งานนำเสนอกำลังจะดาวน์โหลด โปรดรอ

งานนำเสนอกำลังจะดาวน์โหลด โปรดรอ

450-101 Management Information System Decision Support System Decision Support System ผศ. ดร. วิภาดา เวทย์ประสิทธิ์ Office :CS320, Computer Science Building.

งานนำเสนอที่คล้ายกัน


งานนำเสนอเรื่อง: "450-101 Management Information System Decision Support System Decision Support System ผศ. ดร. วิภาดา เวทย์ประสิทธิ์ Office :CS320, Computer Science Building."— ใบสำเนางานนำเสนอ:

1 Management Information System Decision Support System Decision Support System ผศ. ดร. วิภาดา เวทย์ประสิทธิ์ Office :CS320, Computer Science Building Website :http://staff.cs.psu.ac.th/wiphada Phone :

2 Management Information System Assit. Prof. Dr. Wiphada Wettayaprasit 2 Business Intelligence Applications Data Warehouse

3 Management Information System Assit. Prof. Dr. Wiphada Wettayaprasit 3 Levels of Managerial Decision Making

4 Management Information System Assit. Prof. Dr. Wiphada Wettayaprasit 4 Decision Structure Structured (operational) –The procedures to follow when decision is needed can be specified in advance Unstructured (strategic) –It is not possible to specify in advance most of the decision procedures to follow Semi-structured (tactical) –Decision procedures can be pre-specified, but not enough to lead to the correct decision

5 Management Information System Assit. Prof. Dr. Wiphada Wettayaprasit 5 Information Quality Information products made more valuable by their attributes, characteristics, or qualities –Information that is outdated, inaccurate, or hard to understand has much less value Information has three dimensions –Time –Content –Form

6 Management Information System Assit. Prof. Dr. Wiphada Wettayaprasit 6 Attributes of Information Quality

7 Management Information System Assit. Prof. Dr. Wiphada Wettayaprasit 7 Decision Support in Business Companies are investing in data-driven decision support application frameworks to help them respond to –Changing market conditions –Customer needs This is accomplished by several types of –Management information –Decision support –Other information systems

8 Management Information System Assit. Prof. Dr. Wiphada Wettayaprasit 8 1 Management Information Systems The original type of information system that supported managerial decision making –Produces information products that support many day-to-day decision-making needs –Produces reports, display, and responses –Satisfies needs of operational and tactical decision makers who face structured decisions

9 Management Information System Assit. Prof. Dr. Wiphada Wettayaprasit 9 2 Decision Support Systems Management Information Systems Decision Support Systems Decision support provided Provide information about the performance of the organization Provide information and techniques to analyze specific problems Information form and frequency Periodic, exception, demand, and push reports and responses Interactive inquiries and responses Information format Prespecified, fixed formatAd hoc, flexible, and adaptable format Information processing methodology Information produced by extraction and manipulation of business data Information produced by analytical modeling of business data

10 Management Information System Assit. Prof. Dr. Wiphada Wettayaprasit 10 Decision Support Systems Decision support systems use the following to support the making of semi-structured business decisions –Analytical models –Specialized databases –A decision-maker ’ s own insights and judgments –An interactive, computer-based modeling process DSS systems are designed to be ad hoc, quick-response systems that are initiated and controlled by decision makers

11 Management Information System Assit. Prof. Dr. Wiphada Wettayaprasit 11 DSS Components

12 Management Information System Assit. Prof. Dr. Wiphada Wettayaprasit 12 Decision Support Trends The emerging class of applications focuses on –Personalized decision support –Modeling –Information retrieval –Data warehousing –What-if scenarios –Reporting

13 Management Information System Assit. Prof. Dr. Wiphada Wettayaprasit 13 DSS Model Base Model Base –A software component that consists of models used in computational and analytical routines that mathematically express relations among variables Spreadsheet Examples –Linear programming –Multiple regression forecasting –Capital budgeting present value

