Taha Mokfi, profile picture
Uploaded byTaha Mokfi
PDF, PPTX4,087 views

داده کاوی

one of my best presentation about data mining.

Education◦
Related topics:
Data Mining Insights•

Embed presentation

Download as PDF, PPTX
‫ﮐﺎرﺑردھﺎی داده ﮐﺎوی در دﻧﯾﺎی واﻗﻌﯽ‬ ‫ﻃﻪ ﻣﮑﻔﯽ‬ ‫ﮐﺎرﺷﻨﺎس ﻣﻬﻨﺪﺳﯽ ﺻﻨﺎﯾﻊ داﻧﺸﮕﺎه آزاد اﺳﻼﻣﯽ واﺣﺪ ﺗﻬﺮان ﺟﻨﻮب‬ ‫82 اردﯾﺒﻬﺸﺖ ﻣﺎه 0931‬ ‫1‬
‫ﺧوش آﻣدﯾد‬ ‫اوﻟﯿﻦ ﺳﻤﯿﻨﺎر راﯾﮕﺎن داده ﮐﺎوي و ﻣﺠﻤﻮﻋﻪ ﮐﺎرﮔﺎه ﻫﺎي ﺗﺨﺼﺼﯽ‬ ‫” ﺑﺮاي ﻫﺮ ﭼﯿﺰي زﮐﺎﺗﯽ اﺳﺖ و زﮐﺎت ﻋﻠﻢ ﺑﯿﺎن و ﻧﺸﺮ آن اﺳﺖ“‬ ‫ﺳﺨﻨﯽ از ﻣﻌﺼﻮم)ص(‬ ‫2‬
‫ﻣطﺎﻟب ﻣطرح ﺷده در اﯾن ﺑﺧش:‬ ‫ﻣﻘﺪﻣﻪ‬ ‫1(‬ ‫ﮐﺎرﺑﺮدﻫﺎي داده ﮐﺎوي‬ ‫2(‬ ‫ﻣﻮﻓﻘﯿﺖ ﻫﺎي ﭘﺮوژه ﻫﺎي داده ﮐﺎوي‬ ‫3(‬ ‫ﻣﻄﺎﻟﻌﺎت ﻣﻮردي داﺧﻠﯽ‬ ‫4(‬ ‫ﻓﯾﻠم‬ ‫3‬
‫ﻣﻘدﻣﮫ:‬ ‫‪ ‬داده ﮐﺎوي در ﮐﺠﺎي زﻧﺪﮔﯽ روزﻣﺮه ﻣﺎ ﮐﺎرﺑﺮد دارد؟‬ ‫‪ ‬ﭼﺮا ﻧﯿﺎز ﺑﻪ درك ﮐﺎرﺑﺮدﻫﺎي داده ﮐﺎوي دارﯾﻢ؟‬ ‫4‬
‫ﺟﺎﯾﮕﺎه ﺷﻐﻠﯽ داده ﮐﺎوی در دﻧﯾﺎ:‬ ‫ﻣﻘﺎﯾﺴﻪ ﺷﻐﻞ ﻫﺎي ﻣﺮﺑﻮط ﺑﻪ ﻓﻨﺎوري اﻃﻼﻋﺎت و ﺷﻐﻞ ﻫﺎي ﻣﺮﺑﻮط ﺑﻪ داده ﮐﺎوي‬ ‫‪‬‬ ‫5‬
‫ﺟﺎﯾﮕﺎه ﺷﻐﻠﯽ داده ﮐﺎوی در دﻧﯾﺎ:‬ ‫درآﻣﺪ ﺷﻐﻞ ﻫﺎي ﻣﺮﺑﻮط ﺑﻪ داده ﮐﺎوي ﺑﻪ ﻃﻮر ﻣﯿﺎﻧﮕﯿﻦ 12% از ﺳﺎﯾﺮ‬ ‫‪‬‬ ‫ﺷﻐﻞ ﻫﺎ ﺑﯿﺸﺘﺮ ﻣﯽ ﺑﺎﺷﺪ.‬ ‫درآﻣﺪ ﺷﻐﻞ ﻫﺎي داده ﮐﺎوي 52% ﺑﯿﺸﺘﺮ از ﻣﯿﺎﻧﮕﯿﻦ درآﻣﺪ ﺷﻐﻠﻬﺎي‬ ‫‪‬‬ ‫ﻣﺮﺑﻮط ﺑﻪ ﻓﻨﺎوري اﻃﻼﻋﺎت ﺑﯿﺸﺘﺮ ﻣﯽ ﺑﺎﺷﺪ.‬ ‫درآﻣﺪ ﺷﻐﻞ ﻫﺎي ﻣﺮﺑﻮط ﺑﻪ ﻓﻨﺎوري اﻃﻼﻋﺎت 4% زﯾﺮ ﻣﯿﺎﻧﮕﯿﻦ درآﻣﺪ ﺳﺎﯾﺮ‬ ‫‪‬‬ ‫ﺷﻐﻞ ﻫﺎ ﻣﯽ ﺑﺎﺷﺪ.‬ ‫6‬
:‫ﺟﺎﯾﮕﺎه ﺷﻐﻠﯽ داده ﮐﺎوی در ﮐﺷور‬ ‫آﮐﻬﯽ ﯾﮑﯽ از ﺷﺮﮐﺖ ﻫﺎي ﺑﯿﻤﻪ اي ﺑﺮاي اﺳﺘﺨﺪام ﻣﺘﺨﺼﺺ داده ﮐﺎوي در اﯾﺮان‬  Data Mining Expert Mellat Insurance Tehran, Iran A Data Mining Expert, Analyst or Engineer who can find patterns or relationships in business data for increasing business intelligence and the knowledge of organization: • Design and develop reference databases in SQL Server 2005 and 2008, along with the ETL applications required to build them. • Observe current systems and processes, interacting with the appropriate personnel. • Utilizing a variety of sources, collect and analyze information to support the modeling and analysis. • Ensures data quality and reliability and provide feedback to business process owners and to the IT department 7
‫ﺑررﺳﯽ ﺟﺎﯾﮕﺎه داده ﮐﺎوی در ﭘژوھش ھﺎ:‬ ‫ﺑﺮرﺳﯽ ﻣﻘﺎﻻت ﻣﻨﺘﺸﺮ ﺷﺪه در ﺣﻮزه داده ﮐﺎوي در ﺳﺎﯾﺖ ‪:Scopus‬‬ ‫‪‬‬ ‫ﺗﻌﺪاد‬ ‫ﻋﻨﻮان‬ ‫ﮐﻠﻤﻪ ﻣﻮرد ﺟﺴﺘﺠﻮ‬ ‫388261‬ ‫ﺟﺴﺘﺠﻮ در ﮐﻞ ﻣﻘﺎﻟﻪ‬ ‫‪Data Mining‬‬ ‫73835‬ ‫ﺟﺴﺘﺠﻮ در ﻋﻨﻮان، ﻣﻘﺪﻣﻪ و ﮐﻠﻤﺎت ﮐﻠﯿﺪي‬ ‫‪Data Mining‬‬ ‫0487‬ ‫ﺟﺴﺘﺠﻮ در ﻋﻨﻮان‬ ‫‪Data Mining‬‬ ‫72‬ ‫ﺟﺴﺘﺠﻮ در ﻋﻨﻮان‬ ‫‪Data Mining + Hospital‬‬ ‫21‬ ‫ﺟﺴﺘﺠﻮ در ﻋﻨﻮان‬ ‫‪Data Mining + Healthcare‬‬ ‫8‬
‫ﺑررﺳﯽ ﮐﺎرﺑردھﺎی داده ﮐﺎوی:‬ ‫‪ ‬ﻣﺪﯾﺮﯾﺖ ارﺗﺒﺎط ﺑﺎ ﻣﺸﺘﺮي‬ ‫‪ ‬ﺑﺎﻧﮏ و اﻗﺘﺼﺎد‬ ‫‪ ‬ﺳﺎﺧﺖ و ﺗﻮﻟﯿﺪ‬ ‫‪ ‬زﻧﺠﯿﺮه ﺗﺎﻣﯿﻦ‬ ‫‪ ‬ﺗﻌﻤﯿﺮات و ﻧﮕﻬﺪاري‬ ‫‪ ‬ﮐﻨﺘﺮل ﮐﯿﻔﯿﺖ‬ ‫‪ ‬ﻣﺪﯾﺮﯾﺖ ﻣﺎﻟﯽ‬ ‫‪ ‬ﭘﺰﺷﮑﯽ‬ ‫‪ ‬ﺳﺎﯾﺮ ﺷﺎﺧﻪ ﻫﺎي ﻣﻬﻨﺪﺳﯽ‬ ‫9‬
‫ﻣدﯾرﯾت ارﺗﺑﺎط ﺑﺎ ﻣﺷﺗری)‪:(CRM‬‬ ‫اﺳﺘﺮاﺗﮋي ﺗﻮﺳﻌﻪ ﯾﺎﻓﺘﻪ اي ﺑﺮاي ﻣﺪﯾﺮﯾﺖ ﺗﻌﺎﻣﻼت ﺳﺎزﻣﺎن ﺑﺎ ﻣﺸﺘﺮﯾﺎن ﻣﯽ ﺑﺎﺷﺪ.‬ ‫‪‬‬ ‫ﻫﺪف: ﺟﺬب ﻣﺸﺘﺮﯾﺎن ﺟﺪﯾﺪ، ﺑﻘﺎي ﻣﺸﺘﺮﯾﺎن ﻣﻮﺟﻮد‬ ‫‪‬‬ ‫روﻧﺪ ﭼﺎپ ﻣﻘﺎﻻت داده ﮐﺎوي و ‪ CRM‬در ﻣﻘﺎﻻت ‪)SSCI‬ﺑﻪ ﺗﻔﮑﯿﮏ(:‬ ‫‪‬‬ ‫01‬
