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 ترجمه پیاده سازی فشرده سازی داده ها در آزمایشگاه دلفی

اختصاصی از یارا فایل دانلود ترجمه پیاده سازی فشرده سازی داده ها در آزمایشگاه دلفی دانلود با لینک مستقیم و پرسرعت .

pdf متن اصلی
متن ترجمه word

تعداد صفحات : ۱۰ صفحه ترجمه و ۵ صفحه اصل مقاله

این مقاله جزئیات فنی پیاه سازی شیوه های متداول فشرده سازی داده در آزمایشگاه  دلفی را تشریح می کند . در نتیجه فشرده سازی انواع مختلف داده ارائه شده است .

۱- معرفی :

در این مقاله ما یک کاربرد از شیوه های متداول فشرده سازی بر داده های فیزیکی را با هدف کاهش اندازه حجم داده برررسی می کنیم . از آن جهت لازم است که اصطلاحات کاهش داده ها و فشرده سازی داده ها را مجزا کنیم . در هر دو مورد حجم داده ها کاهش می یابد اما شیوه های پیدا شده و اهداف متفاوتند .

در مورد کاهش داده ها،  فشرده سازی داده ها در نتیجه برنامه های مجدد سازی خاصی است که سیگنالهای قسمتهای چک کننده حساس را به ارزشهای فیزیکی تبدیل می کند ، مانند  momenta انطباق ها و شناسگرهای خاص و غیره …. هدف کاهش داده ها تنها فشرده کردن داده ها نیست بلکه برای ساده تر کردن  تحلیل فیزیکی داده ها است . در مورد فشرده سازی داده ها فشرده کردن داده ها در نتیجه بهینه سازی بیشتر رمز گزاری داده ها است و الگوریتمهای پیاده شده وابسته به طبیعت داده ها نیست تنها هدف کاهش سلیز فایل داده ها برای صرفه جویی در فضای دیسک است .

۲- زنجیره فرایند داده های دلفی :

در آزمایشگاه دلفی انواع فایلهای داده ی زیر استفاده می شود .

داده خام :(RAW ) : فایلهایی با اطلاعاتی از سیستم کسب داده ها.

 FDST  یا  DST  تمام شده : فایلهای تولید نشده به وسیله برنامه های مجدد سازی استفاده شده در دلفی .

   LDST  : مانند  FDST   با این تفاوت که همچنین شامل نتایج شناسگرهای خاص است . فقط برای رویداد  .

   SDST : مانند  FDST   اما بعضی اطلاعات چک کننده خاص حذف شده و نتایج شناسه های خاص اضافه شده .

  MDST : شبیه  SDST اما شامل اطلاعات ضروری بیشتری است که به شیوه فشرده تری نوشته شده .

واضح است که مهمترین تحلیل های فیزیکی داده  LDST    ،   FDST ‌و MDST باید به راحتی قابل دسترس باشد . برای کاربر . نسخه های آن باید روی میز قرار داده شوند در حال حاضر ۲۵۰     فضای دیسک نیاز است .

۱ Introduction
In this article we consider an application of general data compression methods to the physics data with the aim of reducing the size of data volume. Thereat, it is necessary to distinguish the terms data reduction and data compression. In the both cases the data volume is reduced, but the implied methods and goals are dierent. In case of data reduction, the shrinkage of data is a result of special reconstruc- tion programs which convert the signals of the sensitive parts of detectors to the physical values like momenta, coordinates, particle identications, etc. The goal of data reduction is not only to shrink the data, but also to facilitate further physics analysis. In case of data compression, the shrinkage of data is a result of more optimum data coding and the implied algorithms do not depend of the data nature. The only goal is the reduction of the sizes of the data les to save disk space.

۲ DELPHI data processing chain
At the DELPHI experiment the following kinds of data les are used:
RAW RAW data { les with information from the data acquisition system.
FDST Full DST { les produced by reconstruction program used in DELPHI.
LDST Long or Leptonic DST { the same as FDST but also contain the results of
particle identication (for leptonic events only).
SDST Short DST { the same as FDST but some detector specic information was
discarded and the results of particle identication were added.
mDST mini DST { similar to SDST but contain the most essential information writ-
ten in more compact way.

دانلود پایان نامه بررسی کاربردی مدل های داده چند بعدی (OLAP) و استفاده از الگوهای آماری

اختصاصی از یارا فایل دانلود پایان نامه بررسی کاربردی مدل های داده چند بعدی (OLAP) و استفاده از الگوهای آماری دانلود با لینک مستقیم و پرسرعت .

فرمت فایل : word(قابل ویرایش)