14 Management Information System Assit. Prof. Dr. Wiphada Wettayaprasit 14 Using Decision Support Systems Using a decision support system involves an interactive analytical modeling process –Decision makers are not demanding pre-specified information –They are exploring possible alternatives What-If Analysis –Observing how changes to selected variables affect other variables

15 Management Information System Assit. Prof. Dr. Wiphada Wettayaprasit 15 Data Visualization Systems DVS –Represents complex data using interactive, three-dimensional graphical forms (charts, graphs, maps) –Helps users interactively sort, subdivide, combine, and organize data while it is in its graphical form

16 Management Information System Assit. Prof. Dr. Wiphada Wettayaprasit 16 Analysis of Customer Demographics

17 Management Information System Assit. Prof. Dr. Wiphada Wettayaprasit 17 Data Warehouse คลังข้อมูล หมายถึง.... หลักการหรือวิธีการ เพื่อรวมระบบ สารสเทศเพื่อ การประมวลผลรายการข้อมูลที่เกิดขึ้น ในแต่ละวันแต่ละสายงาน มารวมเป็นหน่วยเดียวกัน เพื่อสนับสนุนการตัดสินใจให้มีประสิทธิภาพมากยิ่งขึ้น คลังข้อมูล หมายถึง.... ข้อมูลในแหล่งข้อมูลหลายๆแหล่ง เพื่อประกอบการตัดสินใจให้มีประสิทธิภาพมากยิ่งขึ้น คลังข้อมูล ไม่ใช่ผลิตภัณฑ์ หรือระบบสำเร็จรูป คลังข้อมูล มีความเป็นส่วนตัวของแต่ละองค์กร (Organization Customized System)

18 Management Information System Assit. Prof. Dr. Wiphada Wettayaprasit 18 Multi-Tiered Architecture Data Warehouse Extract Transform Load Refresh OLAP Engine Analysis Query Reports Data mining Monitor & Integrator Metadata Data Sources Front-End Tools Serve Data Marts Operational DBs other sources Data Storage OLAP Server

19 Management Information System Assit. Prof. Dr. Wiphada Wettayaprasit 19 คุณลักษณะของคลังข้อมูล 1. Subject-Oriented 2. Integrated 3. Time-Variant 4. Non-Volatile

20 Management Information System Assit. Prof. Dr. Wiphada Wettayaprasit 20 คุณลักษณะของคลังข้อมูล 1. Subject-Oriented ข้อมูลถูกจัดกลุ่มให้เหมาะสมกับการสืบค้น จัดตามประเด็น หลักขององค์กร เช่น ลูกค้า สินค้า ยอดขาย ข้อมูลจะ....ไม่ถูกจัดตามหน้าที่การงาน....ของโปรแกรมใด โปรแกรมหนึ่ง เช่น การควบคุมคลังสินค้า การออกใบกำกับภาษี 2. Integrated จัดข้อมูลให้อยู่ในรูปแบบเดียวกัน จากแหล่งข้อมูลหลาย แหล่ง

21 Management Information System Assit. Prof. Dr. Wiphada Wettayaprasit 21 คุณลักษณะของคลังข้อมูล 3. Time-Variant ข้อมูลต้องมีความถูกต้อง เพราะเก็บไว้ใช้นาน 5-10 ปี 4. Non-Volatile การปรับปรุงข้อมูลเป็นการเพิ่มข้อมูลใหม่เข้าไปเรื่อยๆ ไม่ใช่ การแทนที่ข้อมูลเก่า ข้อมูลในคลังข้อมูล....ไม่จำเป็น...ต้องทำการ Normalize เหมือนในฐานข้อมูล (Data based)