‫ﻣدﯾرﯾت ارﺗﺑﺎط ﺑﺎ ﻣﺷﺗری)‪:(CRM‬‬ ‫ﮐﺎرﺑﺮدﻫﺎ‬ ‫‪‬‬ ‫ﺷﻨﺎﺧﺖ و ﭘﯿﺶ ﺑﯿﻨﯽ رﻓﺘﺎر ﻣﺸﺘﺮﯾﺎن‬ ‫‪‬‬ ‫ﺑﺮرﺳﯽ راه ﺣﻠﻬﺎي ﺗﺒﻠﯿﻐﺎﺗﯽ ﻣﻮﺛﺮﺗﺮ‬ ‫‪‬‬ ‫دﺳﺘﻪ ﺑﻨﺪي ﻣﺸﺘﺮﯾﺎن ﺑﻪ ﻣﻨﻈﻮر ﻓﺮاﻫﻢ ﺳﺎﺧﺘﻦ ﺑﺴﺘﺮي ﺑﺮاي اراﺋﻪ ﺧﺪﻣﺎت ﺑﻬﺘﺮ ﺑﻪ آﻧﻬﺎ‬ ‫‪‬‬ ‫ﺑﺮرﺳﯽ اﻧﻮاع روش ﻫﺎي ﺑﺎزارﯾﺎﺑﯽ و اﻧﺘﺨﺎب ﺑﻬﯿﻨﻪ ﺗﺮﯾﻦ روش‬ ‫‪‬‬ ‫ﺗﺤﻠﯿﻞ ﺳﺒﺪ ﺧﺮﯾﺪ ﻣﺸﺘﺮﯾﺎن‬ ‫‪‬‬ ‫ﭘﯿﺶ ﺑﯿﻨﯽ اﺣﺘﻤﺎل اﺳﺘﻘﺒﺎل ﻣﺸﺘﺮﯾﺎن از ﻣﺤﺼﻮﻻت ﺟﺪﯾﺪ‬ ‫‪‬‬ ‫اﺑﻌﺎد ﻣﺪﯾﺮﯾﺖ ارﺗﺒﺎط ﺑﺎ ﻣﺸﺘﺮي ‪:CRM‬‬ ‫‪‬‬ ‫ﺷﻨﺎﺧﺖ ﻣﺸﺘﺮﯾﺎن‬ ‫1.‬ ‫ﺟﺬب ﻣﺸﺘﺮﯾﺎن‬ ‫2.‬ ‫ﺑﻘﺎ ﻣﺸﺘﺮﯾﺎن‬ ‫3.‬ ‫ﺗﻮﺳﻌﻪ ﻣﺸﺘﺮﯾﺎن‬ ‫4.‬ ‫11‬
‫ﻣدﯾرﯾت ارﺗﺑﺎط ﺑﺎ ﻣﺷﺗری)‪:(CRM‬‬ ‫ﺷﻨﺎﺧﺖ ﻣﺸﺘﺮﯾﺎن‬ ‫1.‬ ‫ﺧﻮﺷﻪ ﺑﻨﺪي‬ ‫ﺗﻘﺴﯿﻢ ﺑﻨﺪي ﻣﺸﺘﺮﯾﺎن‬ ‫1.‬ ‫از ﻟﺤﺎظ اﺑﻌﺎد ﻣﮑﺎﻧﯽ ﻣﺸﺘﺮﯾﺎن )ﻣﮑﺎن ﻣﺸﺘﺮﯾﺎن(‬ ‫1.‬ ‫از دﯾﺪ ﺟﻤﻌﯿﺖ ﺷﻨﺎﺧﺘﯽ/ اﺟﺘﻤﺎﻋﯽ و اﻗﺘﺼﺎدي ﻣﺸﺘﺮﯾﺎن )ﺳﻦ، ﺟﻨﺴﯿﺖ، درآﻣﺪ و ﺷﻐﻞ ﻣﺸﺘﺮﯾﺎن (‬ ‫2.‬ ‫از ﺑﻌﺪ رواﻧﯽ ﻣﺸﺘﺮﯾﺎن )ﻧﻮع ﻧﮕﺮش، ارزش ﻫﺎ، ﺷﯿﻮه زﻧﺪﮔﯽ(‬ ‫3.‬ ‫از ﺑﻌﺪ رﻓﺘﺎري ﻣﺸﺘﺮﯾﺎن )ﻣﯿﺰان وﻓﺎداري(‬ ‫4.‬ ‫از ﺑﻌﺪ ﻣﺴﺎﺋﻞ ﻣﺮﺑﻮط ﺑﻪ ﻣﺤﺼﻮﻻت‬ ‫5.‬ ‫آﻧﺎﻟﯿﺰ ﺑﺎزار ﻫﺪف‬ ‫2.‬ ‫21‬
‫ﻣدﯾرﯾت ارﺗﺑﺎط ﺑﺎ ﻣﺷﺗری)‪:(CRM‬‬ ‫1. ﺷﻨﺎﺧﺖ ﻣﺸﺘﺮﯾﺎن < ﺗﻘﺴﯿﻢ ﺑﻨﺪي ﻣﺸﺘﺮﯾﺎن < اﺑﺰار ﺧﻮﺷﻪ ﺑﻨﺪي)ﻣﺜﺎﻟﯽ در ﯾﮏ ﺷﺮﮐﺖ ﻣﺨﺎﺑﺮاﺗﯽ(‬ ‫ﺧﻮﺷﻪ‬ ‫ﻃﻮل ﺣﺴﺎب ﮐﺎرﺑﺮي‬ ‫ﭘﯿﺎم ﺻﻮﺗﯽ‬ ‫ﻣﮑﺎﻟﻤﻪ در روز‬ ‫ﻣﮑﺎﻟﻤﻪ در ﻋﺼﺮ‬ ‫ﻣﮑﺎﻟﻤﻪ در ﺷﺐ‬ ‫ﻣﮑﺎﻟﻤﺎت ﺑﯿﻦ اﻟﻤﻠﻠﯽ‬ ‫ﺗﻌﺪاد‬ ‫1‬ ‫26‬ ‫0‬ ‫2.981‬ ‫2.002‬ ‫902‬ ‫2.01‬ ‫258‬ ‫2‬ ‫7.001‬ ‫2.92‬ ‫6.871‬ ‫3.202‬ ‫5.102‬ ‫1.01‬ ‫038‬ ‫3‬ ‫2.101‬ ‫0‬ ‫2.971‬ ‫202‬ ‫4.991‬ ‫3.01‬ ‫025‬ ‫4‬ ‫1.701‬ ‫2.13‬ ‫8.881‬ ‫3.802‬ ‫402‬ ‫11‬ ‫38‬ ‫5‬ ‫9.041‬ ‫0‬ ‫861‬ ‫4.891‬ ‫1.491‬ ‫1.01‬ ‫808‬ ‫6‬ ‫301‬ ‫5.0‬ ‫7.781‬ ‫4.202‬ ‫8.391‬ ‫5.01‬ ‫042‬ ‫ﺗﺤﻠﯿﻞ ﻧﺘﺎﯾﺞ:‬ ‫‪‬‬ ‫ﺧﻮﺷﻪ3: ﻣﺸﺘﺮﯾﺎن ﻣﯿﺎﻧﮕﯿﻦ‬ ‫ﺧﻮﺷﻪ 2: ﻣﺸﺮﯾﺎن ﭘﯿﺎم ﺻﻮﺗﯽ‬ ‫ﺧﻮﺷﻪ 1: ﻣﺸﺘﺮﯾﺎن ﺟﺪﯾﺪ‬ ‫ﺧﻮﺷﻪ 6: ﻣﺸﺘﺮﯾﺎن ﺑﯿﻦ اﻟﻤﻠﻠﯽ‬ ‫ﺧﻮﺷﻪ 4: ﻣﺸﺘﺮﯾﺎن ﻗﺪرﺗﻤﻨﺪ ﺧﻮﺷﻪ 5: ﻣﺸﺘﺮﯾﺎن ﮐﻢ اﺳﺘﻔﺎده‬ ‫31‬
‫ﻣدﯾرﯾت ارﺗﺑﺎط ﺑﺎ ﻣﺷﺗری)‪:(CRM‬‬ ‫ﺷﺮﮐﺖ ارﺗﺒﺎﻃﺎت ‪ Sprint‬ﺑﻪ ﻣﻨﻈﻮر ﭘﯿﺶ ﺑﯿﻨﯽ رﻓﺘﺎر ﻣﺸﺘﺮﯾﺎن ﺧﻮد از‬ ‫‪‬‬ ‫ﺳﯿﺴﺘﻢ داده ﮐﺎوي اﺳﺘﻔﺎده ﻧﻤﻮد و در ﻣﺎه ﻫﺎي اول 1 ﻣﯿﻠﯿﻮن دﻻر ذﺧﯿﺮه‬ ‫ﻧﻤﻮد.‬ ‫اﯾﻦ ﺳﯿﺴﺘﻢ ﺗﻮﺳﻂ اﻧﺴﺘﯿﺘﻮي ‪ SAS‬ﺑﺮاي ‪ CRM‬اﯾﻦ ﺷﺮﮐﺖ ﻃﺮاﺣﯽ ﺷﺪه‬ ‫‪‬‬ ‫ﺑﻮد.‬ ‫ﮐﺎرﺷﻨﺎﺳﺎن اﯾﻦ ﺷﺮﮐﺖ اﻋﻼم ﮐﺮدﻧﺪ:“ درﺧﻮاﺳﺖ ﻫﺎي ﻣﺎ از اﻃﻼﻋﺎت‬ ‫‪‬‬ ‫ﻣﻮﺟﻮد ﮐﻪ ﻫﻔﺘﻪ ﻫﺎ ﺑﻪ ﻃﻮل ﻣﯽ اﻧﺠﺎﻣﯿﺪ اﮐﻨﻮن در ﮐﻤﺘﺮ از ﭼﻨﺪ ﺳﺎﻋﺖ‬ ‫ﻣﯿﺴﺮ ﻣﯽ ﺷﻮد. “‬ ‫41‬
‫ﻣدﯾرﯾت ارﺗﺑﺎط ﺑﺎ ﻣﺷﺗری)‪:(CRM‬‬ ‫اﺑﺰار ﮐﻼﺳﻪ ﺑﻨﺪي‬ ‫2. ﺟﺬب ﻣﺸﺘﺮﯾﺎن‬ ‫ﻣﺜﺎل: ﻓﺮوﺷﮕﺎه ﭘﻮﺷﺎﮐﯽ ﺑﻪ ﻣﻨﻈﻮر ارزﯾﺎﺑﯽ ﻣﯿﺰان ﺗﺎﺛﯿﺮ ﺗﺒﻠﯿﻐﺎت ﺧﻮد در ﺑﯿﻦ ﻣﺸﺘﺮﯾﺎن، اﻗﺪام ﺑﻪ‬ ‫ﺟﻤﻊ آوري اﻃﻼﻋﺎت ﻓﺮوش ﺧﻮد در ﻣﺪت ﯾﮏ ﺳﺎل و در ﻓﻮاﺻﻞ ﻫﻔﺘﮕﯽ ﻧﻤﻮد. ﺑﺮﺧﯽ از داده‬ ‫ﻣﺘﻐﯿﺮ‬ ‫ﺷﻤﺎره‬ ‫ﻫﺎي ﺟﻤﻊ آوري ﺷﺪه ﻋﺒﺎرت ﺑﻮدﻧﺪ از:‬ ‫ﺗﻌﺪاد ﮐﺎﺗﺎﻟﻮگ ﻫﺎي ﭘﺴﺖ ﺷﺪه ﺑﺮاي ﻣﺸﺘﺮﯾﺎن ﺟﺪﯾﺪ‬ ‫1‬ ‫ﺗﻌﺪاد ﮐﺎﺗﺎﻟﻮگ ﻫﺎي ﭘﺴﺖ ﺷﺪه ﺑﺮاي ﻣﺸﺘﺮﯾﺎن ﻗﺪﯾﻢ‬ ‫2‬ ‫ﺗﻌﺪاد ﺻﻔﺤﺎت ﮐﺎﺗﺎﻟﻮگ‬ ‫3‬ ‫ﺗﻌﺪاد ﺧﻄﻮط ﺗﻠﻔﻦ ﺑﺮاي ﭘﺎﺳﺨﮕﻮﯾﯽ‬ ‫4‬ ‫ﻫﺰﯾﻨﻪ ﺻﺮف ﺷﺪه ﺑﺮاي ﺗﺒﻠﯿﻐﺎت‬ ‫5‬ ‫ﺗﻌﺪاد ﻧﻤﺎﯾﻨﺪﮔﯽ ﻫﺎي ﺧﺪﻣﺎت ﺑﻪ ﻣﺸﺘﺮي‬ ‫6‬ ‫ﻣﯿﺰان ﻓﺮوش ﻟﺒﺎس ﻣﺮداﻧﻪ‬ ‫7‬ ‫ﻣﯿﺰان ﻓﺮوش ﻟﺒﺎس زﻧﺎﻧﻪ‬ ‫8‬ ‫43% ﮐﺎﻫﺶ در ﻫﺰﯾﻨﻪ ﺗﺒﻠﯿﻐﺎت-ﺳﺎل 8002‬ ‫51‬