تعداد صفحات:250

فهرست مطالب:
-11 ﻣﻘﺪﻣﻪ ای ﺑﺮ ﭘﺎﻳﮕﺎه داده اوراﻛﻞ g‪10‬
‫1-1-1 اﺛﺮ ﺟﻮ اﻗﺘﺼﺎدی ﺑﺮ ﻫﺰﻳﻨﻪ ﺗﻜﻨﻮﻟﻮژی
2-1-1 ﻳﻜﭙﺎرﭼﮕﻲ
3-1-1 ﻳﻜﭙﺎرﭼﻪ ﺳﺎزی ﺳﺨﺖ اﻓﺰار
  ‫4-1-1 ﻳﻜﭙﺎرﭼﻪ ﺳﺎزی داده ﻫﺎ از دﻳﺪ ﻳﻚ ﺷﺮﻛﺖ ﻣﻌﻤﻮﻟﻲ
‫5-1-1 ﻳﻜﭙﺎرﭼﻪ ﺳﺎزی ﺑﺮﻧﺎﻣﻪ ﻫﺎی ﻛﺎرﺑﺮدی
  ‫6-1-1 ‪  Grid‬در ﭘﺎﻳﮕﺎه داده اوراﻛﻞ 10g
‫2-1 اﻧﺒﺎر داده ﭼﻴﺴﺖ؟‬
1-2-1 ﭼﺮا ﺑﻪ ﻳﻚ اﻧﺒﺎر داده ﻧﻴﺎز دارﻳﺪ؟‬
‫3-1 ﭼﺸﻢ اﻧﺪاز ﺗﺎرﻳﺨﻲ
  ‫1-3-1- ﻇﻬﻮر اﻧﺒﺎر داده
  ‫. 4-1 از ﻣﺪﻟﺴﺎزی ارﺗﺒﺎط –موجودیت (E-R)استفاده نکنید
1-4-1 ﻣﺪل ﺳﺎزی اﺑﻌﺎد‬
3-4-1 ﺟﺪول ﺣﻘﻴﻘﻲ‬
4-4-1ﺟﺪول اﺑﻌﺎدی (ﭼﻨﺪ ﺑﻌﺪی)
5-4-1 ﻛﻠﻴﺪ ﻫﺎی ﻣﺨﺰن
5-1 ﭘﻴﻜﺮ ﺑﻨﺪی ﻫﺎی ﺳﺨﺖ اﻓﺰار ﺑﺮای ﻳﻚ اﻧﺒﺎر‬
1-5-1معماری سرویس دهنده:
2-5-1معماری پایگاه داده اراکل
فصل دوم : ابزار های انبار اراکل
1-2: کدام ابزار
2-2: سازنده انبار اوراکل یا OWB
1-2-2: تنظیم سازنده انبار
2-2-2: مشتری سازنده انبار اراکل
3-2-2: اهداف و منابع داده ها:
4-2-2: تعریف جداول موجود در انبار داده هایمان
5-2-2: ایجاد ابعاد
6-2-2: ایجاد یک مکعب
7-2-2: تعریف منبع برای هدف نقشه کشی ها:
8-2-2: تایید طرح
9-2-2: ایجاد طرح
10-2-2: استقرار طرح
3-2: کاشف اراکل
1-3-2: چرا Discoverer؟
2-3-2: تنظیم محیط
3-3-2: پرس و جو با استفاده از Plus Discoverer:
4-2: گزارشات اراکل 10g
1-4-2: ایجاد یک گزارش با استفاده از سازنده گزارش
2-4-2: مثال های بیشتر از گزارش های اراکل
3-4-2:انتشار گزارش
5-2: خلاصه
فصل سوم : انبار داده و وب
1-3: بررسی بیشتر
1-1-3: اینترنت و اینترانت
2-1-3: نرم افزار اراکل برای انبار داده
2-3: سرور کاربردی اراکل10g
1-2-3: چرا یک پرتال تنظیم می کنند؟
2-2-3: پرتال AS Oracle
1-3-3: Discoverer
2-3-3:انتشار یک پورت لت
3-3-3: ایجاد گزارش استاتیک
4-3: خصوصی سازی اراکل
5-3: انبار داده ها و هوشمندی تجارت الکترونیکی
فصل چهارم: OLAP
1-4: چرا نیاز به انتخاب اراکل OLAP داریم؟
1-1-4: کاربردهای OLAP
2-1-4: ROLAP و MOLAP
3-1-4: اراکل OLAP
2-4: معماری اراکل OLAP
3-4: فضاهای کاری آنالیزی
1-3-4: مدل چند بعدی
2-3-4: ایجاد فضای کاری آنالیزی
1-4-4: تعریف متاداده OLAP برای شمای رابطه ای
2-4-4:دیدگاه های متاداده OLAP و ارزیابی آن
5-4: مدیر فضای کاری آنالیزی
1-5-4: ایجاد ویزارد فضای کاری آنالیزی
2-5-4: تجدید فضای کاری آنالیزی
3-5-4: ایجاد یک طرح تجمعی
4-5-4: فعال سازهای فضای کاری آنالیزی
6-4: پرس وجوی فضاهای کاری آنالیزی
1-6-4: DML OLAP
2-6-4: بسته DBMS-AW
3-6-4: دسترسی SQL به فضای کاری آنالیزی
4-6-4: OLAP API و اجزاء BI
7-4: خلاصه
فصل پنجم : داده کاوی اراکل
5.1: داده کاوی در پایگاه داده اوراکل g10
5.2. :روش های داده کاوی اوراکل
5.2.1 : قوانین پیوستگی
5.2.2 : گروهبندی
5.2.3 : استخراج ویژگی
5.2.4 : طبقه بندی
5.2.5 : بازگشت
5.2.6 : استاندارد PMML
5.3.1 : فرمت داده
2-3-5 آماده سازی داده
4-5: استفاده از واسط های داده کاوی اوراکل
1-4-5: نصب و پیکربندی
2-4-5: روند آنالیز داده کاوی
3-4-5: مثالی با استفاده از جاوا API
4-4-5: مثال استفاده از روال های PL/SQL
5-5: خلاصه
فصل ششم: قابلیت دسترسی بالا و انبار داده
1-6: مقدمه
2-6: یک سیستم با قابلیت دسترسی بالا چیست؟
1-2-6: ویژگی های یک سیستم با قابلیت دسترسی بالا
2-2-6: نقش بهترین تجربیات عملکردی
3-6: مرور اجمالی پایگاه داده اوراکل 10g با ویژگی  قابلیت دسترسی بالا
4-6: حفاظت در برابر نقص های سخت افزاری/ نرم افزاری
1-4-6: گروههای با عملکرد حقیقی (RAC)
2-4-6: ذخیره سازی مطمئن
3-4-6: آشکار سازی و نمایش خط:
4-4-6: مدیریت منابع
5-6: حفاظت در برابر فقدان داده
1-5-6: بازیابی از نقص(خطا) متوسط
2-5-6: بازیابی از خطاهای انسانی با استفاده از flash back:
3-5-6: بازیابی خطا بوسیله گارد یا نگهبان داده
4-5-6: معماری حداکثر قابلیت دسترسی اوراکل
5-5-6: حفاظت متا داده
6-6: مدیریت زمان برنامه ریزی شده
1-6-6: پیکربندی مجدد نمونه پویا
2-6-6: حفظ آنلاین
3-6-6: تعریف مجدد آنلاین:
4-6-6: ارتقاء درجه
7-6: مدیریت طول عمر اطلاعات
8-6: خلاصه:
 ضمیمه
فهرست شکل ها
شکل 1-2: سازنده انبار- مراحل تنظیم یا به راه اندازی   
شکل 2-2: میز فرمان مشتری OWB
شکل 3-2: سازنده انبار- ایجاد یک مدول
شکل 4-2: سازنده انبار- ایجاد یک منبع پایگاه داده اراکل
شکل 5-2: سازنده انبار- اهداف و منابع داده های تعریف شده
شکل 6-2: سازنده انبار- ورود جدول
شکل 7-2: سازنده انبار- به طور دستی جدول را تعریف کنید
شکل 8-2: سازنده انبار- سلسله مراتب بعد
شکل 9-2: سازنده انبار- ایجاد مکعب
شکل 10-2: ویرایش گر نقشه
شکل 11-2: ویرایشگر نقشه کشی همراه با اتصالات
شکل 12-2: جستجوی کلید محصول
شکل 13-2: فیلترسازی داده های منبع
شکل 14-2: تایید طرح
شکل 15-2: ایجاد طرح
شکل 16-2: رمز ایجاد شده توسط سازنده انبار اراکل
شکل 17-2: مدیر استقرار
شکل 18-2: مدیریت استقرار- گزارش پیش استقراری
شکل 19-2: بخش مدیر کار،اهداف OWB استقرار یافته را نشان می دهد
شکل 20-2: وضعیت مدیر استقرار (Deployment Manager)
شکل 21-2: پیکربندی طرح فیزیکی
شکل 22-2: Discoverer و Oracle Portal
شکل 23-2: Viewer Discoverer- اجرای پرس و جوی ما
شکل 24-2: Viewer Discoverer- فهرست فروش کشور Category sales by Country
شکل 25-2- Viewer Discoverer
شکل 26-2: Viewer Discoverer-Drill Drown
شکل 27-2: Administrator Discoverer- ایجاد یک EUL
شکل 28-2: Administrator Discoverer- انتخاب شِما
شکل 29-2: Administrator Discoverer- انتخاب جدول و دیدگاه ها
