Zastosowanie grupowania do eksploracji danych biznesowych

• Autorzy: Mazur D.

Warianty tytułu

EN

Clustering approach to business data mining

• Języki publikacji: PL

Abstrakty

PL

Niniejszy artykuł omawia zagadnienie segmentacji danych w bazach danych biznesowych. Tak sformułowany problem staje się pewnym aspektem eksploracji danych, więc można do tego celu zainstalować tam proponowane techniki. Autor przeprowadził krytyczną analizę zawartości biznesowych baz danych pod katem ich przydatności do podejmowania decyzji. Wyróżnił w tym celu dwie bazy klientów i produktów, które odpowiednimi technikami można poddać grupowaniu, którego wyniki mogą być podstawą dalszych działań. Omówiono podstawowe założenia takiego grupowania.

EN

In this paper there are introduced problems of segmentation in business data base. This problem is a part of framework for evaluating certain data mining and clustering operation in term of their utility in decision-making. The author presents clustering approach to data mining. Its discuss content of business data bases looking for items, which helps to discover new knowledge. The paper presents a conception of customer clustering and products clustering, and discusses fundamental items for clustering the databases.

Słowa kluczowe

PL

segmentacja danych; biznesowe bazy danych; bazy danych; eksploracja danych

EN

business data base; data mining; lustering systems

• Wydawca: Wydawnictwo Politechniki Śląskiej
• Czasopismo: Zeszyty Naukowe. Organizacja i Zarządzanie / Politechnika Śląska
• Rocznik: 2004
• Tom: z. 20 cz. 2
• Strony: 77--84
• Opis fizyczny: Bibliogr. 9 poz.

Twórcy

autor

Mazur D.

• Katedra Informatyki i Ekonometrii Politechnika Śląska, 41-800 Zabrze, ul.Roosevelta 26 tel. [phone],

Bibliografia

• 1. Agrawal R., Imielinski T., and Swami A.N.: Mining association rules between sets of items in large databases. In Buneman Pp. and Jajodia S, editors, Proceedings of the 1993 ACM SIGM0D International Conference on Management of Data, pages 207-216, Washington, 26-28 1993.
• 2. Berry M. J. and Lino G.: Data Mining Techniques. John-Wiley, New York 1997.
• 3. Cichosz P.: Systemy uczące się. WNT, Warszawa 2000.
• 4. Hirota K. and Pedrycz W.: Fuzzy computing for data mining. volume 87, Menlo Park, Califomia, 1999. IEEE.
• 5. Jain A. K. and Dubes R. C.: Algorithms for Clustering Data. Prentice Hall, New Jersey 1988.
• 6. KJcinberg J., Papadimitriou Ch. and Raghavan P.: Segmentation problems. In Proceedings of the ACM Symposium on Theory of Computing, pages 473-482,1998.
• 7. Liu Bing and Hsu Wynne. Post-analysis of leamed rules. In AAAI/1AA1, Vol. 1, pages 828- 834,1996.
• 8. Smyth P. and Goodman R. M.: Rule induction using information theory. Piatetsky-Shapiro, G. andFrawley, WJ. (Eds.).Knowledge Discovery in Databases, pages 159-176, 1991.
• 9. Stepp R. E. and Michalski R. S.: Conceptual Clustering: Inventing Goal Oriented Classifications of Structured Objects, pages 471-498. Morgan Kaufmann, Los Altos, CA, 1986.