‫ﻣدﯾرﯾت ارﺗﺑﺎط ﺑﺎ ﻣﺷﺗری)‪:(CRM‬‬ ‫ﺣﻞ ﻣﺴﺌﻠﻪ: ﺑﺎ اﺳﺘﻔﺎده از داده ﻫﺎي ﻗﺒﻠﯽ ﻣﺪل ﺳﺎزي ﻣﯽ ﮐﻨﯿﻢ. ﺳﭙﺲ ﻣﺪل را ﺑﺮ روي‬ ‫‪‬‬ ‫داده ﻫﺎي ﺟﺪﯾﺪ)در اﯾﻨﺠﺎ اﺳﺘﺮاﺗﮋي ﻫﺎي ﺟﺪﯾﺪ ﺗﺒﻠﯿﻐﺎﺗﯽ( اﻋﻤﺎل ﻣﯽ ﮐﻨﯿﻢ.‬ ‫ﺗﻌﺪاد ﮐﺎﺗﺎﻟﻮگ‬ ‫ﺗﻌﺪاد ﮐﺎﺗﺎﻟﻮگ‬ ‫ﻣﯿﺰان ﻓﺮوش‬ ‫ﺗﻌﺪاد ﻧﻤﺎﯾﻨﺪﮔﯽ‬ ‫ﻫﺰﯾﻨﻪ ﺻﺮف ﺷﺪه‬ ‫ﺗﻌﺪاد ﺧﻄﻮط‬ ‫ﺗﻌﺪاد ﺻﻔﺤﺎت‬ ‫ﻫﺎي ﭘﺴﺖ ﺷﺪه‬ ‫ﻫﺎي ﭘﺴﺖ ﺷﺪه‬ ‫ﻟﺒﺎس زﻧﺎﻧﻪ ﺑﻪ‬ ‫ﻫﺎي ﺧﺪﻣﺎت ﺑﻪ‬ ‫ﺑﺮاي ﺗﺒﻠﯿﻐﺎت ﺑﻪ‬ ‫ﺗﻠﻔﻦ ﺑﺮاي‬ ‫ﮐﺎﺗﺎﻟﻮگ‬ ‫ﺑﺮاي ﻣﺸﺘﺮﯾﺎن‬ ‫ﺑﺮاي ﻣﺸﺘﺮﯾﺎن‬ ‫ﻣﯿﻠﯿﻮن رﯾﺎل‬ ‫ﻣﺸﺘﺮي‬ ‫ﻣﯿﻠﯿﻮن رﯾﺎل‬ ‫ﭘﺎﺳﺨﮕﻮﯾﯽ‬ ‫ﻗﺪﯾﻢ‬ ‫ﺟﺪﯾﺪ‬ ‫0021‬ ‫01‬ ‫06‬ ‫42‬ ‫41‬ ‫0001‬ ‫003‬ ‫0041‬ ‫31‬ ‫55‬ ‫71‬ ‫21‬ ‫008‬ ‫055‬ ‫0531‬ ‫8‬ ‫35‬ ‫02‬ ‫61‬ ‫0011‬ ‫002‬ ‫...‬ ‫...‬ ‫...‬ ‫...‬ ‫...‬ ‫...‬ ‫...‬ ‫؟‬ ‫51‬ ‫05‬ ‫51‬ ‫02‬ ‫0002‬ ‫051‬ ‫ﭘﺎﺳﺦ ﻣﺪل‬ ‫61‬
‫ﻣدﯾرﯾت ارﺗﺑﺎط ﺑﺎ ﻣﺷﺗری)‪:(CRM‬‬ ‫3. ﺑﻘﺎ ﻣﺸﺘﺮﯾﺎن‬ ‫اﺑﺰار ﺧﻮﺷﻪ ﺑﻨﺪي‬ ‫ﺳﻨﺠﺶ وﻓﺎداري ﻣﺸﺘﺮﯾﺎن‬ ‫‪‬‬ ‫اﺑﺰارﻫﺎي ﺧﻮﺷﻪ ﺑﻨﺪي و ﮐﻼﺳﻪ ﺑﻨﺪي‬ ‫ﺑﺎزارﯾﺎﺑﯽ ﺗﮏ ﺑﻪ ﺗﮏ‬ ‫‪‬‬ ‫4. ﺗﻮﺳﻌﻪ ﻣﺸﺘﺮﯾﺎن‬ ‫اﺑﺰار ﻗﻮاﻋﺪ واﺑﺴﺘﮕﯽ)ﻗﻮاﻧﯿﻦ اﻧﺠﻤﻨﯽ(‬ ‫آﻧﺎﻟﯿﺰ ﺳﺒﺪ ﻓﺮوش‬ ‫‪‬‬ ‫اﺑﺰار ﻗﻮاﻋﺪ واﺑﺴﺘﮕﯽ)ﻗﻮاﻧﯿﻦ اﻧﺠﻤﻨﯽ(‬ ‫ﻓﺮوش ﻣﺤﺼﻮﻻت ﺟﺪﯾﺪ ﺑﻪ ﻣﺸﺘﺮﯾﺎن‬ ‫‪‬‬ ‫71‬
‫ﻣدﯾرﯾت ارﺗﺑﺎط ﺑﺎ ﻣﺷﺗری)‪:(CRM‬‬ ‫4. ﺗﻮﺳﻌﻪ ﻣﺸﺘﺮﯾﺎن < آﻧﺎﻟﯿﺰ ﺳﺒﺪ ﻓﺮوش< اﺑﺰار ﻗﻮاﻋﺪ واﺑﺴﺘﮕﯽ)ﻗﻮاﻧﯿﻦ اﻧﺠﻤﻨﯽ(‬ ‫ﻣﺜﺎل: ﯾﮏ ﻓﺮوﺷﮕﺎه ﻟﻮازم ﺧﺎﻧﮕﯽ، ﺳﺒﺪ ﮐﺎﻻﻫﺎي ﺧﺮﯾﺪاري ﺷﺪه ﺗﻮﺳﻂ ﻣﺸﺘﺮﯾﺎن ﺧﻮد را‬ ‫ﻣﻮرد ﺗﺤﻠﯿﻞ ﻗﺮار داد. ﺑﺮاي اﯾﻦ ﮐﺎر از ﻗﻮاﻋﺪ واﺑﺴﺘﮕﯽ ﺑﺮاي ﮐﺸﻒ ﻗﻮاﻋﺪ در ﺑﯿﻦ داده‬ ‫ﻫﺎ اﺳﺘﻔﺎده ﻧﻤﻮد. ﺑﺮﺧﯽ از ﻧﺘﺎﯾﺞ ﺑﺪﺳﺖ آﻣﺪه ﻃﺒﻖ زﯾﺮ ﻣﯽ ﺑﺎﺷﺪ.‬ ‫آﻧﮕﺎه‬ ‫اﮔﺮ‬ ‫آﻧﮕﺎه‬ ‫اﮔﺮ‬ ‫اﮔﺮ‬ ‫81‬
‫ﻣدﯾرﯾت ارﺗﺑﺎط ﺑﺎ ﻣﺷﺗری)‪:(CRM‬‬ ‫• 0092 ﻓﺮوﺷﮕﺎه در 5 ﮐﺸﻮر دﻧﯿﺎ.‬ ‫• 5.7 ﺗﺮا ﺑﺎﯾﺖ داده را داده ﮐﺎوي ﮐﺮده.‬ ‫• از داده ﮐﺎوي ﺑﺮاي اﺳﺘﺮاﺗﮋي ﻫﺎي ﻓﺮوش اﺳﺘﻔﺎده ﻣﯽ ﮐﻨﺪ.‬ ‫• ﺑﻪ 0053 ﺗﺎﻣﯿﻦ ﮐﻨﻨﺪه ﺧﻮد اﺟﺎزه ﻣﯽ دﻫﺪ ﺗﺎ داﻧﺶ ﮐﺴﺐ ﺷﺪه از اﻃﻼﻋﺎت ﻣﺸﺘﺮﯾﺎن‬ ‫را ﺑﺮرﺳﯽ ﮐﻨﻨﺪ.‬ ‫• در ﺳﺎل 5991، 1 ﻣﯿﻠﯿﻮن ‪ Query‬ﭘﯿﭽﯿﺪه را اﺳﺘﺨﺮاج ﮐﺮده اﺳﺖ.‬ ‫91‬
‫ﺑﺎﻧﮏ، اﻗﺗﺻﺎد، ﺑﯾﻣﮫ:‬ ‫ﭘﯿﺶ ﺑﯿﻨﯽ ﻣﯿﺰان رﯾﺴﮏ اﻋﺘﺒﺎري‬ ‫1.‬ ‫ﭘﯿﺶ ﺑﯿﻨﯽ ﻣﯿﺰان ﺗﺎﺛﯿﺮ ﺗﺒﻠﯿﻐﺎت ﺑﺎﻧﮑﯽ‬ ‫2.‬ ‫ﮐﺸﻒ ﺗﻘﻠﺐ ﻫﺎ در ﺳﯿﺴﺘﻢ ﻫﺎي ﺑﺎﻧﮏ و ﺑﯿﻤﻪ‬ ‫3.‬ ‫ﺑﺮرﺳﯽ اﺣﺘﻤﺎل ورﺷﮑﺴﺘﮕﯽ ﺷﺮﮐﺖ ﻫﺎ‬ ‫4.‬ ‫ﭘﯿﺶ ﺑﯿﻨﯽ ﺷﺎﺧﺺ ﻫﺎي ﻣﺎﻟﯽ و ﺷﺎﺧﺺ ﻫﺎي ﺑﻮرس‬ ‫5.‬ ‫02‬
‫ﺑﺎﻧﮏ، اﻗﺗﺻﺎد، ﺑﯾﻣﮫ:‬ ‫1. ﭘﯿﺶ ﺑﯿﻨﯽ ﻣﯿﺰان رﯾﺴﮏ اﻋﺘﺒﺎري‬ ‫ﻣﺜﺎل: ﺑﺮاي ﻣﺪﯾﺮان ﺑﺎﻧﮏ ﻫﺎ در ﺑﺴﯿﺎري ﻣﻮاﻗﻊ اﯾﻦ اﻣﺮ ﻣﻬﻢ ﻣﯽ ﺑﺎﺷﺪ ﮐﻪ ﺑﺘﻮاﻧﻨﺪ ﻣﯿﺰان رﯾﺴﮏ اﻋﺘﺒﺎري‬ ‫ﻣﺸﺘﺮﯾﺎن ﺧﻮد را ﭘﯿﺶ ﺑﯿﻨﯽ ﮐﻨﻨﺪ. ﺑﺮاي اﯾﻦ ﻣﻨﻈﻮر ﻣﻤﮑﻦ اﺳﺖ ﻣﺸﺨﺼﻪ ﻫﺎي ﻣﺮﺑﻮط ﺑﻪ ﻣﺸﺘﺮﯾﺎن‬ ‫ﺟﻤﻊ آوري ﺷﻮﻧﺪ. اﯾﻦ ﻣﺸﺨﺼﻪ ﻫﺎ ﻣﻤﮑﻦ اﺳﺖ ﻃﺒﻖ زﯾﺮ ﺑﺎﺷﻨﺪ:‬ ‫ﻋﻨﻮان‬ ‫ﺷﻤﺎره‬ ‫ﺳﻦ‬ ‫1‬ ‫ﻣﯿﺰان ﺗﺤﺼﯿﻼت‬ ‫2‬ ‫ﺗﻌﺪاد ﺳﺎﻟﻬﺎﯾﯽ ﮐﻪ در ﻣﮑﺎن ﻓﻌﻠﯽ ﻣﺸﻐﻮل ﺑﻪ ﮐﺎر اﺳﺖ‬ ‫3‬ ‫ﺗﻌﺪاد ﺳﺎﻟﻬﺎﯾﯽ ﮐﻪ در ﻣﮑﺎن ﻓﻌﻠﯽ ﺳﮑﻮﻧﺖ دارد‬ ‫4‬ ‫درآﻣﺪ ﺳﺎﻻﻧﻪ‬ ‫5‬ ‫ﻧﺴﺒﺖ ﺑﺪﻫﯽ ﻫﺎ ﺑﻪ درآﻣﺪ‬ ‫6‬ ‫ﻣﯿﺰان ﺑﺪﻫﯽ ﮐﺎرت اﻋﺘﺒﺎري‬ ‫7‬ ‫12‬ ‫ﻗﺼﻮر در ﭘﺮداﺧﺖ ﻫﺎي ﭘﯿﺸﯿﻦ‬ ‫8‬
‫ﺑﺎﻧﮏ، اﻗﺗﺻﺎد، ﺑﯾﻣﮫ:‬ ‫ﺑﺎﻧﮏ ﻣﺮﮐﺰي آﻣﺮﯾﮑﺎ در ﻃﯽ 2 ﺳﺎل 8.4 ﻣﯿﻠﯿﺎرد دﻻر ﺻﺮﻓﻪ ﺟﻮﯾﯽ ﻧﻤﻮد.‬ ‫اﯾﻦ ﺑﺎﻧﮏ ﺑﺎ اﺳﺘﻔﺎده از ﺳﯿﺴﺘﻢ ﻣﺪﯾﺮﯾﺖ رﯾﺴﮏ اﻋﺘﺒﺎري ﺑﺮ ﭘﺎﯾﻪ داده ﮐﺎوي ﮐﻪ ﺗﻮﺳﻂ‬ ‫ﺷﺮﮐﺖ ‪ SAS‬ﻃﺮاﺣﯽ ﺷﺪه ﺑﻮد، ﺳﯿﺴﺘﻢ ﭘﯿﮕﯿﺮي ﺑﺮﺧﻄﯽ را ﺑﺮاي ﺗﺨﺼﯿﺺ ﺑﺮﺧﻂ ﻣﯿﺰان‬ ‫رﯾﺴﮏ اﻋﺘﺒﺎري ﻣﺸﺘﺮﯾﺎن ﺧﻮد ﻃﺮاﺣﯽ ﻧﻤﻮد.‬ ‫22‬
