯿﺴﺘﻢ ﻣﺪﯾﺮﯾﺖ ﺑﺎﻧﮑﯽ و ﺑﯿﻤﻪ اي‬ ‫1.‬ ‫ﺑﺮرﺳﯽ ﺗﻘﻠﺐ در ﮐﺎرت ﻫﺎي اﻋﺘﺒﺎري ﻣﺸﺘﺮﯾﺎن)ﺳﯿﺴﺘﻢ ﺑﺎﻧﮑﯽ(‬ ‫2.‬ ‫ﺑﺮرﺳﯽ ﺗﻘﻠﺐ در ﺧﺮﯾﺪﻫﺎي اﯾﻨﺘﺮﻧﺘﯽ‬ ‫3.‬ ‫اﺑﺰارﻫﺎ: اﺳﺘﻔﺎده از درﺧﺖ ﺗﺼﻤﯿﻢ، ﻣﺪل ﻫﺎي ﭘﯿﺶ ﺑﯿﻨﯽ ﮐﻨﻨﺪه، ﺧﻮﺷﻪ ﺑﻨﺪي و آﻧﺎﻟﯿﺰ وارﯾﺎﻧﺲ‬ ‫‪‬‬ ‫ﻧﻤﻮﻧﻪ اي از اﮐﺘﺸﺎﻓﺎت ﻣﻬﻢ در زﻣﯿﻨﻪ ﺗﻘﻠﺐ ﻫﺎي ﺻﻮرت ﮔﺮﻓﺘﻪ:‬ ‫‪‬‬ ‫ﺣﺎدﺛﻪ 11 ﺳﭙﺘﺎﻣﺒﺮ‬ ‫‪‬‬ ‫ﭘﺮوژه ‪Able Danger‬‬ ‫‪‬‬ ‫ﺑﺮرﺳﯽ 5.1 ﻣﯿﻠﯿﻮن رﮐﻮرد اﻃﻼﻋﺎت‬ ‫‪‬‬ ‫ﻣﺮﺑﻮط ﺑﻪ ﺷﻬﺮوﻧﺪان‬ ‫03 ﮐﺎرت اﻋﺘﺒﺎري – 21 آدرس ﺧﺎﻧﻪ‬ ‫‪‬‬ ‫ﻣﺤﻤﺪ اﺗﺎ‬ ‫‪‬‬ ‫52‬

26. ‫ﺑﺎﻧﮏ، اﻗﺗﺻﺎد، ﺑﯾﻣﮫ:‬ ‫4. ﺑﺮرﺳﯽ اﺣﺘﻤﺎل ورﺷﮑﺴﺘﮕﯽ ﺷﺮﮐﺖ ﻫﺎ‬ ‫ﻫﺪف: ﭘﯿﺶ ﺑﯿﻨﯽ اﺣﺘﻤﺎل ورﺷﮑﺴﺘﮕﯽ ﺷﺮﮐﺖ ﻫﺎ‬ ‫اﺑﺰار: درﺧﺖ ﺗﺼﻤﯿﻢ‬ ‫اﻃﻼﻋﺎت ﻣﺮﺑﻮط ﺑﻪ 92 ﺷﺮﮐﺖ ﮐﺮه اي در ﺑﯿﻦ ﺳﺎﻟﻬﺎي 8991-7991 ﺟﻤﻊ آوري ﺷﺪ.‬ ‫‪‬‬ ‫اﯾﻦ اﻃﻼﻋﺎت از ﺑﺎزار ﺑﻮرس و ﺑﺎﻧﮏ ﻫﺎ اﺳﺘﺨﺮاج ﺷﺪ.‬ ‫‪‬‬ ‫ﻧﺘﺎﯾﺞ:‬ ‫‪‬‬ ‫اﮔﺮ ﺑﻬﺮه وري ﺳﺮﻣﺎﯾﻪ از 56.91 ﺑﯿﺸﺘﺮ ﺑﺎﺷﺪ ﻋﺪم ورﺷﮑﺴﺘﮕﯽ ﺑﺎ اﻃﻤﯿﻨﺎن 68% اﺗﻔﺎق ﻣﯽ اﻓﺘﺪ.‬ ‫‪‬‬ ‫اﮔﺮ ﺑﻬﺮه وري ﺳﺮﻣﺎﯾﻪ ﮐﻤﺘﺮ از 56.91 و اﮔﺮ ﻧﺴﺒﺖ ﮔﺮدش ﻧﻘﺪي ﺑﻪ ﮐﻞ داراﯾﯽ زﯾﺮ 56.5 ﺑﺎﺷﺪ،‬ ‫‪‬‬ ‫ورﺷﮑﺴﺘﮕﯽ ﺑﺎ اﻃﻤﯿﻨﺎن 48% اﺗﻔﺎق ﻣﯽ اﻓﺘﺪ.‬ ‫62‬