22 Management Information System Assit. Prof. Dr. Wiphada Wettayaprasit 22 ข้อดีของคลังข้อมูล 1. ให้ผลตอบแทนในการลงทุนสูง 2. ได้เปรียบคู่แข่ง วิเคราะห์ข้อมูลเพื่อกำหนดเป็น แผนกลยุทธ์ได้ก่อนคู่แข่ง เช่นพฤติกรรมผู้บริโภค 3. เพิ่มประสิทธิภาพในการตัดสินใจ มีข้อมูลครบถ้วน จากอดีตจนถึงปัจจุบัน

23 Management Information System Assit. Prof. Dr. Wiphada Wettayaprasit 23 ข้อเสียของคลังข้อมูล 1. ขั้นตอนการกรองข้อมูลใช้เวลานาน ต้องอาศัยผู้ที่มี ความชำนาญในการกรองข้อมูล 2. แนวโน้มในการกรองข้อมูลเพิ่มมากขึ้นเรื่อยๆ เพิ่ม ความซับซ้อนให้กระบวนการทำงาน 3.ใช้เวลานานในการพัฒนาคลังข้อมูล 4.ระบบคลังข้อมูลมีความซับซ้อนสูง

24 Management Information System Assit. Prof. Dr. Wiphada Wettayaprasit 24 Successful knowledge management –Creates techniques, technologies, systems, and rewards for getting employees to share what they know –Makes better use of accumulated workplace and enterprise knowledge 3 Knowledge Management

25 Management Information System Assit. Prof. Dr. Wiphada Wettayaprasit 25 Knowledge Management Techniques

26 Management Information System Assit. Prof. Dr. Wiphada Wettayaprasit 26 Knowledge management systems –A major strategic use of IT –Manages organizational learning and know-how –Helps knowledge workers create, organize, and make available important knowledge –Makes this knowledge available wherever and whenever it is needed Knowledge includes –Processes, procedures, patents, reference works, formulas, best practices, forecasts, and fixes Knowledge Management Systems (KMS)

27 Knowledge Management การจัดการความรู้

28 ความรู้แบบชัดแจ้ง (Explicit Knowledge) 20% ความรู้โดยนัย / แบบซ่อนเร้น (Tacit Knowledge) 80% อธิบายได้ แต่ยังไม่ถูกนำไป บันทึก อธิบายได้ แต่ไม่อยาก อธิบาย อธิบายไม่ได้

29 Management Information System Assit. Prof. Dr. Wiphada Wettayaprasit 29 ลงมือปฏิบัติ ใช้ตัวอย่าง ทรัพย์สิน สื่อ/ประชุม เกลียวความรู้ SECI Model เกลียวความรู้ SECI Model SE IC

30 Management Information System Assit. Prof. Dr. Wiphada Wettayaprasit 30 Knowledge Sharing (KS ) Knowledge Vision (KV) Knowledge Assets (KA) ส่วนหัว ส่วนตา มองว่ากำลังจะไปทางไหน ต้องตอบได้ว่า “ ทำ KM ไปเพื่ออะไร ” ส่วนกลางลำตัว ส่วนที่เป็น “ หัวใจ ” ให้ความสำคัญกับ การแลกเปลี่ยน เรียนรู้ ช่วยเหลือ เกื้อกูลซึ่ง กันและกัน (Share & Learn) ส่วนหาง สร้างคลังความรู้ เชื่อมโยงเครือข่าย ประยุกต์ใช้ ICT “ สะบัดหาง ” สร้างพลังจาก CoPs TUNA Model (Thai –UNAids)

31 Management Information System Assit. Prof. Dr. Wiphada Wettayaprasit 31 การบริหารจัดการ เพื่อให้.. “ คน ” ที่ต้องการใช้ความรู้ ได้รับ.. ความรู้ที่ต้องการใช้ ในเวลา.. ที่ต้องการ เพื่อให้บรรลุเป้าหมายการทำงาน (Source: APQC) การจัดการความรู้ Right Knowledge…. Right People… Right Time…