شکل 30-2: Administrator Discoverer- اتصالات خودکار
شکل 31-2: مدیر- نامگذاری ناحیه تجاری
شکل 32-2: Administrator Discoverer- فهرست کار
شکل 33-2: Administrator Discoverer- تنظیم ناحیه تجاری
شکل 34-2: Administrator Discoverer- تغییر جزئیات آیتم
شکل 35-2: Administrator Discoverer- ایجاد یک آیتم محاسبه شده
شکل 36-2: Administrator Discoverer= تعریف اتصال
شکل 37-2: Administrator Discoverer (مدیر کاشف)- تعریف سلسله مراتب
شکل 38-2: Administrator Discoverer- کلاس آیتم
شکل 39-2: Administrator Discoverer (مدیر کاشف)- خلاصه سازی
شکل 40-2: Administrator Discoverer- تجدید خلاصه
شکل 41-2: Administrator Discoverer- ویزارد خلاصه
شکل 42-2: مدیر- اجازه دسترسی به ناحیه تجاری
شکل 43-2: مدیر کاشف (administrator Discoverer)- ناحیه تجاری
شکل 44-2: Plus Discoverer- فهرستی از پایگاه داده ها برای اتصال
شکل 45-2: Plus Discoverer - استفاده از کتاب کاری
شکل 46-2: Plus Discoverer- انتخاب داده برای نمایش
شکل 47-2: Plus Discoverer- آرایش جدول
شکل 48-2: Plus Discoverer- گزینه های پرس و جو
شکل 49-2: Plus Discoverer- عنوان های فرمت
شکل 50-2: Plus Discoverer- انواع داده ها
شکل 51-2: Plus Discoverer- تعریف کل ها
شکل 52-2Plus  Discoverer- گزارش
شکل 53-2: Plus  Discoverer- بازرس SQL
شکل 54-2: Plus Discoverer- Drill up/down  داده
شکل 55-2: Plus Discoverer- گزارش در سطح ماهانه
شکل 56-2: Plus Discoverer ویزارد نمودار
شکل 57-2: Plus Discoverer- نمودار فروش های سالانه
شکل 58-2: Plus Discoverer- انتخاب داده های خاص
شکل 59-2: Plus Discoverer- گزارش با استفاده از شرایط
شکل 60-2: گزارشات اراکل- انتخاب وسیله گزارش
شکل 61-2: انتخاب شیوه گزارش و عنوان
شکل 62-2: گزارشات اراکل- انتخاب منبع داده ها
شکل 63-2: گزارشات راکل- مشخص سازی پرس و جو SQL
شکل 64-2: گزارشات اراکل- استفاده از سازنده پرس و جو
شکل 65-2: گزارشات اراکل- ستون ها برای نمایش
شکل 66-2: گزارشات اراکل- محاسبه کل ها
شکل 67-2: گزارشات اراکل- مشخص سازی عرض های ستون
شکل 68-2: گزارشات اراکل- گزارش نهایی
شکل 69-2: گزارشات اراکل- گزارش ماتریس
شکل 70-2: گزارشات اراکل- گزارش شرطی
شکل 1-3: sign in شدن به پرتال Oracle AS
شکل 2-3: پرتال Oracle AS- نمایش استاندارد
شکل 3-3: یک  نگاه کلی به پرتال  Oracle AS
شکل 4-3: ایجاد یک صفحه وب EASYDW در پرتال AS  Oracle
شکل 5-3: پرتال EASYDW
شکل 6-3: مدیریت سرور کاربردی اراکل 10g
شکل 7-3: ایجاد یک اتصال عمومی
شکل 8-3: مشخص سازی جزئیات پورت لت
شکل 9-3: استفاده از نوارها برای آغازیک گزارش استاتیک
شکل 1-4: معماری پایگاه داده اراکل 10g OLAP
شکل 2-4: پایه سطح در برابر جدول بعد والدینی- فرزندی
شکل 3-4:نسخه مفهومی متغیر
شکل 4-4: ابعاد در مدیرکاری اراکل
شکل 5-4: ویرایش گزینه های OLAP برای یک بعد
شکل 6-4: متاداده CWM برای بعد
شکل 7-4: ایجاد معکب در مدیرکاری اراکل
شکل 8-4: اضافه شدن ابعاد به مکعب
شکل 9-4: یک واحد اندازه گیری را به مکعب اضافه کنید
شکل 10-4: تعریف تجمعات برای مکعب
شکل 11-4: مدیر فضای کاری آنالیزی- دیدگاه کاتالوگ OLAP
شکل 12-4: مدیر فضای کاری آنالیزی- دیدگاه هدف
شکل 13-4: ایجاد ویزارد فضای کاری آنالیزی- نام گذاری فضای کاری آنالیزی
شکل 14-4: انتخاب مکعب برای فضای کاری آنالیزی
شکل 15-4: انتخاب گزینه های ساخت برای فضای کاری آنالیزی
شکل 16-4: گزینه های ذخیره سازی پیشرفته و نامگذاری
شکل 17-4: اسکریپت ایجاد فضای کاری آنالیزی را در یک فایل ذخیره سازید
شکل 18-4: ایجاد فضای کاری آنالیزی در پیشرفت
شکل 19-4: فضای کاری آنالیزی در دیدگاه کاتالوگ OLAP
شکل 20-4: ایجاد یک بعد مرکب
شکل 21-4: اضافه کردن ابعاد به یک ترکیب
شکل 22-4: مشخص سازی ترتیب ابعاد در یک ترکیب
شکل 23-4: مشخص سازی اندازه های segment وترتیب بعد
شکل 24-4: فضای کاری آنالیزی- منوی راست کلیک
شکل 25-4: تجدید فضای کاری آنالیزی- انتخاب مکعب ها
شکل 26-4: تجدید فضای کاری آنالیزی- انتخاب ابعاد
شکل 27-4: تجدید فضای کاری آنالیزی در پیشرفت
شکل 28-4: ویزارد طرح تجمعی- انتخاب اندازه تجمع
شکل 29-4: انتخاب سطوح برای تجمع
شکل 30-4: مرور طرح تجمعی
شکل 31-4: دسترسی به فضای کاری آنالیزی
شکل 32-4: کاربرگ OLAP در مدیر فضای کاری اوراکل
شکل 5.1 : قوانین پیوستگی
شکل 5.2 : گروه بندی
شکل 5.3 : طبقه بندی
شکل 5.4 : ماتریس اختلال
شکل 5.5 : استفاده از آنالیز ارتقاء برای اعلان های هدفمند
شکل5.6 : درخت تصمیم گیری شبکه تطبیقی Bayes
شکل 5.7 : فرمت های جدول برای داده کاوی
شکل 1-6: ویژگی های قابلیت دسترسی بالای پایگاه داده اوراکل 10g
شکل 2-6: پیکربندی گارد داده
شکل 3-6: صفحه مدیریت کنترل شبکه
شکل 4-6: تنظیم پیکربندی گارد داده
شکل 5-6: اضافه کردن یک پایگاه داده ی جانشین
شکل 6-6: انتخاب نوع back up
شکل 7-6: مشخص سازی گزینه های پشتیبانی
شکل 8-6: مشخص سازی Oracle Home برای جانشین
شکل 9-6: مشخص سازی موقعیت های فایل جانشین
شکل 10-6: مشخص نمودن پیکربندی جانشین
شکل 11-6: فرایند ایجاد جانشین
شکل 12-6: پیکربندی گارد داده
شکل 13-6: نمایش عملکرد گارد داده
شکل 14-6: عملکرد switchover
شکل 15-6: switchover کامل
شکل 16-6: ساختار با حداکثر قابلیت دسترسی
شکل 17-6: سیاست های مدیریت ذخیره سازی برطبق رده داده ها
 ‫1.1 ﻣﻘﺪﻣﻪ ای ﺑﺮ ﭘﺎﻳﮕﺎه داده اوراﻛﻞ g‪10‬
‫1-1-1 اﺛﺮ ﺟﻮ اﻗﺘﺼﺎدی ﺑﺮ ﻫﺰﻳﻨﻪ ﺗﻜﻨﻮﻟﻮژی:‬

