پایان نامه کاربرد داده کاوی در تجارت الکترونیک

تعداد صفحات: 151 فرمت فایل: word کد فایل: 10001404
سال: 1389 مقطع: کارشناسی ارشد دسته بندی: پایان نامه مهندسی فناوری اطلاعات IT
قیمت قدیم:۲۱,۷۰۰ تومان
قیمت: ۱۹,۶۰۰ تومان
دانلود فایل
  • خلاصه
  • فهرست و منابع
  • خلاصه پایان نامه کاربرد داده کاوی در تجارت الکترونیک

    چکیده:

    این پایان نامه شامل دو بخش می باشدبخش اول در مورد داده کاوی و تکنیکها و متدلوژی های ان و بخش دوم در مورد تجارت الکترونیک می باشد.

    بخش اول شامل مطالبی در مورد عناصر داده کاوی و سپس کاربردهای داده کاوی در موارد مختلف و تفاوت داده کاوی با پایگاه داده و متدلوژی ها و مراحل داده کاوی وهمچنین وظایف داده کاوی توضیحاتی داده شده است.

    بخش دوم در مورد تجارت الکترونیکی  که در ان مقدمه ای از تجارت اتکترونیک و شکل دهی موقعیت بازار را بیان نموده است.

    مقدمه

    از هنگامی که رایانه در تحلیل و ذخیره سازی داده ها بکار رفت (1950) پس از حدود 20 سال، حجم داده ها در پایگاه داده ها دو برابر شد. ولی پس از گذشت دو دهه و همزمان با پیشرفت فن آوری اطلاعات(IT)  هر دو سال یکبار حجم داده ها، دو برابر شده و همچنین تعداد پایگاه داده ها با سرعت بیشتری رشد نمود. این در حالی است که تعداد متخصصین تحلیل داده ها با این سرعت رشد نکرد. حتی اگر چنین امری اتفاق می افتاد، بسیاری از پایگاه  داده ها چنان گسترش یافته‌اند که شامل چندصد میلیون یا چندصد میلیارد رکورد ثبت شده هستند.امکان تحلیل و استخراج اطلاعات با روش های معمول آماری از دل انبوه داده ها مستلزم چند روز کار با رایانه های موجود است.[3]

    حال با وجود سیستم های یکپارچه اطلاعاتی، سیستم های یکپارچه بانکی و تجارت الکترونیک، لحظه به لحظه به حجم داده ها در پایگاه داده های مربوط اضافه شده و باعث به وجود آمدن حانبارهای عظیمی از داده ها شده است.

    این واقعیت، ضرورت کشف و استخراج سریع و دقیق دانش از این پایگاه داده ها را بیش از پیش نمایان کرده است، چنان که در عصر حاضر گفته می شود اطلاعات طلاست.

    هم اکنون در هر کشور، سازمان، شرکت و غیره برای امور بازرگانی، پرسنلی، آموزشی، آماری و غیره پایگاه داده ها ایجاد یا خریداری شده است. به طوری که این پایگاه داده ها برای مدیران، برنامه ریزان، پژوهشگران جهت، تصمیم گیری های راهبردی، تهیه گزارش های مختلف، توصیف وضعیت جاری خود و سایر اهداف می تواند مفید باشد. بسیاری از این داده ها از نرم افزارهای تجاری، مثل کاربردهای مالی، ERPها، CRMها و web log ها، می آیند. نتیجه این جمع آوری داده ها این می‌شود که در سازمانها، داده ها غنی ولی دانش ضعیف، است. جمع آوری داده ها، بسیار انبوه می‌شود و بسرعت اندازه آن افزایش می یابد و استفاده عملی از داده ها را محدود می سازد.[2]

    داده‌کاوی استخراج و تحلیل مقدار زیادی داده بمنظور کشف قوانین و الگوهای معنی دار در آنهاست. هدف اصلی داده کاوی، استخراج الگوهایی از داده ها، افزایش ارزش اصلی آنها و انتقال داده ها بصورت دانش است.

