دانلود تحقیق داده کاوی چیست و چرا آنرا به کار می بریم؟

اختصاصی از یارا فایل دانلود تحقیق داده کاوی چیست و چرا آنرا به کار می بریم؟ دانلود با لینک مستقیم و پرسرعت .

فرمت فایل : word(قابل ویرایش)

تعداد صفحات:147

فهرست مطالب:

داده کاوی چیست و چرا آنرا به کار می بریم؟. ۴

مدیریت روابط تحلیلی با مشتریان. ۵

نقش سیستمهای پردازش تعاملات.. ۷

نقش ذخیره سازی داده ها ۱۰

نقش استراتژی مدیریت روابط با مشتری.. ۱۳

داده کاوی چیست؟. ۱۴

پیش بینی. ۱۹

توان محاسباتی قابل دسترسی است.. ۲۳

همه تجارتها، خدمات هستند ۲۴

اطلاعات یک محصول است.. ۲۴

محصولات نرم افزاری داده کاوی تجاری موجودند ۲۵

امروزه چگونه از داده کاوی استفاده می شود؟. ۲۶

یک سوپر مارکت واسطه اطلاعات می شود ۲۶

تجارت بر اساس توصیه. ۲۸

فروش متقابل و همزمان. ۲۹

شرکت ها از داده کاوی برای توسعه توانایی فروش.. ۲۹

حفظ مشتریان خوب و غربال کردن مشتریان بد ۳۰

تحول اساسی در یک صنعت.. ۳۱

گستره کاربرد دانش داده کاوی.. ۳۲

مطالب آموخته شده در این فصل. ۳۲

روشهای داده کاوی.. ۳۴

چرا باید روشی داشت؟. ۳۵

یادگیری چیزهایی که درست نیستند ۳۶

ممکن است الگوها نشان دهنده هیچ قاعده ضمنی نباشند ۳۶

مجموعه مدل ممکن است نشانگر جامعه مرتبط نباشد ۳۹

ممکن است داده ها دارای سطح جزئیات نادرستی باشد ۴۰

شکل ۱-۳: آیا کاهش مصرف در ماه هشتم پیش بینی کننده قطع استفاده از خدمات در ماه نهم است؟. ۴۱

شکل ۲-۳: آیا فروش در ماه دهم کم شده است؟. ۴۲

یادگیری چیزهایی که از قبل معلوم بوده اند ۴۳

یادگیری چیزهایی که قابل استفاده نیستند ۴۴

آزمون فرضیه. ۴۵

تولید فرضیات.. ۴۷

آزمودن فرضیات.. ۴۷

شکل ۳-۳ : مدلها ورودی می گیرند و یک خروجی تولید می کنند. ۴۹

شکل ۴-۳: نمایه سازی و پیش بینی تنها در چارچوبهای زمانی متغیرهای ورودی و هدف با هم فرق دارند. ۵۰

نمایه سازی.. ۵۱

پیش بینی. ۵۳

شکل ۵-۳ : فرآیند داده کاوی.. ۵۴

مسئله داده کاوی چگونه مسئله ای است؟. ۵۶

چگونه از نتایج استفاده خواهد شد؟. ۵۷

چگونه نتایج بیان خواهد شد؟. ۵۸

نقش کاربران تجاری و فن آوری اطلاعات.. ۵۹

مرحله دوم: انتخاب داده های مناسب.. ۶۳

چه چیزی موجود است ؟. ۶۵

چقدر داده کافی است ؟. ۶۶

چه مقدار از اطلاعات پیشین مورد نیاز است؟. ۶۸

تعداد مناسب متغیرها ۶۹

داده ها باید حاوی چه چیز باشند؟. ۷۰

مرحله سوم : شناخت داده ها ۷۱

بررسی توزیعها ۷۱

مقایسه ارقام با توصیفات.. ۷۲

اعتبار بخشی به فرضیات.. ۷۳

سئوالات زیادی بپرسید ۷۳

مرحله چهارم : تهیه یک مجموعه مدل. ۷۵

جمع آوری بخشهای مشتریان. ۷۵

تهیه یک نمونه متعادل. ۷۶

در نظر گرفتن چارچوبهای زمانی چند گانه. ۷۶

شکل ۷-۳ : یک مدل پیش بینی از داده های گذشته برای پیش بینی آینده استفاده می کند. ۷۸

شکل ۸-۳: زمانی که مدل تهیه شده است با زمانی که مدل مورد استفاده قرار می گیرد مقایسه شده است. ۷۹

تقسیم بندی مجموعه مدل. ۷۹

مقادیر گمشده ۸۲

کد گذاری غیر ثابت داده ها ۸۳

کشف روندها ۸۳

تبدیل شماره ها به نسبتها ۸۴

مرحله هفتم : تهیه مدلها ۸۴

مرحله هشتم : ارزیابی مدلها ۸۵

- ارزیابی مدلهای توصیفی. ۸۵

- ارزیابی مدلهای هدایت شده ۸۶

- ارزیابی دسته بندی کننده ها و پیشگوها ۸۶

شکل ۹-۳: نتایج پیش بینی شده یک ماتریس آشفتگی با جدول بندی چند بعدی به همراه نتایج واقعی. ۸۸

- ارزیابی تخیمن زننده ها ۸۸

شکل ۱۰-۳ : صحت یک تخمین زننده ممکن است در طول دامنه ای از ورودی ها تفاوتهای آشکاری داشته باشد. ۸۹

جدول ۱-۳ : جدول محاسبه خطاها ۸۹

مقایسه مدلها با استفاده از صعود ۹۰

شکل ۱۱-۳: پاسخ تجمعی پست هدف دار در مقایسه با پست انبوه ۹۲

شکل ۱۲-۳ : نمودار صعود با رقم بالایی شروع می شود و به ۱ ختم می شود. ۹۳

مشکلات صعود ۹۳

مرحله نهم : پیاده سازی مدلها ۹۴

مرحله دهم : ارزیابی نتایج. ۹۵

کاربرد داده کاوی در بازاریابی و مدیریت ارتباط با مشتری.. ۹۹

مشتری با لقوه ۹۹

شناسایی مشتریان بالقوه خوب.. ۱۰۱

انتخاب کانال ارتباطی. ۱۰۲

انتخاب پیامهای درست.. ۱۰۳

چه کسی با مشخصات مطابقت دارد؟. ۱۰۵

جدول ۱-۴ : محاسبه تناسب امتیازات هر فرد با مقایسه آنها براساس اندازه های جمعیت شناختی. ۱۰۶

جدول ۲-۴: محاسبه امتیازات با در نظر گرفتن نسبتها در جمعیت.. ۱۰۸

اندازه گیری تطابق گروههای خوانندگان. ۱۰۹

داده کاوی برای بهبود اعمال بازاریابی مستقیم ۱۰۹

مدل سازی پاسخ. ۱۱۱

شکل ۲-۴: یک نمودار تجمعی یا تمرکز نشانگر فایده بهره گیری از یک مدل است. ۱۱۳

بهینه سازی سوددهی اعمال بازاریابی. ۱۱۳

چگونه مدل بر سوددهی اثر می گذارد؟. ۱۱۵

جدول ۴-۴ داده هایی را نشان می دهد که برای تهیه نمودار تجمعی در شکل ۲-۴ استفاده شده است. ۱۱۶

شکل ۳-۴ فعالیت سوددهی به عنوان تابعی از نفوذ ۱۱۸

شکل ۴-۴ یک تغییر ۲۰ درصدی در نرخ پاسخ ودرآمد حاصل از هر پاسخ دهنده تأثیر عظیمی بر سوددهی یک فعالیت دارد. ۱۱۹

شکل ۵-۴ : درخت پاسخهای متفاوت سعی می کند تفاوت پاسخهای بین گروه آزمایشی و یک گروه کنترل را به حداکثر برساند ۱۲۳

جدول ۵-۴: داده های منتج از پاسخهای داده شده به یک آزمایش پستی. ۱۲۴

اطلاعات مشتریان جدید را جمع آوری کنید ۱۲۷

داده کاوی برای مدیریت ارتباط با مشتری.. ۱۲۸

مطابقت فعالیتها با مشتریان. ۱۲۹

بخش بندی مشتریان. ۱۳۰

یافتن قسمتهای رفتاری.. ۱۳۰

اتصال قسمتهای تحقیقات در بازار با داده های رفتاری.. ۱۳۳

کاهش مواجه با خطرات اعتباری.. ۱۳۴

پیش بینی کسی که در پرداخت بدهی خود کوتاهی خواهد کرد ۱۳۴

تعیین ارزش مشتری.. ۱۳۵

یافتن زمان مناسب برای یک پیشنهاد ۱۳۶

توصیه ها ۱۳۷

حفظ و از دست دادن مشتری.. ۱۳۸

تشخیص از دست دادن مشتری.. ۱۳۸

چرا از دست دادن مشتری مهم است.. ۱۳۹

شکل ۶-۴: هر چه نرخ پاسخ یک فعالیت جذب کمتر شود، هزینه هر مشتری جذب شده افزایش می یابد. ۱۴۰

انواع مختلف از دست دادن مشتری.. ۱۴۱

پیش بینی و تعیین مشتریانی که سیستم را ترک می کنند ۱۴۳

مطالب آموخته شده در این فصل. ۱۴۵

چکیده:

بسیاری از فروشگاهها پس از گذشت یک ربع قرن از آغاز فعالیت، هنوز مشتری وفادار خود را دارند. این وفاداری تصادفی نیست. اداره کنندگان این فروشگاهها به سلایق و نیازهای مشتریان خویش واقف شده اند و توان مالی خرید آنها را می شناسند. وقتی کسی از آنها راهنمایی بخواهد پاسخ آنها براساس دانش اندوخته شان در مورد ذائقه و بودجه آن مشتری و همچنین دانش شان در باره محصولات خودشان خواهد بود.