32 Management Information System Assit. Prof. Dr. Wiphada Wettayaprasit 32 จังหวัด อำเภอ ตำบล การบริการชุมชน

33 Management Information System Assit. Prof. Dr. Wiphada Wettayaprasit 33 คุณเอื้อ คุณเอื้อ เป็นผู้บริหารระดับสูงทำหน้าที่ จัดการความรู้ขององค์กร คุณอำนวย คุณอำนวย เชื่อมโยงคน สร้าง ความสัมพันธ์ต่อกัน คุณกิจ คุณกิจ ผู้ที่รับผิดชอบตามหน้าที่ของ ตน คุณลิขิต คุณลิขิต ผู้ทำหน้าที่จดบันทึก สกัด องค์ความรู้ คุณวิศาสตร์ คุณวิศาสตร์ ออกแบบระบบไอที ทีมงานพัฒนาการจัดการ ความรู้

34 Management Information System Assit. Prof. Dr. Wiphada Wettayaprasit 34

35 Management Information System Assit. Prof. Dr. Wiphada Wettayaprasit 35

36 Management Information System Assit. Prof. Dr. Wiphada Wettayaprasit 36 4 Online Analytical Processing OLAP –Enables managers and analysts to examine and manipulate large amounts of detailed and consolidated data from many perspectives –Done interactively, in real time, with rapid response to queries

37 Management Information System Assit. Prof. Dr. Wiphada Wettayaprasit 37 Multidimensional Data Sales volume as a function of product, month, and region Product Region Month Dimensions: Product, Location, Time Industry Region Year Category Country Quarter Product City Month Week Office Day Hierarchical summarization paths

38 Management Information System Assit. Prof. Dr. Wiphada Wettayaprasit 38 A Sample Data Cube Total annual sales of TV in U.S.A. Date Product Country sum TV VCR PC 1Qtr 2Qtr 3Qtr 4Qtr U.S.A Canada Mexico sum Dimensions: Product,Date,Country

39 Management Information System Assit. Prof. Dr. Wiphada Wettayaprasit 39 Cuboids Corresponding to the Cube all product date country product,dateproduct,countrydate, country product, date, country 0-D(apex) cuboid 1-D cuboids 2-D cuboids 3-D(base) cuboid

40 Management Information System Assit. Prof. Dr. Wiphada Wettayaprasit 40 Browsing a Data Cube Visualization OLAP capabilities Interactive manipulation

41 Management Information System Assit. Prof. Dr. Wiphada Wettayaprasit 41 Online Analysis Processing (OLAP) กระบวนการประมวลผลข้อมูลทางคอมพิวเตอร์ ที่ช่วยให้วิเคราะห์ ข้อมูลในมิติต่างๆ (Multidimensional Data Analysis) การดำเนินการกับ OLAP 1.Roll up 2.Drill Down 3.Slice 4.Dice

42 Management Information System Assit. Prof. Dr. Wiphada Wettayaprasit 42 Typical OLAP (on-line analytical processing) Operations 1 Roll up (drill-up): summarize data –by climbing up hierarchy or by dimension reduction –มีการรวมหรือสรุปค่า 2 Drill down (roll down): reverse of roll-up –from higher level summary to lower level summary or detailed data, or introducing new dimensions –มีการกระจายค่าในรายละเอียดมากขึ้น ตามชนิดข้อมูล

43 Management Information System Assit. Prof. Dr. Wiphada Wettayaprasit 43 Fact Table

44 Management Information System Assit. Prof. Dr. Wiphada Wettayaprasit 44 Roll Up and Drill Down

45 Management Information System Assit. Prof. Dr. Wiphada Wettayaprasit 45 Typical OLAP Operations 3 Slice เลือกพิจารณา...ผลลัพธ์...บางส่วนที่เราสนใจ ตัดค่าตาม Dimension 4 Dice เลือกพิจารณา...พลิก Dimension... ให้ตรงตามความ ต้องการของผู้ใช้ เช่น จากมุมมอง Shop-Product-Type ไปเป็น Date-Product-Type