    داده‌کاوی، بهمراه OLAP، گزارشگری تشکیلات اقتصادی(Enterprise reporting) و ETL، یک عضو کلیدی در خانواده محصول Business Intelligence(BI)، است.[2Error! Reference source not found.]

    حوزه‌های مختلفی وجود دارد که در آنها حجم بسیاری از داده در پایگاه‌داده‌های متمرکز یا توزیع شده ذخیره می‌شود. برخی از آنها به قرار زیر هستند: [6Error! Reference source not found.]

    کتابخانه دیجیتال: یک مجموعه سازماندهی شده از اطلاعات دیجیتال که بصورت متن در پایگاه‌داده‌های بزرگی ذخیره می شوند.

    آرشیو تصویر: شامل پایگاه‌داده بزرگی از تصاویر به شکل خام یا فشرده.

    اطلاعات زیستی: بدن هر انسانی از 50 تا 100 هزار نوع ژن یا پروتئین مختلف ساخته شده است. اطلاعات زیستی شامل تحلیل و تفسیر این حجم عظیم داده ذخیره شده در پایگاه‌داده بزرگی از ژنهاست.

    تصاویر پزشکی: روزانه حجم وسیعی از داده‌های پزشکی به شکل تصاویر دیجیتال تولید می‌شوند، مانند EKG، MRI، ACT، SCAN و غیره. اینها در پایگاه‌داده‌های بزرگی در سیستم‌های مدیریت پزشکی ذخیره می شوند.

    مراقبت‌های پزشکی: بجز اطلاعات بالا، یکسری اطلاعات پزشکی دیگری نیز روزانه ذخیره می‌شود مانند سوابق پزشکی بیماران، اطلاعات بیمه درمانی، اطلاعات بیماران خاص و غیره.

    اطلاعات مالی و سرمایه‌گذاری: این اطلاعات دامنه بزرگی از داده‌ها هستند که برای داده‌کاوی بسیار مطلوب می‌باشند. از این قبیل داده‌ها می‌توان از داده‌های مربوط به سهام، امور بانکی، اطلاعات وام‌ها، کارت‌های اعتباری، اطلاعات کارت‌های ATM، و کشف کلاه‌برداری‌ها می باشد.

    ساخت و تولید: حجم زیادی از این داده‌ها روزانه به اشکال مختلفی در کارخانه‌ها تولید می‌شود. ذخیره و دسترسی کارا به این داده‌ها و تحلیل آنها برای صنعت تولید بسیار بااهمیت است.

    کسب و کار و بازاریابی: داده‌ لازم است برای پیش‌بینی فروش، طراحی کسب و کار، رفتار بازرایابی، و غیره.

    شبکه راه‌دور: انواع مختلفی از داده‌ها در این صنعت تولید و ذخیره می شوند. آنها برای تحلیل الگوهای مکالمات، دنبال کردن تماس‌ها، مدیریت شبکه، کنترل تراکم، کنترل خطا و غیره، استفاده می‌شوند.

    حوزه علوم: این حوزه شامل مشاهدات نجومی، داده زیستی، داده ژنومیک، و غیره است.

    WWW: یک حجم وسیع از انواع مختلف داده که در هر جایی از اینترنت پخش شده‌اند.

    در بیشتر این حوزه‌ها، تحلیل داده‌ها یک روال دستی بود. یک تحلیلگر کسی بود که با داده‌ها بسیار آشنا بود و با کمک روش‌های آماری، خلاصه‌هایی تهیه و گزارشاتی را تولید می‌کرد. در یک حالت پیشرفته‌تر، از یک پردازنده پیچیده پرسش استفاده می‌شد. اما این روش‌ها با افزایش حجم داده‌ها کاملا بلااستفاده شدند.

    واژه های «داده‌کاوی» و «کشف دانش در پایگاه داده»[1] اغلب به صورت مترادف یکدیگر مورد استفاده قرار می گیرند. کشف دانش به عنوان یک فرآیند در شکل1 نشان داده شده است.

