Интеллект баз данных» из направления про Microsoft Access

Давайте подробно изучим процесс реализации DataMining.Деловое понимание:На этом этапе устанавливаются цели бизнеса и интеллектуального анализа данных.Во-первых, вам необходимо понять цели бизнеса и клиентов. Вам необходимо определить, чего хочет ваш клиент (чего часто даже они не знают)Оцените текущий сценарий интеллектуального анализа данных. При оценке учитывайте ресурсы, предположения, ограничения и другие важные факторы.Используя бизнес-цели и текущий сценарий, определите свои цели интеллектуального анализа данных.Хороший план интеллектуального анализа данных очень подробный и должен быть разработан для достижения бизнес-целей и задач интеллектуального анализа данных.Понимание данных:На этом этапе выполняется проверка работоспособности данных, чтобы проверить, подходят ли они для целей интеллектуального анализа данных.Во-первых, данные собираются из нескольких источников данных, доступных в организации.Эти источники данных могут включать в себя несколько баз данных, плоские фильтры или кубы данных. В процессе интеграции данных могут возникнуть такие проблемы, как сопоставление объектов и интеграция схемы. Это довольно сложный и непростой процесс, поскольку данные из разных источников вряд ли легко сопоставить. Например, таблица A содержит объект с именем cust_no, тогда как другая таблица B содержит объект с именем cust-id.Следовательно, довольно сложно гарантировать, что оба этих заданных объекта относятся к одному и тому же значению или нет. Здесь метаданные следует использовать для уменьшения ошибок в процессе интеграции данных.Далее следует поиск свойств полученных данных. Хороший способ исследовать данные - это ответить на вопросы интеллектуального анализа данных (решаемые на бизнес-этапе) с помощью инструментов запросов, отчетов и визуализации.По результатам запроса следует убедиться в качестве данных. Отсутствующие данные, если таковые должны быть получены.Подготовка данных:На этом этапе данные готовы к производству.Процесс подготовки данных занимает около 90% времени проекта.Данные из разных источников должны быть отобраны, очищены, преобразованы, отформатированы, анонимизированы и построены (при необходимости).Очистка данных - это процесс «очистки» данных путем сглаживания зашумленных данных и заполнения пропущенных значений.Например, в демографическом профиле клиента данные о возрасте отсутствуют. Данные неполные и должны быть заполнены. В некоторых случаях могут быть выбросы данных. Например, возраст имеет значение 300. Данные могут быть противоречивыми. Например, имя покупателя в разных таблицах разное.Операции преобразования данных изменяют данные, чтобы сделать их полезными при интеллектуальном анализе данных. Следующее преобразование может быть примененоПреобразование данных:Операции по преобразованию данных будут способствовать успеху процесса интеллектуального анализа данных.Сглаживание: помогает удалить шум из данных.Агрегация: к данным применяются операции сводки или агрегирования. То есть, еженедельные данные о продажах агрегируются для расчета ежемесячной и годовой суммы.Обобщение: на этом этапе данные низкого уровня заменяются концепциями более высокого уровня с помощью иерархий концепций. Например, город заменяется уездом.Нормализация: нормализация выполняется, когда данные атрибута увеличиваются или уменьшаются. Пример: данные должны находиться в диапазоне от -2,0 до 2,0 после нормализации.Создание атрибутов: эти атрибуты созданы и включают в себя заданный набор атрибутов, полезных для интеллектуального анализа данных.Результатом этого процесса является окончательный набор данных, который можно использовать при моделировании.МоделированиеНа этом этапе математические модели используются для определения шаблонов данных.Исходя из бизнес-целей, для подготовленного набора данных следует выбрать подходящие методы моделирования.Создайте сценарий для проверки качества и достоверности модели.Запустите модель на подготовленном наборе данных.Результаты должны быть оценены всеми заинтересованными сторонами, чтобы убедиться, что модель может соответствовать целям интеллектуального анализа данных.Оценка:На этом этапе выявленные закономерности сравниваются с бизнес-целями.Результаты, полученные с помощью модели интеллектуального анализа данных, следует сравнивать с бизнес-целями.Получение понимания бизнеса - это повторяющийся процесс. Фактически, при понимании, новые бизнес-требования могут возникнуть из-за интеллектуального анализа данных.Принимается решение о переходе или запрете на перемещение модели на этапе развертывания.Развертывание:На этапе развертывания вы отправляете свои открытия в области интеллектуального анализа данных в повседневные бизнес-операции.Знания или информация, обнаруженные в процессе интеллектуального анализа данных, должны быть понятны заинтересованным сторонам, не имеющим технического образования.Создан подробный план развертывания для доставки, обслуживания и мониторинга открытий интеллектуального анализа данных.Заключительный отчет по проекту создается с учетом извлеченных уроков и ключевого опыта в ходе проекта. Это помогает улучшить бизнес-политику организации.