‫ﺑﺎﻧﮏ، اﻗﺗﺻﺎد، ﺑﯾﻣﮫ:‬ ‫ﻣﺜﺎل: اﺳﺘﻔﺎده از درﺧﺖ ﺗﺼﻤﯿﻢ ﺑﺮاي ﭘﯽ ﺑﺮدن ﺑﻪ ﻣﯿﺰان رﯾﺴﮏ اﻋﺘﺒﺎري ﻣﺸﺘﺮﯾﺎن ﺑﺎﻧﮏ.‬ ‫ﻣﺠﻤﻮﻋﻪ داده اي ﺑﺎ ﺳﻪ ﻣﺘﻐﯿﺮ زﯾﺮ دارﯾﻢ:‬ ‫1. ﻣﯿﺰان داراﯾﯽ اﻓﺮاد‬ ‫2. ﻣﯿﺰان ﭘﺲ اﻧﺪاز اﻓﺮاد‬ ‫3. ﻣﯿﺰان درآﻣﺪ اﻓﺮاد‬ ‫رﯾﺴﮏ‬ ‫درآﻣﺪ‬ ‫ﭘﺲ اﻧﺪاز‬ ‫داراﯾﯽ‬ ‫ﻣﺸﺘﺮي‬ ‫رﯾﺴﮏ ﭘﺎﯾﯿﻦ‬ ‫ﮐﻢ‬ ‫ﮐﻢ‬ ‫زﯾﺎد‬ ‫1‬ ‫رﯾﺴﮏ ﺑﺎﻻ‬ ‫زﯾﺎد‬ ‫زﯾﺎد‬ ‫ﮐﻢ‬ ‫2‬ ‫؟‬ ‫ﮐﻢ‬ ‫زﯾﺎد‬ ‫زﯾﺎد‬ ‫3‬ ‫32‬
‫ﺑﺎﻧﮏ، اﻗﺗﺻﺎد، ﺑﯾﻣﮫ:‬ ‫2. ﭘﯿﺶ ﺑﯿﻨﯽ ﻣﯿﺰان ﺗﺎﺛﯿﺮ ﺗﺒﻠﯿﻐﺎت ﺑﺎﻧﮑﯽ‬ ‫ﺳﺎﻻﻧﻪ ﻫﺰاران دﻻر ﺻﺮف ﺑﺎزارﯾﺎﺑﯽ ﻣﺴﺘﻘﯿﻢ ﺧﻮد ﻣﯽ ﮐﺮد ﮐﻪ اﯾﻦ ﺗﺒﻠﯿﻐﺎت ﺷﺎﻣﻞ ﻣﻮارد زﯾﺮ‬ ‫‪‬‬ ‫ﺑﻮدﻧﺪ:‬ ‫ﺗﺒﻠﯿﻐﺎت ﺧﯿﺎﺑﺎﻧﯽ‬ ‫1.‬ ‫ارﺳﺎل ﮐﺎﺗﺎﻟﻮگ ﻫﺎ‬ ‫2.‬ ‫ارﺳﺎل ﻧﺎﻣﻪ ﻫﺎي ﺗﺒﻠﯿﻐﺎﺗﯽ‬ ‫3.‬ ‫ﭘﺨﺶ ﺗﺮاﮐﺖ‬ ‫4.‬ ‫اﺳﺘﻔﺎده از ﻧﺮم اﻓﺰار ‪ Clementine‬ﺑﺮاي ﺑﺮرﺳﯽ ﻣﺸﺘﺮﯾﺎن.‬ ‫‪‬‬ ‫ﻧﺘﺎﯾﺞ:‬ ‫‪‬‬ ‫ﺑﻪ ﺑﺎﻧﮏ ﮐﻤﮏ ﮐﺮد ﺗﺎ ﻣﺸﺘﺮﯾﺎن ﺧﻮد را ﺑﻬﺘﺮ ﺑﺸﻨﺎﺳﺪ.‬ ‫‪‬‬ ‫روش ﻫﺎي ﺗﺒﻠﯿﻐﺎﺗﯽ را ﭘﯿﺸﻨﻬﺎد ﮐﺮد ﮐﻪ ﻫﻢ ﮐﺎراﺗﺮ ﺑﻮدﻧﺪ و ﻫﻢ ﺳﻮد ﺑﯿﺸﺘﺮي را ﺑﺮاي ﺑﺎﻧﮏ‬ ‫‪‬‬ ‫ﻓﺮاﻫﻢ ﺳﺎﺧﺘﻨﺪ.‬ ‫ﻧﺮخ واﮐﻨﺶ ﻣﺸﺘﺮﯾﺎن 5% اﻓﺰاﯾﺶ ﭘﯿﺪا ﮐﺮد و ﻫﺰﯾﻨﻪ ارﺳﺎل ﺗﺒﻠﯿﻐﺎت ﺑﻪ ﻣﯿﺰان 02% ﮐﺎﻫﺶ ﭘﯿﺪا‬ ‫‪‬‬ ‫ﮐﺮد.‬ ‫42‬
‫ﺑﺎﻧﮏ، اﻗﺗﺻﺎد، ﺑﯾﻣﮫ:‬ ‫3. ﮐﺸﻒ ﺗﻘﻠﺐ ﻫﺎ در ﺳﯿﺴﺘﻢ ﻫﺎي ﺑﺎﻧﮏ و ﺑﯿﻤﻪ‬ ‫ﺑﺮرﺳﯽ ﺗﻘﻠﺐ در ﺳﯿﺴﺘﻢ ﻣﺪﯾﺮﯾﺖ ﺑﺎﻧﮑﯽ و ﺑﯿﻤﻪ اي‬ ‫1.‬ ‫ﺑﺮرﺳﯽ ﺗﻘﻠﺐ در ﮐﺎرت ﻫﺎي اﻋﺘﺒﺎري ﻣﺸﺘﺮﯾﺎن)ﺳﯿﺴﺘﻢ ﺑﺎﻧﮑﯽ(‬ ‫2.‬ ‫ﺑﺮرﺳﯽ ﺗﻘﻠﺐ در ﺧﺮﯾﺪﻫﺎي اﯾﻨﺘﺮﻧﺘﯽ‬ ‫3.‬ ‫اﺑﺰارﻫﺎ: اﺳﺘﻔﺎده از درﺧﺖ ﺗﺼﻤﯿﻢ، ﻣﺪل ﻫﺎي ﭘﯿﺶ ﺑﯿﻨﯽ ﮐﻨﻨﺪه، ﺧﻮﺷﻪ ﺑﻨﺪي و آﻧﺎﻟﯿﺰ وارﯾﺎﻧﺲ‬ ‫‪‬‬ ‫ﻧﻤﻮﻧﻪ اي از اﮐﺘﺸﺎﻓﺎت ﻣﻬﻢ در زﻣﯿﻨﻪ ﺗﻘﻠﺐ ﻫﺎي ﺻﻮرت ﮔﺮﻓﺘﻪ:‬ ‫‪‬‬ ‫ﺣﺎدﺛﻪ 11 ﺳﭙﺘﺎﻣﺒﺮ‬ ‫‪‬‬ ‫ﭘﺮوژه ‪Able Danger‬‬ ‫‪‬‬ ‫ﺑﺮرﺳﯽ 5.1 ﻣﯿﻠﯿﻮن رﮐﻮرد اﻃﻼﻋﺎت‬ ‫‪‬‬ ‫ﻣﺮﺑﻮط ﺑﻪ ﺷﻬﺮوﻧﺪان‬ ‫03 ﮐﺎرت اﻋﺘﺒﺎري – 21 آدرس ﺧﺎﻧﻪ‬ ‫‪‬‬ ‫ﻣﺤﻤﺪ اﺗﺎ‬ ‫‪‬‬ ‫52‬
‫ﺑﺎﻧﮏ، اﻗﺗﺻﺎد، ﺑﯾﻣﮫ:‬ ‫4. ﺑﺮرﺳﯽ اﺣﺘﻤﺎل ورﺷﮑﺴﺘﮕﯽ ﺷﺮﮐﺖ ﻫﺎ‬ ‫ﻫﺪف: ﭘﯿﺶ ﺑﯿﻨﯽ اﺣﺘﻤﺎل ورﺷﮑﺴﺘﮕﯽ ﺷﺮﮐﺖ ﻫﺎ‬ ‫اﺑﺰار: درﺧﺖ ﺗﺼﻤﯿﻢ‬ ‫اﻃﻼﻋﺎت ﻣﺮﺑﻮط ﺑﻪ 92 ﺷﺮﮐﺖ ﮐﺮه اي در ﺑﯿﻦ ﺳﺎﻟﻬﺎي 8991-7991 ﺟﻤﻊ آوري ﺷﺪ.‬ ‫‪‬‬ ‫اﯾﻦ اﻃﻼﻋﺎت از ﺑﺎزار ﺑﻮرس و ﺑﺎﻧﮏ ﻫﺎ اﺳﺘﺨﺮاج ﺷﺪ.‬ ‫‪‬‬ ‫ﻧﺘﺎﯾﺞ:‬ ‫‪‬‬ ‫اﮔﺮ ﺑﻬﺮه وري ﺳﺮﻣﺎﯾﻪ از 56.91 ﺑﯿﺸﺘﺮ ﺑﺎﺷﺪ ﻋﺪم ورﺷﮑﺴﺘﮕﯽ ﺑﺎ اﻃﻤﯿﻨﺎن 68% اﺗﻔﺎق ﻣﯽ اﻓﺘﺪ.‬ ‫‪‬‬ ‫اﮔﺮ ﺑﻬﺮه وري ﺳﺮﻣﺎﯾﻪ ﮐﻤﺘﺮ از 56.91 و اﮔﺮ ﻧﺴﺒﺖ ﮔﺮدش ﻧﻘﺪي ﺑﻪ ﮐﻞ داراﯾﯽ زﯾﺮ 56.5 ﺑﺎﺷﺪ،‬ ‫‪‬‬ ‫ورﺷﮑﺴﺘﮕﯽ ﺑﺎ اﻃﻤﯿﻨﺎن 48% اﺗﻔﺎق ﻣﯽ اﻓﺘﺪ.‬ ‫62‬
‫ﺑﺮرﺳﯽ دﻋﺎوي ﻣﺮﺑﻮط ﺑﻪ ﺿﻤﺎﻧﺖ ﻧﺎﻣﻪ ﻣﺎﺷﯿﻦ ﻫﺎ)9991(‬ ‫‪‬‬ ‫اﻫﺪاف ﻃﺮح:‬ ‫‪‬‬ ‫آﯾﺎ رواﺑﻄﯽ ﺑﯿﻦ ﺿﻤﺎﻧﺖ ﻧﺎﻣﻪ ﻫﺎ وﺟﻮد دارد؟‬ ‫‪‬‬ ‫آﯾﺎ دﻋﺎوي ﮔﺬﺷﺘﻪ ارﺗﺒﺎﻃﯽ ﺑﺎ دﻋﺎوي آﯾﻨﺪه دارﻧﺪ؟‬ ‫‪‬‬ ‫آﯾﺎ ارﺗﺒﺎﻃﯽ ﺑﺎ دﻋﺎوي ﺧﺎص و ﻧﻤﺎﯾﻨﺪﮔﯽ ﻫﺎي ﺗﻌﻤﯿﺮﮔﺎﻫﯽ وﺟﻮد دارد؟‬ ‫‪‬‬ ‫اﺑﺰار:‬ ‫‪‬‬ ‫اﺳﺘﻔﺎده از ﻗﻮاﻧﯿﻦ واﺑﺴﺘﮕﯽ )اﮔﺮ ‪ X‬آﻧﮕﺎه ‪(Y‬‬ ‫ﻧﺘﺎﯾﺞ:‬ ‫‪‬‬ ‫ﺑﻪ ﻧﺘﯿﺠﻪ ﺧﺎﺻﯽ دﺳﺖ ﭘﯿﺪا ﻧﮑﺮدﻧﺪ. ﺳﭙﺲ ﻣﺤﻘﻘﺎن ﺳﻌﯽ ﮐﺮدﻧﺪ ﻋﻠﺖ ﺑﻪ ﻧﺘﯿﺠﻪ ﻧﺮﺳﯿﺪن را‬ ‫‪‬‬ ‫ﺑﺮﺳﯽ ﮐﻨﻨﺪ. ﭘﺲ از ﺑﺮرﺳﯽ ﺑﻪ ﻧﺘﯿﺠﻪ رﺳﯿﺪﻧﺪ ﮐﻪ داده ﻫﺎﯾﯽ ﮐﻪ اﺳﺘﻔﺎده ﮐﺮدﻧﺪ داده ﻫﺎي‬ ‫ﺧﯿﻠﯽ ﻣﻨﺎﺳﺒﯽ ﻧﺒﻮده اﺳﺖ ﭘﺲ ﺗﺼﻤﯿﻢ ﮔﺮﻓﺘﻨﺪ ﭘﺎﯾﮕﺎه ﻫﺎي داده اي را اﯾﺠﺎد ﮐﻨﻨﺪ ﮐﻪ در‬ ‫آﯾﻨﺪه ﺑﺘﻮان ﺑﺎ اﺳﺘﻔﺎده از اﯾﻦ ﭘﺎﯾﮕﺎه ﻫﺎي داده، ﺑﻪ ﻧﺘﺎﯾﺞ ﺑﻬﺘﺮي در ﺗﺤﻘﯿﻘﺎت دﺳﺖ ﭘﯿﺪا ﮐﺮد.‬ ‫72‬
‫ﺳﺎﺧت و ﺗوﻟﯾد:‬ ‫ﻣﺪﯾﺮﯾﺖ زﻧﺠﯿﺮه ﺗﺎﻣﯿﻦ‬ ‫1.‬ ‫ﺗﻌﻤﯿﺮات و ﻧﮕﻬﺪاري‬ ‫2.‬ ‫ﮐﻨﺘﺮل ﮐﯿﻔﯿﺖ‬ ‫3.‬ ‫ﺗﺸﺨﯿﺺ ﺧﺮاﺑﯽ ﻫﺎ‬ ‫4.‬ ‫ﻣﺎﻧﯿﺘﻮرﯾﻨﮓ ﺷﺮاﯾﻂ‬ ‫5.‬ ‫زﻣﺎن ﺑﻨﺪي ﮐﺎرﻫﺎ‬ ‫6.‬ ‫ﭘﯿﺶ ﺑﯿﻨﯽ ﺗﻮﻟﯿﺪ‬ ‫7.‬ ‫ﺑﻬﺒﻮد ﺑﻬﺮه وري ﺗﻮﻟﯿﺪات‬ ‫8.‬ ‫82‬
‫ﺳﺎﺧت و ﺗوﻟﯾد:‬ ‫ﺳﺎل 5002‬ ‫92‬
‫ﺳﺎﺧت و ﺗوﻟﯾد:‬ ‫ﺳﺎل 9002‬ ‫03‬