    کشف دانش در پایگاه داده فرایند شناسایی درست، ساده، مفید، و نهایتا الگوها و مدلهای قابل فهم در داده ها می‌باشد. داده‌کاوی، مرحله‌ای از فرایند کشف دانش می‌باشد و شامل الگوریتمهای مخصوص داده‌کاوی است، بطوریکه، تحت محدودیتهای مؤثر محاسباتی قابل قبول، الگوها و یا مدلها را در داده کشف می کند[3Error! Reference source not found.]. به بیان ساده‌تر، داده‌کاوی به فرایند استخراج دانش ناشناخته، درست، و بالقوه مفید از داده اطلاق می‌شود. تعریف دیگر اینست که، داده‌کاوی گونه‌ای از تکنیکها برای شناسایی اطلاعات و یا دانش تصمیم‌گیری از قطعات داده می‌باشد، به نحوی که با استخراج آنها، در حوزه‌های تصمیم‌گیری، پیش بینی، پیشگویی، و تخمین مورد استفاده قرار گیرند. داده‌ها اغلب حجیم، اما بدون ارزش می‌باشند، داده به تنهایی قابل استفاده نیست، بلکه دانش نهفته در داده ها قابل استفاده می باشد. به این دلیل اغلب به داده کاوی، تحلیل داده ای ثانویه[2] گفته می‌شود.

    استخراج دانش در پایگاه‌داده[3] (KDD)، بعنوان روالی برای شناسایی الگوهای معتبر، جدید، بالقوه مفید، و سرانجام قابل فهم در داده‌ها، تعریف شده است. روال سراسری شامل تبدیل داده سطح-پایین به دانش سطح-بالاست. روال KDD در شکل 1 بطور خلاصه نشان داده شده است. این روال یک روال تعاملی و تکراری است که شامل مراحل زیر می‌باشد:[6Error! Reference source not found.]

    درک دامنه کاربرد: این شامل دانش قبلی مرتبط و اهداف کاربرد است.

    استخراج مجموعه داده هدف: این چیزی نست جز انتخاب یک مجموعه داده یا یک زیرمجموعه از متغیرها، با استفاده از تکنیک‌های رتبه‌بندی و انتخاب است.

    پیش پردازش داده: این مرحله برای افزایش کیفیت داده بکار گرفته شده برای داده‌کاوی، لازم است. همچنین برای بهبود کارایی کاوش داده لازم است. پیش پردازش داده شامل پاکسازی داده، انتقال داده، یکپارچه سازی داده، کاهش یا فشرده‌سازی داده برای نمایش فشرده، و غیره است.

    داده‌کاوی: این مرحله شمل اعمال یکی از الگوریتم‌های داده‌کاوی است.

    تفسیر: شامل تفسیر الگوهای استخراج شده، و تا حد امکان، بصری سازی این الگوهاست. بصری سازی یک کمک‌کننده مهم در قابل فهم سازی الگوهاست.

    استفاده از دانش استخراج شده: این مرحله شامل تلفیق این دانش با کارایی سیستم و گرفتن تصمیمات عملی براساس این دانش است.

     

    بیشتر تکنیکهای داده‌کاوی حداقل به عنوان الگوریتمهای آکادمیک از سالها یا دهه های قبل وجود داشته اند. تنها در دهه اخیر است که داده‌کاوی تجاری نقش عمده ای را بازی کرده است.