 چکیده:

‫ﻳﻜﻲ از ﭼﺎﻟﺸﻬﺎی ﻋﺼﺮ ﺣﺒﺎﺑﻲ اﻣﺮوز ‪  post-dot-com‬ﻛﻪ ﺑﺴﻴﺎری از ﺳﺎزﻣﺎﻧﻬﺎ ﺑﺎ آن ﻣﻮاﺟﻪ ﻣﻲ ﺷﻮﻧﺪ اﻳﻦ‬اﺳﺖ ﻛﻪ اﻧﺘﻈﺎر ﻣﻲ رود ﺑﻪ ﻣﻨﻈﻮر ﺑﻬﺒﻮد ﺳﻮد و زﻳﺎن ﺷﺮﻛﺖ ﺑﺪون ﻫﻴﭻ ﺑﻮدﺟـﻪ ﻳـﺎ ﺑـﺎ ﺑﻮدﺟـﻪ ﻛﻤـﻲ ﻣﺤـﺼﻮل‬ ﺑﻴﺸﺘﺮی را اراﺋﻪ دﻫﻨﺪ. ﻣﻤﻜﻦ اﺳﺖ ﺷﻤﺎ ﺑﻪ دﻧﺒﺎل روﺷﻬﺎی ﺟﺪﻳﺪی ﺑﺮای ﻛﺎﻫﺶ ﻫﺰﻳﻨﻪ ﻫﺎی ﺗﻜﻨﻮﻟـﻮژی ﺑﺎﺷـﻴد ‫در ﺣﺎﻟﻴﻜﻪ در ﻫﻤﺎن زﻣﺎن از ﺗﻘﺎﺿﺎﻫﺎی ﺟﺪﻳﺪ و ﺑﻬﺒﻮد ﺑﻬﺮه وری ﺣﻤﺎﻳﺖ ﻛﻨﻴﺪ .‬ﺑﻌﻼوه ﺑﻪ دﻧﺒﺎل رﺳﻮاﻳﻲ ﻫﺎی اﺧﻴﺮ ﺣﺴﺎﺑﺪاری ﺷﺮﻛﺘﻬﺎ ﻗﻮاﻧﻴﻦ ﺟﺪﻳﺪی ﺗﺪوﻳﻦ ﺷﺪ ﺗﺎ ﻣﺴﺌﻮﻟﻴﺖ ﺷـﺮﻛﺘﻬﺎ‬ را ﺑﺎﻻ و ﺑﺒﺮد اﻓﺸﺎ ﺳﺎزی ﻣﺎﻟﻲ را ﺑﻬﺒﻮد ﺑﺨﺸﺪ و ﺑﺎ ﺟﺮاﺋﻢ ﻣـﺎﻟﻲ ﺷـﺮﻛﺖ ﻣﺒـﺎرزه ﻛﻨـﺪ . ‪Sarbanes-Oxle ﺑـﻪ ‬ﺷﺮﻛﺘﻬﺎ اﻣﺮ ﻣﻲ ﻛﻨﺪ ﺗﺎ ﻛﻨﺘﺮل ﺟﺎﻣﻌﻲ ﺑﺮ ﻣﺪﻳﺮﻳﺖ داﺷﺘﻪ ﺑﺎﺷﻨﺪ و اﻃﻼﻋﺎت ﻣﺎﻟﻲ ﺷﺮﻛﺖ را ﮔﺰارش ﻛﻨﻨﺪ و ﺑﺮای‬اﻧﺠﺎم اﻳﻦ ﻛﻨﺘﺮﻟﻬﺎ ﻣﺴﺌﻮﻟﻴﺘﻬﺎﻳﻲ را ﺑﺮروی ﻣﺪﻳﺮ ﻋﺎﻣﻞ و ﻣﺪﻳﺮ ارﺷﺪ ﻗﺮار ﻣﻲ دﻫﺪ.اﻳﻦ ﻋﻤﻞ ﺑﻪ ﻧﻮﺑﻪ ﺧﻮد ﻧﻴﺎزﻫﺎی‬ ﺟﺪﻳﺪی را ﺑﺮ ﺳﺎزﻣﺎنIT ﺗﺤﻤﻴﻞ ﻣﻲ ﻛﻨﺪ.‬ ﺑﻨﺎﺑﺮاﻳﻦ ﭼﮕﻮﻧﻪ ﻗﺎدرﻳﺪ ﻫﺰﻳﻨﻪ ﻫﺎ را ﻗﻄﻊ و در ﻫﻤـﺎن زﻣـﺎن دﻳـﺪﮔﺎه ﻛﻠـﻲ از اﻃﻼﻋـﺎت ﻣﻬـﻢ ﺗﺠـﺎری را‬ﮔﺴﺘﺮش دﻫﻴﺪ ؟ ﭼﮕﻮﻧﻪ ﻣﻲ ﺗﻮاﻧﻴﺪ از اﻃﻼﻋﺎﺗﺘﺎن ﺑﺮای اﺳﺘﻔﺎده ﺑﻬﺘـﺮ از ﻓﺮﺻـﺘﻬﺎی ﺑﺮاﺑـﺮ ﺗـﺎﺛﻴﺮ اﺟـﺮا ﺑﻬﺒـﻮد  ‫ﺗﺼﻤﻴﻢ ﮔﻴﺮی ﺑﺪﺳﺖ آوردن ﻣﺮز رﻗﺎﺑﺖ اﻓﺰاﻳﺶ ﺳﻮد و ﺗﻬﻴﻪ ﮔﺰارش ﻣﺎﻟﻲ ﺑﻬﺮه ﺑﺒﺮﻳﺪ؟‬
 
