Data Mining – подготовка данных. BaseGroup Labs Последовательность работы Гипотеза, предположение Сбор и систематизация данных Подбор модели Тестирование, - презентация

1 Data Mining – подготовка данных

2 BaseGroup Labs Последовательность работы Гипотеза, предположение Сбор и систематизация данных Подбор модели Тестирование, интерпретация результатов Использование

3 BaseGroup Labs Выдвижение гипотез Максимально использовать знание экспертов о предметной области Полагаться на здравый смысл Отталкиваться от опыта и интуиции специалистов Собрать и систематизировать максимум возможных предположений и гипотез

4 BaseGroup Labs Сбор и систематизация. Подбор факторов Абстрагироваться от существующих информационных систем и имеющихся в наличии данных Описать все факторы, возможно влияющие на анализируемый процесс/объект Экспертно оценить значимость каждого фактора

5 BaseGroup Labs Сбор и систематизация. Подбор факторов Определить способ представления информации – число, дата, да/нет, категория Собрать все легкодоступные факторы, например, из учетных систем Обязательно собрать наиболее значимые с точки зрения экспертов факторы Оценить сложность и стоимость сбора средних и наименее важных по значимости факторов

6 BaseGroup Labs Сбор и систематизация. Методы сбора Получение из существующих информационных систем Извлечение необходимых сведений из косвенных данных Использование открытых источников Проведение социологических, маркетинговых и подобных исследований Ввод данных «вручную»

7 BaseGroup Labs Сбор и систематизация данных. Формат Данные должны быть собраны в единую таблицу в формате MS Excel, DBase, текстовые файлы с разделителями или в набор таблиц в любой реляционной СУБД. Необходимо унифицировать представление данных – один и тот же объект должен описываться везде одинаково.

8 BaseGroup Labs Сбор упорядоченных данных Задачи классификации, кластеризации и регрессии. В случае анализа временных рядов каждому столбцу соответствует один фактор, а в каждую строку заносятся упорядоченные по времени события с единым интервалом между строками. Время Факторы NNДата Частота закупок Объем продаж

9 BaseGroup Labs Сбор упорядоченных данных Если для процесса характерна сезонность/цикличность, необходимо иметь данные хотя бы за один полный сезон/цикл с возможностью варьирования интервалов (понедельное, помесячное…). Максимальный горизонт прогнозирования зависит от объема данных: данные на 1,5 года – прогноз максимум на 1 месяц данные за 2-3 года – прогноз максимум на 2 месяца

10 BaseGroup Labs Сбор неупорядоченных данных Задачи классификации, кластеризации и регрессии. В случае анализа не связанных по времени событий каждому столбцу соответствует фактор, а в каждую строку заносится пример (ситуация, прецедент). Упорядоченность строк не требуется. Прецедент Факторы N Стаж работы Наличие автомобиля Объем кредита 1>5 лет Да

11 BaseGroup Labs Сбор неупорядоченных данных Количество примеров (прецедентов) должно быть значительно больше количества факторов. Желательно, чтобы данные покрывали как можно больше ситуаций реального процесса. Пропорции различных примеров (прецедентов) должны примерно соответствовать реальному процессу.

12 BaseGroup Labs Сбор транзакционных данных Задача поиска ассоциативных правил. Под транзакцией подразумевается несколько объектов или действий, являющихся логически связанной единицей. Очень часто данный механизм используется для анализа покупок (чеков) в супермаркетах. Но в общем случае речь может идти о любых связанных объектах или действиях. Одна транзакция Код транзакции Товар 10200Йогурт «Чудо» 0, Батон «Рязанский» 10201Вода «Боржоми» 0, Сахарный песок

13 BaseGroup Labs Сбор транзакционных данных Анализ транзакций целесообразно производить на большом объеме данных, иначе могут быть выявлены статистически необоснованные правила. Алгоритмы поиска ассоциативных связей способны быстро перерабатывать огромные массивы данных. Примерное соотношение между количеством объектов и объемом данных: объектов – более 10 тыс. транзакций объектов – более 300 тысяч транзакций

14 BaseGroup Labs Подбор модели Уделить большое внимание очистке данных Комбинировать методики анализа Не гнаться за абсолютной точностью и начать использование при получении первых приемлемых результатов При невозможности получения приемлемых результатов вернуться на предыдущие шаги схемы

15 BaseGroup Labs Тестирование, интерпретация Для оценки полученных результатов использовать знания экспертов Тестировать построенные модели на различных выборках для оценки их обобщающих способностей При невозможности получения приемлемых результатов вернуться на предыдущие шаги схемы

16 BaseGroup Labs Использование При получении приемлемых результатов начать использование Периодически оценивать адекватность модели текущей ситуации. Даже самая удачная модель со временем перестает ей соответствовать. Постоянно работать над улучшением модели

17 BaseGroup Labs BaseGroup Labs – профессиональный поставщик Data Warehouse, OLAP, KDD, Data Mining решений и инструментов. Web-сайт: Образование: edu.basegroup.ruedu.basegroup.ru