افرادی که به این فروشگاه رفت و آمد دارند در مورد کالاهای آن فروشگاه چیزهای زیادی می دانند. هر چند این دانش یکی از دلایل آنها برای ایجاد خرید از آنجاست و به همین دلیل به فروشگاه های دیگر نمی روند ولی داشتن اطلاعات خودمانی و صمیمانه در باره هر شخص آنها را مشتری دائمی آنجا می کند و به یک مغازه مشابه دیگر در آنطرف خیابان و روبروی همین فروشگاه نمی روند و برخوردار بودن این فروشگاه از اطلاعات خودمانی و صمیمانه در باره هر شخص آنها را مشتری دائمی آنجام می کند . یک مغازه مشابه دیگر می تواند در آنطرف خیابان و روبروی همین مغازه باز شود ولی ماهها و حتی سالها طول می کشد تا آنها به این سطح از دانش در باره مشتریانشان دست یابند.

طبیعتاً تجارتهای کوچکی که مدیریت خوبی دارند می توانند به نحوه ایجاد رابطه با مشتریانشان پی ببرند. آنها با گذشت زمان در باره مشتریانشان به چیزهای بیشتر و بیشتری پی خواهند برد و از آن دانش برای خدمت بهتر به مشتریان استفاده خواهند نمود و نتیجه کار، مشتریان وفادار و خرسند و تجارتهای سودآور خواهد بود.

شرکتهای بزرگ با صدها هزار یا میلیونها نفر مشتری از مزیت برقراری روابط شخصی حقیقی با تک تک مشتریانشان بی بهره اند. این موسسات عظیم باید به وسایل دیگری برای برقراری رابطه با مشتریانشان تکیه نمایند. آنها باید یاد بگیرند که از آنچه که به وفور دارند یعنی داده هایی که از طریق تعامل با تک تک مشتریان به دست آمده است نهایت بهره را ببرند. این کتاب در مورد تکنیکهای تحلیلی بحث میکند که برای تبدیل داده های مشتریان به دانش در باره مشتریان استفاده میشود.

مدیریت روابط تحلیلی با مشتریان

شکی نیست که لازم است موسسات بزرگ نیز مانند تجارتهای خدمات مدار و کوچک از منافع برقراری روابط یک به یک با مشتریانشان بهره مند گردند. مدیریت روابط با مشتری موضوع گسترده ای است که در کتابها و کنفرانسهای زیادی در مورد آن بحث شده است. تمرکز این کتاب بر نقشی است که داده کاوی می تواند در بهبود مدیریت روابط با مشتری از طریق افزایش توان موسسات برای برقراری روابط با مشتریانشان ایفا کند.

در تمامی صنایع، شرکتهای آینده نگر به سمت این هدف حرکت می کنند که تمام مشتریان را به صورت فردی درک نمایند و از این شناخت برای تسهیل تجارتی استفاده نمایند که مشتری می خواهد با آنها انجام دهد به جای اینکه با رقبایشان همین تجارت را برقرار نماید. این موسسات یاد می گیرند که ارزش هر مشتری را در نظر بگیرند تا تشخیص دهند که کدام یک از مشتریان ارزش سرمایه گذاری و صرف تلاش مداوم را دارند و دور کدام یک را باید خط کشید. این تغییر نگرش و تمرکز بر مشتریان فردی بجای تمرکز بر بخشهای وسیع بازار نیازمند تغییر در کل شرکت است و مطمئناً به بخشهای بازاریابی، فروش و پشتیبانی مشتریان هم سرایت می نماید.

برای بیشتر شرکتها استقرار یک تجارت حول روابط با مشتریان تغییری بنیادین است. بانکها همواره به حفظ تعادل بین هزینه ای که به سرمایه گذاران در بانک می پردازند و سود حاصل از وامهای پرداختی به وام گیرندگان توجه می کنند. شرکتهای مخابرات بر نوع و چگونگی ارتباطات تلفنی مشتریان توجه دارند. شرکتای بیمه بر تعادل پرداخت خسارات بیمه گذاران و مدیریت سرمایه گذاریهای انجام یافته با پول حال از دریافت حق بیمه ها متمرکز شده اند. داده کاوی کمک می کند تا نهادی محصول مدار به نهادی مشتری مدار تبدیل شود. داده کاوی به تعبیری دقیق تر به مجموعه ای از ابزارها و تکنیکها اطلاق می شود و یکی از چند تکنولوژی لازم برای حمایت از شرکتی مشتری مدار می باشد. از منظری وسیعتر داده کاوی دیدگاهی است که مطابق آن اعمال تجاری باید براساس یادگیری باشند، دیدگاهی که در آن تصمیمات آگاهانه بهتر از تصمیمات بدون آگاهی هستند. داده کاوی ، موثر واقع شود باید سایر نیازمندیهای مدیریت ارتباط با مشتریان نیز برآورده شود. یک شرکت به منظور ایجاد رابطه ای یادگیرنده با مشتریان خود باید قادر باشد:

1. متوجه آنچه مشتریانش انجام می دهند باشد.
2. عملکرد شرکت و مشتریان شرکت در طول دورانهای مختلف را همیشه به یاد داشته باشد.
3. از آنچه به یاد می آورد درس بگیرد.
4. براساس آنجه یاد گرفته عمل کند تا مشتریانش سودآورتر باشند.

اگرچه تمرکز این کتاب بر گزینه سوم یعنی درس گرفتن از آنچه در گذشته رخ داده می باشد ولی باید گفت یادگیری در خلا اتفاق نمی افتد. باید سیستمهای پردازش تعاملات برای پی بردن به تعاملات مشتریان، انبار داده ها برای ذخیره اطلاعات در مورد رفتارهای گذشته مشتریان و یک استراتژی برای رابطه با مشتری وجود داشته باشد تا آن برنامه ها را به مرحله عمل در آورد.

نقش سیستمهای پردازش تعاملات

یک تجارت کوچک با مشتریان خود روابطی را از طریق توجه به نیازهایشان، به یاد داشتن ترجیحاتشان و درس گرفتن از تعاملات گذشته برقرار می کند تا در آینده به آنها بهتر ارائه خدمات نماید. چگونه یک شرکت عظیم می تواند مشابه این کار را انجام دهد. وقتی این امکان هست که اغلب کارمندان آن شرکت هرگز به صورت شخصی با مشتریان رابطه نداشته باشند؟ حتی اگر تعامل با مشتری هم وجود داشته باشد ممکن است این روابط هر بار با فروشنده یا کارمند متفاوتی در مرکز تلفن برقرار شود. پس چگونه شرکت می تواند به این تعاملات توجه کند. آنها را به یاد آورد و از آنها درس بگیرد؟ چه چیزی می تواند جایگزین حس خلاق یک فروشنده شود که مشتریانش را با اسم و از روی چهره و صدا می شناسد و عادتها و ترجیحات آنها را به یاد می آورد؟ پاسخ این است که هیچ چیز نمی تواند جایگزین شود ولی این مسئله بدان معنی نیست که نمی توان سعی و تلاش کرد. از طریق به کارگیری هوشمندانه تکنولوژیهای اطلاعات حتی بزرگترین شرکتها هم می توانند به نتایج شگفت انگیزی برسند. در شرکتهای تجاری عظیم، اولین گام یعنی توجه به آنچه مشتری انجام می دهد از قبل و به صورت خودکار در آمده است. سیستمهای پردازش تعاملات همه جا هستند و ظاهراً داده هایی را در مورد همه چیز جمع آوری می کنند. نتایج ثبت شده توسط دستگاههای اتوماتیک سخن گو، سرورهای وب، اسکنرهای بارکد کالاهای فروش رفته وموارد مشابه ، تولید کننده داده های خام برای داده کاوی هستند.

امروزه همه ما در طول زندگی جریان مداومی از اطلاعات تعاملی را ایجاد می کنیم. وقتی شما گوشی تلفن را بر می دارید تا یک کالا سفارش دهید جزئیات تماس شما در اداره تلفن محلی ثبت می شود و بطور مثال، زمان تماس، شماره تلفن و عنوان شرکتی را که با آن تماس گرفته اید نشان می دهد. در شرکتی که با آن تماس گرفته اید نیز اطلاعات مشابهی نظیر مدت مکالمه شما ثبت می شود. این داده ها با سایر اطلاعاتی که متشکل از نحوه پرداخت صورتحساب و اسم و آدرس شما برای تهیه یک رسید است جمع می گردد. در شرکتهای تهیه کاتالوگها نیز تماس شما دوباره به همراه اطلاعاتی در باره کاتالوگ مخصوصی که شما از آن سفارش داده اید و هر طرح تشویقی دیگری که به آن پاسخ داده اید ثبت می شود. وقتی پاسخ دهندگان به تماس شما، شماره کارت اعتباری شما و تاریخ انقضای آنرا سوال نموده اند، این اطلاعات هم بلافاصله به سیستم بررسی کارتهای اعتباری داده می شود تا صحت اطلاعات گرفته شده ثابت گردد و این موارد هم البته ثبت می گردد. در یک چشم به هم زدن این تعامل بانکی که صادر کننده کارت اعتباری شماست برقرار می شود و در صورتحساب ماهیانه بعدیتان این مسئله ثبت خواهد شد. وقتی سفارش می دهید آن سفارش با شماره اقلام، اندازه و رنگ آن وارد سیستم سفارشات کاتالوگها می شود و اطلاعات بیشتری را در سیستم کامپیوتری اداره پست تولید می کند جایی که کالاهای ارسالی با پست توسط واحد انبارها بعنوان فرستنده ودر خانه شمابعنوان گیرنده بررسی می شود تا با بررسی وب سایت حامل کالا ببینید کار در چه مرحله ای از پیشرفت است.