 2-1-1 ﻳﻜﭙﺎرﭼﮕﻲ:‬
‫اﻣﻜﺎن ﻳﻚ ﭘﺎﺳﺦ ﺑﺮای ﻳﻜﭙﺎرﭼﮕﻲ وﺟﻮد دارد. ﺑﺴﻴﺎری از ﺷـﺮﻛﺘﻬﺎ ﻓﻌﺎﻟﻴﺘﻬﺎﻳـﺸﺎن را ﺑـﺎ ﻳﻜﭙﺎرﭼـﻪ ﺳـﺎزی‬ ﺳﺨﺖ اﻓﺰار اﻃﻼﻋﺎت و ﺗﻘﺎﺿﺎ ﻫﺎ ﺗﺴﻬﻴﻞ ﻣﻲ ﻛﻨﻨﺪ و ﻓﻌﺎﻟﻴﺘﻬﺎی ﺗﺠﺎری ﺧﻮد را ﺑﻪ ﺗﻌﺪاد ﻛﻮﭼﻜﺘﺮی از ﺳﻴـﺴﺘﻢ‬ﻫﺎی ﻣﺘﻤﺮﻛﺰ ﺳﺎده ﻣﻲ ﻛﻨﻨﺪ ﺳﭙﺲ ، ﺳﺎدﮔﻲ از ﻃﺮﻳﻖ ﻳﻚ ﺷﺎﻟﻮده ﻣﺸﺘﺮک ﻣﻲ ﺗﻮاﻧﺪ ﺑﺪﺳﺖ آﻳـﺪ ﺗﻮاﻧـﺎﻳﻲ‬ ﺑﺮای ﺟﻤﻊ آوری اﻃﻼﻋﺎت ﻫﺮ ﺑﺨﺶ از ﺷﺮﻛﺖ دﻳﺪ ﺳﺎزﻣﺎﻧﻲ ﻗﺎﺑﻞ ﻗﺒـﻮﻟﻲ را ﺑـﻪ ﻫﻤـﺮاه دارد. در اﻳـﻦ ﻳﻜﭙﺎرﭼـﻪ‬ﺳﺎزی اﻧﺒﺎر داده ﻧﻘﺶ ﺑﺴﺰاﻳﻲ دارد.‬
3-1-1 ﻳﻜﭙﺎرﭼﻪ ﺳﺎزی ﺳﺨﺖ اﻓﺰار:‬
‫در ﮔﺬﺷﺘﻪ ﺷﺮﻛﺘﻬﺎ ﻣﻌﻤﻮﻻ ﺑﺮای ﻫﺮ ﺗﻘﺎﺿﺎی ﺟﺪﻳﺪ ﺳﻴﺴﺘﻢ ﻫﺎی اﺧﺘﺼﺎﺻﻲ ﺧﺮﻳﺪاری ﻣـﻲ ﻛﺮدﻧـﺪ. اﻳـﻦ‬ ﺳﻴﺴﺘﻤﻬﺎ ﻻزم ﺑﻮد ﺑﻪ اﻧﺪازه ای ﺑﺎﺷﻨﺪ ﻛﻪ ﺗﻘﺎﺿﺎﻫﺎی زﻳﺎدی را ﺟﻮاﺑﮕﻮ ﺑﺎﺷﻨﺪ ﺑﻪ اﻳﻦ ﻣﻌﻨﺎ ﻛﻪ ﺑﻌـﻀﻲ ﻣﻨـﺎﺑﻊ در‬زﻣﺎن ﻫﺎی دﻳﮕﺮ ﺑﻴﻬﻮده ﺑﻮدﻧﺪ .آﻳﺎ ﺑﻬﺘﺮ ﻧﺒﻮد اﻳﻦ ﻣﻨﺎﺑﻊ در ﻛﺎرﺑﺮدﻫﺎی دﻳﮕﺮی ﻛﻪ ﺑﻪ آﻧﻬﺎ ﻧﻴﺎز ﺑـﻮد ﺑﻜـﺎر ﮔﺮﻓﺘـﻪ می شدند؟
 ﻳﻜﭙﺎرﭼﻪ ﺳﺎزی ﺷﺎﻣﻞ اﺳﺘﻔﺎده ﻣﺠﺪد از ﺳﺨﺖ اﻓﺰار ﻣﻮﺟـﻮد و ﻫـﻢ ﺧﺮﻳـﺪﻫﺎی ﺟﺪﻳـﺪ اﺳـﺖ . اﻣـﺮوزه‬ ﺑﺴﻴﺎری از ﻓﺮوﺷﻨﺪﮔﺎن ﺳﺨﺖ اﻓﺰار ﻗﻄﻌﺎت ﺳﺮﻳﻊ و ارزان ﻗﻴﻤﺖ ﺗﺮی ﻣﺎﻧﻨﺪ ﺳـﺮوﻳﺲ دﻫﻨـﺪه ﻫـﺎ و ﺗﺠﻬﻴـﺰات‬ ﺷﺒﻜﻪ ای را ﻋﺮﺿﻪ ﻣﻲ ﻛﻨﻨﺪ . ﺻﺮﻓﻪ ﺟﻮﻳﻲ در ﻫﺰﻳﻨﻪ ﻫﺎ ﻣﻲ ﺗﻮاﻧﺪ از ﻃﺮﻳﻖ ﺗﻐﻴﻴﺮ ﺟﻬﺖ ﺳﺨﺖ اﻓﺰار اﺧﺘـﺼﺎﺻﻲ‬ ﺳﻴﺴﺘﻢ ﻋﺎﻣﻞ ﺑﻪ ﺳﺨﺖ اﻓﺰار ارزان ﺗﺮ ﺑﺎ اﺳﺘﻔﺎده از ﭘﺮدازﺷﮕﺮﻫﺎی اﻳﻨﺘﻞ ﻛﻪ ﺳﻴﺴﺘﻢ ﻋﺎﻣﻞ ﻟﻴﻨﻮﻛﺲ را اﺟﺮا ﻣﻲ‬ﻛﻨﻨﺪ ﺑﺪﺳﺖ آﻳﺪ . ﻣﺰﻳﺖ ﻫﺰﻳﻨﻬﺎی ﻛﻪ ﺑﺮ روی ﻟﻴﻨﻮﻛﺲ اﺳﺖ در ﻣﻘﺎﻳﺴﻪ ﺑﺎ ﻳﻚ ﺳﻴﺴﺘﻢ ﭼﻨﺪ ﭘﺮدازﺷـﻲ ﻛـﻪ ﺑـﺮ‬ روی ﺳﻴﺴﺘﻢ ﻋﺎﻣﻞ اﺧﺘﺼﺎﺻﻲ اﺳﺖ دارای اﻫﻤﻴﺖ ﻣﻲ ﺑﺎﺷﺪ.
‫ﻫﺰﻳﻨﻪ ﻫﺎی ذﺧﻴﺮه ﺳﺎزی در ﻫﺮ ﺳﺎل در ﺣﺎل ﻛﺎﻫﺶ اﺳﺖ و اﻳﻦ اﻣﻜـﺎن وﺟـﻮد دارد ﺗـﺎ ﻣﻨﺒـﻊ ذﺧﻴـﺮه‬ ﺳﺎزی را ﺑﺎ ﭘﻮل ﻛﻤﺘﺮی ﺑﺨﺮﻳﻢ .ﭼﺮا ﺑﺎﻳﺪ ﺑﺮای ﻳﻚ ﺳﻴﺴﺘﻢ ﻣﻴﻠﻴﻮﻧﻬﺎ دﻻر ﻫﺰﻳﻨـﻪ ﺷـﻮد در ﺣـﺎﻟﻲ ﻛـﻪ ﻣﻴﺘﻮاﻧﻴـﺪ ‫ﻫﻤﺎن ﻗﺎﺑﻠﻴﺖ ﻫﺎ را ﺑﺎ ﺻﺪﻫﺎ دﻻر ﺑﺪﺳﺖ آورﻳﺪ؟‬
‫ﻣﻤﻜﻦ اﺳﺖ ﻳﻜﭙﺎرﭼﻪ ﺳﺎزی ﺑﺮای ﺷﺮﻛﺘﻬﺎی ﺑﺰرگ ادﻏﺎم ﻣﺮاﻛﺰ اﻃﻼﻋﺎﺗﻲ ﻏﻴﺮ ﻣﺘﻤﺮﻛﺰ ﺑﻪ ﻣﺮاﻛﺰ اﻃﻼﻋﺎت ‫ﻣﺤﺪود ﺑﺎﺷﺪ . در ﻧﺘﻴﺠﻪ ﻳﻜﭙﺎرﭼﻪ ﺳﺎزی ﺳﺨﺖ اﻓﺰار ی وﺟﻮد ﺳﻴﺴﺘﻤﻬﺎی ﻛﻤﺘﺮی ﺟﻬﺖ ﺳﺎﻣﺎﻧﺪﻫﻲ ﻧـﺮم اﻓـﺰار ‫ﺟﻬﺖ ﻧﺼﺐ و ﺗﻌﻤﻴﻴﺮ و اﻣﻨﻴﺖ و ﻛﺎﻫﺶ ﺑﻴﺸﺘﺮ ﻫﺰﻳﻨﻪ ﻫﺎ را ﺑﺪﻧﺒﺎل دارد.‬  
  ‫4-1-1 ﻳﻜﭙﺎرﭼﻪ ﺳﺎزی داده ﻫﺎ از دﻳﺪ ﻳﻚ ﺷﺮﻛﺖ ﻣﻌﻤﻮﻟﻲ :‬