27. ‫ﺑﺮرﺳﯽ دﻋﺎوي ﻣﺮﺑﻮط ﺑﻪ ﺿﻤﺎﻧﺖ ﻧﺎﻣﻪ ﻣﺎﺷﯿﻦ ﻫﺎ)9991(‬ ‫‪‬‬ ‫اﻫﺪاف ﻃﺮح:‬ ‫‪‬‬ ‫آﯾﺎ رواﺑﻄﯽ ﺑﯿﻦ ﺿﻤﺎﻧﺖ ﻧﺎﻣﻪ ﻫﺎ وﺟﻮد دارد؟‬ ‫‪‬‬ ‫آﯾﺎ دﻋﺎوي ﮔﺬﺷﺘﻪ ارﺗﺒﺎﻃﯽ ﺑﺎ دﻋﺎوي آﯾﻨﺪه دارﻧﺪ؟‬ ‫‪‬‬ ‫آﯾﺎ ارﺗﺒﺎﻃﯽ ﺑﺎ دﻋﺎوي ﺧﺎص و ﻧﻤﺎﯾﻨﺪﮔﯽ ﻫﺎي ﺗﻌﻤﯿﺮﮔﺎﻫﯽ وﺟﻮد دارد؟‬ ‫‪‬‬ ‫اﺑﺰار:‬ ‫‪‬‬ ‫اﺳﺘﻔﺎده از ﻗﻮاﻧﯿﻦ واﺑﺴﺘﮕﯽ )اﮔﺮ ‪ X‬آﻧﮕﺎه ‪(Y‬‬ ‫ﻧﺘﺎﯾﺞ:‬ ‫‪‬‬ ‫ﺑﻪ ﻧﺘﯿﺠﻪ ﺧﺎﺻﯽ دﺳﺖ ﭘﯿﺪا ﻧﮑﺮدﻧﺪ. ﺳﭙﺲ ﻣﺤﻘﻘﺎن ﺳﻌﯽ ﮐﺮدﻧﺪ ﻋﻠﺖ ﺑﻪ ﻧﺘﯿﺠﻪ ﻧﺮﺳﯿﺪن را‬ ‫‪‬‬ ‫ﺑﺮﺳﯽ ﮐﻨﻨﺪ. ﭘﺲ از ﺑﺮرﺳﯽ ﺑﻪ ﻧﺘﯿﺠﻪ رﺳﯿﺪﻧﺪ ﮐﻪ داده ﻫﺎﯾﯽ ﮐﻪ اﺳﺘﻔﺎده ﮐﺮدﻧﺪ داده ﻫﺎي‬ ‫ﺧﯿﻠﯽ ﻣﻨﺎﺳﺒﯽ ﻧﺒﻮده اﺳﺖ ﭘﺲ ﺗﺼﻤﯿﻢ ﮔﺮﻓﺘﻨﺪ ﭘﺎﯾﮕﺎه ﻫﺎي داده اي را اﯾﺠﺎد ﮐﻨﻨﺪ ﮐﻪ در‬ ‫آﯾﻨﺪه ﺑﺘﻮان ﺑﺎ اﺳﺘﻔﺎده از اﯾﻦ ﭘﺎﯾﮕﺎه ﻫﺎي داده، ﺑﻪ ﻧﺘﺎﯾﺞ ﺑﻬﺘﺮي در ﺗﺤﻘﯿﻘﺎت دﺳﺖ ﭘﯿﺪا ﮐﺮد.‬ ‫72‬

28. ‫ﺳﺎﺧت و ﺗوﻟﯾد:‬ ‫ﻣﺪﯾﺮﯾﺖ زﻧﺠﯿﺮه ﺗﺎﻣﯿﻦ‬ ‫1.‬ ‫ﺗﻌﻤﯿﺮات و ﻧﮕﻬﺪاري‬ ‫2.‬ ‫ﮐﻨﺘﺮل ﮐﯿﻔﯿﺖ‬ ‫3.‬ ‫ﺗﺸﺨﯿﺺ ﺧﺮاﺑﯽ ﻫﺎ‬ ‫4.‬ ‫ﻣﺎﻧﯿﺘﻮرﯾﻨﮓ ﺷﺮاﯾﻂ‬ ‫5.‬ ‫زﻣﺎن ﺑﻨﺪي ﮐﺎرﻫﺎ‬ ‫6.‬ ‫ﭘﯿﺶ ﺑﯿﻨﯽ ﺗﻮﻟﯿﺪ‬ ‫7.‬ ‫ﺑﻬﺒﻮد ﺑﻬﺮه وري ﺗﻮﻟﯿﺪات‬ ‫8.‬ ‫82‬

