ISO Software SBU
PegahSystem Co.

امتیاز کاربران

ستاره غیر فعالستاره غیر فعالستاره غیر فعالستاره غیر فعالستاره غیر فعال
 
icon-ps-news

مديريت ذخيره سازی و دستيابی اطلاعات

داده های اطلاعاتی به عنوان يکی از منابع حياتی سازمان شناخته می شود و بسياری از سازمان ها با اطلاعات و دانش سازمانی خود مانند ساير دارايی های ارزشمندشان برخورد می کنند .
 نکته: داده اطلاعاتی (Data) به اطلاعات خام سازمان اتلاق می‌شود و اطلاعات (Information) به داده‌های پردازش شده. همچنين داده های پردازش شده پس از طبقه بندی و آناليز به دانش سازمان (Knowledge) تبديل می گردند.

حال تصور نماييد، دسترسی به اطلاعات (Information) در شرايطی که داده‌ها به روش نامناسبی نگهداری شوند و يا روش ضابطه مندی جهت دستيابی به آنها وجود نداشته باشد تا چه حد مشکل است . برای رسيدن به يک سيستم اطلاعاتی مناسب، داده‌ها می بايست به صورتی منطقی طبقه بندی و ذخيره شوند تا استفاده از آن ها ساده‌تر بوده، با کارايی بيشتری تحليل شوند و سريعتر مورد استفاده قرار گيرند و در نتيجه مديريت بهتری بر آن ها اعمال شود.

ساختار بانک اطلاعاتی سازمان:

داده های سازمان ها در انواع بانک های اطلاعاتی و با ساختارهای متنوعی ذخيره می‌گردند . طراحی و سازماندهی اين ساختارها، بکارگيری و انتقال به بانک‌های اطلاعاتی پيشرفته و بهينه سازی آن ها يکی خدماتی است که توسط واحدهای فناوری اطلاعات ارايه می شود .

 

داده ­كاوي چيست؟

 فناوري­هاي نوين اطلاعاتي و ارتباطي، و همچنين تكنولوژي­هاي پشتيبان تصميم، با جمع ­آوري، ذخيره، ارزيابي، تفسير و تحليل، بازيابي و اشاعه اطلاعات و دانش به كاربران خاص، مي­توانند در اطلاع ­يابي به ­موقع، صحيح و مورد­نياز به افراد تاثير زيادي داشته ­باشند. يكي از ابزارهاي مورد استفاده در اين فناوري­ها، داده كاوي مي باشد. داده ­کاوي شامل استفاده از ابزار­هاي پيشرفته تحليل داده به منظور کشف الگو­هاي معتبر، از قبل نا­شناخته و روابط در مجموعه داده­ هاي بزرگ است. اين ابزار­ها، مدلهاي آماري، الگوريتم­ هاي رياضي و متد­هاي يادگيري ماشين[1] (الگوريتم­هايي که عملکرد خود را از طريق تجربه به ­صورت اتوماتيک بهبود مي­دهند) مي­باشد. داده­ کاوي فراتر از جمع­ آوري و مديريت داده است، و شامل تجزيه و تحليل و پيش­گويي مي­شود. نام ديگر آن کشف دانش در پايگاه داده يا به اختصار KDD[2] است .

  

داده­ کاوي مي­تواند روي داده­ هاي کمي، متني، يا چند­رسانه­ اي انجام­ گيرد. کاربرد­هاي آن شامل موارد زير مي­باشد :

     - قوانين وابستگي[3]: الگو­هايي که در آن وجود يك آيتم دلالت بر وجود آيتم ديگر دارد،

     - کلاس­بندي: انتساب الگو­ها به يک مجموعه کوچک از کلاس­هاي از قبل تعريف شده به وسيله­ کشف بعضي روابط بين ويژگي­ها،

      - خوشه­ بندي[4]: گروه­بندي مشتريان يا مجموعه الگو­هايي که ويژگي­هاي مشابهي دارند،

      - پيش­گويي[5]: کشف الگو­ها براي پيش­گويي منطقي درباره آينده،

      - تحليل مسير[6] يا الگو­هاي ترتيبي: الگو­هايي که در آن يک رخداد منجر به وقوع رخداد ديگر مي­شود.