  • فهرست و منابع پایان نامه کاربرد داده کاوی در تجارت الکترونیک

    فهرست:

    چکیده................................................................................................................................8             

                       

    تکنیکهای داده کاوی و متدلوژیهای ان

    مقدمه. 9

    عناصر داده کاوی.. 15

    پردازش تحلیلی پیوسته: 16

    قوانین وابستگی: 17

    شبکه های عصبی : 17

    الگوریتم ژنتیکی: 17

    نرم افزار 18

    کاربردهای داده کاوی.. 18

    داده کاوی  و کاربرد آن در کسب و کار هوشمند بانک.... 19

    داده کاوی درمدیریت ارتباط بامشتری.. 21

    کاربردهای داده کاوی در کتابخانه ها و محیط های دانشگاهی.. 22

    مدیریت موسسات دانشگاهی.. 23

    داده کاوی آماری و مدیریت بهینه وب سایت ها 25

    داده کاوی در مقابل پایگاه داده   Data Mining vs database. 26

    ابزارهای تجاری داده کاوی.. 27

    منابع اطلاعاتی مورد استفاده 28

    انبار داده 29

    مسائل کسب و کار برای داده‌کاوی.. 31

    چرخه تعالی داده کاوی چیست؟ 31

    متدلوژی داده‌کاوی و بهترین تمرین‌های آن.. 35

    یادگیری چیزهایی که درست نیستند. 36

    الگوهایی که ممکن است هیچ قانون اصولی را ارائه نکنند. 36

    چیدمان مدل ممکن است بازتاب دهنده جمعیت وابسته نباشد. 38

    ممکن است داده در سطح اشتباهی از جزئیات باشد. 38

    یادگیری چیزهایی که درست ولی بلااستفاده‌اند. 40

    مدل‌ها، پروفایل‌سازی، و پیش‌بینی.. 42

    پیش بینی.. 44

    متدلوژی.. 45

    مرحله 1: تبدیل مسئله کسب و کار به مسئله داده‌کاوی.. 46

    مرحله 2: انتخاب داده مناسب... 48

    مرحله سوم: پیش به سوی شناخت داده 51

    مرحله چهارم: ساختن یک مجموعه مدل.. 52

    مرحله پنجم: تثبیت مسئله با داده‌ها 54

    مرحله ششم: تبدیل داده برای آوردن اطلاعات به سطح.. 56

    مرحله هفتم: ساختن مدلها 59

    مرحله هشتم: ارزیابی مدل ها 59

    مرحله نهم: استقرار مدل ها 63

    مرحله 10: ارزیابی نتایج.. 64

    مرحله یازدهم: شروع دوباره 64

    وظایف داده‌کاوی‌ 65

    1- دسته‌بندی.. 65

    2- خوشه‌بندی.. 65

    3- تخمین.. 66

    4- وابستگی.. 68

    5- رگرسیون.. 69

    6- پیشگویی.. 70

    7- تحلیل توالی.. 70

    8- تحلیل انحراف... 71

    9- نمایه‌سازی.. 72

     

    تجارت الکترونیک

     

