Mais conteúdo relacionado Semelhante a داده کاوی (20) داده کاوی1. 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
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
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
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