داده­ کاوي يک تکنولوژي جديد نيست ولي کاربرد آن به ­طور معناداري در بخش­هاي مختلف خصوصي و عمومي رو­ به­ رشد بوده و عموما صنايعي چون بانک، بيمه، پزشکي و خرده­ فروشي از داده­ کاوي به هدف کاهش هزينه­ ها، افزايش تحقيقات و افزايش فروش استفاده مي­کنند.

 

 مفاهيم پايه در داده کاوي

در داده کاوي معمولا به کشف الگوهاي مفيد از ميان داده ها اشاره مي شود . منظور از الگوي مفيد ، مدلي در داده ها است که ارتباط ميان يک زير مجموعه از داده ها را توصيف مي کند و معتبر ، ساده ، قابل فهم و جديد است.

 

تعريف داده کاوي

در متون آکادميک تعاريف گوناگوني براي داده کاوي ارائه شده است . در برخي از اين تعاريف داده کاوي در حد ابزاري که کاربران را قادر به ارتباط مستقيم با حجم عظيم داده ها مي سازد معرفي گرديده است و در برخي ديگر ، تعاريف دقيقتر که درآنها به کاوش در داده ها توجه مي شود موجود است . برخي از اين تعاريف عبارتند از :

داده کاوي عبارت است از فرايند استخراج اطلاعات معتبر ، از پيش ناشناخته ، قابل فهم و قابل اعتماد از پايگاه داده هاي بزرگ و استفاده از آن در تصميم گيري در فعاليت هاي تجاري مهم.

اصطلاح داده کاوي به فرايند نيم خودکار تجزيه و تحليل پايگاه داده هاي بزرگ به منظور يافتن الگوهاي مفيد اطلاق مي شود

داده کاوي يعني جستجو در يک پايگاه داده ها براي يافتن الگوهايي ميان داده ها .

داده کاوي يعني استخراج دانش کلان ، قابل استناد و جديد از پايگاه داده ها ي بزرگ .

داده کاوي يعني تجزيه و تحليل مجموعه داده هاي قابل مشاهده براي يافتن روابط مطمئن بين داده ها .

همانگونه که در تعاريف گوناگون داده کاوي مشاهده مي شود ، تقريبا در تمامي تعاريف به مفاهيمي چون استخراج دانش ، تحليل و يافتن الگوي بين داده ها اشاره شده است .

 

تاريخچه داده کاوي

اخيرا داده کاوي موضوع بسياري از مقالات ، کنفرانس ها و رساله ها ي عملي شده است ، اما اين واژه تا اوايل دهه نود مفهومي نداشت وبه کار برده نمي شد .

در دهه شصت و پيش از آن زمينه هايي براي ايجاد سيستم ها ي جمع آوري و مديريت داده ها ايجاد شد و تحقيقاتي در اين زمينه انجام پذيرفت که منجر به معرفي و ايجاد سيستم هاي مديريت پايگاه داده ها گرديد .

ايجاد و توسعه مدلهاي داده اي براي پايگاه سلسله مراتبي ، شبکه اي و بخصوص رابطه اي در دهه هفتاد ، منجر به معرفي مفاهيمي همچون شاخص گذاري و سازماندهي داده ها و در نهايت ايجاد زبان پرسش SQL در اوايل دهه هشتاد گرديد تا کاربران بتوانند گزارشات و فرمهاي اطلاعاتي مورد نظر خود را ، از اين طريق ايجاد نمايند .

توسعه سيستم هاي پايگاهي پيشرفته در دهه هشتاد و ايجاد پايگاه هاي شي گرا ، کاربرد گرا و فعال باعث توسعه همه جانبه و کاربردي شدن اين سيستم ها در سراسر جهان گرديد . بدين ترتيب DBMS هايي همچون DB2 ، Oracle ، Sybase ، ... ايجاد شدند و حجم زيادي از اطلاعات با استفاده از اين سيستم ها مورد پردازش قرار گرفتند . شايد بتوان مهمترين جنبه در معرفي داده کاوي را مبحث کشف دانش از پايگاه داده ها (KDD) دانست بطوري که در بسياري موارد DM و KDD بصورت مترادف مورد استفاده قرار مي گيرند .