این اطلاعات تعاملی برای داده کاوی تولید و جمع آوری نشده اند بلکه برای برآورده کردن نیازهای عملی شرکت ایجاد شده اند. با این وجود همه این اطلاعات حاوی مطالب مفیدی در مورد مشتریان هستند و می توان همگی را با موفقیت کاوش کرد. شرکتهای مخابرات از اطلاعات مربوط به جزئیات تماسها برای دستیابی به شماره تلفن ساکنانی استفاده کرده اند که الگوهای تماسشان شبیه الگوهای تجارتی است تا مخابرات بتواند خدماتخاصی را به افرادی که در منازل خویش کسب و کاری راه انداخته اند عرضه نماید. شرکتهای تهیه کاتالوگها از سفارشات گذشته برای تصمیم گیری در مورد شمولیت هر کدام از مشتریان در ارسال بسته های پستی حاوی کاتالوگ آینده استفاده می کنند. یک شرکت پست از تغییر رخ داده در الگوی تقاضای مشتریان خود در طول تعطیلی موقتی شرکت رقیب استفاده نمود تا سهم خویش را در تجارت توزیع بسته های مشتریانشان محاسبه نماید. سوپر مارکتها از داده های حاصل از اسکن بارکد کالاهای فروش رفته برای تصمیم گیری در مورد چاپ نوع خاصی از کوپن تشویقی برای انواع مشتریان استفاده نموده اند. خرده فروشان اینترنتی از خریدهای قبلی استفاده کرده اند تا تعیین کنند چه کالایی را در زمانی که مشتریان برای بازدید مجدد از سایتشان باز می گردند عرضه کنند.

این سیستم های تعاملی نقطه تماس مشتریان هستند؛ جایی که اطلاعات در مورد رفتار مشتریان برای اولین بار وارد شرکت می شود. در چنین حالتی این سیستم ها در واقع گوش و چشم شرکت هستند.

نقش ذخیره سازی داده ها

شرکتهای مشتری مدار هر اطلاعاتی در مورد هر تعاملی با مشتری یا ارباب رجوع را به عنوان فرصتی برای یادگیری قلمداد می کنند. هر تماسی را با پشتیبانی مشتریان، هر تعاملی را با برگه های فروش، هر نوع سفارش کاتالوگ، هر بازدید از وب سایت شرکت، جزو این تعاملات قلمداد می شود. ولی یادگیری نیازمند چیزی بیش از گردآوری ساده داده هاست . در واقع بیشتر شرکتها صدها گیگابایت یا ترابایت از داده ها را در باره مشتریانشان جمع آوری می کنند بدون اینکه چیزی یاد بگیرند. داده ها جمع می شوند زیرا برای برخی از اهداف عملیاتی چون کنترل فهرستها یا صورتحسابها لازم هستند. وقتی هدف مورد نظر به دست آمد اطلاعات روی یک لوح فشرده ذخیره می شود و یا اصلاً حذف می گردد.

برای اینکه یادگیری رخ دهد باید داده های حاصل از منابع متعدد از جمله اطلاعات موجود در صورتحسابها، داده های اسکنرها، فرمهای ثبت نام، تقاضانامه ها، جزئیات تماسها، نقد کردن کوپنها و معاملات با هم جمع آوری و به روشی مفید و ثابت دسته بندی شوند. این مرحله را ذخیره سازی داده ها می نامند. ذخیره سازی داده ها به شرکتها اجازه می دهد آنچه در مورد مشتریان جلب توجه میکند را به یاد بیاورند.

یکی از مهمترین جنبه های ذخیره سازی داده ها توانایی دنبال کردن رفتار مشتری در طول زمانهای مختلف است. الگوهای مشتریان در طول زمان مشخص می گردد. در ذخیره سازی داده ها لازم است داده های صحیح قدیمی به کار گرفته شود تا داده کاوی بتواند این روندهای مهم را کشف کند. بسیاری از الگوهای مهم در مدیریت روابط با مشتری تنها با گذشت زمان ظاهر می شود. آیا میزان خرید مشتریان روند صعودی و یا نزولی را طی می کند؟ مشتریان چه کانال ارتباطی را ترجیح می دهند؟ مشتریان به چه تبلیغاتی پاسخ می دهند؟

سالها قبل یک شرکت تهیه کاتالوگها وقتی به اهمیت حفظ داده های رفتار گذشته مشتریان پی برد که برای اولین بار اطلاعات مربوط به بیش از یک سال بسته های پستی کاتالوگها و پاسخهایی که ازمشتریانشان گرفته بودند را جمع آوری و نگهداری نمود. آنها دریافتند که بخشی از مشتریان هستند که تنها از طریق کاتالگ و در زمان عید سفارش داده اند. با داشتن شناخت در مورد آن بخش از مشتریان، آنان در مورد اینکه چه کری انجام دهند تصمیماتی گرفتند. آنها می توانستند روشهایی را برای افزایش علاقه این گروه از مشتریان به سفارش دادن در بقیه سال نیز ایجاد نمایند. آنها می توانستند نسبت کلی تعداد پاسخهای دریافتی به تعداد کل بسته های پستی کاتالوگهای ارسال شده را از طریق نفرستادن بسته های پستی برای این بخش در بقیه طول سال افزایش دهند. بدون بررسیهای بیشتر نمی توان گفت که کدامیک پاسخ درست است ولی بدون داشتن داده های گذشته هرگز به این نتیجه نمی رسیدند که باید سوالاتی بپرسند.

دانلود مقاله داده کاوی

اختصاصی از یارا فایل دانلود مقاله داده کاوی دانلود با لینک مستقیم و پرسرعت .

فرمت فایل : word(قابل ویرایش)

تعداد صفحات:20

فهرست مطالب:

داده کاوی

مقدمه

داده کاوی اصول وروش کار

دسته بندی وگروه بندی

استخراج قواعد

مقدمه داده کاری

ریشه های داده کاوی

شناسایی ساختار

مشخص کردن و پارامتر دهی یک دسته از مدل ریاضی

انجام عملیات شناسایی پارامتر

به جریان انداختن آزمایش

خاتمه فرآیند هنگامی که نتایج آزمون های تأیید اعتبار رضایت بخش باشد

مقدمه:

جهان پیرامون ما سرشار از داده ها و اطلاعات گوناگون می‌باشد. برای پیش بینی گرایشات و جریان های آتی و به منظور اتخاذ تصمیم گیری بهتر در زمینه علوم، تکنولوژی ، صنعت، بازار وغیره.

انسان همواره با اشتیاقی حریصانه به دنبال کشف دانش از این موداب داده ها بوده است. قدیمی ترین دست نوشت ها کشف شده بر روی لوح های گلی مربوط به چهار قرن قبل از میلاد مسیح می‌باشد. با ساخت کاغذ داده های فراوانی بر روی هزاران جلد کتاب وسایر مستندات دیگر وغیره شد.

توامروزه نیز با افزایش روز افزون کاربرد کامپیوتر ها حجم عظیمی از داده ها دیسک های سخت را به صورت اطلاعات دیجیتالی پر کرده اند. با دراختیار داشتن حجم عظیم داده ها مساله اصلی چگونگی یا فتن جمع‌آوری و به کارگیری روش هایی است که بتوان آنها را در کشف دانش از داده ها و به کارگیری دانش کشف شده در موارد مختلف به کار گرفت.

اگر چه در دهه های اخیر زمینه جدید با عنوان داده کاوی به رواج یافته است ولی عملکردها و وظایف این علم مثل دسته بندی و جداسازی، از سالها پیش وجودداشته و به کار گرفته می شده اند. با توجه به اینکه هدف داده کاوی کشف الگوهای ناشناخته از داده ها می‌باشد روش های این علم از آموزش ماشین،هوش مصنوعی، آمار وغیره مشتق شده اند. با گسترش این علم روش های داده کاوی در زمینه هایی خارج از علوم کامپیوتر وهوش مصنوعی همچون دنیای تجارت وخطوط مونتا کارخانه ها نیز به کار گرفته شد.

بدین ترتیب قابلیت های داده کاوی در زمینه هایی چون افزایش رقابت در بازار تجاری تشخیص کلاه برداری، تشخیص بیماریها با توجه به مدارک پزشکی وغیره نیز مورد آزمایش قرار گرفت و به اثبات رسید.

دانلود تحقیق داده کاوی چیست و چرا آنرا به کار می بریم؟

اختصاصی از یارا فایل دانلود تحقیق داده کاوی چیست و چرا آنرا به کار می بریم؟ دانلود با لینک مستقیم و پرسرعت .

فرمت فایل : word(قابل ویرایش)

تعداد صفحات:147

فهرست مطالب:

داده کاوی چیست و چرا آنرا به کار می بریم؟. ۴

مدیریت روابط تحلیلی با مشتریان. ۵

نقش سیستمهای پردازش تعاملات.. ۷

نقش ذخیره سازی داده ها ۱۰

نقش استراتژی مدیریت روابط با مشتری.. ۱۳

داده کاوی چیست؟. ۱۴

پیش بینی. ۱۹

توان محاسباتی قابل دسترسی است.. ۲۳

همه تجارتها، خدمات هستند ۲۴

اطلاعات یک محصول است.. ۲۴

محصولات نرم افزاری داده کاوی تجاری موجودند ۲۵

امروزه چگونه از داده کاوی استفاده می شود؟. ۲۶

یک سوپر مارکت واسطه اطلاعات می شود ۲۶

تجارت بر اساس توصیه. ۲۸

فروش متقابل و همزمان. ۲۹

شرکت ها از داده کاوی برای توسعه توانایی فروش.. ۲۹

حفظ مشتریان خوب و غربال کردن مشتریان بد ۳۰

تحول اساسی در یک صنعت.. ۳۱

گستره کاربرد دانش داده کاوی.. ۳۲

مطالب آموخته شده در این فصل. ۳۲

روشهای داده کاوی.. ۳۴

چرا باید روشی داشت؟. ۳۵

یادگیری چیزهایی که درست نیستند ۳۶

ممکن است الگوها نشان دهنده هیچ قاعده ضمنی نباشند ۳۶

مجموعه مدل ممکن است نشانگر جامعه مرتبط نباشد ۳۹

ممکن است داده ها دارای سطح جزئیات نادرستی باشد ۴۰

شکل ۱-۳: آیا کاهش مصرف در ماه هشتم پیش بینی کننده قطع استفاده از خدمات در ماه نهم است؟. ۴۱