29. ‫ﺳﺎﺧت و ﺗوﻟﯾد:‬ ‫ﺳﺎل 5002‬ ‫92‬

30. ‫ﺳﺎﺧت و ﺗوﻟﯾد:‬ ‫ﺳﺎل 9002‬ ‫03‬

31. ‫ﻣﺪﯾﺮﯾﺖ زﻧﺠﯿﺮه ﺗﺎﻣﯿﻦ ‪:SCM‬‬ ‫ﻣﺪﯾﺮﯾﺖ زﻧﺠﯿﺮه ﺗﺎﻣﯿﻦ ﺷﺎﻣﻞ ﻣﺪﯾﺮﯾﺖ ﻣﻮاد، اﻃﻼﻋﺎت و ﻣﺴﺎﺋﻞ ﻣﺎﻟﯽ در ﺷﺒﮑﻪ اي‬ ‫‪‬‬ ‫ﻣﺸﺘﻤﻞ ﺑﺮ ﺗﺎﻣﯿﻦ ﮐﻨﻨﺪﮔﺎن، ﺳﺎزﻧﺪﮔﺎن، ﺗﻮزﯾﻊ ﮐﻨﻨﺪﮔﺎن و ﻣﺸﺘﺮﯾﺎن ﻣﯽ ﺑﺎﺷﺪ.‬ ‫ﻣﺜﺎل: ﻃﺮاﺣﯽ ﻣﺪﻟﯽ ﺑﺮاي ﭘﯿﺶ ﺑﯿﻨﯽ ﺑﺮﻧﺪه ﻣﻨﺎﻗﺼﺎت در ﻣﺠﺘﻤﻊ ﮐﺸﺘﯽ ﺳﺎزي و ﺻﻨﺎﯾﻊ‬ ‫ﻓﺮا ﺳﺎﺣﻞ اﯾﺮان )ﮐﺎرﺑﺮد ﺑﺮاي ﺗﺎﻣﯿﻦ ﮐﻨﻨﺪﮔﺎن(‬ ‫ﻫﺪف: ﭘﯿﺶ ﺑﯿﻨﯽ ﺑﺮﻧﺪه ﻣﻨﺎﻗﺼﺎت‬ ‫‪‬‬ ‫ﺟﻤﻊ آوري اﻃﻼﻋﺎت ﻣﺮﺑﻮط ﺑﻪ ﺧﺮﯾﺪ و ﻣﻨﺎﻗﺼﺎت‬ ‫‪‬‬ ‫ﺗﻬﯿﻪ ﺑﯿﺶ از 0001 رﮐﻮرد داده ﺑﺎ ﺑﯿﺶ از 03 ﻣﺘﻐﯿﺮ‬ ‫‪‬‬ ‫از ﺟﻤﻠﻪ ﻣﺘﻐﯿﺮﻫﺎي:ﻧﺎم ﭘﺮوژه، ﻧﺎم ﺗﺎﻣﯿﻦ ﮐﻨﻨﺪه، ﻗﯿﻤﺖ ﭘﯿﺸﻨﻬﺎدي ﺗﺎﻣﯿﻦ ﮐﻨﻨﺪه، درﺻﺪ ﭘﯿﺶ‬ ‫‪‬‬ ‫ﭘﺮداﺧﺖ، اﻣﺘﯿﺎز ﻣﻌﯿﺎرﻫﺎي ﻓﻨﯽ و رد و ﯾﺎ ﻗﺒﻮل ﺷﺪن ﭘﺮوژه‬ ‫اراﺋﻪ ﻣﺪﻟﯽ ﺑﺮاي ﭘﯿﺶ ﺑﯿﻨﯽ ﺑﺮﻧﺪه ﻣﻨﺎﻗﺼﺎت‬ ‫‪‬‬ ‫ﻧﺘﯿﺠﻪ ﭘﺎﯾﺎن ﻧﺎﻣﻪ‬ ‫‪‬‬ ‫13‬