Методы интеллектуального анализа данных1) классификация:Этот анализ используется для получения важной и актуальной информации о данных и метаданных. Этот метод интеллектуального анализа данных помогает классифицировать данные по разным классам.2) Кластеризация:Кластерный анализ - это метод интеллектуального анализа данных для выявления данных, похожих друг на друга. Этот процесс помогает понять различия и сходства между данными.3) Регресс:Регрессионный анализ - это метод интеллектуального анализа данных для выявления и анализа взаимосвязи между переменными. Он используется для определения вероятности конкретной переменной при наличии других переменных.4) Правила ассоциации:Этот метод интеллектуального анализа данных помогает найти связь между двумя или более элементами. Он обнаруживает скрытую закономерность в наборе данных.5) Внешнее обнаружение:Этот тип техники интеллектуального анализа данных относится к наблюдению за элементами данных в наборе данных, которые не соответствуют ожидаемому шаблону или ожидаемому поведению. Этот метод может использоваться в различных областях, таких как вторжение, обнаружение, мошенничество или обнаружение сбоев и т. Д. Внешнее обнаружение также называется анализом выбросов или интеллектуальным анализом выбросов.6) Последовательные шаблоны:Этот метод интеллектуального анализа данных помогает обнаруживать или идентифицировать аналогичные закономерности или тенденции в данных транзакций за определенный период.7) Прогноз:В прогнозировании используется комбинация других методов интеллектуального анализа данных, таких как тенденции, последовательные шаблоны, кластеризация, классификация и т. Д. Он анализирует прошлые события или экземпляры в правильной последовательности для прогнозирования будущего события.Проблемы внедрения Datamine:• Для формулирования запросов интеллектуального анализа данных необходимы квалифицированные специалисты.• Переоснащение: из-за небольшого размера обучающей базы данных модель может не соответствовать будущим состояниям.• Для интеллектуального анализа данных требуются большие базы данных, которыми иногда сложно управлять• Возможно, потребуется изменить деловую практику, чтобы определить использование раскрытой информации.• Если набор данных не разнообразен, результаты интеллектуального анализа данных могут быть неточными.• Информация об интеграции, необходимая из разнородных баз данных и глобальных информационных систем, может быть сложной.Ниже приведены 2 популярных инструмента интеллектуального анализа данных, широко используемых в промышленности. Язык R - это инструмент с открытым исходным кодом для статистических вычислений и графики. R имеет широкий спектр статистических, классических статистических тестов, анализа временных рядов, классификации и графических методов. Он предлагает эффективную обработку и хранение данных.OracleDataMining, широко известный как ODM, является модулем базы данных OracleAdvancedAnalytics. Этот инструмент интеллектуального анализа данных позволяет аналитикам данных получать подробные сведения и делать прогнозы. Он помогает прогнозировать поведение клиентов, составляет профили клиентов, выявляет возможности перекрестных продаж.Однако можно использовать MicrosoftAccess 2007 и выше в качестве основного инструмента интеллектуального анализа данных для изучения ваших ценных данных.Чтобы заставить эти инструменты работать, требования заключаются в понимании модели данных, создании соответствующих запросов и их использовании в пользовательских интерфейсах.Разработчикам нужно настроить хороший образец правильного инструмента с аналогичным запросом, а затем использовать его в качестве прототипа для исследования ваших данных.Заключение Используя различные технологии, включая MicrosoftAccess, MicrosoftExcel, Microsoft SQL Server можно разработать настраиваемые возможности отчетности, которые своевременно предоставляют метрики для поддержки эффективного принятия управленческих решений.Можно реализовать информационные панели и сбалансированные системы показателей, чтобы устанавливать целевые уровни обслуживания, отслеживать текущие показатели и постоянно улучшать качество и эффективность услуг, предоставляемых предприятием.Бизнес-аналитика и управление производительностью предназначены не только для коммерческого сектора, правительственные и некоммерческие организации также выигрывают от быстрого доступа к нужным показателям. Многие организации должны соблюдать требования в отношении отчетности и соответствия для конкретных городов и регионах, что упрощает работу приложений для выполнения всех требований. Хорошо спроектированное индивидуальное решение на основе MicrosoftAccess может не только удовлетворить потребности и последующую отчетность, но и добавить преимущества современного корпоративного управления производительностью, которое часто реализуется с помощью панелей мониторинга и сбалансированных карт показателей, включающих хорошо выбранные ключевые показатели эффективности. DataMining представляет собой ясные и простые способы использования существующих методов интеллектуального анализа данныхдля получения эффективных решений различных проблем управления и инженерного проектирования.Интеллектуальный анализ данных - это все о объяснении прошлого и прогнозировании будущего с помощью анализа данных.Интеллектуальный анализ данных помогает извлекать информацию из огромных наборов данных. Это процедура извлечения знаний из данных.Процесс интеллектуального анализа данных включает в себя понимание бизнеса, понимание данных, подготовку данных, моделирование, развитие, развертывание.Важными методами интеллектуального анализа данных являются классификация, кластеризация, регрессия, правила ассоциации, внешнее обнаружение, последовательные шаблоны и прогнозирование.Можно использовать MicrosoftAccess 2007 и выше в качестве основного инструмента интеллектуального анализа данных для изучения ваших ценных данных. Список использованных источниковMicrosoftAccess стандарт "Руководство". Часть 1. Модельипроцессы("Guide of quality". Part 1. Process cost model.) - М.: НТК "Трек", 2019. - 28 с.Давид Марка, Клемент Мак Гоуэн. Методология проектирования. М.: Мета Технология, 2013. - 240 с.Expert. Руководство пользователя.Copyright. 2017. - 352 c."Stages of the development ". Archived from the original on 12 August 2017.MicrosoftAccess win. MSAccessNet.com. 1 April 2018. Archived from the original on 4 April 2008."FAQs 1". Archived from the original on 5 October 2017."FAQs 2". Archived from the original on 15 October 2018.Standardization. Archived from the original on 15 December 2019.Андрейчиков А.В., Андрейчикова О.Н. Планирование решений в технологиях - М.: Программирование, 2020. - 368 с.Мирошников В.В. Информационные технологии // Качество проектирования. - 2019, №2, - С. 23-28