شکل ۲-۳: آیا فروش در ماه دهم کم شده است؟. ۴۲

یادگیری چیزهایی که از قبل معلوم بوده اند ۴۳

یادگیری چیزهایی که قابل استفاده نیستند ۴۴

آزمون فرضیه. ۴۵

تولید فرضیات.. ۴۷

آزمودن فرضیات.. ۴۷

شکل ۳-۳ : مدلها ورودی می گیرند و یک خروجی تولید می کنند. ۴۹

شکل ۴-۳: نمایه سازی و پیش بینی تنها در چارچوبهای زمانی متغیرهای ورودی و هدف با هم فرق دارند. ۵۰

نمایه سازی.. ۵۱

پیش بینی. ۵۳

شکل ۵-۳ : فرآیند داده کاوی.. ۵۴

مسئله داده کاوی چگونه مسئله ای است؟. ۵۶

چگونه از نتایج استفاده خواهد شد؟. ۵۷

چگونه نتایج بیان خواهد شد؟. ۵۸

نقش کاربران تجاری و فن آوری اطلاعات.. ۵۹

مرحله دوم: انتخاب داده های مناسب.. ۶۳

چه چیزی موجود است ؟. ۶۵

چقدر داده کافی است ؟. ۶۶

چه مقدار از اطلاعات پیشین مورد نیاز است؟. ۶۸

تعداد مناسب متغیرها ۶۹

داده ها باید حاوی چه چیز باشند؟. ۷۰

مرحله سوم : شناخت داده ها ۷۱

بررسی توزیعها ۷۱

مقایسه ارقام با توصیفات.. ۷۲

اعتبار بخشی به فرضیات.. ۷۳

سئوالات زیادی بپرسید ۷۳

مرحله چهارم : تهیه یک مجموعه مدل. ۷۵

جمع آوری بخشهای مشتریان. ۷۵

تهیه یک نمونه متعادل. ۷۶

در نظر گرفتن چارچوبهای زمانی چند گانه. ۷۶

شکل ۷-۳ : یک مدل پیش بینی از داده های گذشته برای پیش بینی آینده استفاده می کند. ۷۸

شکل ۸-۳: زمانی که مدل تهیه شده است با زمانی که مدل مورد استفاده قرار می گیرد مقایسه شده است. ۷۹

تقسیم بندی مجموعه مدل. ۷۹

مقادیر گمشده ۸۲

کد گذاری غیر ثابت داده ها ۸۳

کشف روندها ۸۳

تبدیل شماره ها به نسبتها ۸۴

مرحله هفتم : تهیه مدلها ۸۴

مرحله هشتم : ارزیابی مدلها ۸۵

- ارزیابی مدلهای توصیفی. ۸۵

- ارزیابی مدلهای هدایت شده ۸۶

- ارزیابی دسته بندی کننده ها و پیشگوها ۸۶

شکل ۹-۳: نتایج پیش بینی شده یک ماتریس آشفتگی با جدول بندی چند بعدی به همراه نتایج واقعی. ۸۸

- ارزیابی تخیمن زننده ها ۸۸

شکل ۱۰-۳ : صحت یک تخمین زننده ممکن است در طول دامنه ای از ورودی ها تفاوتهای آشکاری داشته باشد. ۸۹

جدول ۱-۳ : جدول محاسبه خطاها ۸۹

مقایسه مدلها با استفاده از صعود ۹۰

شکل ۱۱-۳: پاسخ تجمعی پست هدف دار در مقایسه با پست انبوه ۹۲

شکل ۱۲-۳ : نمودار صعود با رقم بالایی شروع می شود و به ۱ ختم می شود. ۹۳

مشکلات صعود ۹۳

مرحله نهم : پیاده سازی مدلها ۹۴

مرحله دهم : ارزیابی نتایج. ۹۵

کاربرد داده کاوی در بازاریابی و مدیریت ارتباط با مشتری.. ۹۹

مشتری با لقوه ۹۹

شناسایی مشتریان بالقوه خوب.. ۱۰۱

انتخاب کانال ارتباطی. ۱۰۲

انتخاب پیامهای درست.. ۱۰۳

چه کسی با مشخصات مطابقت دارد؟. ۱۰۵

جدول ۱-۴ : محاسبه تناسب امتیازات هر فرد با مقایسه آنها براساس اندازه های جمعیت شناختی. ۱۰۶

جدول ۲-۴: محاسبه امتیازات با در نظر گرفتن نسبتها در جمعیت.. ۱۰۸

اندازه گیری تطابق گروههای خوانندگان. ۱۰۹

داده کاوی برای بهبود اعمال بازاریابی مستقیم ۱۰۹

مدل سازی پاسخ. ۱۱۱

شکل ۲-۴: یک نمودار تجمعی یا تمرکز نشانگر فایده بهره گیری از یک مدل است. ۱۱۳

بهینه سازی سوددهی اعمال بازاریابی. ۱۱۳

چگونه مدل بر سوددهی اثر می گذارد؟. ۱۱۵

جدول ۴-۴ داده هایی را نشان می دهد که برای تهیه نمودار تجمعی در شکل ۲-۴ استفاده شده است. ۱۱۶

شکل ۳-۴ فعالیت سوددهی به عنوان تابعی از نفوذ ۱۱۸

شکل ۴-۴ یک تغییر ۲۰ درصدی در نرخ پاسخ ودرآمد حاصل از هر پاسخ دهنده تأثیر عظیمی بر سوددهی یک فعالیت دارد. ۱۱۹

شکل ۵-۴ : درخت پاسخهای متفاوت سعی می کند تفاوت پاسخهای بین گروه آزمایشی و یک گروه کنترل را به حداکثر برساند ۱۲۳

جدول ۵-۴: داده های منتج از پاسخهای داده شده به یک آزمایش پستی. ۱۲۴

اطلاعات مشتریان جدید را جمع آوری کنید ۱۲۷

داده کاوی برای مدیریت ارتباط با مشتری.. ۱۲۸

مطابقت فعالیتها با مشتریان. ۱۲۹

بخش بندی مشتریان. ۱۳۰

یافتن قسمتهای رفتاری.. ۱۳۰

اتصال قسمتهای تحقیقات در بازار با داده های رفتاری.. ۱۳۳

کاهش مواجه با خطرات اعتباری.. ۱۳۴

پیش بینی کسی که در پرداخت بدهی خود کوتاهی خواهد کرد ۱۳۴

تعیین ارزش مشتری.. ۱۳۵

یافتن زمان مناسب برای یک پیشنهاد ۱۳۶

توصیه ها ۱۳۷

حفظ و از دست دادن مشتری.. ۱۳۸

تشخیص از دست دادن مشتری.. ۱۳۸

چرا از دست دادن مشتری مهم است.. ۱۳۹

شکل ۶-۴: هر چه نرخ پاسخ یک فعالیت جذب کمتر شود، هزینه هر مشتری جذب شده افزایش می یابد. ۱۴۰

انواع مختلف از دست دادن مشتری.. ۱۴۱

پیش بینی و تعیین مشتریانی که سیستم را ترک می کنند ۱۴۳

مطالب آموخته شده در این فصل. ۱۴۵

چکیده:

بسیاری از فروشگاهها پس از گذشت یک ربع قرن از آغاز فعالیت، هنوز مشتری وفادار خود را دارند. این وفاداری تصادفی نیست. اداره کنندگان این فروشگاهها به سلایق و نیازهای مشتریان خویش واقف شده اند و توان مالی خرید آنها را می شناسند. وقتی کسی از آنها راهنمایی بخواهد پاسخ آنها براساس دانش اندوخته شان در مورد ذائقه و بودجه آن مشتری و همچنین دانش شان در باره محصولات خودشان خواهد بود.

افرادی که به این فروشگاه رفت و آمد دارند در مورد کالاهای آن فروشگاه چیزهای زیادی می دانند. هر چند این دانش یکی از دلایل آنها برای ایجاد خرید از آنجاست و به همین دلیل به فروشگاه های دیگر نمی روند ولی داشتن اطلاعات خودمانی و صمیمانه در باره هر شخص آنها را مشتری دائمی آنجا می کند و به یک مغازه مشابه دیگر در آنطرف خیابان و روبروی همین فروشگاه نمی روند و برخوردار بودن این فروشگاه از اطلاعات خودمانی و صمیمانه در باره هر شخص آنها را مشتری دائمی آنجام می کند . یک مغازه مشابه دیگر می تواند در آنطرف خیابان و روبروی همین مغازه باز شود ولی ماهها و حتی سالها طول می کشد تا آنها به این سطح از دانش در باره مشتریانشان دست یابند.

طبیعتاً تجارتهای کوچکی که مدیریت خوبی دارند می توانند به نحوه ایجاد رابطه با مشتریانشان پی ببرند. آنها با گذشت زمان در باره مشتریانشان به چیزهای بیشتر و بیشتری پی خواهند برد و از آن دانش برای خدمت بهتر به مشتریان استفاده خواهند نمود و نتیجه کار، مشتریان وفادار و خرسند و تجارتهای سودآور خواهد بود.

شرکتهای بزرگ با صدها هزار یا میلیونها نفر مشتری از مزیت برقراری روابط شخصی حقیقی با تک تک مشتریانشان بی بهره اند. این موسسات عظیم باید به وسایل دیگری برای برقراری رابطه با مشتریانشان تکیه نمایند. آنها باید یاد بگیرند که از آنچه که به وفور دارند یعنی داده هایی که از طریق تعامل با تک تک مشتریان به دست آمده است نهایت بهره را ببرند. این کتاب در مورد تکنیکهای تحلیلی بحث میکند که برای تبدیل داده های مشتریان به دانش در باره مشتریان استفاده میشود.