ﺳﻴﺴﺘﻢ ﻫﺎی ﻳﻜﭙﺎرﭼﻪ داده ﻫﺎ ﻣﻲ ﺗﻮاﻧﻨﺪ در ﻳﻚ ﻣﻜﺎن ، اﻏﻠﺐ در ﭘﺎﻳﮕﺎه داده ﻫﺎ ﻳﻜﭙﺎرﭼﻪ ﺳﺎزی ﺷـﻮﻧﺪ .‬ ﺣﺬف داده ﻫﺎی اﺿﺎﻓﻲ ﺑﺎﻋﺚ ﺑﻬﺒﻮد ﻛﻴﻔﻴﺖ و ﻗﺎﺑﻞ دﺳﺘﺮس ﺑﻮدن اﻃﻼﻋﺎت ﻣﻲ ﺷﻮد. ﺑﺴﻴﺎری از ﺷﺮﻛﺘﻬﺎ ﺷـﻤﺎر‬ ﻗﺎﺑﻞ ﺗﻮﺟﻬﻲ از ﭘﺎﻳﮕﺎه داده اوراﻛﻞ و دﻳﮕﺮ ﻓﺮوﺷﻨﺪه ﻫﺎ را ﺑﺪﺳﺖ ﻣﻲ آورﻧﺪ. ﺑﺎ ﻳﻜﭙﺎرﭼﻪ ﻛﺮدن اﻳـﻦ ﻣـﻮارد و ﺑـﺎ ‫ﻛﺎﻫﺶ ﺗﻌﺪاد ﻣﺪﻳﺮان ﻣﻮرد ﻧﻴﺎز ﺑﺮای ﭘﺸﺘﻴﺒﺎﻧﻲ ﺳﻴﺴﺘﻢ ﻫﺎ ﻣﻲ ﺗﻮان در ﻫﺰﻳﻨﻪ ﺻﺮﻓﻪ ﺟﻮﻳﻲ ﻛﺮد .                 
‫5-1-1 ﻳﻜﭙﺎرﭼﻪ ﺳﺎزی ﺑﺮﻧﺎﻣﻪ ﻫﺎی ﻛﺎرﺑﺮدی :‬
ﺑﺎ ﻳﻜﭙﺎرﭼﻪ ﺳﺎزی داده ﻫﺎ،ﻛﺎرﺑﺮدﻫﺎی ﺧﻮدﻛﺎر اﻣﻜﺎن ﭘﺬﻳﺮ ﻣﻲ ﺷـﻮد و ﺑـﻪ ﻛـﺎرﺑﺮان اﺟـﺎزه ﻣـﻲ دﻫـﺪ ﺗـﺎ‬ اﻃﻼﻋﺎت ﺷﺨﺼﻲ ﺧﻮدﺷﺎن را ﺑﺮوزﻛﻨﻨﺪ.ﻫﻤﺎﻧﻄﻮر ﻛﻪ ﺑﻴﺸﺘﺮ ﺗﻘﺎﺿﺎﻫﺎی ﻛﺎری )ﺗﺠﺎری( ﺑﻪ ﻃﺮف وب ﭘﻴﺶ رﻓﺘـﻪ‬ اﻧﺪ درﮔﺎﻫﻬﺎ ﺑﻪ ﻛﺎرﺑﺮان اﻣﻜﺎن دﺳﺘﺮﺳﻲ ﺑﻪ ﭘﺎﻳﮕﺎه داده ﻫﺎی ﻣﺮﻛﺰی ﺑﺎ ﻳﻚ ﻣﺮورﮔﺮ وب و ﻳﺎ ﺗﻠﻔﻦ ﻫﻤﺮا ه را ﻣـﻲ‬ دﻫﺪ ﻛﻪ ﻧﻴﺎز ﺑﻪ ﺧﺮﻳﺪاری وﻧﺼﺐ ﻧﺮم اﻓﺰارﻫﺎی دﺳﻚ ﺗﺎپ ﺧﺎص را ازﺑﻴﻦ ﻣﻲ ﺑﺮد.‬
ﺑﺮﻧﺎﻣﻪ ﻫﺎی ﻛﺎرﺑﺮدی ﺧﻮدﻛﺎر در ﻛﺎﻫﺶ ﻫﺰﻳﻨﻪ ﻫﺎی ﻋﻤﻠﻲ ﺑـﺎ ﺣـﺬف ﺑـﺴﻴﺎری از ﻓﺮآﻳﻨـﺪ ﻫـﺎی اﺟﺮاﻳـﻲ‬،ﻛﺎﻫﺶ ﻫﺰﻳﻨﻪ ﻫﺎی ﺷﺨﺼﻲ و دﺳﺘﺮﺳﻲ 42 ﺳﺎﻋﺘﻪ ﺳﻮدﻣﻨﺪ ﻫﺴﺘﻨﺪ. ﻋﻼوه ﺑﺮ ﺑﺮﻧﺎﻣﻪ ﻫﺎی ﻛﺎرﺑﺮدی ﻣﺎﻧﻨﺪfronts ‪ store‬‬‬ﺑﺴﻴﺎری از ﺑﺮﻧﺎﻣﻪ ﻫﺎی ﻛﺎرﺑﺮدی ‪ back-office‬ﻫﻢ ﻣﻲ ﺗﻮاﻧﻨﺪ ﺧﻮدﻛﺎر ﺑﺎﺷـﻨﺪ ﻣﺎﻧﻨـﺪ ﻣـﺴﺎﻓﺮت، ﺻـﻮرت‬  ‫ﺣﺴﺎب ، و ﻣﻨﺎﺑﻊ اﻧﺴﺎﻧﻲ.
  ‫6-1-1 ‪  Grid‬در ﭘﺎﻳﮕﺎه داده اوراﻛﻞ 10g:
ﻳﻜﭙﺎرﭼﻪ ﺳﺎزی ﻣﺮﺣﻠﻪ ای ﺑﺮای اﻧﺠﺎم ﻣﺤﺎﺳﺒﺎت ﺷﺒﻜﻪ ﻓﺮاﻫﻢ ﻣـﻲ آورد.ﻣﺤﺎﺳـﺒﺎت ﺷـﺒﻜﻪ اوراﻛـﻞ ﻳـﻚ‬ ﺷﺎﻟﻮده ﺑﻬﻢ ﭘﻴﻮﺳﺘﻪ از ﭘﺎﻳﮕﺎه داده اوراﻛﻞ  10g‬ﺳﺮوﻳﺲ دﻫﻨﺪه ﻛﺎرﺑﺮدی اوراﻛﻞ ‪ 10gوﻣﺪﻳﺮ ﺳـﺎزﻣﺎﻧﻲ اوراﻛـﻞ‬ اﺳﺖ .ﺑﺎ ﻣﺤﺎﺳﺒﺎت ﺷﺒﻜﻪ،ﻣﺨﺎزن ﻣﺮﻛﺰی از ﻣﻨﺎﺑﻊ ﻣﺤﺎﺳﺒﺎﺗﻲ اﻳﺠﺎد ﻣﻲ ﺷﻮد ﻛﻪ ﻣﻲ ﺗﻮاﻧﺪ ﺑﺎ ﺑﺴﻴﺎری از ﺗﻘﺎﺿـﺎﻫﺎ‬ ﺗﺮﻛﻴﺐ ﺷﻮد.اﺻﻄﻼح ﻣﺤﺎﺳﺒﻪ ﺷﺒﻜﻪ از ﻣﻘﺎﻳﺴﻪ ﺑﺎ ﺷﺒﻜﻪ اﻧﺮژی اﻟﻜﺘﺮﻳﻜﻲ ﺳﺮﭼﺸﻤﻪ ﮔﺮﻓﺘـﻪ ﺷـﺪه اﺳـﺖ. ﻣﻨـﺎﺑﻊ‬ ﻣﺘﻨﻮﻋﻲ در اراﺋﻪ اﻧﺮژی ﺑﻪ ﻣﺨﺰن ﻣﺸﺘﺮک ﻫﻤﻜﺎری دارﻧﺪ ﻛﻪ ﺑﺴﻴﺎری از ﻣﺼﺮف ﻛﻨﻨﺪﮔﺎن در ﺻﻮرت ﻧﻴﺎز ﺑـﻪ آن‬ دﺳﺘﺮﺳﻲ دارﻧﺪ. ﻣﺤﺎﺳﺒﻪ ﺷﺒﻜﻪ روﺷﻲ ﺑﺮای ﻳﻜﭙﺎرﭼﻪ ﺳﺎزی ﺳﺨﺖ اﻓﺰار ﺑﺮای ﺑﻬﺒﻮد اﺳـﺘﻔﺎده و ﻛـﺎرآﻳﻲ ﻣﻨـﺎﺑﻊ‬ اﺳﺖ . ﺑﺪون ﻧﻴﺎز ﺑﻪ داﻧﺴﺘﻦ اﻳﻨﻜﻪ اﻃﻼﻋﺎت در ﻛﺠـﺎ ﻗـﺮار دارﻧـﺪ ﻳـﺎ ﻛـﺪام ﻛـﺎﻣﭙﻴﻮﺗﺮ درﺧﻮاﺳـﺖ داده ﺷـﺪه را‬ ﭘﺮدازش ﻣﻲ ﻛﻨﺪ ، ﺑﺮای ﻛﺎرﺑﺮ ﻣﻨﺎﺑﻊ ﻣﻮد ﻧﻴﺎز در دﺳﺘﺮس اﺳﺖ .‬