‫ﻣﺪﯾﺮﯾﺖ زﻧﺠﯿﺮه ﺗﺎﻣﯿﻦ ‪:SCM‬‬ ‫ﻣﺪﯾﺮﯾﺖ زﻧﺠﯿﺮه ﺗﺎﻣﯿﻦ ﺷﺎﻣﻞ ﻣﺪﯾﺮﯾﺖ ﻣﻮاد، اﻃﻼﻋﺎت و ﻣﺴﺎﺋﻞ ﻣﺎﻟﯽ در ﺷﺒﮑﻪ اي‬ ‫‪‬‬ ‫ﻣﺸﺘﻤﻞ ﺑﺮ ﺗﺎﻣﯿﻦ ﮐﻨﻨﺪﮔﺎن، ﺳﺎزﻧﺪﮔﺎن، ﺗﻮزﯾﻊ ﮐﻨﻨﺪﮔﺎن و ﻣﺸﺘﺮﯾﺎن ﻣﯽ ﺑﺎﺷﺪ.‬ ‫ﻣﺜﺎل: ﻃﺮاﺣﯽ ﻣﺪﻟﯽ ﺑﺮاي ﭘﯿﺶ ﺑﯿﻨﯽ ﺑﺮﻧﺪه ﻣﻨﺎﻗﺼﺎت در ﻣﺠﺘﻤﻊ ﮐﺸﺘﯽ ﺳﺎزي و ﺻﻨﺎﯾﻊ‬ ‫ﻓﺮا ﺳﺎﺣﻞ اﯾﺮان )ﮐﺎرﺑﺮد ﺑﺮاي ﺗﺎﻣﯿﻦ ﮐﻨﻨﺪﮔﺎن(‬ ‫ﻫﺪف: ﭘﯿﺶ ﺑﯿﻨﯽ ﺑﺮﻧﺪه ﻣﻨﺎﻗﺼﺎت‬ ‫‪‬‬ ‫ﺟﻤﻊ آوري اﻃﻼﻋﺎت ﻣﺮﺑﻮط ﺑﻪ ﺧﺮﯾﺪ و ﻣﻨﺎﻗﺼﺎت‬ ‫‪‬‬ ‫ﺗﻬﯿﻪ ﺑﯿﺶ از 0001 رﮐﻮرد داده ﺑﺎ ﺑﯿﺶ از 03 ﻣﺘﻐﯿﺮ‬ ‫‪‬‬ ‫از ﺟﻤﻠﻪ ﻣﺘﻐﯿﺮﻫﺎي:ﻧﺎم ﭘﺮوژه، ﻧﺎم ﺗﺎﻣﯿﻦ ﮐﻨﻨﺪه، ﻗﯿﻤﺖ ﭘﯿﺸﻨﻬﺎدي ﺗﺎﻣﯿﻦ ﮐﻨﻨﺪه، درﺻﺪ ﭘﯿﺶ‬ ‫‪‬‬ ‫ﭘﺮداﺧﺖ، اﻣﺘﯿﺎز ﻣﻌﯿﺎرﻫﺎي ﻓﻨﯽ و رد و ﯾﺎ ﻗﺒﻮل ﺷﺪن ﭘﺮوژه‬ ‫اراﺋﻪ ﻣﺪﻟﯽ ﺑﺮاي ﭘﯿﺶ ﺑﯿﻨﯽ ﺑﺮﻧﺪه ﻣﻨﺎﻗﺼﺎت‬ ‫‪‬‬ ‫ﻧﺘﯿﺠﻪ ﭘﺎﯾﺎن ﻧﺎﻣﻪ‬ ‫‪‬‬ ‫13‬
‫ﻣﺪﯾﺮﯾﺖ زﻧﺠﯿﺮه ﺗﺎﻣﯿﻦ ‪:SCM‬‬ ‫ﻣﺜﺎل: ﺧﻮﺷﻪ ﺑﻨﺪي ﻣﺸﺘﺮﯾﺎن ﺑﻪ ﻣﻨﻈﻮر اراﺋﻪ ﺧﺪﻣﺎت ﺑﻪ ﻣﻮﻗﻊ)‪ (JIT‬ﺑﻪ آﻧﻬﺎ‬ ‫)ﮐﺎرﺑﺮد ﺑﺮاي ﺳﺎزﻧﺪﮔﺎن(‬ ‫‪ ‬ﻫﺪف: ﺷﻨﺎﺧﺖ ﺳﻔﺎرﺷﺎت ﯾﮑﺴﺎن‬ ‫‪ ‬اﺑﺰار: ﺧﻮﺷﻪ ﺑﻨﺪي‬ ‫‪ ‬داده ﻫﺎي ﻣﻮﺟﻮد:ﻓﺮﯾﻢ، ﻣﻮﺗﻮر، ﮐﺎﺑﯿﻦ، ﭼﺮﺧﻬﺎ، ﺑﺎك‬ ‫‪ ‬ﺑﺎ ﺧﻮﺷﻪ ﺑﻨﺪي اﻃﻼﻋﺎت ﻣﺸﺘﺮﯾﺎن ﺗﻮﺳﻂ روش ﻫﺎي ﻣﺨﺘﻠﻒ ﻣﯽ ﺗﻮان‬ ‫ﺳﻔﺎرﺷﺎت ﺳﺎﺧﺖ را در زﻣﺎن ﮐﻤﺘﺮي و ﺑﻪ روش ﺑﻬﯿﻨﻪ ﺗﺮي ﻣﺪﯾﺮﯾﺖ‬ ‫ﺑﺎك‬ ‫ﭼﺮخ ﻫﺎ‬ ‫ﮐﺎﺑﯿﻦ‬ ‫ﻣﻮﺗﻮر‬ ‫ﻓﺮﯾﻢ‬ ‫ﻧﺎم‬ ‫ﮐﺮد.‬ ‫ﺧﯿﺮ‬ ‫ﺑﺰرگ‬ ‫ﺳﺒﺰ‬ ‫ﻣﺘﻮﺳﻂ‬ ‫ﺑﺰرگ‬ ‫ﻣﺸﺘﺮي 1‬ ‫ﺧﯿﺮ‬ ‫ﺑﺰرگ‬ ‫ﺻﻮرﺗﯽ‬ ‫ﺧﯿﻠﯽ ﺑﺰرگ ﺧﯿﻠﯽ ﺑﺰرگ‬ ‫ﻣﺸﺘﺮي 2‬ ‫ﺑﻠﻪ‬ ‫ﻣﺘﻮﺳﻂ‬ ‫زرد‬ ‫ﻣﺘﻮﺳﻂ‬ ‫ﮐﻮﭼﮏ‬ ‫ﻣﺸﺘﺮي 3‬ ‫ﺑﻠﻪ‬ ‫ﺑﺰرگ‬ ‫ﻗﺮﻣﺰ‬ ‫ﺑﺰرگ‬ ‫ﺑﺰرگ‬ ‫ﻣﺸﺘﺮي 4‬ ‫23‬ ‫ﺧﯿﺮ‬ ‫ﻣﺘﻮﺳﻂ‬ ‫زرد‬ ‫ﮐﻮﭼﮏ‬ ‫ﮐﻮﭼﮏ‬ ‫ﻣﺸﺘﺮي 5‬
‫ﻣﺪﯾﺮﯾﺖ زﻧﺠﯿﺮه ﺗﺎﻣﯿﻦ ‪:SCM‬‬ ‫‪ ‬ﻧﺘﯿﺠﻪ ﺧﻮﺷﻪ ﺑﻨﺪي:‬ ‫ﺑﺎك‬ ‫ﭼﺮخ ﻫﺎ‬ ‫ﮐﺎﺑﯿﻦ‬ ‫ﻣﻮﺗﻮر‬ ‫ﻓﺮﯾﻢ‬ ‫ﻧﺎم‬ ‫ﺑﻠﻪ‬ ‫ﺑﺰرگ‬ ‫ﻗﺮﻣﺰ‬ ‫ﺑﺰرگ‬ ‫ﺑﺰرگ‬ ‫ﻣﺸﺘﺮي 4‬ ‫ﺧﯿﺮ‬ ‫ﺑﺰرگ‬ ‫ﺳﺒﺰ‬ ‫ﻣﺘﻮﺳﻂ‬ ‫ﺑﺰرگ‬ ‫ﻣﺸﺘﺮي 1‬ ‫ﺑﻠﻪ‬ ‫ﻣﺘﻮﺳﻂ‬ ‫زرد‬ ‫ﻣﺘﻮﺳﻂ‬ ‫ﮐﻮﭼﮏ‬ ‫ﻣﺸﺘﺮي 3‬ ‫ﺧﯿﺮ‬ ‫ﻣﺘﻮﺳﻂ‬ ‫زرد‬ ‫ﮐﻮﭼﮏ‬ ‫ﮐﻮﭼﮏ‬ ‫ﻣﺸﺘﺮي 5‬ ‫ﺧﯿﺮ‬ ‫ﺑﺰرگ‬ ‫ﺻﻮرﺗﯽ‬ ‫ﺧﯿﻠﯽ ﺑﺰرگ ﺧﯿﻠﯽ ﺑﺰرگ‬ ‫ﻣﺸﺘﺮي 2‬ ‫33‬
‫ﺗﻌﻣﯾرات و ﻧﮕﮭداری:‬ ‫ﮐﺎرﺑﺮدﻫﺎ:‬ ‫‪ ‬ﭘﯿﺶ ﺑﯿﻨﯽ ﺧﺮاﺑﯽ ﻫﺎ‬ ‫‪ ‬ﻣﺎﻧﯿﺘﻮرﯾﻨﮓ ﺷﺮاﯾﻂ‬ ‫‪ ‬ﭘﯿﺶ ﺑﯿﻨﯽ ﺗﻌﻮﯾﺾ ﺧﺮاﺑﯽ ﻫﺎ‬ ‫ﻣﺜﺎل: ﭘﯿﺶ ﺑﯿﻨﯽ زﻣﺎن ﺗﻌﻮﯾﺾ ﻗﻄﻌﺎت‬ ‫‪ ‬ﻫﺪف: ﭘﯿﺶ ﺑﯿﻨﯽ زﻣﺎن ﺧﺮاﺑﯽ‬ ‫‪ ‬اﺑﺰار: ﭘﯿﺶ ﺑﯿﻨﯽ و ﮐﻼس ﺑﻨﺪي‬ ‫‪ ‬ﻧﺘﯿﺠﻪ:‬ ‫ﻣﺤﻘﻘﺎن ﺑﺎ اﺳﺘﻔﺎده روش ﻫﺎي ﭘﯿﺶ ﺑﯿﻨﯽ ﺗﻮاﻧﺴﺘﻨﺪ ﺧﺮاﺑﯽ در ﻗﻄﻌﺎت را ﮐﺎﻫﺶ دﻫﻨﺪ و زﻣﺎن‬ ‫ﺗﻌﻮﯾﺾ ﻗﻄﻌﺎت را ﭘﯿﺶ از ﺧﺮاﺑﯽ در ﻗﻄﻌﺎت ﭘﯿﺶ ﺑﯿﻨﯽ ﮐﻨﻨﺪ.‬ ‫ﻣﺘﺨﺼﺼﺎن در اﯾﻦ ارﺗﺒﺎط ﺳﯿﺴﺘﻢ ﻫﺸﺪاري ﻃﺮاﺣﯽ ﻧﻤﻮدﻧﺪ ﺗﺎ ﺑﺎ اﺳﺘﻔﺎده از ﻣﺪﻟﻬﺎي ﺳﺎﺧﺘﻪ ﺷﺪه‬ ‫ﭘﯿﺶ از وﻗﻮع ﺧﺮاﺑﯽ ﺑﻪ ﻣﺘﺨﺼﺼﺎن ﻫﺸﺪار دﻫﺪ ﺗﺎ آﻧﻬﺎ ﺑﺘﻮاﻧﻨﺪ ﻗﻄﻌﺎت را ﭘﯿﺶ از ﺧﺮاﺑﯽ ﺗﻌﻤﯿﺮ‬ ‫ﯾﺎ ﺗﻌﻮﯾﺾ ﻧﻤﺎﯾﻨﺪ.‬ ‫43‬
‫ﺗﻌﻣﯾرات و ﻧﮕﮭداری:‬ ‫ﻣﺜﺎل: داده ﮐﺎوي در ﭘﺎﯾﮕﺎه داده ﺗﻌﻤﯿﺮات و ﻧﮕﻬﺪاري ﺑﯿﻤﺎرﺳﺘﺎﻧﯽ ﺑﻪ ﻣﻨﻈﻮر ﭘﺸﺘﯿﺒﺎﻧﯽ‬ ‫از ﺗﺼﻤﯿﻢ ﮔﯿﺮي ﻫﺎي ﻣﺪﯾﺮﯾﺘﯽ‬ ‫ﻫﺪف: درﺳﺖ ﮐﺮدن ﭘﺎﯾﮕﺎه داﻧﺶ‬ ‫‪‬‬ ‫اﺑﺰار: ﻗﻮاﻧﯿﻦ واﺑﺴﺘﮕﯽ‬ ‫‪‬‬ ‫داده ﻫﺎ: ﻧﺎم دﺳﺘﮕﺎه، دﺳﺘﻪ ﻣﺮﺑﻮط ﺑﻪ دﺳﺘﮕﺎه، ﻧﺎم ﺑﺨﺸﯽ ﮐﻪ دﺳﺘﮕﺎه در آن ﺑﻮده،‬ ‫‪‬‬ ‫ﺗﻌﺪاد وﺳﺎﯾﻞ ارﺟﺎﻋﯽ، ﻣﺪت ﺗﻌﻤﯿﺮ، ﻧﻮع ﺧﺮاﺑﯽ، وﺿﻌﯿﺖ ﺗﻌﻤﯿﺮ و..‬ ‫ﻧﺘﺎﯾﺞ:‬ ‫‪‬‬ ‫آﻧﮕﺎه‬ ‫اﮔﺮ‬ ‫اﮔﺮ‬ ‫اﮔﺮ‬ ‫آﻧﮕﺎه‬ ‫53‬
‫ﭘزﺷﮑﯽ:‬ ‫‪ ‬ﺗﺨﻤﯿﻦ ﻫﺰﯾﻨﻪ ﺑﯿﻤﺎران‬ ‫‪ ‬ﭘﯿﺶ ﺑﯿﻨﯽ اﺣﺘﻤﺎل ﻣﺒﺘﻼ ﺷﺪن ﺷﺨﺼﯽ ﺑﻪ ﺑﯿﻤﺎري ﺧﺎص‬ ‫‪ ‬ﭘﯿﺶ ﺑﯿﻨﯽ ﻧﺠﺎت ﺑﯿﻤﺎران از ﺑﯿﻤﺎري ﻫﺎ‬ ‫‪ ‬ﮐﺸﻒ ﺗﻘﻠﺐ ﭘﺰﺷﮑﺎن و ﺑﯿﻤﺎران‬ ‫‪ ‬ﭘﯿﺶ ﺑﯿﻨﯽ ﺗﺠﻮﯾﺰ داروي ﻣﻨﺎﺳﺐ ﺑﺮاي اﻓﺮاد‬ ‫‪ ‬ﺧﻮﺷﻪ ﺑﻨﺪي ﺑﯿﻤﺎران ﺑﻪ ﻣﻨﻈﻮر ﮐﺸﻒ ﮔﺮوﻫﻬﺎي ﺑﯿﻤﺎري‬ ‫63‬