46 Management Information System Assit. Prof. Dr. Wiphada Wettayaprasit 46 Dimension

47 Management Information System Assit. Prof. Dr. Wiphada Wettayaprasit 47 5 Data Mining Provides decision support through knowledge discovery –Analyzes vast stores of historical business data –Looks for patterns, trends, and correlations –Goal is to improve business performance

48 Management Information System Assit. Prof. Dr. Wiphada Wettayaprasit 48 Data Mining ( เหมืองข้อมูล ) เหมืองข้อมูล เป็นเครื่องมือที่ช่วยให้ผู้ใช้เข้าถึงข้อมูลได้ โดยตรงจากฐานข้อมูลขนาดใหญ่ เหมืองข้อมูล เป็นเครื่องมือ และ Application ที่สามารถ แสดงผลการวิเคราะห์ข้อมูลทางสถิติได้ เหมืองข้อมูล หมายถึงการวิเคราะห์ข้อมูล เพื่อแยกประเภท จำแนกรูปแบบและความสัมพันธ์ของข้อมูลจากคลังข้อมูล หรือฐานข้อมูลขนาดใหญ่ นำสารสนเทศไปใช้ในการ ตัดสินใจธุรกิจ ได้องค์ความรู้ใหม่ (Knowledge Discovery) อาจอยู่ในรูปแบบของกฎเกณฑ์ (Rule)

49 Management Information System Assit. Prof. Dr. Wiphada Wettayaprasit 49 Data Mining Process

50 Management Information System Assit. Prof. Dr. Wiphada Wettayaprasit 50 คุณลักษณะของเหมืองข้อมูล 1. ชี้แนวทางการตัดสินใจและคาดการณ์ผลลัพธ์ 2. เพิ่มความเร็วในการวิเคราะห์ข้อมูล จากฐานข้อมูลขนาด ใหญ่ 3. ค้นหาส่วนประกอบที่ซ่อนอยู่ในเอกสาร รวมถึงความสัมพันธ์ ระหว่างส่วนประกอบต่างๆ 4. จัดกลุ่มเอกสารตามหัวข้อต่างๆตามนโยบายบริษัท

51 Management Information System Assit. Prof. Dr. Wiphada Wettayaprasit 51 เทคนิคการทำเหมืองข้อมูล 5.1. Classification 5.2. Clustering 5.3. Association 5.4. Visualization

52 Management Information System Assit. Prof. Dr. Wiphada Wettayaprasit 52 เทคนิคการทำเหมืองข้อมูล 5.1. Classification : เทคนิคในการจำแนกกลุ่มข้อมูลด้วย คุณลักษณะต่างๆที่ได้มีการกำหนดไว้แล้ว สร้างแบบจำลองเพื่อการพยากรณ์ค่าข้อมูล (Predictive Model) ในอนาคต เรียกว่า......Supervised Learning มี 2 รูปแบบ Tree Induction Neural Network 5.2. Clustering : เทคนิคในการจำแนกกลุ่มข้อมูลใหม่ที่มี ลักษณะคล้ายกันไว้กลุ่มเดียวกัน โดยไม่มีการจัดกลุ่มข้อมูล ตัวอย่างไว้ล่วงหน้า เรียกว่า Unsupervised Learning

53 Management Information System Assit. Prof. Dr. Wiphada Wettayaprasit 53 เทคนิคการทำเหมืองข้อมูล 5.3. Association : เทคนิคในการค้นพบองค์ความรู้ใหม่ ด้วยการเชื่อมโยงกลุ่มของข้อมูลที่เกิดขึ้นใน เหตุการณ์เดียวกันไว้ด้วยกัน 5.4. Visualization : เทคนิคที่ใช้ในการแสดงผลใน รูปแบบกราฟิกหรือ ข้อมูลหลายมิติ