ﻫﻤﺎﻧﻄﻮر ﻛﻪ در اﻳﻨﺘﺮﻧﺖ آﻣﺪه ،ﻣﺤﺎﺳﺒﺎت ﺷﺒﻜﻪ در ﻣﺠﺎﻣﻊ ﺗﺤﻘﻴﻘﺎﺗﻲ وآﻛﺎدﻣﻴﻚ ﺑﻮﺟﻮد آﻣﺪ.ﻳﻜـﻲ از‬ اﺟﺮاﻫﺎی اوﻟﻴﻪ ﻳﻚ ﺷﺒﻜﻪ،ﭘﺮوژه ‪SETI@home‬اﺳﺖ ﻛﻪ ﺗﺤﻘﻴﻖ ﺑﺮای ﻫﻮش ﻣﺎورا اﺳﺖ ﻛـﻪ در ﺳـﺎل 1991 در‬داﻧﺸﮕﺎه ﺑﺮﻛﻠﻲ ﻛﺎﻟﻴﻔﻮرﻧﻴﺎ آﻏﺎز ﺷﺪ.ﻧﻮﺳﺎﻧﺎت ﺳـﻴﮕﻨﺎل رادﻳـﻮﻳﻲ از ﺗﻠـﺴﻜﻮپ رادﻳـﻮﻳﻲ ‪ Arecibonv‬در ‪Puerto Rico ‬ﺟﻤﻊ آوری ﺷﺪ .اﻳﻦ ﻧﻮﺳﺎﻧﺎت ﻣﻤﻜﻦ اﺳﺖ ﻋﻼﺋﻤﻲ از زﻧﺪﮔﻲ ﻫﻮﺷﻤﻨﺪ در ﻓﻀﺎ ﺑﺎﺷـﺪ .ﻫـﺮ روزه داده ﻫـﺎی‬ ﺑﻴﺸﺘﺮ از آﻧﭽﻪ ﻛﺎﻣﭙﻴﻮﺗﺮﻫﺎ در داﻧﺸﮕﺎﻫﻬﺎ ﻣـﻲ ﺗﻮاﻧﻨـﺪ ﭘـﺮدازش ﻛﻨﻨـﺪ ﺑﺪﺳـﺖ ﻣـﻲ آﻳـﺪ ﺑﻨـﺎﺑﺮاﻳﻦ از داوﻃﻠﺒـﺎن‬ درﺧﻮاﺳﺖ ﻣﻲ ﺷﻮد زﻣﺎن ﺑﻴﻜﺎری ﻛﺎﻣﭙﻴﻮﺗﺮﻫﺎی ﺧﺎﻧﮕﻲ ﺧﻮد را ﻣﺸﺨﺺ ﻛﻨﻨﺪ.ﺑﻴﺸﺘﺮ از 5 ﻣﻴﻠﻴـﻮن ﻧﻔـﺮ از 622‬ ﻛﺸﻮر ﻧﺮم اﻓﺰاری را داﻧﻠﻮد ﻛﺮدﻧﺪ ﻛﻪ ﻫﺮ وﻗﺖ ﺑﻴﻜﺎر ﻫﺴﺘﻨﺪ ﻛﺎﻣﭙﻴﻮﺗﺮﺷﺎن در دﺳﺘﺮس ﺑﺎﺷﺪ و ﻣﻤﻜﻦ اﺳﺖ ﺷﻤﺎ‬ ﻗﺒﻼ ﭼﻴﺰی ﻣﺸﺎﺑﻪ اﻳﻦ ﻛﺎر را اﻧﺠﺎم داده ﺑﺎﺷﻴﺪ ،ﻣﻨﺎﺑﻊ ذﺧﻴﺮه ﺳﺎزی را در زﻣﺎﻧﻬﺎی ‪     off-peak‬ﭘﻴﻚ ﺧﺎﻣﻮﺷـﻲ  ﭘﺎک ﻛﺮده ﺑﺎﺷﻴﺪ و آﻧﻬﺎ را ﺑﺮای ﺗﻘﻮﻳﺖ ﭘﺮدازش ﺑﺮای ﻳﻚ ﺑﺮﻧﺎﻣﻪ ﻛﺎرﺑﺮدی ﻳﺎ ﺑﻴﺸﺘﺮ اﺳﺘﻔﺎده ﻛﻨﻴﺪ.‬ در ﺣﺎﻟﻲ ﻛﻪ ﻧﻈﺮﻳﻪ ﻣﺤﺎﺳﺒﻪ ﺧﺪﻣﺎﺗﻲ ﻳﺎ ﺷﺒﻜﻪ ای ﺟﺪﻳﺪ ﻧﻴﺴﺖ اﻣﺎ اﻣﻜﺎن ﭘﻴﺸﺮﻓﺘﻬﺎﻳﻲ را ﻫـﻢ در ﺳـﺨﺖ‬ اﻓﺰار و ﻫﻢ در ﻧﺮم اﻓﺰار داده اﺳﺖ . ‪ Blade farms‬ ﻳﺎ ﮔﺮوﻫﻬﺎﻳﻲ از ﻛﺎﻣﭙﻴﻮﺗﺮﻫﺎی ﭘﺮ ﺳـﺮﻋﺖ اﺳـﺎس ﻣﺤﺎﺳـﺒﺎت‬ ﺷﺒﻜﻪ را ﺗﺸﻜﻴﻞ ﻣﻲ دﻫﻨﺪ.ﺑﺮﻧﺎﻣﻪ ﻫﺎی ﻛﺎرﺑﺮدی ﺧﻮﺷـﻪ ای اوراﻛـﻞ   RAC‬ﺑـﻪ ﻋﻨـﻮان ﭘﺎﻳـﻪ ای ﺑـﺮای ﺷـﺒﻜﻪ‬ ﺳﺎزﻣﺎﻧﻲ ﺑﻜﺎر ﻣﻲ رود ﻛﻪ اﻳﻦ ﺳﻜﻮﻫﺎی ﺳﺨﺖ اﻓﺰاری ارزان ﻗﻴﻤﺖ را ﻗﺎدر ﻣﻲ ﺳﺎزد ﺑﺎﻻﺗﺮﻳﻦ ﻛﻴﻔﻴﺖ ﺧﺪﻣﺎت را‬ از ﻧﻈﺮ دﺳﺘﺮس ﺑﻮدن و ﻣﻘﻴﺎس ﭘﺬﻳﺮی اراﺋﻪ دﻫﺪ. ﺷﻤﺎ ﻣﻲ ﺗﻮاﻧﻴﺪ ﺑـﺮای ﻧﻴﺎزﻫـﺎی اوﻟﻴـﻪ ﺳﻴـﺴﺘﻢ ﻓﻘـﻂ ﻣﻘـﺪار‬ ﻇﺮﻓﻴﺖ ﻛﺎﻓﻲ ﺳﺨﺖ اﻓﺰار را ﺧﺮﻳﺪاری ﻛﻨﻴﺪ ،در ﺣﺎﻟﻲ ﻛﻪ ﻣﻲ داﻧﻴﺪ ﻣﻲ ﺗﻮاﻧﻴﺪ ﺳﺮوﻳﺲ دﻫﻨﺪه ﻫﺎی اﺿـﺎﻓﻲ ﺑـﺎ‬ ﺣﺪاﻗﻞ ﻫﺰﻳﻨﻪ را وﺻﻞ ﻛﻨﻴﺪ ﺗﺎ ﻧﻮﺳﺎﻧﺎت ﺗﺮاﻓﻴﻜﻲ ﻣﻮﻗﺖ ﻳﺎ داﺋﻤﻲ را ﻛﻨﺘﺮل ﻛﻨـﺪ. وﻗﺘـﻲ ﻳـﻚ ﺳـﺮوﻳﺲ دﻫﻨـﺪه‬ ﺟﺪﻳﺪ ﺑﻪ ﮔﺮوه اﺿﺎﻓﻪ ﺷﺪ ﺑﻄﻮر اﺗﻮﻣﺎﺗﻴﻚ ﻧﻤﺎﻳﺎن ﻣﻲ ﺷﻮد و ﻇﺮﻓﻴﺖ ﻛﺎر ﺑﺮای ﺗﺮﻛﻴﺐ ﺳﻴـﺴﺘﻢ ﺟﺪﻳـﺪ ﻣﺘﻌـﺎدل‬ ‫ﻣﻲ ﺷﻮد . اﮔﺮ ﻧﻮدی در ﮔﺮوه(ﻛﻼﺳﺘﺮ) دﭼﺎر ﺧﺮاﺑﻲ ﺷﻮد ﺑﺮﻧﺎﻣﻪ ﻛﺎرﺑﺮدی ﻫﻨﻮز ﻣﻲ ﺗﻮاﻧﺪ ﺑﺎ ﻧﻮد ﺑﺎﻗﻲ ﻣﺎﻧﺪه ﻛﻪ از ‫ﻇﺮﻓﻴﺖ ﻛﺎری ﻧﻮد ﺧﺮاب اﺳﺖ ،ﻛﺎر ﻛﻨﺪ .‬