‫ﭘزﺷﮑﯽ:‬ ‫1. ﺗﺨﻤﯿﻦ ﻫﺰﯾﻨﻪ ﺑﯿﻤﺎران‬ ‫ﻣﺜﺎل: ﺑﯿﻤﺎرﺳﺘﺎﻧﯽ ﺑﺮاي ﺗﺨﻤﯿﻦ ﻫﺰﯾﻨﻪ درﻣﺎﻧﯽ ﺑﯿﻤﺎران ﺳﺮﻃﺎﻧﯽ، اﻃﻼﻋﺎت 8001 ﻧﻔﺮ از‬ ‫ﺑﯿﻤﺎران را ﺟﻤﻊ آوري ﻧﻤﻮد. اﯾﻦ ﻣﺠﻤﻮﻋﻪ داده ﺷﺎﻣﻞ 21 ﻣﺘﻐﯿﺮ ﺑﻮد. اﯾﻦ‬ ‫ﺑﯿﻤﺎرﺳﺘﺎن ﻗﺼﺪ داﺷﺖ ﻫﺰﯾﻨﻪ درﻣﺎﻧﯽ ﺑﯿﻤﺎران را ﭘﯿﺶ ﺑﯿﻨﯽ ﮐﻨﺪ.‬ ‫ﻫﺪف: ﺗﺨﻤﯿﻦ ﻫﺰﯾﻨﻪ درﻣﺎن‬ ‫اﺑﺰار: ﮐﻼﺳﻪ ﺑﻨﺪي)ﺷﺒﮑﻪ ﻋﺼﺒﯽ، درﺧﺖ ﺗﺼﻤﯿﻢ(‬ ‫داده ﻫﺎ: ﺟﻨﺴﯿﺖ، وﺿﻌﯿﺖ ﺗﺎﻫﻞ، ﻣﯿﺰان ﻓﻌﺎﻟﯿﺖ، ﺗﻌﺪاد دﻓﻌﺎت ﺷﯿﻤﯽ درﻣﺎﻧﯽ، ﻫﺰﯾﻨﻪ‬ ‫درﻣﺎﻧﯽ و ...‬ ‫ﻧﺘﺎﯾﺞ:‬ ‫دﻗﺖ ﺷﺒﮑﻪ ﻫﺎي ﻋﺼﺒﯽ در اﯾﻦ ﭘﯿﺶ ﺑﯿﻨﯽ ﻫﺰﯾﻨﻪ ﺑﯿﻤﺎران 79% ﻣﯽ ﺑﺎﺷﺪ. ﺷﺒﮑﻪ ﻫﺎي‬ ‫ﻋﺼﺒﯽ ﺑﻪ ﻣﻨﻈﻮر ﭘﯿﺶ ﺑﯿﻨﯽ ﻫﺰﯾﻨﻪ ﻫﺎي درﻣﺎﻧﯽ، از دﻗﺖ ﺑﺎﻻﺗﺮي ﻧﺴﺒﺖ ﺑﻪ روش‬ ‫ﻫﺎﯾﯽ ﻣﺎﻧﻨﺪ درﺧﺖ ﺗﺼﻤﯿﻢ ﺑﻬﺮه ﻣﻨﺪ ﻣﯽ ﺑﺎﺷﻨﺪ.‬ ‫73‬
‫ﺑررﺳﯽ ﺳﺎﺧﺗﺎر ﻣﻘﺎﻻت ‪:ISI‬‬ ‫‪ ‬ﻋﻨﻮان ﻣﻘﺎﻟﻪ: ﺳﯿﺴﺘﻢ ﭘﺸﺘﯿﺒﺎﻧﯽ ﺗﺼﻤﯿﻢ ﮔﯿﺮي در ارﺗﺒﺎط ﺑﺎ‬ ‫ﺑﯿﻤﺎري ﻗﻠﺒﯽ ﺑﺮ ﭘﺎﯾﻪ وب ﺑﺎ اﺳﺘﻔﺎده از روش ﻫﺎي ﻣﺪﻟﺴﺎزي‬ ‫ﮐﻼﺳﻪ ﺑﻨﺪي داده ﮐﺎوي‬ ‫‪ ‬ﻧﻮع اﻧﺘﺸﺎرات و ﺳﺎل ﻧﺸﺮ: ﮐﻨﻔﺮاﻧﺴﯽ 7002‬ ‫‪ ‬ﺗﺤﺼﯿﻼت ﻧﻮﯾﺴﻨﺪﮔﺎن:ﻓﻨﺎوري اﻃﻼﻋﺎت – ﻣﺎﻟﺰي‬ ‫‪ ‬اﻫﺪاف:‬ ‫‪ ‬ﮐﺪام ﺑﯿﻤﺎر اﺣﺘﻤﺎل دارد ﺑﻪ ﺑﯿﻤﺎري ﻗﻠﺒﯽ دﭼﺎر ﺷﻮد.‬ ‫‪ ‬ﭘﯿﮕﯿﺮي ﺗﺎﺛﯿﺮ دارو ﻫﺎ ﺑﺮ روي ﺑﯿﻤﺎران.‬ ‫‪ ‬ﭘﯿﺪا ﮐﺮدن ﻣﺸﺨﺼﻪ ﻫﺎي ﺑﯿﻤﺎران ﻗﻠﺒﯽ و ...‬ ‫83‬
‫ﺑررﺳﯽ ﺳﺎﺧﺗﺎر ﻣﻘﺎﻻت ‪:ISI‬‬ ‫93‬
‫ﺑررﺳﯽ ﺳﺎﺧﺗﺎر ﻣﻘﺎﻻت ‪:ISI‬‬ ‫04‬
‫ﺑررﺳﯽ ﺳﺎﺧﺗﺎر ﻣﻘﺎﻻت ‪:ISI‬‬ ‫‪ ‬ﻋﻨﻮان ﻣﻘﺎﻟﻪ: ﻣﻘﺎﯾﺴﻪ ﭘﯿﺶ ﺑﯿﻨﯽ ﻫﺰﯾﻨﻪ ﻫﺎي ﺑﯿﻤﺎران ﺑﺮاي ﺑﯿﻤﺎران ﺳﺮﻃﺎﻧﯽ،‬ ‫ﺷﺒﮑﻪ ﻫﺎي ﻋﺼﺒﯽ در ﺑﺮاﺑﺮ درﺧﺖ ﺗﺼﻤﯿﻢ‬ ‫‪ ‬ﻧﻮع اﻧﺘﺸﺎرات و ﺳﺎل ﻧﺸﺮ: ﻣﺠﻠﻪ ‪2009 BioMed‬‬ ‫‪ ‬ﺗﺤﺼﯿﻼت ﻧﻮﯾﺴﻨﺪﮔﺎن:ﮐﺎﻣﭙﯿﻮﺗﺮ و ﭘﺰﺷﮑﯽ– ﭼﯿﻦ‬ ‫‪ ‬اﻫﺪاف:‬ ‫ﭘﯿﺶ ﺑﯿﻨﯽ ﻫﺰﯾﻨﻪ ﻫﺎي ﺑﯿﻤﺎرﺳﺘﺎﻧﯽ و ﻣﻘﺎﯾﺴﻪ دو روش درﺧﺖ ﺗﺼﻤﯿﻢ و ﺷﺒﮑﻪ‬ ‫ﻫﺎي ﻋﺼﺒﯽ ﺑﻪ ﻣﻨﻈﻮر اﯾﻦ ﭘﯿﺶ ﺑﯿﻨﯽ.‬ ‫‪ ‬داده ﻫﺎ:‬ ‫14‬
‫ﺑررﺳﯽ ﺳﺎﺧﺗﺎر ﻣﻘﺎﻻت ‪:ISI‬‬ ‫ﻧﺘﺎﯾﺞ:‬ ‫‪‬‬ ‫24‬
‫ﺑررﺳﯽ ﺳﺎﺧﺗﺎر ﻣﻘﺎﻻت ‪:ISI‬‬ ‫‪ ‬ﻋﻨﻮان ﻣﻘﺎﻟﻪ: ﭘﯿﺶ ﺑﯿﻨﯽ زﻧﺪه ﻣﺎﻧﺪن ﺑﯿﻤﺎراﻧﯽ ﮐﻪ ﺳﺮﻃﺎن ﺳﯿﻨﻪ دارﻧﺪ، ﻣﻘﺎﯾﺴﻪ ﺳﻪ‬ ‫روش داده ﮐﺎوي‬ ‫‪ ‬ﻧﻮع اﻧﺘﺸﺎرات و ﺳﺎل ﻧﺸﺮ: ﻣﺠﻠﻪ ‪2009 medical informatics‬‬ ‫‪ ‬ﺗﺤﺼﯿﻼت ﻧﻮﯾﺴﻨﺪﮔﺎن:ﺻﻨﺎﯾﻊ، ﻣﺪﯾﺮﯾﺖ، ﺑﺎزارﯾﺎﺑﯽ – اﯾﺎﻻت ﻣﺘﺤﺪه‬ ‫‪ ‬ﺧﻼﺻﻪ:‬ ‫ﻣﻘﺎﻟﻪ ﺑﺎ اﺳﺘﻔﺎده از روش ﻫﺎي ﭘﯿﺶ ﺑﯿﻨﯽ و ﮐﻼﺳﻪ ﺑﻨﺪي، اﻣﮑﺎن زﻧﺪه ﻣﺎﻧﺪن ﺑﯿﻤﺎران‬ ‫ﭘﯿﻮﻧﺪي را ﺑﻪ ﻣﺪت 9 ﺳﺎل ﺗﺨﻤﯿﻦ زده اﺳﺖ. ﯾﻌﻨﯽ اﯾﻨﮑﻪ آﯾﺎ اﯾﻦ ﺑﯿﻤﺎران ﺗﺎ 9 ﺳﺎل‬ ‫زﻧﺪه ﻣﯽ ﻣﺎﻧﻨﺪ ﯾﺎ ﺧﯿﺮ.‬ ‫داده ﻫﺎ:‬ ‫‪‬‬ ‫34‬
‫ﺑررﺳﯽ ﺳﺎﺧﺗﺎر ﻣﻘﺎﻻت ‪:ISI‬‬ ‫‪ ‬ﭼﺎﻟﺶ:‬ ‫ﺟﻨﺎب آﻗﺎي ‪ Dursun Delen‬ﯾﮑﯽ از ﻧﻮﯾﺴﻨﺪﮔﺎن ﻫﻤﯿﻦ ﻣﻘﺎﻟﻪ در ﺳﺎل 5002 ﻣﻘﺎﻟﻪ اي ﺑﺎ‬ ‫ﻋﻨﻮان ” ﭘﯿﺶ ﺑﯿﻨﯽ زﻧﺪه ﻣﺎﻧﺪن ﺑﯿﻤﺎراﻧﯽ ﮐﻪ ﺳﺮﻃﺎن ﺳﯿﻨﻪ دارﻧﺪ: ﻣﻘﺎﯾﺴﻪ ﺳﻪ روش‬ ‫داده ﮐﺎوي“ ﺑﻪ ﻧﺘﺎﯾﺠﯽ رﺳﯿﺪه اﺳﺖ ﮐﻪ ﺑﺎ ﻧﺘﺎﯾﺞ ﺑﺪﺳﺖ آﻣﺪه در اﯾﻦ ﻣﻘﺎﻟﻪ ﮐﻤﯽ ﺗﻔﺎوت‬ ‫دارد.‬ ‫44‬
‫ﮐﺎرﮔﺎه ھﺎی ﺗﺧﺻﺻﯽ:‬ ‫ﻣﺤﺘﻮاي ﮐﺎرﮔﺎهﻫﺎ:‬ ‫‪‬‬ ‫ﭘﯿﺶ ﭘﺮدازش و درك داده ﻫﺎ‬ ‫1.‬ ‫رده ﺑﻨﺪي‬ ‫2.‬ ‫ﺧﻮﺷﻪ ﺑﻨﺪي‬ ‫3.‬ ‫ﻗﻮاﻋﺪ اﻧﺠﻤﻨﯽ‬ ‫4.‬ ‫آﻣﻮزش ﻧﺮم اﻓﺰار ‪Clementine‬‬ ‫5.‬ ‫ﮔﻮاﻫﯽ ﻧﺎﻣﻪ ﺷﺮﮐﺖ در ﮐﺎرﮔﺎهﻫﺎ ﺑﺮاي ﺗﻤﺎﻣﯽ اﻓﺮاد ﺻﺎدر ﺧﻮاﻫﺪ ﺷﺪ.‬ ‫‪‬‬ ‫ﺑﺮاي اوﻟﯿﻦ ﺑﺎر در ﮐﺸﻮر ﮐﺎرﮔﺎه ﺗﺨﺼﺼﯽ ﻧﺮماﻓﺰار دادهﮐﺎوي 21 ‪ Clementine‬ﺑﺮﮔﺰار ﺧﻮاﻫﺪ‬ ‫‪‬‬ ‫ﺷﺪ.‬ ‫ﺗﻤﺎﻣﯽ روشﻫﺎ در اﯾﻦ ﮐﻼسﻫﺎ ﻫﻤﺮاه ﺑﺎ ﻣﺜﺎل ﻋﻤﻠﯽ ﺗﻮﺿﯿﺢ داده ﺧﻮاﻫﺪ ﺷﺪ.‬ ‫‪‬‬ ‫در ﮐﺎرﮔﺎه ﻋﻤﻠﯽ ﺑﺮ روي ﻣﺠﻤﻮﻋﻪ دادهﻫﺎي واﻗﻌﯽ دادهﮐﺎوي اﻧﺠﺎم ﺧﻮاﻫﺪ ﺷﺪ.‬ ‫‪‬‬ ‫‪Clementine‬‬ ‫54‬
‫ﭘﺎﯾﺎن‬  A year spent in artificial intelligence is enough to make one believe in God. “Alan perlis” 46