32. ‫ﻣﺪﯾﺮﯾﺖ زﻧﺠﯿﺮه ﺗﺎﻣﯿﻦ ‪:SCM‬‬ ‫ﻣﺜﺎل: ﺧﻮﺷﻪ ﺑﻨﺪي ﻣﺸﺘﺮﯾﺎن ﺑﻪ ﻣﻨﻈﻮر اراﺋﻪ ﺧﺪﻣﺎت ﺑﻪ ﻣﻮﻗﻊ)‪ (JIT‬ﺑﻪ آﻧﻬﺎ‬ ‫)ﮐﺎرﺑﺮد ﺑﺮاي ﺳﺎزﻧﺪﮔﺎن(‬ ‫‪ ‬ﻫﺪف: ﺷﻨﺎﺧﺖ ﺳﻔﺎرﺷﺎت ﯾﮑﺴﺎن‬ ‫‪ ‬اﺑﺰار: ﺧﻮﺷﻪ ﺑﻨﺪي‬ ‫‪ ‬داده ﻫﺎي ﻣﻮﺟﻮد:ﻓﺮﯾﻢ، ﻣﻮﺗﻮر، ﮐﺎﺑﯿﻦ، ﭼﺮﺧﻬﺎ، ﺑﺎك‬ ‫‪ ‬ﺑﺎ ﺧﻮﺷﻪ ﺑﻨﺪي اﻃﻼﻋﺎت ﻣﺸﺘﺮﯾﺎن ﺗﻮﺳﻂ روش ﻫﺎي ﻣﺨﺘﻠﻒ ﻣﯽ ﺗﻮان‬ ‫ﺳﻔﺎرﺷﺎت ﺳﺎﺧﺖ را در زﻣﺎن ﮐﻤﺘﺮي و ﺑﻪ روش ﺑﻬﯿﻨﻪ ﺗﺮي ﻣﺪﯾﺮﯾﺖ‬ ‫ﺑﺎك‬ ‫ﭼﺮخ ﻫﺎ‬ ‫ﮐﺎﺑﯿﻦ‬ ‫ﻣﻮﺗﻮر‬ ‫ﻓﺮﯾﻢ‬ ‫ﻧﺎم‬ ‫ﮐﺮد.‬ ‫ﺧﯿﺮ‬ ‫ﺑﺰرگ‬ ‫ﺳﺒﺰ‬ ‫ﻣﺘﻮﺳﻂ‬ ‫ﺑﺰرگ‬ ‫ﻣﺸﺘﺮي 1‬ ‫ﺧﯿﺮ‬ ‫ﺑﺰرگ‬ ‫ﺻﻮرﺗﯽ‬ ‫ﺧﯿﻠﯽ ﺑﺰرگ ﺧﯿﻠﯽ ﺑﺰرگ‬ ‫ﻣﺸﺘﺮي 2‬ ‫ﺑﻠﻪ‬ ‫ﻣﺘﻮﺳﻂ‬ ‫زرد‬ ‫ﻣﺘﻮﺳﻂ‬ ‫ﮐﻮﭼﮏ‬ ‫ﻣﺸﺘﺮي 3‬ ‫ﺑﻠﻪ‬ ‫ﺑﺰرگ‬ ‫ﻗﺮﻣﺰ‬ ‫ﺑﺰرگ‬ ‫ﺑﺰرگ‬ ‫ﻣﺸﺘﺮي 4‬ ‫23‬ ‫ﺧﯿﺮ‬ ‫ﻣﺘﻮﺳﻂ‬ ‫زرد‬ ‫ﮐﻮﭼﮏ‬ ‫ﮐﻮﭼﮏ‬ ‫ﻣﺸﺘﺮي 5‬

33. ‫ﻣﺪﯾﺮﯾﺖ زﻧﺠﯿﺮه ﺗﺎﻣﯿﻦ ‪:SCM‬‬ ‫‪ ‬ﻧﺘﯿﺠﻪ ﺧﻮﺷﻪ ﺑﻨﺪي:‬ ‫ﺑﺎك‬ ‫ﭼﺮخ ﻫﺎ‬ ‫ﮐﺎﺑﯿﻦ‬ ‫ﻣﻮﺗﻮر‬ ‫ﻓﺮﯾﻢ‬ ‫ﻧﺎم‬ ‫ﺑﻠﻪ‬ ‫ﺑﺰرگ‬ ‫ﻗﺮﻣﺰ‬ ‫ﺑﺰرگ‬ ‫ﺑﺰرگ‬ ‫ﻣﺸﺘﺮي 4‬ ‫ﺧﯿﺮ‬ ‫ﺑﺰرگ‬ ‫ﺳﺒﺰ‬ ‫ﻣﺘﻮﺳﻂ‬ ‫ﺑﺰرگ‬ ‫ﻣﺸﺘﺮي 1‬ ‫ﺑﻠﻪ‬ ‫ﻣﺘﻮﺳﻂ‬ ‫زرد‬ ‫ﻣﺘﻮﺳﻂ‬ ‫ﮐﻮﭼﮏ‬ ‫ﻣﺸﺘﺮي 3‬ ‫ﺧﯿﺮ‬ ‫ﻣﺘﻮﺳﻂ‬ ‫زرد‬ ‫ﮐﻮﭼﮏ‬ ‫ﮐﻮﭼﮏ‬ ‫ﻣﺸﺘﺮي 5‬ ‫ﺧﯿﺮ‬ ‫ﺑﺰرگ‬ ‫ﺻﻮرﺗﯽ‬ ‫ﺧﯿﻠﯽ ﺑﺰرگ ﺧﯿﻠﯽ ﺑﺰرگ‬ ‫ﻣﺸﺘﺮي 2‬ ‫33‬