مدیریت روابط تحلیلی با مشتریان

شکی نیست که لازم است موسسات بزرگ نیز مانند تجارتهای خدمات مدار و کوچک از منافع برقراری روابط یک به یک با مشتریانشان بهره مند گردند. مدیریت روابط با مشتری موضوع گسترده ای است که در کتابها و کنفرانسهای زیادی در مورد آن بحث شده است. تمرکز این کتاب بر نقشی است که داده کاوی می تواند در بهبود مدیریت روابط با مشتری از طریق افزایش توان موسسات برای برقراری روابط با مشتریانشان ایفا کند.

در تمامی صنایع، شرکتهای آینده نگر به سمت این هدف حرکت می کنند که تمام مشتریان را به صورت فردی درک نمایند و از این شناخت برای تسهیل تجارتی استفاده نمایند که مشتری می خواهد با آنها انجام دهد به جای اینکه با رقبایشان همین تجارت را برقرار نماید. این موسسات یاد می گیرند که ارزش هر مشتری را در نظر بگیرند تا تشخیص دهند که کدام یک از مشتریان ارزش سرمایه گذاری و صرف تلاش مداوم را دارند و دور کدام یک را باید خط کشید. این تغییر نگرش و تمرکز بر مشتریان فردی بجای تمرکز بر بخشهای وسیع بازار نیازمند تغییر در کل شرکت است و مطمئناً به بخشهای بازاریابی، فروش و پشتیبانی مشتریان هم سرایت می نماید.

برای بیشتر شرکتها استقرار یک تجارت حول روابط با مشتریان تغییری بنیادین است. بانکها همواره به حفظ تعادل بین هزینه ای که به سرمایه گذاران در بانک می پردازند و سود حاصل از وامهای پرداختی به وام گیرندگان توجه می کنند. شرکتهای مخابرات بر نوع و چگونگی ارتباطات تلفنی مشتریان توجه دارند. شرکتای بیمه بر تعادل پرداخت خسارات بیمه گذاران و مدیریت سرمایه گذاریهای انجام یافته با پول حال از دریافت حق بیمه ها متمرکز شده اند. داده کاوی کمک می کند تا نهادی محصول مدار به نهادی مشتری مدار تبدیل شود. داده کاوی به تعبیری دقیق تر به مجموعه ای از ابزارها و تکنیکها اطلاق می شود و یکی از چند تکنولوژی لازم برای حمایت از شرکتی مشتری مدار می باشد. از منظری وسیعتر داده کاوی دیدگاهی است که مطابق آن اعمال تجاری باید براساس یادگیری باشند، دیدگاهی که در آن تصمیمات آگاهانه بهتر از تصمیمات بدون آگاهی هستند. داده کاوی ، موثر واقع شود باید سایر نیازمندیهای مدیریت ارتباط با مشتریان نیز برآورده شود. یک شرکت به منظور ایجاد رابطه ای یادگیرنده با مشتریان خود باید قادر باشد:

1. متوجه آنچه مشتریانش انجام می دهند باشد.
2. عملکرد شرکت و مشتریان شرکت در طول دورانهای مختلف را همیشه به یاد داشته باشد.
3. از آنچه به یاد می آورد درس بگیرد.
4. براساس آنجه یاد گرفته عمل کند تا مشتریانش سودآورتر باشند.

اگرچه تمرکز این کتاب بر گزینه سوم یعنی درس گرفتن از آنچه در گذشته رخ داده می باشد ولی باید گفت یادگیری در خلا اتفاق نمی افتد. باید سیستمهای پردازش تعاملات برای پی بردن به تعاملات مشتریان، انبار داده ها برای ذخیره اطلاعات در مورد رفتارهای گذشته مشتریان و یک استراتژی برای رابطه با مشتری وجود داشته باشد تا آن برنامه ها را به مرحله عمل در آورد.

نقش سیستمهای پردازش تعاملات

یک تجارت کوچک با مشتریان خود روابطی را از طریق توجه به نیازهایشان، به یاد داشتن ترجیحاتشان و درس گرفتن از تعاملات گذشته برقرار می کند تا در آینده به آنها بهتر ارائه خدمات نماید. چگونه یک شرکت عظیم می تواند مشابه این کار را انجام دهد. وقتی این امکان هست که اغلب کارمندان آن شرکت هرگز به صورت شخصی با مشتریان رابطه نداشته باشند؟ حتی اگر تعامل با مشتری هم وجود داشته باشد ممکن است این روابط هر بار با فروشنده یا کارمند متفاوتی در مرکز تلفن برقرار شود. پس چگونه شرکت می تواند به این تعاملات توجه کند. آنها را به یاد آورد و از آنها درس بگیرد؟ چه چیزی می تواند جایگزین حس خلاق یک فروشنده شود که مشتریانش را با اسم و از روی چهره و صدا می شناسد و عادتها و ترجیحات آنها را به یاد می آورد؟ پاسخ این است که هیچ چیز نمی تواند جایگزین شود ولی این مسئله بدان معنی نیست که نمی توان سعی و تلاش کرد. از طریق به کارگیری هوشمندانه تکنولوژیهای اطلاعات حتی بزرگترین شرکتها هم می توانند به نتایج شگفت انگیزی برسند. در شرکتهای تجاری عظیم، اولین گام یعنی توجه به آنچه مشتری انجام می دهد از قبل و به صورت خودکار در آمده است. سیستمهای پردازش تعاملات همه جا هستند و ظاهراً داده هایی را در مورد همه چیز جمع آوری می کنند. نتایج ثبت شده توسط دستگاههای اتوماتیک سخن گو، سرورهای وب، اسکنرهای بارکد کالاهای فروش رفته وموارد مشابه ، تولید کننده داده های خام برای داده کاوی هستند.

امروزه همه ما در طول زندگی جریان مداومی از اطلاعات تعاملی را ایجاد می کنیم. وقتی شما گوشی تلفن را بر می دارید تا یک کالا سفارش دهید جزئیات تماس شما در اداره تلفن محلی ثبت می شود و بطور مثال، زمان تماس، شماره تلفن و عنوان شرکتی را که با آن تماس گرفته اید نشان می دهد. در شرکتی که با آن تماس گرفته اید نیز اطلاعات مشابهی نظیر مدت مکالمه شما ثبت می شود. این داده ها با سایر اطلاعاتی که متشکل از نحوه پرداخت صورتحساب و اسم و آدرس شما برای تهیه یک رسید است جمع می گردد. در شرکتهای تهیه کاتالوگها نیز تماس شما دوباره به همراه اطلاعاتی در باره کاتالوگ مخصوصی که شما از آن سفارش داده اید و هر طرح تشویقی دیگری که به آن پاسخ داده اید ثبت می شود. وقتی پاسخ دهندگان به تماس شما، شماره کارت اعتباری شما و تاریخ انقضای آنرا سوال نموده اند، این اطلاعات هم بلافاصله به سیستم بررسی کارتهای اعتباری داده می شود تا صحت اطلاعات گرفته شده ثابت گردد و این موارد هم البته ثبت می گردد. در یک چشم به هم زدن این تعامل بانکی که صادر کننده کارت اعتباری شماست برقرار می شود و در صورتحساب ماهیانه بعدیتان این مسئله ثبت خواهد شد. وقتی سفارش می دهید آن سفارش با شماره اقلام، اندازه و رنگ آن وارد سیستم سفارشات کاتالوگها می شود و اطلاعات بیشتری را در سیستم کامپیوتری اداره پست تولید می کند جایی که کالاهای ارسالی با پست توسط واحد انبارها بعنوان فرستنده ودر خانه شمابعنوان گیرنده بررسی می شود تا با بررسی وب سایت حامل کالا ببینید کار در چه مرحله ای از پیشرفت است.

این اطلاعات تعاملی برای داده کاوی تولید و جمع آوری نشده اند بلکه برای برآورده کردن نیازهای عملی شرکت ایجاد شده اند. با این وجود همه این اطلاعات حاوی مطالب مفیدی در مورد مشتریان هستند و می توان همگی را با موفقیت کاوش کرد. شرکتهای مخابرات از اطلاعات مربوط به جزئیات تماسها برای دستیابی به شماره تلفن ساکنانی استفاده کرده اند که الگوهای تماسشان شبیه الگوهای تجارتی است تا مخابرات بتواند خدماتخاصی را به افرادی که در منازل خویش کسب و کاری راه انداخته اند عرضه نماید. شرکتهای تهیه کاتالوگها از سفارشات گذشته برای تصمیم گیری در مورد شمولیت هر کدام از مشتریان در ارسال بسته های پستی حاوی کاتالوگ آینده استفاده می کنند. یک شرکت پست از تغییر رخ داده در الگوی تقاضای مشتریان خود در طول تعطیلی موقتی شرکت رقیب استفاده نمود تا سهم خویش را در تجارت توزیع بسته های مشتریانشان محاسبه نماید. سوپر مارکتها از داده های حاصل از اسکن بارکد کالاهای فروش رفته برای تصمیم گیری در مورد چاپ نوع خاصی از کوپن تشویقی برای انواع مشتریان استفاده نموده اند. خرده فروشان اینترنتی از خریدهای قبلی استفاده کرده اند تا تعیین کنند چه کالایی را در زمانی که مشتریان برای بازدید مجدد از سایتشان باز می گردند عرضه کنند.

این سیستم های تعاملی نقطه تماس مشتریان هستند؛ جایی که اطلاعات در مورد رفتار مشتریان برای اولین بار وارد شرکت می شود. در چنین حالتی این سیستم ها در واقع گوش و چشم شرکت هستند.