    فصل اول: مقدمه ای بر تجارت الکترونیکی.. 73

    1-  طبقه‌های مختلف تجارت الکترونیکی.. 75

    2- تفاوت تجارت الکترونیکی با تجارت سنتی.. 76

    3- نقش دولت در تجارت الکترونیک.... 78

    فصل دوم : شکل دهی موقعیت بازار. 80

    1- چار چوبی برای تحلیل موقعیت بازار. 80

    1-1- پرورش موقعیت : 80

    1-2-کشف هسته اصلی موقعیت : 81

    1-3- شناسایی مشتریان هدف : 81

    1-4- مطالعه توانمندیها و منابع شرکت : 81

    1-5- اندازه گیری جذابیت موقیت : 82

    2 ) ویژگی های تحلیل موقعیت بازار در اقتصاد جدید: 82

    3_ دو نوع ارزش ( value type ) عمده. 84

    3_2_ ارزش های جدید (  New-To-The-World value ) : 86

    4 – شناسایی نیاز های برآورده شده و برآورده نشده. 88

    4-1_ فرآیند تصمیم گیری مشتری... 88

    4-2_ آشکارسازی نیازهای برآورده شده و برآورده نشده. 89

    5- تعیین مشتریان ویژهای که شرکت قصد متقاعد کردن آنهارا دارد. 91

    5-1- روشهایی برای تقسم بندی بازار: 91

    5-2- تقسیم بندی قابل اجرا و معنی دار. 92

    _ تقسیم بندی قابل اجرا(Actionable Segmentation) 93

    _ تقسیم بندی معنی دار. 93

    5-3-ترکیب مناسبی از متغیر ها 93

    5-4-تناظر بازار و مشتریان هدف... 96

    ۶- تأمین منابع.. 97

    6-1- منابع شرکت : 97

    6-2- شرکاﺀ : 98

    ٧- جذابیت یک موقعیت : 99

    7-1- شدت رقابت.... 99

    رقبای نزدیک (Adjacent competitors)  : 100

    بررسی رقبا : (competitor Map) 100

    7-2- پویایی های مربوط با مشتریان : 101

    7-3-  فناوری : 101

    7-4- سود دهی مالی : 103

    8-ارزیابی نهایی(go/No-go) 104

    مدلهای کسب و کار 105

    آیا شرکت قادر است در مورد ارزش یا ارزشهای ارائه شده با دیگران رقابت کند؟ 105

    چگونه یک شرکت یک سرویس آنلاین را توسعه می دهد؟ 107

    یک سیستم منابع مناسب و موفق چگونه است؟ 109

    معیارهایی برای ارزیابی کیفیت یک سیستم منبع: 112

    مشارکت (Partnership): 113

    مدلهای سوددهی برای شرکتهای آنلاین چه هستند؟ 114

    2-1- مدلهای مبتنی بر کاربر و شرکت: 115

    مدلهای مبتنی بر خلق ارزش توسط شرکت: 117

    واسط مشتری.. 121

    1- هفت عنصر طراحی برای واسط مشتری.. 121

    2- چه چیز تعیین کننده جلوه یک وب سایت است؟ 125

    3- محتویات وب سایت... 129

    4- تشکل ها در سایت... 132

    5- اهرمهای مورد استفاده برای سفارشی کردن یک سایت... 136

    6- یک سایت چگونه با مشتریان خود ارتباط بر قرار می کند؟ 139

    7-  اتصال یک وب سایت با وب سایتهای دیگر. 142

    8- اشکال مختلف تجارت در وب سایت... 144

    تبادل الکترونیکی داده ها (EDI) 147

    1- انواع خرید یک شرکت... 147

    2- خرید مواد مستقیم.. 147

    3- تبادل الکترونیکی داده ها (EDI) 148

    EDI های نسل آینده 150

    منابع.......................................................................................................... 151

    .

    منبع:

    Data Mining Techniques For Marketing, Sales, and Customer Relationship Management (Second Edition) Michael J.A. Berry, Gordon S. Linoff

    Data Mining with SQL Server 2005 ,ZhaoHui Tang, Jamie MacLennan ,Wiley

    Introduction to Data Mining and Knowledge Discovery ,Two Crows

    workshopهای دومین کنفرانس داده‌کاوی ایران

    Fast Algorithms for Mining Association Rules,Rakesh Agrawal,Ramakrishnan Srikant, IBM Almaden Research Center, 650 Harry Road, San Jose, CA 95120

    Data Mining Multimedia,Soft Computing,and Bioinformatics

    SUSHMITA MITRA, Associate Professor,Machine Intelligence Unit,Indian Statistical Institute Kolkata, India

     

    دانشنامه آزاد ویکی پدیا

    ماهنامه عملی آموزشی تدبیر شماره 156

    Hamshahri Newspaper

    Barbara Mento and Brendan Rapple, SPEC Kit 274: Data mining and data warehousing, Association of Research Libraries, Washington, DC (2003, July)

    http://www.infotechera.com/

    http://www.ece.ut.ac.ir/dbrg/index.htm

    http://www.irandoc.ac.ir/index.htm http://www.arts.uci.edu/dobrain/gems.980415b.htm

    .

ثبت سفارش
عنوان محصول
قیمت