34. ‫ﺗﻌﻣﯾرات و ﻧﮕﮭداری:‬ ‫ﮐﺎرﺑﺮدﻫﺎ:‬ ‫‪ ‬ﭘﯿﺶ ﺑﯿﻨﯽ ﺧﺮاﺑﯽ ﻫﺎ‬ ‫‪ ‬ﻣﺎﻧﯿﺘﻮرﯾﻨﮓ ﺷﺮاﯾﻂ‬ ‫‪ ‬ﭘﯿﺶ ﺑﯿﻨﯽ ﺗﻌﻮﯾﺾ ﺧﺮاﺑﯽ ﻫﺎ‬ ‫ﻣﺜﺎل: ﭘﯿﺶ ﺑﯿﻨﯽ زﻣﺎن ﺗﻌﻮﯾﺾ ﻗﻄﻌﺎت‬ ‫‪ ‬ﻫﺪف: ﭘﯿﺶ ﺑﯿﻨﯽ زﻣﺎن ﺧﺮاﺑﯽ‬ ‫‪ ‬اﺑﺰار: ﭘﯿﺶ ﺑﯿﻨﯽ و ﮐﻼس ﺑﻨﺪي‬ ‫‪ ‬ﻧﺘﯿﺠﻪ:‬ ‫ﻣﺤﻘﻘﺎن ﺑﺎ اﺳﺘﻔﺎده روش ﻫﺎي ﭘﯿﺶ ﺑﯿﻨﯽ ﺗﻮاﻧﺴﺘﻨﺪ ﺧﺮاﺑﯽ در ﻗﻄﻌﺎت را ﮐﺎﻫﺶ دﻫﻨﺪ و زﻣﺎن‬ ‫ﺗﻌﻮﯾﺾ ﻗﻄﻌﺎت را ﭘﯿﺶ از ﺧﺮاﺑﯽ در ﻗﻄﻌﺎت ﭘﯿﺶ ﺑﯿﻨﯽ ﮐﻨﻨﺪ.‬ ‫ﻣﺘﺨﺼﺼﺎن در اﯾﻦ ارﺗﺒﺎط ﺳﯿﺴﺘﻢ ﻫﺸﺪاري ﻃﺮاﺣﯽ ﻧﻤﻮدﻧﺪ ﺗﺎ ﺑﺎ اﺳﺘﻔﺎده از ﻣﺪﻟﻬﺎي ﺳﺎﺧﺘﻪ ﺷﺪه‬ ‫ﭘﯿﺶ از وﻗﻮع ﺧﺮاﺑﯽ ﺑﻪ ﻣﺘﺨﺼﺼﺎن ﻫﺸﺪار دﻫﺪ ﺗﺎ آﻧﻬﺎ ﺑﺘﻮاﻧﻨﺪ ﻗﻄﻌﺎت را ﭘﯿﺶ از ﺧﺮاﺑﯽ ﺗﻌﻤﯿﺮ‬ ‫ﯾﺎ ﺗﻌﻮﯾﺾ ﻧﻤﺎﯾﻨﺪ.‬ ‫43‬

35. ‫ﺗﻌﻣﯾرات و ﻧﮕﮭداری:‬ ‫ﻣﺜﺎل: داده ﮐﺎوي در ﭘﺎﯾﮕﺎه داده ﺗﻌﻤﯿﺮات و ﻧﮕﻬﺪاري ﺑﯿﻤﺎرﺳﺘﺎﻧﯽ ﺑﻪ ﻣﻨﻈﻮر ﭘﺸﺘﯿﺒﺎﻧﯽ‬ ‫از ﺗﺼﻤﯿﻢ ﮔﯿﺮي ﻫﺎي ﻣﺪﯾﺮﯾﺘﯽ‬ ‫ﻫﺪف: درﺳﺖ ﮐﺮدن ﭘﺎﯾﮕﺎه داﻧﺶ‬ ‫‪‬‬ ‫اﺑﺰار: ﻗﻮاﻧﯿﻦ واﺑﺴﺘﮕﯽ‬ ‫‪‬‬ ‫داده ﻫﺎ: ﻧﺎم دﺳﺘﮕﺎه، دﺳﺘﻪ ﻣﺮﺑﻮط ﺑﻪ دﺳﺘﮕﺎه، ﻧﺎم ﺑﺨﺸﯽ ﮐﻪ دﺳﺘﮕﺎه در آن ﺑﻮده،‬ ‫‪‬‬ ‫ﺗﻌﺪاد وﺳﺎﯾﻞ ارﺟﺎﻋﯽ، ﻣﺪت ﺗﻌﻤﯿﺮ، ﻧﻮع ﺧﺮاﺑﯽ، وﺿﻌﯿﺖ ﺗﻌﻤﯿﺮ و..‬ ‫ﻧﺘﺎﯾﺞ:‬ ‫‪‬‬ ‫آﻧﮕﺎه‬ ‫اﮔﺮ‬ ‫اﮔﺮ‬ ‫اﮔﺮ‬ ‫آﻧﮕﺎه‬ ‫53‬

36. ‫ﭘزﺷﮑﯽ:‬ ‫‪ ‬ﺗﺨﻤﯿﻦ ﻫﺰﯾﻨﻪ ﺑﯿﻤﺎران‬ ‫‪ ‬ﭘﯿﺶ ﺑﯿﻨﯽ اﺣﺘﻤﺎل ﻣﺒﺘﻼ ﺷﺪن ﺷﺨﺼﯽ ﺑﻪ ﺑﯿﻤﺎري ﺧﺎص‬ ‫‪ ‬ﭘﯿﺶ ﺑﯿﻨﯽ ﻧﺠﺎت ﺑﯿﻤﺎران از ﺑﯿﻤﺎري ﻫﺎ‬ ‫‪ ‬ﮐﺸﻒ ﺗﻘﻠﺐ ﭘﺰﺷﮑﺎن و ﺑﯿﻤﺎران‬ ‫‪ ‬ﭘﯿﺶ ﺑﯿﻨﯽ ﺗﺠﻮﯾﺰ داروي ﻣﻨﺎﺳﺐ ﺑﺮاي اﻓﺮاد‬ ‫‪ ‬ﺧﻮﺷﻪ ﺑﻨﺪي ﺑﯿﻤﺎران ﺑﻪ ﻣﻨﻈﻮر ﮐﺸﻒ ﮔﺮوﻫﻬﺎي ﺑﯿﻤﺎري‬ ‫63‬