درﺳﺖ ﻫﻤﺎﻧﻄﻮر ﻛﻪ ﺷﺮﻛﺘﻬﺎی اﻣﺮوزی ﻫﻢ اﻳﻨﺘﺮاﻧﺖ داﺧﻠﻲ و ﻫﻢ اﻳﻨﺘﺮﻧﺖ  ﺧﺎرﺟﻲ دارﻧﺪ، ﻣﻤﻜﻦ اﺳت ﺷﺮﻛﺘﻬﺎدر آﻳﻨﺪه ﺷﺒﻜﻪ داﺧﻠﻲ و ﺧﺎرﺟﻲ داﺷﺘﻪ ﺑﺎﺷﻨﺪ ﺑﺪون اﻳﻨﻜﻪ ﺑﺨﻮاﻫﻨﺪ ﺗﻤـﺎم ﺗﻜﻨﻮﻟـﻮژی ﻫـﺎ را ﺧﺮﻳـﺪاری‬ ﻛﻨﻨﺪ . در ﻣﺮﻛﺰ داده ﻫﺎ در آﻳﻨﺪه ﺷﻤﺎ ﻗﺎدر ﺑﻪ ﺧﺮﻳﺪ ﻧﻴﺮوی ﻣﺤﺎﺳﺒﺎﺗﻲ ﻛﻪ ﻧﻴﺎز دارﻳﺪ ﺧﻮاﻫﻴﺪ ﺑﻮد و ﺗﻨﻬـﺎ ﺑـﺮای‬ آﻧﭽﻪ ﻛﻪ اﺳﺘﻔﺎده ﻣﻲ ﻛﻨﻴﺪ ﭘﺮداﺧﺖ ﻣﻲ ﻛﻨﻴﺪ.‬
 ‫2-1 اﻧﺒﺎر داده ﭼﻴﺴﺖ؟‬
ﺣﺎل ﭘﺲ از ﻫﻤﻪ اﻳﻦ ﻣﻮارد ﻳﻚ اﻧﺒﺎر داده ﭼﻴﺴﺖ ؟ ﻳﻚ اﻧﺒﺎر داده ،ﻳﻚ ﺑﺎﻧﻚ اﻃﻼﻋﺎﺗﻲ اﺳﺖ ﻛﻪ ﺣـﺎوی‬ داده ﻫﺎ از ﭼﻨﺪﻳﻦ ﺳﻴﺴﺘﻢ ﻋﻤﻠﻴﺎﺗﻲ اﺳﺖ ﻛﻪ ﻳﻜﭙﺎرﭼﻪ ،ﺑﻪ ﻫﻢ ﭘﻴﻮﺳﺘﻪ ، ﻣﺮﻛﺐ و ﺳﺎزﻣﺎن ﺑﻨﺪی ﺷـﺪه اﺳـﺖ ﺑـﻪ‬ ﻃﻮری ﻛﻪ ﻣﻲ ﺗﻮاﻧﺪ ﺑﺮای ﺣﻤﺎﻳﺖ ﻓﺮآﻳﻨﺪ ﺗﺤﻠﻴﻞ و ﺗﺼﻤﻴﻢ ﮔﻴﺮی ﻳﻚ ﻓﺮاﻳﻨﺪ ﺗﺠﺎری ﺑﻜﺎر ﮔﺮﻓﺘﻪ ﺷﻮد .‬
1-2-1 ﭼﺮا ﺑﻪ ﻳﻚ اﻧﺒﺎر داده ﻧﻴﺎز دارﻳﺪ؟‬
‫آﻳﺎ ﺗﻤﺎم اﻃﻼﻋﺎت ﻣﻮرد ﻧﻴﺎز ﺑﺮای اﺟﺮای ﻛﺎرﻫﺎی ﺗﺠﺎرﻳﺘﺎن زﻣﺎﻧﻲ ﻛﻪ ﺑﻪ آن ﻧﻴﺎز اﺳﺖ ﺑﺎ ﺟﺰﺋﻴﺎت ﻛﺎﻓﻲ ﺑﺮ‬ﻣﺒﻨﺎی ﺗﺼﻤﻴﻤﺎت در دﺳﺘﺮس اﺳﺖ .؟ ﻳﺎ آﻳـﺎ اﻳـﻦ ﻛـﻪ ﭼﮕﻮﻧـﻪ ﻣـﻲ ﺷـﻮد 2 ﻛـﺎرﺑﺮ وارد ﺟﻠـﺴﻪ ای ﺷـﻮﻧﺪ ﻛـﻪ‬ ﮔﺰارﺷﻬﺎﻳﺸﺎن ﺑﺎ ﻫﻢ ﻣﻨﻄﺒﻖ ﻧﻴﺴﺖ؟ ﻳﻜﻲ از آﻧﻬﺎ ﻓﻜﺮ ﻣﻲ ﻛﻨـﺪ ﻓـﺮوش ﻣـﺎه ﻣـﺎرس 500 ﻣﻴﻠﻴـﻮن دﻻر اﺳـﺖ و دﻳﮕﺮی ﻣﻲ ﮔﻮﻳﺪ 524 ﻣﻴﻠﻴﻮن دﻻر اﺳﺖ . ﭘﺲ از ﺑﺮرﺳﻲ ﻫﺎی زﻳﺎد ﻣﻲ ﻓﻬﻤﻴﺪ ﻛـﻪ داده ﻫـﺎی ﻣﺘﻔـﺎوﺗﻲ ﺑـﺮای‬
ﻣﺤﺎﺳﺒﻪ ﻓﺮوش در ﻫﺮ ﮔﺰارش اﺳﺘﻔﺎده ﺷﺪه اﺳﺖ و ﺷﻤﺎ زﻣﺎن زﻳﺎدی را ﺑﺮای ﻓﻬﻤﻴﺪن ﻋﻠـﺖ آن و اﺻـﻼح اﻳـﻦ ‫ﻣﺸﻜﻞ ﺻﺮف ﻣﻲ ﻛﻨﻴﺪ.‬
آﻳﺎ ﺷﺮﻛﺖ ﺷﻤﺎ ﺳﻴﺴﺘﻢ ﻫﺎی ﮔﻮﻧﺎﮔﻮﻧﻲ ﺑﺮای ﻳﻚ وﻇﻴﻔﻪ دارد، ﺳﻴﺴﺘﻢ ﺻﻮرت ﺑﺮداری ﻗﺪﻳﻤﻲ و ﺳﻴﺴﺘﻢ‬ ﺟﺪﻳﺪی ﻛﻪ ﻣﻴﻠﻴﻮﻧﻬﺎ دﻻر ﺻﺮف ﺳﺎﺧﺖ آن ﻛﺮده اﻳﺪ؟ آﻳﺎ ﻧﻴﺎز دارﻳﺪ داده ﻫﺎ را از ﻫﺮ دو روی اﻳـﻦ ﺳﻴـﺴﺘﻢ ﻫـﺎ‬ ﺑﺪﺳﺖ آورﻳﺪ ﺗﺎ ﺑﻨﺎ ﺑﻪ اﻫﺪاف ﮔﺰارﺷﻲ آﻧﻬﺎ را ادﻏﺎم ﻛﻨﻴﺪ ؟ﭼﮕﻮﻧﻪ اﻳﻦ روش ﺑﻪ ﺧﻮﺑﻲ اﻧﺠﺎم ﻣﻲ ﺷـﻮد ؟آﻳـﺎ ﻧﻴـﺎز‬ اﺳﺖ ﻛﺎرﺑﺮان ﺗﻔﺎوت ﺑﻴﻦ اﻳﻦ دو ﺳﻴﺴﺘﻢ را ﺑﺮای ﭘﺮس و ﺟﻮی آن ﻻﻳﻦ ﺑﻔﻬﻤﻨﺪ؟ ﻣﻤﻜﻦ اﺳـﺖ اﻳـﻦ زﻣﻴﻨـﻪ ای‬  ‫ﺑﺎﺷﺪ ﻛﻪ ﺑﺨﻮاﻫﻴﺪ ﻳﻜﭙﺎرﭼﻪ ﻛﻨﻴﺪ.‬‫آﻳﺎ ﺑﺮای اﻫﺪاف ﺗﺤﻠﻴﻠﻲ ﺟﺰﺋﻴﺎت ﻛﺎﻓﻲ در دﺳﺖ دارﻳﺪ؟ ﭼﻪ ﻣﺎﻫﻬﺎﻳﻲ از ﺗﺎرﻳﺦ را ﻗـﺎدر ﻫـﺴﺘﻴﺪ آن ﻻﻳـﻦ‬ ﻧﮕﻪ دارﻳﺪ؟آﻳﺎ ﺳﻄﺢ درﺳﺖ ﺟﺰﺋﻴﺎت را ذﺧﻴﺮه ﻛﺮده اﻳﺪ؟ آﻳﺎ ﺗﺎ ﻛﻨﻮن ﺗﻤﺎم داده ﻫﺎی ﺗـﺎرﻳﺨﻲ را ذﺧﻴـﺮه ﻛـﺮده اﻳﺪ؟ آﻳﺎ ﻗﺎدرﻳﺪ ﻓﺮوش ﻫﺮ ﻣﺤﺼﻮل در ﻫﺮ ﻣﻨﻄﻘﻪ ﺟﻐﺮاﻓﻴﺎﻳﻲ را ﻗﺒـﻞ و ﺑﻌـﺪ از ﺳـﺎزﻣﺎﻧﺪﻫﻲ ﻣﺠـﺪد از ﺳـﺎﺧﺘﺎر‬‫ ﮔﺰارش ﻧﻴﺮوی ﻓﺮوش ﺗﺤﻠﻴﻞ ﻛﻨﻴﺪ؟ اﻧﺒﺎر داده ﺑﺮای ﻛﻤﻚ ﺑﻪ ﺣﻞ اﻳﻦ ﻧﻮع ﻣﺸﻜﻼت ﺳﺎﺧﺘﻪ ﺷﺪه اﺳﺖ.‬

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.