نقش ذخیره سازی داده ها

شرکتهای مشتری مدار هر اطلاعاتی در مورد هر تعاملی با مشتری یا ارباب رجوع را به عنوان فرصتی برای یادگیری قلمداد می کنند. هر تماسی را با پشتیبانی مشتریان، هر تعاملی را با برگه های فروش، هر نوع سفارش کاتالوگ، هر بازدید از وب سایت شرکت، جزو این تعاملات قلمداد می شود. ولی یادگیری نیازمند چیزی بیش از گردآوری ساده داده هاست . در واقع بیشتر شرکتها صدها گیگابایت یا ترابایت از داده ها را در باره مشتریانشان جمع آوری می کنند بدون اینکه چیزی یاد بگیرند. داده ها جمع می شوند زیرا برای برخی از اهداف عملیاتی چون کنترل فهرستها یا صورتحسابها لازم هستند. وقتی هدف مورد نظر به دست آمد اطلاعات روی یک لوح فشرده ذخیره می شود و یا اصلاً حذف می گردد.

برای اینکه یادگیری رخ دهد باید داده های حاصل از منابع متعدد از جمله اطلاعات موجود در صورتحسابها، داده های اسکنرها، فرمهای ثبت نام، تقاضانامه ها، جزئیات تماسها، نقد کردن کوپنها و معاملات با هم جمع آوری و به روشی مفید و ثابت دسته بندی شوند. این مرحله را ذخیره سازی داده ها می نامند. ذخیره سازی داده ها به شرکتها اجازه می دهد آنچه در مورد مشتریان جلب توجه میکند را به یاد بیاورند.

یکی از مهمترین جنبه های ذخیره سازی داده ها توانایی دنبال کردن رفتار مشتری در طول زمانهای مختلف است. الگوهای مشتریان در طول زمان مشخص می گردد. در ذخیره سازی داده ها لازم است داده های صحیح قدیمی به کار گرفته شود تا داده کاوی بتواند این روندهای مهم را کشف کند. بسیاری از الگوهای مهم در مدیریت روابط با مشتری تنها با گذشت زمان ظاهر می شود. آیا میزان خرید مشتریان روند صعودی و یا نزولی را طی می کند؟ مشتریان چه کانال ارتباطی را ترجیح می دهند؟ مشتریان به چه تبلیغاتی پاسخ می دهند؟

سالها قبل یک شرکت تهیه کاتالوگها وقتی به اهمیت حفظ داده های رفتار گذشته مشتریان پی برد که برای اولین بار اطلاعات مربوط به بیش از یک سال بسته های پستی کاتالوگها و پاسخهایی که ازمشتریانشان گرفته بودند را جمع آوری و نگهداری نمود. آنها دریافتند که بخشی از مشتریان هستند که تنها از طریق کاتالگ و در زمان عید سفارش داده اند. با داشتن شناخت در مورد آن بخش از مشتریان، آنان در مورد اینکه چه کری انجام دهند تصمیماتی گرفتند. آنها می توانستند روشهایی را برای افزایش علاقه این گروه از مشتریان به سفارش دادن در بقیه سال نیز ایجاد نمایند. آنها می توانستند نسبت کلی تعداد پاسخهای دریافتی به تعداد کل بسته های پستی کاتالوگهای ارسال شده را از طریق نفرستادن بسته های پستی برای این بخش در بقیه طول سال افزایش دهند. بدون بررسیهای بیشتر نمی توان گفت که کدامیک پاسخ درست است ولی بدون داشتن داده های گذشته هرگز به این نتیجه نمی رسیدند که باید سوالاتی بپرسند.

پایان نامه بررسی ومطالعه ی کامل داده کاوی و داده کاوی با SQL SERVER2005 پیاده سازی آن روی بانک اطلاعاتی(همراه با تصاویر )

اختصاصی از یارا فایل پایان نامه بررسی ومطالعه ی کامل داده کاوی و داده کاوی با SQL SERVER2005 پیاده سازی آن روی بانک اطلاعاتی(همراه با تصاویر ) دانلود با لینک مستقیم و پرسرعت .

فرمت:word(قابل ویرایش)

تعداد صفحات:223

عنوان:

بررسی ومطالعه ی کامل داده کاوی و داده کاوی با SQL SERVER2005 پیاده سازی آن روی بانک اطلاعاتی دانشگاه آزاد قوچان

پایان نامه دوره کارشناسی کامپیوتر

گرایش نرم افزار

فهرست مطالب:

چکیده ۱۴

بررسی ومطالعه ی کامل داده کاوی و داده کاوی با SQL SERVER2005. 14

پیاده سازی آن روی بانک اطلاعاتی دانشگاه آزاد قوچان. ۱۴

فصــل اول. ۱۵

مقدمه ای بر داده کاوی ۱۵

۱-۱-مقدمه. ۱۶

۱-۲-عامل مسبب پیدایش داده کاوی.. ۱۷

-۳-داده کاوی و مفهوم  اکتشاف دانش    (K.D.D) 18

1-3-1-تعریف داده کاوی.. ۱۹

۱-۳-۲- فرآیند داده‌کاوی.. ۲۰

۱-۳-۳- قابلیت های داده کاوی.. ۲۱

۱-۳-۴-چه نوع داده‌هایی مورد کاوش قرار می گیرند؟. ۲۱

فایلهای ساده (FLAT FILES): 21

پایگاههای داده ای رابطه ای(RDBMS): 22

انبارهای داده ای.. ۲۲

۱-۴- وظایف داده کاوی.. ۲۳

۱-۱-۴-کلاس بندی.. ۲۳

۱-۴-۲- مراحل یک الگوریتم کلاس‌بندی.. ۲۴

۱-۴-۳-  انواع روش‌های کلاس‌بندی.. ۲۵

۱-۴-۳-۱- درخت تصمیم ۲۵

۱-۴-۳-۱-۱- کشف تقسیمات ۲۷

۱-۴-۳-۱-۲- دسته بندی با درخت تصمیم ۲۸

انواع درخت‌های تصمیم ۲۹

۱-۴-۳-۱-۴-   نحوه‌ی هرس کردن درخت.. ۳۰

۱-۴-۳-۲- نزدیکترین همسایگی_ K.. 31

1-4-3-3-بیزی.. ۳۲

۱-۴-۳-۳-۱ تئوری بیز. ۳۴

۱-۴-۳-۳-۲ -دسته بندی ساده بیزی.. ۳۶

یک مثال در توضیح طبقه بندی ساده بیزی.. ۳۸

ارزیابی روش‌های کلاس‌بندی.. ۴۱

-۲-۴-۱پیش بینی. ۴۲

۱-۴-۳-انواع روش‌های پیش بینی. ۴۳

۱-۴-۳-۱- رگرسیون. ۴۳

۱-۴-۳-۱ -۱- رگرسیون خطی.. ۴۳

۱-۴-۳-۱-۲-  رگرسیون منطقی. ۴۵

۱-۴-۳- خوشه بندی.. ۴۶

۱-۴-۳-۱- تعریف فرآیند خوشه‌بندی.. ۴۷

۱-۴-۳-۲-  کیفیت خوشه‌بندی.. ۴۷

۱-۴-۳-۳-  روش ها و الگوریتم‌های خوشه‌بندی.. ۴۸

۱-۴-۳-۳-۱-  روش های سلسله‌مراتبی‌ ۴۹

۱-۴-۳-۳-۱-۱- الگوریتم های سلسله مراتبی. ۴۹

۱-۴-۳-۳-۱-۱-۱-الگوریتم خوشه بندی single-linkage. 51

الگوریتم شامل مراحل زیر است : ۵۱

مثال: ۵۲

۱-۴-۳-۳-۲-  الگوریتم‌های تفکیک.. ۵۷

۱-۴-۳-۳-۳-  روش‌های متکی برچگالی. ۵۷

۱-۴-۳-۳-۴-  روش‌های متکی بر گرید ۵۸

۱-۴-۳-۳-۵-  روش‌‌های متکی بر مدل. ۵۸

۱-۴-۴- تخمین. ۵۸

۱-۴-۴-۱- درخت تصمیم ۵۹

۱-۴-۵- سری های زمانی : ۵۹

۱-۵-کاربردهای داده کاوی.. ۵۹

۱-۶-قوانین انجمنی. ۶۰

۱-۶-۱-کاوش قوانین انجمنی. ۶۱

۱-۶-۲-  اصول کاوش قوانین انجمنی. ۶۲

۱-۶-۳-  اصول استقرا در کاوش قوانین انجمنی. ۶۳

۱-۶-۴-  الگوریتم Apriori 66

1-7-متن کاوی.. ۶۷

۱-۷-۱- مقدمه. ۶۷

۱-۷-۲- فرآیند متن کاوی.. ۷۱

۱-۷-۳- کاربردهای متن کاوی.. ۷۳

۱-۷-۳-۱- جستجو و بازیابی. ۷۴

گروه بندی و طبقه بندی داده ۷۴

خلاصه سازی.. ۷۵

روابط میان مفاهیم ۷۶

۱-۷-۳-۵- یافتن و تحلیل ترند ها ۷۶

برچسب زدن نحوی (POS) 77

1-6-2-7-  ایجاد تزاروس و آنتولوژی به صورت اتوماتیک… ۷۷

۱-۸-تصویر کاوی.. ۷۸

۱-۹- وب کاوی.. ۷۹

فصل دوم ۸۲

الگوریتم ژنتیک… ۸۲

۱-۲-مقدمه. ۸۳

مفاهیم پایه و لغات کلیدی.. ۸۳

۲-۲- اصول الگوریتم ژنتیک… ۸۴

۲-۲-۱-کد گذاری.. ۸۴

۲-۲-۱-۱- روش های کد گذاری.. ۸۴

۲-۲-۱-۱-۱- کدگذاری دودویی. ۸۴

۲-۲-۱-۱-۲-کدگذاری مقادیر. ۸۵

۲-۲-۱-۱-۳- کدگذاری درختی. ۸۵

۲-۲-۲- ارزیابی. ۸۶

۲-۲-۳-انتخاب.. ۸۷

۲-۲-۳-۱-انتخاب گردونه دوار. ۸۷

۲-۲-۳-۲- انتخاب رتبه ای.. ۸۸

۲-۲-۳-۳- انتخاب حالت استوار. ۹۰

۲-۲-۳-۴-نخبه گزینی. ۹۰

۲-۲-۴- عملگرهای تغییر. ۹۰

۲-۲-۴-۱-عملگر Crossover 91

2-2-4-2-عملگر جهش ژنتیکی. ۹۲

۲-۲-۴-۳-احتمال  Crossover و جهش.. ۹۳

۲-۲-۵- کدبرداری.. ۹۳

۲-۲-۶-دیگر پارامترها ۹۴

۲-۴-مزایای الگوریتم های ژنتیک… ۹۶

۲-۵- محدودیت های الگوریتم های ژنتیک… ۹۷

۲-۶-چند نمونه از کاربرد های الگوریتم های ژنتیک… ۹۸

۲-۶-۱-یک مثال ساده ۹۹

نسل اول. ۱۰۰

نسل بعدی.. ۱۰۲

جهش(Mutation) 103

فصل سوم ۱۰۴

شبکه های عصبی. ۱۰۴

۳-۱-چرا از شبکه های عصبی استفاده می کنیم؟. ۱۰۵

۳-۲-سلول عصبی. ۱۰۶

۳-۳-نحوه عملکرد مغز. ۱۰۸

۳-۴-مدل ریاضی نرون. ۱۰۸

۳-۵- آموزش شبکه‌های عصبی. ۱۱۶

۳-۶-کاربرد های شبکه های عصبی. ۱۱۹

فصل چهارم ۱۲۲

محاسبات نرم ۱۲۲

۴-۱-مقدمه. ۱۲۳

۴-۲-محاسبات نرم  چیست ؟. ۱۲۶

۴-۲-۱-رابطه. ۱۲۷

۴-۲-۲-مجموعه های فازی.. ۱۳۰

۴-۲-۲-۱-توابع عضویت.. ۱۳۵

۴-۲-۲-۲- عملیات اصلی. ۱۳۷

۴-۲-۳-نقش مجموعههای فازی در دادهکاوی.. ۱۳۸

۴-۲-۳-۱- خوشه بندی.. ۱۳۹

۴-۲-۳-۲- خلاصه سازی دادهها ۱۴۰

۴-۲-۳-۳- تصویر کاوی.. ۱۴۱

۴-۲-۴- الگوریتم  ژنتیک… ۱۴۲

۴-۲-۵-نقش الگوریتم ژنتیک در داده کاوی.. ۱۴۹

۴-۲-۵-۱- رگرسیون. ۱۴۹

۴-۲-۵-۲-  قوانین انجمنی. ۱۵۰

۴-۳- بحث و نتیجه گیری.. ۱۵۳

فصل پنجم ۱۵۵

ابزارهای داده کاوی.. ۱۵۵

۵-۱- نحوه ی انتخاب ابزارداده کاوی.. ۱۵۶

۵-۳- چگونه می توان بهترین ابزار را انتخاب کرد؟. ۱۶۳

۵-۴-ابزار های داده کاوی که در ۲۰۰۷ استفاده شده است : ۱۶۵

۵-۵-داده کاوی با sqlserver 2005. 165

5-5-10-  Microsoft-Loistic-Regression. 213

5-5-11-Microsoft-Linear-Regression. 213

فصل ششم ۲۱۴

نتایج داده کاوی با SQL SERVER2005. 214

روی بانک اطلاعاتی دانشگاه آزاد قوچان. ۲۱۴

۱-۶-نتایج Data Mining With Sql Server 2005   روی بانک اطلاعاتی دانشگاه آزاد قوچان. ۲۱۵

۱-۶-۱-Microsoft association rule. 215

1-6-2- Algorithm cluster 216

1-6-3- Neural network. 216

1-6-4- Modle naive-bayes. 217

1-6-5-Microsoft Tree Viewer 220

تعداد خواهر وبرادران دانشجویان ورودی سال ۷۴ حدودا بین ۱-۲ تاطبق آمار بوده است . ۲۲۰

۷-۱-نتیجه گیری.. ۲۲۱

منابع وماخذ ۲۲۳

چکیده:

بررسی ومطالعه ی کامل داده کاوی و داده کاوی با SQL SERVER2005
پیاده سازی آن روی بانک اطلاعاتی دانشگاه آزاد قوچان

امروزه با گسترش سیستم های پایگاهی و حجم بالای داده ها ی ذخیره شده در این سیستم ها ، نیاز به ابزاری است تا بتوان داده های ذخیره شده را پردازش کرد و اطلاعات حاصل از این پردازش را در اختیار کاربران قرار داد.
داده کاوی یکی از مهمترین روش ها ی کشف دانش است که به وسیله آن الگوهای مفید در داده ها با حداقل دخالت کاربران شناخته می شوند و اطلاعاتی را در اختیار کاربران و تحلیل گران قرار می دهند تا براساس آنها تصمیمات مهم و حیاتی در سازمانها اتخاذ شوند.داده کاوی را تحلیل گران با اهداف گوناگونی از قبیل کلاس بندی, پیش بینی, خوشه بندی ,تخمین انجام می دهند. برای کلاس بندی, مدل هاو الگوریتم هایی مانند قاعده ی بیز, درخت تصمیم, شبکه ی عصبی, الگوریتم ژنتیک مطرح شده است.برای پیش بینی مدل رگرسیون خطی ومنطقی و برای خوشه بندی الگوریتم های سلسله مراتبی و تفکیکی, وبرای تخمین مدل های درخت تصمیم و شبکه ی عصبی مطرح می شود. در فصل دوم و سوم با الگوریتم ژنتیک که یکی از الگوریتم های داده کاوی و با شبکه ی عصبی که یکی از مدل های داده کاوی هستند آشنا می شویم .درفصل چهارم به محاسبات نرم و برخی از اجزای اصلی ان و نقش آنها در داده کاوی می پردازیم.
در فصل پنجم با ابزارهای داده کاوی آشنا می شویم . برای داده کاوی ابزارهای متنوعی وجود دارد. می توان ابزارداده کاوی را با تطبیق آن ابزار با داده های مسئله و با توجه به محیط داده ای که می خواهید از آن استفاده کنید، و امکاناتی که آن ابزار دارد انتخاب کنید.وسپس به داده کاوی با SQLSERVER2005 می پردازیم .ودرفصل ششم به داده کاوی با SQL SERVER2005 روی بانک اطلاعاتی دانشگاه آزاد قوچان پرداختیم.
کلمات کلیدی ،کلاس بندی ، خوشه بندی ، پیش بینی ، تخمین

فصــل اول

مقدمه ای بر داده کاوی

۱-۱-مقدمه
امروزه با گسترش سیستم های پایگاهی و حجم بالای داده ها ی ذخیره شده در این سیستم ها ، نیاز به ابزاری است تا بتوان داده های ذخیره شده را پردازش کرد و اطلاعات حاصل از این پردازش را در اختیار کاربران قرار داد .با استفاده از ابزارهای گوناگون گزارش گیری معمولی ، می توان اطلاعاتی را در اختیار کاربران قرار داد تا بتوانند به نتیجه گیری در مورد داده ها و روابط منطقی میان آنها بپردازند اما وقتی که حجم داده ها خیلی بالا باشد ، کاربران هر چند زبر دست و با تجربه باشند نمی توانند الگوهای مفید را در میان حجم انبوه داده ها تشخیص دهند و یا اگر قادر به این کار هم با شوند ، هزینه عملیات از نظر نیروی انسانی و مادی بسیار بالا است .از سوی دیگر کاربران معمولا فرضیه ای را مطرح می کنند و سپس بر اساس گزارشات مشاهده شده به اثبات یا رد فرضیه می پردازند ، در حالی که امروزه نیاز به روشهایی است که اصطلاحا به کشف دانش بپردازند یعنی با کمترین دخالت کاربر و به صورت خودکار الگوها و رابطه های منطقی را بیان نمایند .
داده کاوی یکی از مهمترین این روش ها است که به وسیله آن الگوهای مفید در داده ها با حداقل دخالت کاربران شناخته می شوند و اطلاعاتی را در اختیار کاربران و تحلیل گران قرار می دهند تا براساس آنها تصمیمات مهم و حیاتی در سازمانها اتخاذ شوند .

۱-۲-عامل مسبب پیدایش داده کاوی
اصلی ترین دلیلی که باعث شده داده کاوی کانون توجهات در صنعت اطلاعات قرار بگیرد، مساله در دسترس بودن حجم وسیعی از داده ها و نیاز شدید به اینکه از این داده ها, اطلاعات و دانش سودمند استخراج کنیم. اطلاعات و دانش بدست آمده در کاربردهای وسیعی مورد استفاده قرار می گیرد.
داده کاوی را می توان حاصل سیر تکاملی طبیعی تکنولوژی اطلاعات دانست، که این سیر تکاملی ناشی از یک سیر تکاملی در صنعت پایگاه داده می باشد، نظیر عملیات جمع آوری داده ها وایجاد پایگاه داده، مدیریت داده و تحلیل و فهم داده ها.
تکامل تکنولوژی پایگاه داده و استفاده فراوان آن در کاربردهای مختلف سبب جمع آوری حجم فراوانی داده شده است. این داده های فراوان باعث ایجاد نیاز برای ابزارهای قدرتمند برای تحلیل داده ها گشته، زیرا در حال حاضر به لحاظ داده ثروتمند هستیم ولی دچار کمبود اطلاعات می باشیم.
ابزارهای داده کاوی داده ها را آنالیز می کنند و الگوهای داده ها را کشف می کنند که می توان از آن در کاربردهایی نظیر تعیین استراتژی برای کسب و کار، پایگاه دانش و تحقیقات علمی و پزشکی، استفاده کرد. شکاف موجود بین داده ها و اطلاعات سبب ایجاد نیاز برای ابزارهای داده کاوی شده است تا داده های بی ارزش را به دانشی ارزشمند تبدیل کنیم .