37. ‫ﭘزﺷﮑﯽ:‬ ‫1. ﺗﺨﻤﯿﻦ ﻫﺰﯾﻨﻪ ﺑﯿﻤﺎران‬ ‫ﻣﺜﺎل: ﺑﯿﻤﺎرﺳﺘﺎﻧﯽ ﺑﺮاي ﺗﺨﻤﯿﻦ ﻫﺰﯾﻨﻪ درﻣﺎﻧﯽ ﺑﯿﻤﺎران ﺳﺮﻃﺎﻧﯽ، اﻃﻼﻋﺎت 8001 ﻧﻔﺮ از‬ ‫ﺑﯿﻤﺎران را ﺟﻤﻊ آوري ﻧﻤﻮد. اﯾﻦ ﻣﺠﻤﻮﻋﻪ داده ﺷﺎﻣﻞ 21 ﻣﺘﻐﯿﺮ ﺑﻮد. اﯾﻦ‬ ‫ﺑﯿﻤﺎرﺳﺘﺎن ﻗﺼﺪ داﺷﺖ ﻫﺰﯾﻨﻪ درﻣﺎﻧﯽ ﺑﯿﻤﺎران را ﭘﯿﺶ ﺑﯿﻨﯽ ﮐﻨﺪ.‬ ‫ﻫﺪف: ﺗﺨﻤﯿﻦ ﻫﺰﯾﻨﻪ درﻣﺎن‬ ‫اﺑﺰار: ﮐﻼﺳﻪ ﺑﻨﺪي)ﺷﺒﮑﻪ ﻋﺼﺒﯽ، درﺧﺖ ﺗﺼﻤﯿﻢ(‬ ‫داده ﻫﺎ: ﺟﻨﺴﯿﺖ، وﺿﻌﯿﺖ ﺗﺎﻫﻞ، ﻣﯿﺰان ﻓﻌﺎﻟﯿﺖ، ﺗﻌﺪاد دﻓﻌﺎت ﺷﯿﻤﯽ درﻣﺎﻧﯽ، ﻫﺰﯾﻨﻪ‬ ‫درﻣﺎﻧﯽ و ...‬ ‫ﻧﺘﺎﯾﺞ:‬ ‫دﻗﺖ ﺷﺒﮑﻪ ﻫﺎي ﻋﺼﺒﯽ در اﯾﻦ ﭘﯿﺶ ﺑﯿﻨﯽ ﻫﺰﯾﻨﻪ ﺑﯿﻤﺎران 79% ﻣﯽ ﺑﺎﺷﺪ. ﺷﺒﮑﻪ ﻫﺎي‬ ‫ﻋﺼﺒﯽ ﺑﻪ ﻣﻨﻈﻮر ﭘﯿﺶ ﺑﯿﻨﯽ ﻫﺰﯾﻨﻪ ﻫﺎي درﻣﺎﻧﯽ، از دﻗﺖ ﺑﺎﻻﺗﺮي ﻧﺴﺒﺖ ﺑﻪ روش‬ ‫ﻫﺎﯾﯽ ﻣﺎﻧﻨﺪ درﺧﺖ ﺗﺼﻤﯿﻢ ﺑﻬﺮه ﻣﻨﺪ ﻣﯽ ﺑﺎﺷﻨﺪ.‬ ‫73‬

38. ‫ﺑررﺳﯽ ﺳﺎﺧﺗﺎر ﻣﻘﺎﻻت ‪:ISI‬‬ ‫‪ ‬ﻋﻨﻮان ﻣﻘﺎﻟﻪ: ﺳﯿﺴﺘﻢ ﭘﺸﺘﯿﺒﺎﻧﯽ ﺗﺼﻤﯿﻢ ﮔﯿﺮي در ارﺗﺒﺎط ﺑﺎ‬ ‫ﺑﯿﻤﺎري ﻗﻠﺒﯽ ﺑﺮ ﭘﺎﯾﻪ وب ﺑﺎ اﺳﺘﻔﺎده از روش ﻫﺎي ﻣﺪﻟﺴﺎزي‬ ‫ﮐﻼﺳﻪ ﺑﻨﺪي داده ﮐﺎوي‬ ‫‪ ‬ﻧﻮع اﻧﺘﺸﺎرات و ﺳﺎل ﻧﺸﺮ: ﮐﻨﻔﺮاﻧﺴﯽ 7002‬ ‫‪ ‬ﺗﺤﺼﯿﻼت ﻧﻮﯾﺴﻨﺪﮔﺎن:ﻓﻨﺎوري اﻃﻼﻋﺎت – ﻣﺎﻟﺰي‬ ‫‪ ‬اﻫﺪاف:‬ ‫‪ ‬ﮐﺪام ﺑﯿﻤﺎر اﺣﺘﻤﺎل دارد ﺑﻪ ﺑﯿﻤﺎري ﻗﻠﺒﯽ دﭼﺎر ﺷﻮد.‬ ‫‪ ‬ﭘﯿﮕﯿﺮي ﺗﺎﺛﯿﺮ دارو ﻫﺎ ﺑﺮ روي ﺑﯿﻤﺎران.‬ ‫‪ ‬ﭘﯿﺪا ﮐﺮدن ﻣﺸﺨﺼﻪ ﻫﺎي ﺑﯿﻤﺎران ﻗﻠﺒﯽ و ...‬ ‫83‬