More Related Content

PDF
داده های عظیم چگونه دنیا را تغییر خواهند داد
byFarzad Khandan
 
PPTX
مقدمه ای بر داده کاوی
bydata scientist
 
PPSX
BI (Business Intelligence)
bypoorya davachi
 
PDF
بیگ دیتا
byHamed Azizi
 
PDF
داده، dikw ، داده بزرگ و علم داده
byfatemeh zatajam
 
PDF
Introduction to Hadoop and Spark - اسلاید کارگاه آموزش هدوپ و اسپارک شیراز
byMobin Ranjbar
 
PDF
Big Data Processing in Cloud Computing Environments
byFarzad Nozarian
 
PPT
Big data بزرگ داده ها
byOmid Sohrabi
 
داده های عظیم چگونه دنیا را تغییر خواهند داد
byFarzad Khandan
 
مقدمه ای بر داده کاوی
bydata scientist
 
BI (Business Intelligence)
bypoorya davachi
 
بیگ دیتا
byHamed Azizi
 
داده، dikw ، داده بزرگ و علم داده
byfatemeh zatajam
 
Introduction to Hadoop and Spark - اسلاید کارگاه آموزش هدوپ و اسپارک شیراز
byMobin Ranjbar
 
Big Data Processing in Cloud Computing Environments
byFarzad Nozarian
 
Big data بزرگ داده ها
byOmid Sohrabi
 

What's hot

PDF
Big Data and select suitable tools
byMeghdad Hatami
 
PPTX
What is big data and how use that
byshohreh deldari
 
PDF
کلان داده کاربردها و چالش های آن
byHamed Azizi
 
PDF
فناوری‌های حوزه‌ی کلان داده - Introduction to Big Data Technologies
byEhsan Asgarian
 
PDF
1st Hadoop Tehran Workshop - اسلاید اولین کارگاه آموزش هدوپ تهران
byFarafekr Technology
 
PPT
Big data ppt
byBehnam Sedaghat Mansouri
 
PDF
Bi and data mining with Oracle
byghanadbashi
 
PPTX
Business intelligence
byNaghi Nasiri
 
PDF
Introduction to Apache Hadoop in Persian - آشنایی با هدوپ
byMobin Ranjbar
 
PPTX
Big data related to BI
bydata scientist
 
PDF
Hadoop Case Studies in the Real World in Persian - کاربردهای هدوپ در دنیای واقعی
byMobin Ranjbar
 
PDF
A Story of Big Data:Introduction
byMobin Ranjbar
 
PPTX
Data Mining V.S. Busieness Inteligence
bySiavosh Moradabadi
 
PPTX
Parsamehr datamining
byvahid parsamehr
 
PDF
تشخیص انجمن در مقیاس کلان داده
byNavid Sedighpour
 
PDF
Data Mining (Concepts, Applications, Techniques, Tools, Process, Experiences)...
byEhsan Asgarian
 
Big Data and select suitable tools
byMeghdad Hatami
 
What is big data and how use that
byshohreh deldari
 
کلان داده کاربردها و چالش های آن
byHamed Azizi
 
فناوری‌های حوزه‌ی کلان داده - Introduction to Big Data Technologies
byEhsan Asgarian
 
1st Hadoop Tehran Workshop - اسلاید اولین کارگاه آموزش هدوپ تهران
byFarafekr Technology
 
Big data ppt
byBehnam Sedaghat Mansouri
 
Bi and data mining with Oracle
byghanadbashi
 
Business intelligence
byNaghi Nasiri
 
Introduction to Apache Hadoop in Persian - آشنایی با هدوپ
byMobin Ranjbar
 
Big data related to BI
bydata scientist
 
Hadoop Case Studies in the Real World in Persian - کاربردهای هدوپ در دنیای واقعی
byMobin Ranjbar
 
A Story of Big Data:Introduction
byMobin Ranjbar
 
Data Mining V.S. Busieness Inteligence
bySiavosh Moradabadi
 
Parsamehr datamining
byvahid parsamehr
 
تشخیص انجمن در مقیاس کلان داده
byNavid Sedighpour
 
Data Mining (Concepts, Applications, Techniques, Tools, Process, Experiences)...
byEhsan Asgarian
 

Viewers also liked

PDF
تحلیل احساسات در شبکه های اجتماعی
byHamed Azizi
 
PPTX
شبکه های اجتماعی علمی
byShahid Beheshti University
 
PPTX
معرفی روش‌های تحقیق در شبکه های اجتماعی
byEbrahim Eskandari
 
PPT
91353111 datamining
bySaeid Habibpour
 
PDF
Text mining
byMohammad Tootia
 
PDF
بررسی کاربردها و چالش های کلان داده در تحلیل عقاید
byHamed Azizi
 
PDF
تحلیل احساسات شبکه اجتماعی متن کاوی نظرکاوی حامد عزیزی تهران جنوب
byHamed Azizi
 
PPTX
عظيم داده چيست؟
bydigidanesh
 
تحلیل احساسات در شبکه های اجتماعی
byHamed Azizi
 
شبکه های اجتماعی علمی
byShahid Beheshti University
 
معرفی روش‌های تحقیق در شبکه های اجتماعی
byEbrahim Eskandari
 
91353111 datamining
bySaeid Habibpour
 
Text mining
byMohammad Tootia
 
بررسی کاربردها و چالش های کلان داده در تحلیل عقاید
byHamed Azizi
 
تحلیل احساسات شبکه اجتماعی متن کاوی نظرکاوی حامد عزیزی تهران جنوب
byHamed Azizi
 
عظيم داده چيست؟
bydigidanesh
 

Similar to داده کاوی

PDF
داده کاوی در تجارت الکترونیک
byehsan tr
 
PPTX
CRM
byFarnaz Alemi
 
PPTX
تحلیل متقارن
bysetare behzadi
 
PDF
Strategiy4
byuniv
 
PDF
شرکت پژوهش بازار و رسانه امروز (EMRC)
byEmrooz Marketing Research Co. (EMRC)
 
PPTX
DACADEMY - Overal training roadmap for engineers
bybseyedhosseinzadeh
 
PPTX
Crm
bymansourpm
 
PPS
Customer Relationship Managemen Crm Slides
bySoheil Akbarzade
 
PPTX
Crm and mis
byarmanavz
 
PDF
ارائه مجید کثیری - ابراروان
byدرمسیر بازاریابی دیجیتال
 
PDF
Presentation4
byenseyeh
 
PPTX
Big data and business analytics
byMehdi Amirsadeghi
 
DOCX
نرم افزار مدیریت ارتباط با مشتری چیست (Crm)
byFrank Bruno
 
PDF
Cognitive computing in telecommunication
byMehdi Arabzadeh Yekta
 
PDF
Kasys crm- 1 slide
byReza Teynia ISMS, ITSM, MSc
 
PDF
About Comp Cms
byvolghan hosseyni
 
PDF
It tools in crm
bymajid asgharizadeh
 
PDF
Internet engineering
byamirhosseinshahed
 
PDF
بوم ناب
byNasser Ghanemzadeh
 
PDF
کسب‌وکار نرم‌افزارهای آزاد/بازمتن
byNasser Ghanemzadeh
 
داده کاوی در تجارت الکترونیک
byehsan tr
 
CRM
byFarnaz Alemi
 
تحلیل متقارن
bysetare behzadi
 
Strategiy4
byuniv
 
شرکت پژوهش بازار و رسانه امروز (EMRC)
byEmrooz Marketing Research Co. (EMRC)
 
