Projektvezetői döntések támogatása webbányászattal

Méret: px

Mutatás kezdődik a ... oldaltól:

Download "Projektvezetői döntések támogatása webbányászattal"

Ábel Ede Kozma
8 évvel ezelőtt
Látták:

1 NETWORKSHOP március Dunaújváros, Dunaújvárosi Főiskola Projektvezetői döntések támogatása webbányászattal Bóta László Ph.D. hallgató (BME) Eszterházy Károly Főiskola, Eger

2 BI (Business Intelligence) Eklektika, a tudásportál

3 Üzleti intelligencia vállalati adatgyűjtő-, tároló-, elemző eljárások és alkalmazások együttese elemei: vállalati- és vezetői információs rendszerek, döntéstámogató rendszerek, adatbányászat, adatmegjelenítés, geográfiai információs rendszerek stb.

vezetői információs rendszerek, döntéstámogató rendszerek,

4 Adatbányászat 1990 után intelligens műveletsor cél: adatminták kiemelése, azaz a tudásfeltárás alapja: jelentős adatmennyiség adatbányászati feladatok két osztálya leíró: az adatok általános jellemzőinek feltárása előrejelző: meglévő adatokból prognosztizál

adatbányászati feladatok két osztálya leíró: az adatok általános

5 Projektvezetői döntések támogatása adatbányászat részterületei lehetnek hasznosak egy projektnél: webbányászat (web mining) a vizsgálatok a teljes populáción történnek szövegbányászat (text mining)

webbányászat (web mining) a vizsgálatok a teljes

6 Webbányászat webtartalom-bányászat (web content mining), kommunikációs stratégia kidolgozása piackutatás webstruktúra-bányászat (web structure mining) webhasználat-bányászat (web usage mining) a fogyasztók szokásainak, magatartásmintáinak tanulmányozása

webstruktúra-bányászat (web structure mining)

7 Webhasználat-bányászat webnapló bányászat webnapló-bejegyzés mezői: a kérés kiindulási helyének IP címe a kérés pontos ideje a kért URL cím még néhány adat [11/Mar/2007:07:07: ] "GET /index.php HTTP/1.1" [11/Mar/2007:07:07: ] "GET /stilus.css HTTP/1.1" [11/Mar/2007:07:07: ] "GET /index_ektf.php HTTP/1.1" [11/Mar/2007:07:07: ] "GET /images/logo_tel.gif HTTP/1.1" [11/Mar/2007:07:07: ] "GET /images/neptun.gif HTTP/1.1" [11/Mar/2007:07:07: ] "GET /hir/zongora.jpg HTTP/1.1" [11/Mar/2007:07:07: ] "GET /kultura/szinhaz.jpg HTTP/1.1" [11/Mar/2007:07:07: ] "GET /hir/otdk.gif HTTP/1.1"

php HTTP/1.1" 200 26021 89.133.22.59 - -[11/Mar/2007:07:07:53 +0100] "GET /images/logo_tel.gif HTTP/1.1" 200 12959 89.133.22.59 - -[11/Mar/2007:07:07:53 +0100] "GET /images/neptun.gif HTTP/1.1" 200 1335 89.

8 A feldolgozás iteratív folyamata előfeldolgozás, módszerei: adattisztítás tömörítés transzformálás elemzés, módszerei: statisztikai mutatók tanuló algoritmusok (döntési fa, klaszteranalízis stb. ) az adatok prezentálása táblázat, diagram

statisztikai mutatók tanuló algoritmusok (döntési fa,

9 Mit érhet el vele a projektvető? a fogyasztók individualizált, online kiszolgálásának tökéletesítése ugyanis a felhasználó elvárása: egyszerű weboldal a perszonalizáció lehető legmagasabb fokán a fogyasztó nagyon kevés mentális erőfeszítést szeretne kifejteni a weboldalon

ugyanis a felhasználó elvárása: egyszerű weboldal a perszonalizáció

Application Template) használják: OTP Bank TÁRKI DATA RESEARCH Millward Brown

10 Piacvezető szoftverek lap-középpontú, és felhasználó-középpontú filozófia SPSS Clementine program + WebMining CAT webbányászati modul CAT (Clementine Application Template) használják: OTP Bank TÁRKI DATA RESEARCH Millward Brown (piackutató) T-Mobile Bi Consulting SAS Enterprise Miner program + webbányászati modul

11 Clementine - felhasználói felület Eklektika, a tudásportál

12 WebMining CAT modul streamjei A látogatók leggyakoribb aktivitási sorozatainak azonosítása Activity Sequence Analysis (Most Common Activity Sequences, Eventstream Visualisation) A látogatások és a látogatók szegmentációja Visit and User Segmentation (E-ChannelUser RFM Classifications, User Mode Determination, Visit Branding) Advanced User Segmentation A látogatók viselkedésének elemzése Web Site Activity and User Behavior (Visit Activity Variances, Identifying Undesirable Behavior, Lifetime Conversion Tracking, Points of Abandonment, User Activity Focus, Visit Activity Funnels, Navigational Usage) A látogatók döntési hajlamának meghatározása tanuló algoritmusok segítségével Propensity Analysis

User Segmentation A látogatók viselkedésének elemzése Web Site Activity and User Behavior (Visit Activity Variances, Identifying Undesirable Behavior, Lifetime Conversion

13 Eklektika tudásportál és a webbányászat minőségi követelmények szoftver-ergonómia valós és látens látogatói igények perszonalizált kielégítése a fejlesztés elősegítése mi érdekli a látogatókat

14 Hátrányok költségek non-profit szervezetek számára elérhető web 2.0 kapcsán megjelenő ingyenes alkalmazások hosszú betanulási idő

Hasonló dokumentumok

ADATBÁNYÁSZATI MÓDSZEREK AZ ELEKTRONIKUS TANULÁSBAN. 9. elearning Fórum

ADATBÁNYÁSZATI MÓDSZEREK AZ ELEKTRONIKUS TANULÁSBAN (A minőségbiztosítás új lehetőségei) Izsó Lajos 9. elearning Fórum 2008. június 4. 1 Az előadás vázlata Az adatbányászat (datamining) - és a webbányászat