39. ‫ﺑررﺳﯽ ﺳﺎﺧﺗﺎر ﻣﻘﺎﻻت ‪:ISI‬‬ ‫93‬

40. ‫ﺑررﺳﯽ ﺳﺎﺧﺗﺎر ﻣﻘﺎﻻت ‪:ISI‬‬ ‫04‬

41. ‫ﺑررﺳﯽ ﺳﺎﺧﺗﺎر ﻣﻘﺎﻻت ‪:ISI‬‬ ‫‪ ‬ﻋﻨﻮان ﻣﻘﺎﻟﻪ: ﻣﻘﺎﯾﺴﻪ ﭘﯿﺶ ﺑﯿﻨﯽ ﻫﺰﯾﻨﻪ ﻫﺎي ﺑﯿﻤﺎران ﺑﺮاي ﺑﯿﻤﺎران ﺳﺮﻃﺎﻧﯽ،‬ ‫ﺷﺒﮑﻪ ﻫﺎي ﻋﺼﺒﯽ در ﺑﺮاﺑﺮ درﺧﺖ ﺗﺼﻤﯿﻢ‬ ‫‪ ‬ﻧﻮع اﻧﺘﺸﺎرات و ﺳﺎل ﻧﺸﺮ: ﻣﺠﻠﻪ ‪2009 BioMed‬‬ ‫‪ ‬ﺗﺤﺼﯿﻼت ﻧﻮﯾﺴﻨﺪﮔﺎن:ﮐﺎﻣﭙﯿﻮﺗﺮ و ﭘﺰﺷﮑﯽ– ﭼﯿﻦ‬ ‫‪ ‬اﻫﺪاف:‬ ‫ﭘﯿﺶ ﺑﯿﻨﯽ ﻫﺰﯾﻨﻪ ﻫﺎي ﺑﯿﻤﺎرﺳﺘﺎﻧﯽ و ﻣﻘﺎﯾﺴﻪ دو روش درﺧﺖ ﺗﺼﻤﯿﻢ و ﺷﺒﮑﻪ‬ ‫ﻫﺎي ﻋﺼﺒﯽ ﺑﻪ ﻣﻨﻈﻮر اﯾﻦ ﭘﯿﺶ ﺑﯿﻨﯽ.‬ ‫‪ ‬داده ﻫﺎ:‬ ‫14‬

42. ‫ﺑررﺳﯽ ﺳﺎﺧﺗﺎر ﻣﻘﺎﻻت ‪:ISI‬‬ ‫ﻧﺘﺎﯾﺞ:‬ ‫‪‬‬ ‫24‬

43. ‫ﺑررﺳﯽ ﺳﺎﺧﺗﺎر ﻣﻘﺎﻻت ‪:ISI‬‬ ‫‪ ‬ﻋﻨﻮان ﻣﻘﺎﻟﻪ: ﭘﯿﺶ ﺑﯿﻨﯽ زﻧﺪه ﻣﺎﻧﺪن ﺑﯿﻤﺎراﻧﯽ ﮐﻪ ﺳﺮﻃﺎن ﺳﯿﻨﻪ دارﻧﺪ، ﻣﻘﺎﯾﺴﻪ ﺳﻪ‬ ‫روش داده ﮐﺎوي‬ ‫‪ ‬ﻧﻮع اﻧﺘﺸﺎرات و ﺳﺎل ﻧﺸﺮ: ﻣﺠﻠﻪ ‪2009 medical informatics‬‬ ‫‪ ‬ﺗﺤﺼﯿﻼت ﻧﻮﯾﺴﻨﺪﮔﺎن:ﺻﻨﺎﯾﻊ، ﻣﺪﯾﺮﯾﺖ، ﺑﺎزارﯾﺎﺑﯽ – اﯾﺎﻻت ﻣﺘﺤﺪه‬ ‫‪ ‬ﺧﻼﺻﻪ:‬ ‫ﻣﻘﺎﻟﻪ ﺑﺎ اﺳﺘﻔﺎده از روش ﻫﺎي ﭘﯿﺶ ﺑﯿﻨﯽ و ﮐﻼﺳﻪ ﺑﻨﺪي، اﻣﮑﺎن زﻧﺪه ﻣﺎﻧﺪن ﺑﯿﻤﺎران‬ ‫ﭘﯿﻮﻧﺪي را ﺑﻪ ﻣﺪت 9 ﺳﺎل ﺗﺨﻤﯿﻦ زده اﺳﺖ. ﯾﻌﻨﯽ اﯾﻨﮑﻪ آﯾﺎ اﯾﻦ ﺑﯿﻤﺎران ﺗﺎ 9 ﺳﺎل‬ ‫زﻧﺪه ﻣﯽ ﻣﺎﻧﻨﺪ ﯾﺎ ﺧﯿﺮ.‬ ‫داده ﻫﺎ:‬ ‫‪‬‬ ‫34‬