54 Management Information System Assit. Prof. Dr. Wiphada Wettayaprasit 54 Classification: –predicts categorical class labels –classifies data (constructs a model) based on the training set and the values (class labels) in a classifying attribute and....uses it in classifying new data Prediction: –models continuous-valued functions, i.e., predicts unknown or missing values Classification vs. Prediction

55 Management Information System Assit. Prof. Dr. Wiphada Wettayaprasit 55 Classification Process 1. Model construction: 2. Model usage:

56 Management Information System Assit. Prof. Dr. Wiphada Wettayaprasit 56 Classification Process 1. Model construction: describing a set of predetermined classes Each tuple/sample is assumed to belong to a predefined class, as determined by the class label attribute The set of tuples used for model construction: training set The model is represented as classification rules, decision trees, or mathematical formulae

57 Management Information System Assit. Prof. Dr. Wiphada Wettayaprasit Model Construction Training Data Classification Algorithms IF rank = ‘professor’ OR years > 6 THEN tenured = ‘yes’ Classifier (Model)

58 Management Information System Assit. Prof. Dr. Wiphada Wettayaprasit Model usage: for classifying future or unknown objects Estimate accuracy of the model The known label of test sample is compared with the classified result from the model Accuracy rate is the percentage of test set samples that are correctly classified by the model Test set is independent of training set Classification Process

59 Management Information System Assit. Prof. Dr. Wiphada Wettayaprasit Use the Model in Prediction Classifier Testing Data Unseen Data (Jeff, Professor, 4) Tenured?

60 Management Information System Assit. Prof. Dr. Wiphada Wettayaprasit 60 What Is Prediction? Prediction is similar to classification –1. Construct a model –2. Use model to predict unknown value Major method for prediction is regression –Linear and multiple regression –Non-linear regression Prediction is different from classification –Classification refers to predict categorical class label –Prediction models continuous-valued functions

61 Management Information System Assit. Prof. Dr. Wiphada Wettayaprasit 61 Data Mining Process 1.Data Preparation 2.Evaluating Classification Methods

62 Management Information System Assit. Prof. Dr. Wiphada Wettayaprasit Data Preparation Data cleaning –Preprocess data in order to reduce noise and handle missing values Relevance analysis (feature selection) –Remove the irrelevant or redundant attributes Data transformation –Generalize and/or normalize data

63 Management Information System Assit. Prof. Dr. Wiphada Wettayaprasit Evaluating Classification Methods Predictive accuracy Speed and scalability –time to construct the model –time to use the model Robustness –handling noise and missing values Scalability –efficiency in disk-resident databases Interpretability: –understanding and insight proved by the model Goodness of rules –decision tree size –compactness of classification rules

64 Management Information System Assit. Prof. Dr. Wiphada Wettayaprasit 64 Supervised vs. Unsupervised Learning Supervised learning (classification) –Supervision: The training data (observations, measurements, etc.) are accompanied by labels indicating the class of the observations –New data is classified based on the training set Unsupervised learning (clustering) –The class labels of training data is unknown –Given a set of measurements, observations, etc. with the aim of establishing the existence of classes or clusters in the data

65 Management Information System Assit. Prof. Dr. Wiphada Wettayaprasit 65 Supervised Learning

66 Management Information System Assit. Prof. Dr. Wiphada Wettayaprasit 66 Unsupervised Learning

67 Management Information System Assit. Prof. Dr. Wiphada Wettayaprasit 67 Supervised Data Mining Techniques

68 Management Information System Assit. Prof. Dr. Wiphada Wettayaprasit 68 Decision Tree

69 Management Information System Assit. Prof. Dr. Wiphada Wettayaprasit 69 Decision Tree Decision tree –A flow-chart-like tree structure –Internal node denotes a test on an attribute –Branch represents an outcome of the test –Leaf nodes represent class labels or class distribution Use of decision tree: Classifying an unknown sample –Test the attribute values of the sample against the decision tree