براي اولين بار مفهوم داده کاوي در کارگاه IJCAI در زمينه KDD توسط Shapir مطرح گرديد . به دنبال آن در سالهاي 1991 تا 1994 ، کارگاههاي KDD مفاهيم جديدي را در اين شاخه از علم ارائه کردند بطوري که بسياري از علوم و مفاهيم با آن مرتبط گرديدند.

برخي از کاربردهاي داده کاوي در محيطهاي واقعي عبارتند از :

خرده فروشي : از کاربردهاي کلاسيک داده کاوي است که مي توان به موارد زير اشاره کرد : 

- تعيين الگوهاي خريد مشتريان

- تجزيه و تحليل سبد خريد بازار

- پيشگويي ميزان خريد مشتريان از طريق پست (فروش الکترونيکي)

بانکداري :

- پيش بيني الگوهاي کلاهبرداري از طريق کارتهاي اعتباري

- تشخيص مشتريان ثابت

- تعيين ميزان استفاده از کارتهاي اعتباري بر اساس گروههاي اجتماعي

بيمه :

- تجزيه و تحليل دعاوي

- پيشگويي ميزان خريد بيمه نامه هاي جديد توسط مشتريان

پزشکي :

- تعيين نوع رفتار با بيماران و پيشگويي ميزان موفقيت اعمال جراحي

- تعيين ميزان موفقيت روشهاي درماني در برخورد با بيماريهاي سخت

 

مراحل فرايند کشف دانش از پايگاه داده ها

فرايند کشف دانش از پايگاه داده ها شامل پنج مرحله است که عبارتند از :

انبارش داده ها

انتخاب داده ها

تبديل داده ها

کاوش در داده ها

تفسير نتيجه

همانگونه که مشاهده مي شود داده کاوي يکي از مراحل اين فرايند است که به عنوان بخش چهارم آن نقش مهمي در کشف دانش از داده ها ايفا مي کند .

 

انبارش داده ها

وجود اطلاعات صحيح و منسجم يکي از ملزوماتي است که در داده کاوي به آن نيازمنديم . اشتباه و عدم وجود اطلاعات صحيح باعث نتيجه گيري غلط و در نتيجه اخذ تصميمات ناصحيح در سازمانها مي گردد و منتج به نتايج خطرناکي خواهد گرديد که نمونه هاي آن کم نيستند .

اکثر سازمانها دچار يک خلا اطلاعاتي هستند . در اينگونه سازمانها معمولا سيستم هاي اطلاعاتي در طول زمان و با معماري و مديريت هاي گوناگون ساخته شده اند ، به طوري که سازمان اطلاعاتي يکپارچه و مشخصي مشاهده نمي گردد . علاوه بر اين براي فرايند داده کاوي به اطلاعات خلاصه و مهم در زمينه تصميم گيريهاي حياتي نيازمنديم .

هدف از فرايند انبارش داده ها فراهم کردن يک محيط يکپارچه جهت پردازش اطلاعات است . در اين فرايند ، اطلاعات تحليلي و موجز در دوره هاي مناسب زماني سازماندهي و ذخيره مي شود تا بتوان از آنها در فرايند هاي تصميم گيري که از ملزومات آن داده کاوي است ، استفاده شود . به طور کلي تعريف زير براي انبار داده ها ارائه مي گردد :

انبار داده ها ، مجموعه اي است موضوعي، مجتمع ، متغير در زمان و پايدار از داده ها که به منظور پشتيباني از فرايند مديريت تصميم گيري مورد استفاده قرار مي گيرد .

 

 

[1] Machine Learning

[2] Knowledge Discover in Database

[3] Acossiation Rule

[4] Clustering 

[5] prediction

[6] Pth Analysis

درخواست بازدیدکننده

نام(*)

شماره تماس(*)

ایمیل(*)

نام شرکت

درخواست شما(*)