۱
-۳-داده کاوی و مفهوم اکتشاف دانش (K.D.D)
با حجم عظیم داده های ذخیره شده در فایلها، بانکهای اطلاعاتی و سایر بانک های داده ای، توسعه ی ابزارهایی برای تحلیل و شاید تفسیر چنین داده هایی و برای استخراج علوم شگفت انگیزی که می توانند در تصمیم گیری مفید باشند، امری بسیار مهم و ضروری است. داده کاوی با عنوان کشف دانش در پایگاه های داده (KDD) شناخته می‌شود. کشف علومی که قبلا ناشناخته بوده‌اند و اطلاعاتی که در بانکهای اطلاعاتی موجود بوده و ذاتا بالقوه و مفید هستند.
با وجود آنکه داده کاوی و کشف دانش در پایگاه‌های داده مترادف همدیگر هستند، ولی در اصل، داده کاوی ذاتاً بخشی و تنها قسمتی جزئی از فرآیند کشف دانش است. فرآیند کشف دانش در بر گیرنده ی چندین مرحله می باشد که از اطلاعات خام، گونه هایی از علوم جدید را بدست می دهد. مراحل کشف دانش به قرار زیر است:
۱- پاکسازی داده ها : در این فاز داده های اضافی و نامربوط از مجموعه داده ها حذف می شوند.(داده های ناکامل) [۲] ۲-یکپارچه سازی داده ها : چندین منبع داده ترکیب می شوند،

دانلود پایان نامه کارشناسی کامپیوتر پیرامون داده کاوی

اختصاصی از یارا فایل دانلود پایان نامه کارشناسی کامپیوتر پیرامون داده کاوی دانلود با لینک مستقیم و پرسرعت .

فرمت:word(قابل ویرایش)

تعداد صفحات:144

 پایان نامه مقطع کارشناسی کامپیوتر

چکیده

بسیاری از فروشگاهها پس از گذشت یک ربع قرن از آغاز فعالیت، هنوز مشتری وفادار خود را دارند. این وفاداری تصادفی نیست. اداره کنندگان این فروشگاهها به سلایق و نیازهای مشتریان خویش واقف شده اند و توان مالی خرید آنها را می شناسند. وقتی کسی از آنها راهنمایی بخواهد پاسخ آنها براساس دانش اندوخته شان در مورد ذائقه و بودجه آن مشتری و همچنین دانش شان در باره محصولات خودشان خواهد بود.

افرادی که به این فروشگاه رفت و آمد دارند در مورد کالاهای آن فروشگاه چیزهای زیادی می دانند. هر چند این دانش یکی از دلایل آنها برای ایجاد خرید از آنجاست و به همین دلیل به فروشگاه های دیگر نمی روند ولی داشتن اطلاعات خودمانی و صمیمانه در باره هر شخص آنها را مشتری دائمی آنجا می کند و به یک مغازه مشابه دیگر در آنطرف خیابان و روبروی همین فروشگاه نمی روند و برخوردار بودن این فروشگاه از اطلاعات خودمانی و صمیمانه در باره هر شخص آنها را مشتری دائمی آنجام می کند . یک مغازه مشابه دیگر می تواند در آنطرف خیابان و روبروی همین مغازه باز شود ولی ماهها و حتی سالها طول می کشد تا آنها به این سطح از دانش در باره مشتریانشان دست یابند.

طبیعتاً تجارتهای کوچکی که مدیریت خوبی دارند می توانند به نحوه ایجاد رابطه با مشتریانشان پی ببرند. آنها با گذشت زمان در باره مشتریانشان به چیزهای بیشتر و بیشتری پی خواهند برد و از آن دانش برای خدمت بهتر به مشتریان استفاده خواهند نمود و نتیجه کار، مشتریان وفادار و خرسند و تجارتهای سودآور خواهد بود.

شرکتهای بزرگ با صدها هزار یا میلیونها نفر مشتری از مزیت برقراری روابط شخصی حقیقی با تک تک مشتریانشان بی بهره اند. این موسسات عظیم باید به وسایل دیگری برای برقراری رابطه با مشتریانشان تکیه نمایند. آنها باید یاد بگیرند که از آنچه که به وفور دارند یعنی داده هایی که از طریق تعامل با تک تک مشتریان به دست آمده است نهایت بهره را ببرند. این کتاب در مورد تکنیکهای تحلیلی بحث میکند که برای تبدیل داده های مشتریان به دانش در باره مشتریان استفاده میشود.

مدیریت روابط تحلیلی با مشتریان

شکی نیست که لازم است موسسات بزرگ نیز مانند تجارتهای خدمات مدار و کوچک از منافع برقراری روابط یک به یک با مشتریانشان بهره مند گردند. مدیریت روابط با مشتری موضوع گسترده ای است که در کتابها و کنفرانسهای زیادی در مورد آن بحث شده است. تمرکز این کتاب بر نقشی است که داده کاوی می تواند در بهبود مدیریت روابط با مشتری از طریق افزایش توان موسسات برای برقراری روابط با مشتریانشان ایفا کند.

در تمامی صنایع، شرکتهای آینده نگر به سمت این هدف حرکت می کنند که تمام مشتریان را به صورت فردی درک نمایند و از این شناخت برای تسهیل تجارتی استفاده نمایند که مشتری می خواهد با آنها انجام دهد به جای اینکه با رقبایشان همین تجارت را برقرار نماید. این موسسات یاد می گیرند که ارزش هر مشتری را در نظر بگیرند تا تشخیص دهند که کدام یک از مشتریان ارزش سرمایه گذاری و صرف تلاش مداوم را دارند و دور کدام یک را باید خط کشید. این تغییر نگرش و تمرکز بر مشتریان فردی بجای تمرکز بر بخشهای وسیع بازار نیازمند تغییر در کل شرکت است و مطمئناً به بخشهای بازاریابی، فروش و پشتیبانی مشتریان هم سرایت می نماید.

برای بیشتر شرکتها استقرار یک تجارت حول روابط با مشتریان تغییری بنیادین است. بانکها همواره به حفظ تعادل بین هزینه ای که به سرمایه گذاران در بانک می پردازند و سود حاصل از وامهای پرداختی به وام گیرندگان توجه می کنند. شرکتهای مخابرات بر نوع و چگونگی ارتباطات تلفنی مشتریان توجه دارند. شرکتای بیمه بر تعادل پرداخت خسارات بیمه گذاران و مدیریت سرمایه گذاریهای انجام یافته با پول حال از دریافت حق بیمه ها متمرکز شده اند. داده کاوی کمک می کند تا نهادی محصول مدار به نهادی مشتری مدار تبدیل شود. داده کاوی به تعبیری دقیق تر به مجموعه ای از ابزارها و تکنیکها اطلاق می شود و یکی از چند تکنولوژی لازم برای حمایت از شرکتی مشتری مدار می باشد. از منظری وسیعتر داده کاوی دیدگاهی است که مطابق آن اعمال تجاری باید براساس یادگیری باشند، دیدگاهی که در آن تصمیمات آگاهانه بهتر از تصمیمات بدون آگاهی هستند. داده کاوی ، موثر واقع شود باید سایر نیازمندیهای مدیریت ارتباط با مشتریان نیز برآورده شود. یک شرکت به منظور ایجاد رابطه ای یادگیرنده با مشتریان خود باید قادر باشد:

    متوجه آنچه مشتریانش انجام می دهند باشد.
    عملکرد شرکت و مشتریان شرکت در طول دورانهای مختلف را همیشه به یاد داشته باشد.
    از آنچه به یاد می آورد درس بگیرد.
    براساس آنجه یاد گرفته عمل کند تا مشتریانش سودآورتر باشند.

اگرچه تمرکز این کتاب بر گزینه سوم یعنی درس گرفتن از آنچه در گذشته رخ داده می باشد ولی باید گفت یادگیری در خلا اتفاق نمی افتد. باید سیستمهای پردازش تعاملات برای پی بردن به تعاملات مشتریان، انبار داده ها برای ذخیره اطلاعات در مورد رفتارهای گذشته مشتریان و یک استراتژی برای رابطه با مشتری وجود داشته باشد تا آن برنامه ها را به مرحله عمل در آورد.

نقش سیستمهای پردازش تعاملات

یک تجارت کوچک با مشتریان خود روابطی را از طریق توجه به نیازهایشان، به یاد داشتن ترجیحاتشان و درس گرفتن از تعاملات گذشته برقرار می کند تا در آینده به آنها بهتر ارائه خدمات نماید. چگونه یک شرکت عظیم می تواند مشابه این کار را انجام دهد. وقتی این امکان هست که اغلب کارمندان آن شرکت هرگز به صورت شخصی با مشتریان رابطه نداشته باشند؟ حتی اگر تعامل با مشتری هم وجود داشته باشد ممکن است این روابط هر بار با فروشنده یا کارمند متفاوتی در مرکز تلفن برقرار شود. پس چگونه شرکت می تواند به این تعاملات توجه کند. آنها را به یاد آورد و از آنها درس بگیرد؟ چه چیزی می تواند جایگزین حس خلاق یک فروشنده شود که مشتریانش را با اسم و از روی چهره و صدا می شناسد و عادتها و ترجیحات آنها را به یاد می آورد؟ پاسخ این است که هیچ چیز نمی تواند جایگزین شود ولی این مسئله بدان معنی نیست که نمی توان سعی و تلاش کرد. از طریق به کارگیری هوشمندانه تکنولوژیهای اطلاعات حتی بزرگترین شرکتها هم می توانند به نتایج شگفت انگیزی برسند. در شرکتهای تجاری عظیم، اولین گام یعنی توجه به آنچه مشتری انجام می دهد از قبل و به صورت خودکار در آمده است. سیستمهای پردازش تعاملات همه جا هستند و ظاهراً داده هایی را در مورد همه چیز جمع آوری می کنند. نتایج ثبت شده توسط دستگاههای اتوماتیک سخن گو، سرورهای وب، اسکنرهای بارکد کالاهای فروش رفته وموارد مشابه ، تولید کننده داده های خام برای داده کاوی هستند.