70 Management Information System Assit. Prof. Dr. Wiphada Wettayaprasit 70 Classification by Decision Tree Decision tree generation consists of two phases 1. Tree construction At start, all the training examples are at the root Partition examples recursively based on selected attributes 2. Tree pruning Identify and remove branches that reflect noise or outliers

71 Management Information System Assit. Prof. Dr. Wiphada Wettayaprasit 71 Training Dataset This follows an example from Quinlan ’ s ID3

72 Management Information System Assit. Prof. Dr. Wiphada Wettayaprasit 72 Output: A Decision Tree for “buys_computer” age? overcast student?credit rating? noyes fair excellent <=30 >40 no yes

73 Management Information System Assit. Prof. Dr. Wiphada Wettayaprasit 73 Supervised Data Mining Techniques

74 Management Information System Assit. Prof. Dr. Wiphada Wettayaprasit 74 Supervised Data Mining Techniques

75 Management Information System Assit. Prof. Dr. Wiphada Wettayaprasit 75 Supervised Data Mining Techniques

76 Management Information System Assit. Prof. Dr. Wiphada Wettayaprasit 76 What Is Association Mining? Association rule mining: – Finding frequent patterns, associations, correlations, or causal structures among sets of items or objects in transaction databases, relational databases, and other information repositories. Applications: – Basket data analysis, cross-marketing, catalog design, loss-leader analysis, clustering, classification, etc.

77 Management Information System Assit. Prof. Dr. Wiphada Wettayaprasit 77 Market Basket Analysis One of the most common uses for data mining –Determines what products customers purchase together with other products Results affect how companies –Market products –Place merchandise in the store –Lay out catalogs and order forms –Determine what new products to offer –Customize solicitation phone calls

78 Management Information System Assit. Prof. Dr. Wiphada Wettayaprasit 78 Association Rules

79 Management Information System Assit. Prof. Dr. Wiphada Wettayaprasit 79 Generating Association Rules Confidence and Support Generating Association Rules Confidence and Support -Milk-Cheese -Bread-Eggs Possible associations include the following: 1. If customers purchase milk they also purchase bread. 2. If customers purchase bread they also purchase milk. 3. If customers purchase milk and eggs they also purchase cheese and bread. 4. If customers purchase milk, cheese, and eggs they also purchase bread.

80 Management Information System Assit. Prof. Dr. Wiphada Wettayaprasit 80 Generating Association Rules Mining Association Rules: An Example Generating Association Rules Mining Association Rules: An Example

81 Management Information System Assit. Prof. Dr. Wiphada Wettayaprasit 81 Generating Association Rules Mining Association Rules: An Example Generating Association Rules Mining Association Rules: An Example

82 Management Information System Assit. Prof. Dr. Wiphada Wettayaprasit 82 Generating Association Rules Mining Association Rules: An Example Generating Association Rules Mining Association Rules: An Example

83 Management Information System Assit. Prof. Dr. Wiphada Wettayaprasit 83 Generating Association Rules Mining Association Rules: An Example Generating Association Rules Mining Association Rules: An Example Here are three of several possible three-item set rules:

84 Management Information System Assit. Prof. Dr. Wiphada Wettayaprasit 84 The K-Means Algorithm

85 Management Information System Assit. Prof. Dr. Wiphada Wettayaprasit 85 The K-Means Algorithm

86 Management Information System Assit. Prof. Dr. Wiphada Wettayaprasit 86 The K-Means Algorithm General Considerations The K-Means Algorithm General Considerations

87 Management Information System Assit. Prof. Dr. Wiphada Wettayaprasit 87 The K-Means Algorithm General Considerations The K-Means Algorithm General Considerations