44. ‫ﺑررﺳﯽ ﺳﺎﺧﺗﺎر ﻣﻘﺎﻻت ‪:ISI‬‬ ‫‪ ‬ﭼﺎﻟﺶ:‬ ‫ﺟﻨﺎب آﻗﺎي ‪ Dursun Delen‬ﯾﮑﯽ از ﻧﻮﯾﺴﻨﺪﮔﺎن ﻫﻤﯿﻦ ﻣﻘﺎﻟﻪ در ﺳﺎل 5002 ﻣﻘﺎﻟﻪ اي ﺑﺎ‬ ‫ﻋﻨﻮان ” ﭘﯿﺶ ﺑﯿﻨﯽ زﻧﺪه ﻣﺎﻧﺪن ﺑﯿﻤﺎراﻧﯽ ﮐﻪ ﺳﺮﻃﺎن ﺳﯿﻨﻪ دارﻧﺪ: ﻣﻘﺎﯾﺴﻪ ﺳﻪ روش‬ ‫داده ﮐﺎوي“ ﺑﻪ ﻧﺘﺎﯾﺠﯽ رﺳﯿﺪه اﺳﺖ ﮐﻪ ﺑﺎ ﻧﺘﺎﯾﺞ ﺑﺪﺳﺖ آﻣﺪه در اﯾﻦ ﻣﻘﺎﻟﻪ ﮐﻤﯽ ﺗﻔﺎوت‬ ‫دارد.‬ ‫44‬

45. ‫ﮐﺎرﮔﺎه ھﺎی ﺗﺧﺻﺻﯽ:‬ ‫ﻣﺤﺘﻮاي ﮐﺎرﮔﺎهﻫﺎ:‬ ‫‪‬‬ ‫ﭘﯿﺶ ﭘﺮدازش و درك داده ﻫﺎ‬ ‫1.‬ ‫رده ﺑﻨﺪي‬ ‫2.‬ ‫ﺧﻮﺷﻪ ﺑﻨﺪي‬ ‫3.‬ ‫ﻗﻮاﻋﺪ اﻧﺠﻤﻨﯽ‬ ‫4.‬ ‫آﻣﻮزش ﻧﺮم اﻓﺰار ‪Clementine‬‬ ‫5.‬ ‫ﮔﻮاﻫﯽ ﻧﺎﻣﻪ ﺷﺮﮐﺖ در ﮐﺎرﮔﺎهﻫﺎ ﺑﺮاي ﺗﻤﺎﻣﯽ اﻓﺮاد ﺻﺎدر ﺧﻮاﻫﺪ ﺷﺪ.‬ ‫‪‬‬ ‫ﺑﺮاي اوﻟﯿﻦ ﺑﺎر در ﮐﺸﻮر ﮐﺎرﮔﺎه ﺗﺨﺼﺼﯽ ﻧﺮماﻓﺰار دادهﮐﺎوي 21 ‪ Clementine‬ﺑﺮﮔﺰار ﺧﻮاﻫﺪ‬ ‫‪‬‬ ‫ﺷﺪ.‬ ‫ﺗﻤﺎﻣﯽ روشﻫﺎ در اﯾﻦ ﮐﻼسﻫﺎ ﻫﻤﺮاه ﺑﺎ ﻣﺜﺎل ﻋﻤﻠﯽ ﺗﻮﺿﯿﺢ داده ﺧﻮاﻫﺪ ﺷﺪ.‬ ‫‪‬‬ ‫در ﮐﺎرﮔﺎه ﻋﻤﻠﯽ ﺑﺮ روي ﻣﺠﻤﻮﻋﻪ دادهﻫﺎي واﻗﻌﯽ دادهﮐﺎوي اﻧﺠﺎم ﺧﻮاﻫﺪ ﺷﺪ.‬ ‫‪‬‬ ‫‪Clementine‬‬ ‫54‬

46. ‫ﭘﺎﯾﺎن‬  A year spent in artificial intelligence is enough to make one believe in God. “Alan perlis” 46

داده کاوی

Esté a ler uma amostra.

Confira estes a seguir

داده کاوی

Mais Conteúdo rRelacionado

Diapositivos para si (16)

Quem viu também gostou (9)

Semelhante a داده کاوی (20)

Mais recentes (20)