مقدمهاي بر مطالعات كمي در مديريت (مورد مطالعه : كاربرد داده‌كاوي در مطالعات مديريت)

Introduction to Quantitative Researches in Management (Case study: Applications of Data-Mining in management )

مقدمهاي بر مطالعات كمي در مديريت (مورد مطالعه : كاربرد داده‌كاوي در مطالعات مديريت) چكيده داده‌كاوي، فرايند مرتب‌سازي و طبقه‌بندي داده‌هاي حجيم و آشكارسازي اطلاعات مرتبط باهم مي‌باشد. امروزه داده‌كاوي به عنوان يكي از ابزارهاي بسيار مهم مديران جهت شناخت وضعيت دقيق‌تر‌سازمان و همچنين كمك در اتخاذ تصميمات مناسب كاربرد دارد. با استفاده از اين تكنيك، داده‌هاي موجود در سازمان با بكارگيري ابزارهاي نرم‌افزاري، مورد بررسي و تحليل دقيق قرار مي‌گيرد تا الگوهاي پنهان و پيچيده‌اي كه در آنها وجود دارد كشف و استخراج گردد. داده‌كاوي را مي‌توان نسل سوم تكنولوژيهايي ناميد كه با داده سروكار دارند. در نسل اول يا نسل سنتي، فقط انجام پرس‌وجوهاي ساده امكان‌پذير بود، مثلا تعداد فروش يك كالاي خاص چقدر است؟ ميزان خريد يك مشتري خاص در ماه جاري چه مبلغي است؟ در نسل دوم يا همان پردازش لحظه‌اي برخط (OLAP) امكان پرس‌وجوي همزمان چندبعدي فراهم گرديد. در اين روش به عنوان مثال به سوالاتي مانند: "ميزان فروش محصولات به تفكيك فروشنده، خريدار و مسير خاص چقدر است؟ " بصورت لحظه‌اي و با استفاده از مكعب تصميم و گزارش ماتريسي پاسخ داده‌ مي‌شود. اما در نسل سوم يا همان داده‌كاوي فقط مساله پرس‌وجو و دريافت گزارش‌ها از داده‌ها نيست، بلكه از حجم انبوه داده‌ها، الگوهايي كشف مي‌شود كه هيچ‌وقت امكان كشف اين الگوها در OLAP يا روش سنتي وجود نداشت. انواع اطلاعات و الگوهايي كه از طريق داده‌كاوي بدست مي‌آيند و كاربرد دارندعبارتند از: وابستگي ، تسلسل و توالي ، طبقه‌بندي ، خوشه‌بندي و پيش‌بيني . براي استخراج اين الگوها اغلب از روشهاي نويني مانند شبكه عصبي و درختهاي تصميم استفاده مي‌شود. در عمل براي امكان انجام داده‌كاوي و استفاده از تكنيكهاي فوق‌الذكر، ابتدا بايد نسبت به ايجاد يك انبار داده مناسب اقدام كرد. يك انبارداده در حقيقت پايگاه ‌داده‌اي است كه داده‌هاي جاري و همچنين سوابق قبلي تراكنشها را در خود ذخيره كرده و با منابع خارج سازمان نيز ارتباط برقرار مي‌كند. اهداف كلي اين مقاله عبارتند از ارايه تعريف دقيقي از انبار داده، بررسي تكنيكها و كاربردهاي داده‌كاوي و كاربرد آن در مديريت، معرفي شبكه عصبي به عنوان يكي از روشهاي اجراي داده‌كاوي و بيان مفهوم درخت تصميم و ارتباط آن با داده‌كاوي.

Abstract Data-mining can be considered a recently developed methodology and technology, coming into prominence only in 1994. It aims to identify valid, novel, potentially useful and understandable correlations and patterns in data. Data-mining can also be considered as a process and technology to detect the previously unknown in order to gain competitive advantage. In data-mining, there is a strong emphasis on combing through copious data sets to sniff out patterns that are too subtle or complex for humans to detect. Data-mining techniques also include non-traditional methods developed in the areas of artificial intelligence and machine learning. The two most important models of these are neural networks and decision trees. Neural networks are useful for recognizing patterns in the data, especially when the form of relationships between the target and input variables is unknown and/or complex. They are modeled after the human brain, which can be perceived as a highly connected network of neurons or nodes. Each node in a layer of nodes receives inputs from at least one node in a previous layer and combines the inputs and generates an output to at least one node in the next layer. Generally, the input variables comprise the input layer and the target variable comprises the output layer. Between the input and output layers, there may be one or more hidden layers of nodes. The objective of decision trees is prediction and/or classification by dividing observations into mutually exclusive and collectively exhaustive subgroups. This process of division or splitting usually continues until either no further splitting can produce statistically significant differences in the target variable in the new subgroups or the subgroups are too small for any further meaningful division. The subgroups and sub-subgroups are usually referred to as nodes. The end product can be graphically represented by a tree-like structure. This study goes through the definition of Data Mining and its Techniques and gives a case study about its applications in Credit Scoring.