88 Management Information System Assit. Prof. Dr. Wiphada Wettayaprasit 88 Clustering Techniques

89 Management Information System Assit. Prof. Dr. Wiphada Wettayaprasit 89 Clustering Techniques

90 Management Information System Assit. Prof. Dr. Wiphada Wettayaprasit 90 ตัวอย่างการนำเหมืองข้อมูลมาใช้งาน 1. การตลาด ทำนายยอดขายเมื่อมีการลดจำนวนสินค้าลง 2. การเงินการธนาคาร คาดการณ์โอกาสในการชำระหนี้ของลูกค้า 3. การค้าขาย 4. โรงงาน การผลิต 5. ตลาดหลักทรัพย์ 6. ธุรกิจการประกัน 7. H/W S/W คอมพิวเตอร์ 8. กระทรวงกลาโหม 9. โรงพยาบาล

91 Management Information System Assit. Prof. Dr. Wiphada Wettayaprasit 91 ประโยชน์ของเหมืองข้อมูล 1. ค้นหาข้อมูลโดยอาศัยเทคโนโลยีของเหมืองข้อมูล 2. ใช้สถาปัตยกรรมแบบ Client/Server 3. ผู้ใช้ระบบไม่จำเป็นต้องทักษะในการเขียนโปรแกรม 4. ผู้ใช้ต้องกำหนดขอบเขตและเป้าหมายของระบบให้ชัดเจน เพื่อความรวดเร็วและถูกต้องตามความต้องการ 5. การประมวลผลแบบขนานจะช่วยเพิ่มประสิทธิภาพและ ความเร็วในการค้นหาข้อมูล

92 Management Information System Assit. Prof. Dr. Wiphada Wettayaprasit 92 Geographic Information Systems GIS –DSS uses geographic databases to construct and display maps and other graphic displays –Supports decisions affecting the geographic distribution of people and other resources –Often used with Global Positioning Systems (GPS) devices

93 Management Information System Assit. Prof. Dr. Wiphada Wettayaprasit 93 Dashboard Example

94 Management Information System Assit. Prof. Dr. Wiphada Wettayaprasit 94 Executive Information Systems EIS –Combines many features of MIS and DSS –Provide top executives with immediate and easy access to information –Identify factors that are critical to accomplishing strategic objectives (critical success factors) –So popular that it has been expanded to managers, analysis, and other knowledge workers

95 Management Information System Assit. Prof. Dr. Wiphada Wettayaprasit 95 Enterprise Information Portals An EIP is a Web-based interface and integration of MIS, DSS, EIS, and other technologies –Available to all intranet users and select extranet users –Provides access to a variety of internal and external business applications and services –Typically tailored or personalized to the user or groups of users –Often has a digital dashboard –Also called enterprise knowledge portals

96 Management Information System Assit. Prof. Dr. Wiphada Wettayaprasit 96 Enterprise Information Portal Components

97 Management Information System Assit. Prof. Dr. Wiphada Wettayaprasit 97 Enterprise Knowledge Portal

98 Management Information System Assit. Prof. Dr. Wiphada Wettayaprasit 98 Reference Data Mining: Concepts and Techniques (Chapter 6 Slide for textbook), Jiawei Han and Micheline Kamber, Intelligent Database Systems Research Lab, School of Computing Science, Simon Fraser University, Canada Data Mining A tutorial-Based Primer, Richard J. Roiger and Michael W. Geatz, Pearson Education Inc., 2003 James A. O ’ Brien and George M. Marakas, Management Information Systems, 8th edition, McGraw-Hill /Irwin, 2008Management Information Systems

99 Management Information System Assit. Prof. Dr. Wiphada Wettayaprasit 99 Q & A


ดาวน์โหลด ppt 450-101 Management Information System Decision Support System Decision Support System ผศ. ดร. วิภาดา เวทย์ประสิทธิ์ Office :CS320, Computer Science Building.

งานนำเสนอที่คล้ายกัน


Ads by Google