DACADEMY - Overal training roadmap for engineers
bybseyedhosseinzadeh
 
Crm
bymansourpm
 
Customer Relationship Managemen Crm Slides
bySoheil Akbarzade
 
Crm and mis
byarmanavz
 
ارائه مجید کثیری - ابراروان
byدرمسیر بازاریابی دیجیتال
 
Presentation4
byenseyeh
 
Big data and business analytics
byMehdi Amirsadeghi
 
نرم افزار مدیریت ارتباط با مشتری چیست (Crm)
byFrank Bruno
 
Cognitive computing in telecommunication
byMehdi Arabzadeh Yekta
 
Kasys crm- 1 slide
byReza Teynia ISMS, ITSM, MSc
 
About Comp Cms
byvolghan hosseyni
 
It tools in crm
bymajid asgharizadeh
 
Internet engineering
byamirhosseinshahed
 
بوم ناب
byNasser Ghanemzadeh
 
کسب‌وکار نرم‌افزارهای آزاد/بازمتن
byNasser Ghanemzadeh
 

داده کاوی

  • 1.
    ‫ﮐﺎرﺑردھﺎی داده ﮐﺎویدر دﻧﯾﺎی واﻗﻌﯽ‬ ‫ﻃﻪ ﻣﮑﻔﯽ‬ ‫ﮐﺎرﺷﻨﺎس ﻣﻬﻨﺪﺳﯽ ﺻﻨﺎﯾﻊ داﻧﺸﮕﺎه آزاد اﺳﻼﻣﯽ واﺣﺪ ﺗﻬﺮان ﺟﻨﻮب‬ ‫82 اردﯾﺒﻬﺸﺖ ﻣﺎه 0931‬ ‫1‬
  • 2.
    ‫ﺧوش آﻣدﯾد‬ ‫اوﻟﯿﻦ ﺳﻤﯿﻨﺎر راﯾﮕﺎن داده ﮐﺎوي و ﻣﺠﻤﻮﻋﻪ ﮐﺎرﮔﺎه ﻫﺎي ﺗﺨﺼﺼﯽ‬ ‫” ﺑﺮاي ﻫﺮ ﭼﯿﺰي زﮐﺎﺗﯽ اﺳﺖ و زﮐﺎت ﻋﻠﻢ ﺑﯿﺎن و ﻧﺸﺮ آن اﺳﺖ“‬ ‫ﺳﺨﻨﯽ از ﻣﻌﺼﻮم)ص(‬ ‫2‬
  • 3.
    ‫ﻣطﺎﻟب ﻣطرح ﺷدهدر اﯾن ﺑﺧش:‬ ‫ﻣﻘﺪﻣﻪ‬ ‫1(‬ ‫ﮐﺎرﺑﺮدﻫﺎي داده ﮐﺎوي‬ ‫2(‬ ‫ﻣﻮﻓﻘﯿﺖ ﻫﺎي ﭘﺮوژه ﻫﺎي داده ﮐﺎوي‬ ‫3(‬ ‫ﻣﻄﺎﻟﻌﺎت ﻣﻮردي داﺧﻠﯽ‬ ‫4(‬ ‫ﻓﯾﻠم‬ ‫3‬
  • 4.
    ‫ﻣﻘدﻣﮫ:‬ ‫‪ ‬داده ﮐﺎوي در ﮐﺠﺎي زﻧﺪﮔﯽ روزﻣﺮه ﻣﺎ ﮐﺎرﺑﺮد دارد؟‬ ‫‪ ‬ﭼﺮا ﻧﯿﺎز ﺑﻪ درك ﮐﺎرﺑﺮدﻫﺎي داده ﮐﺎوي دارﯾﻢ؟‬ ‫4‬
  • 5.
    ‫ﺟﺎﯾﮕﺎه ﺷﻐﻠﯽ دادهﮐﺎوی در دﻧﯾﺎ:‬ ‫ﻣﻘﺎﯾﺴﻪ ﺷﻐﻞ ﻫﺎي ﻣﺮﺑﻮط ﺑﻪ ﻓﻨﺎوري اﻃﻼﻋﺎت و ﺷﻐﻞ ﻫﺎي ﻣﺮﺑﻮط ﺑﻪ داده ﮐﺎوي‬ ‫‪‬‬ ‫5‬
  • 6.
    ‫ﺟﺎﯾﮕﺎه ﺷﻐﻠﯽ دادهﮐﺎوی در دﻧﯾﺎ:‬ ‫درآﻣﺪ ﺷﻐﻞ ﻫﺎي ﻣﺮﺑﻮط ﺑﻪ داده ﮐﺎوي ﺑﻪ ﻃﻮر ﻣﯿﺎﻧﮕﯿﻦ 12% از ﺳﺎﯾﺮ‬ ‫‪‬‬ ‫ﺷﻐﻞ ﻫﺎ ﺑﯿﺸﺘﺮ ﻣﯽ ﺑﺎﺷﺪ.‬ ‫درآﻣﺪ ﺷﻐﻞ ﻫﺎي داده ﮐﺎوي 52% ﺑﯿﺸﺘﺮ از ﻣﯿﺎﻧﮕﯿﻦ درآﻣﺪ ﺷﻐﻠﻬﺎي‬ ‫‪‬‬ ‫ﻣﺮﺑﻮط ﺑﻪ ﻓﻨﺎوري اﻃﻼﻋﺎت ﺑﯿﺸﺘﺮ ﻣﯽ ﺑﺎﺷﺪ.‬ ‫درآﻣﺪ ﺷﻐﻞ ﻫﺎي ﻣﺮﺑﻮط ﺑﻪ ﻓﻨﺎوري اﻃﻼﻋﺎت 4% زﯾﺮ ﻣﯿﺎﻧﮕﯿﻦ درآﻣﺪ ﺳﺎﯾﺮ‬ ‫‪‬‬ ‫ﺷﻐﻞ ﻫﺎ ﻣﯽ ﺑﺎﺷﺪ.‬ ‫6‬
  • 7.
    :‫ﺟﺎﯾﮕﺎه ﺷﻐﻠﯽ دادهﮐﺎوی در ﮐﺷور‬ ‫آﮐﻬﯽ ﯾﮑﯽ از ﺷﺮﮐﺖ ﻫﺎي ﺑﯿﻤﻪ اي ﺑﺮاي اﺳﺘﺨﺪام ﻣﺘﺨﺼﺺ داده ﮐﺎوي در اﯾﺮان‬  Data Mining Expert Mellat Insurance Tehran, Iran A Data Mining Expert, Analyst or Engineer who can find patterns or relationships in business data for increasing business intelligence and the knowledge of organization: • Design and develop reference databases in SQL Server 2005 and 2008, along with the ETL applications required to build them. • Observe current systems and processes, interacting with the appropriate personnel. • Utilizing a variety of sources, collect and analyze information to support the modeling and analysis. • Ensures data quality and reliability and provide feedback to business process owners and to the IT department 7
  • 8.
    ‫ﺑررﺳﯽ ﺟﺎﯾﮕﺎه دادهﮐﺎوی در ﭘژوھش ھﺎ:‬ ‫ﺑﺮرﺳﯽ ﻣﻘﺎﻻت ﻣﻨﺘﺸﺮ ﺷﺪه در ﺣﻮزه داده ﮐﺎوي در ﺳﺎﯾﺖ ‪:Scopus‬‬ ‫‪‬‬ ‫ﺗﻌﺪاد‬ ‫ﻋﻨﻮان‬ ‫ﮐﻠﻤﻪ ﻣﻮرد ﺟﺴﺘﺠﻮ‬ ‫388261‬ ‫ﺟﺴﺘﺠﻮ در ﮐﻞ ﻣﻘﺎﻟﻪ‬ ‫‪Data Mining‬‬ ‫73835‬ ‫ﺟﺴﺘﺠﻮ در ﻋﻨﻮان، ﻣﻘﺪﻣﻪ و ﮐﻠﻤﺎت ﮐﻠﯿﺪي‬ ‫‪Data Mining‬‬ ‫0487‬ ‫ﺟﺴﺘﺠﻮ در ﻋﻨﻮان‬ ‫‪Data Mining‬‬ ‫72‬ ‫ﺟﺴﺘﺠﻮ در ﻋﻨﻮان‬ ‫‪Data Mining + Hospital‬‬ ‫21‬ ‫ﺟﺴﺘﺠﻮ در ﻋﻨﻮان‬ ‫‪Data Mining + Healthcare‬‬ ‫8‬
  • 9.
    ‫ﺑررﺳﯽ ﮐﺎرﺑردھﺎی دادهﮐﺎوی:‬ ‫‪ ‬ﻣﺪﯾﺮﯾﺖ ارﺗﺒﺎط ﺑﺎ ﻣﺸﺘﺮي‬ ‫‪ ‬ﺑﺎﻧﮏ و اﻗﺘﺼﺎد‬ ‫‪ ‬ﺳﺎﺧﺖ و ﺗﻮﻟﯿﺪ‬ ‫‪ ‬زﻧﺠﯿﺮه ﺗﺎﻣﯿﻦ‬ ‫‪ ‬ﺗﻌﻤﯿﺮات و ﻧﮕﻬﺪاري‬ ‫‪ ‬ﮐﻨﺘﺮل ﮐﯿﻔﯿﺖ‬ ‫‪ ‬ﻣﺪﯾﺮﯾﺖ ﻣﺎﻟﯽ‬ ‫‪ ‬ﭘﺰﺷﮑﯽ‬ ‫‪ ‬ﺳﺎﯾﺮ ﺷﺎﺧﻪ ﻫﺎي ﻣﻬﻨﺪﺳﯽ‬ ‫9‬
  • 10.
    ‫ﻣدﯾرﯾت ارﺗﺑﺎط ﺑﺎﻣﺷﺗری)‪:(CRM‬‬ ‫اﺳﺘﺮاﺗﮋي ﺗﻮﺳﻌﻪ ﯾﺎﻓﺘﻪ اي ﺑﺮاي ﻣﺪﯾﺮﯾﺖ ﺗﻌﺎﻣﻼت ﺳﺎزﻣﺎن ﺑﺎ ﻣﺸﺘﺮﯾﺎن ﻣﯽ ﺑﺎﺷﺪ.‬ ‫‪‬‬ ‫ﻫﺪف: ﺟﺬب ﻣﺸﺘﺮﯾﺎن ﺟﺪﯾﺪ، ﺑﻘﺎي ﻣﺸﺘﺮﯾﺎن ﻣﻮﺟﻮد‬ ‫‪‬‬ ‫روﻧﺪ ﭼﺎپ ﻣﻘﺎﻻت داده ﮐﺎوي و ‪ CRM‬در ﻣﻘﺎﻻت ‪)SSCI‬ﺑﻪ ﺗﻔﮑﯿﮏ(:‬ ‫‪‬‬ ‫01‬
  • 11.
    ‫ﻣدﯾرﯾت ارﺗﺑﺎط ﺑﺎﻣﺷﺗری)‪:(CRM‬‬ ‫ﮐﺎرﺑﺮدﻫﺎ‬ ‫‪‬‬ ‫ﺷﻨﺎﺧﺖ و ﭘﯿﺶ ﺑﯿﻨﯽ رﻓﺘﺎر ﻣﺸﺘﺮﯾﺎن‬ ‫‪‬‬ ‫ﺑﺮرﺳﯽ راه ﺣﻠﻬﺎي ﺗﺒﻠﯿﻐﺎﺗﯽ ﻣﻮﺛﺮﺗﺮ‬ ‫‪‬‬ ‫دﺳﺘﻪ ﺑﻨﺪي ﻣﺸﺘﺮﯾﺎن ﺑﻪ ﻣﻨﻈﻮر ﻓﺮاﻫﻢ ﺳﺎﺧﺘﻦ ﺑﺴﺘﺮي ﺑﺮاي اراﺋﻪ ﺧﺪﻣﺎت ﺑﻬﺘﺮ ﺑﻪ آﻧﻬﺎ‬ ‫‪‬‬ ‫ﺑﺮرﺳﯽ اﻧﻮاع روش ﻫﺎي ﺑﺎزارﯾﺎﺑﯽ و اﻧﺘﺨﺎب ﺑﻬﯿﻨﻪ ﺗﺮﯾﻦ روش‬ ‫‪‬‬ ‫ﺗﺤﻠﯿﻞ ﺳﺒﺪ ﺧﺮﯾﺪ ﻣﺸﺘﺮﯾﺎن‬ ‫‪‬‬ ‫ﭘﯿﺶ ﺑﯿﻨﯽ اﺣﺘﻤﺎل اﺳﺘﻘﺒﺎل ﻣﺸﺘﺮﯾﺎن از ﻣﺤﺼﻮﻻت ﺟﺪﯾﺪ‬ ‫‪‬‬ ‫اﺑﻌﺎد ﻣﺪﯾﺮﯾﺖ ارﺗﺒﺎط ﺑﺎ ﻣﺸﺘﺮي ‪:CRM‬‬ ‫‪‬‬ ‫ﺷﻨﺎﺧﺖ ﻣﺸﺘﺮﯾﺎن‬ ‫1.‬ ‫ﺟﺬب ﻣﺸﺘﺮﯾﺎن‬ ‫2.‬ ‫ﺑﻘﺎ ﻣﺸﺘﺮﯾﺎن‬ ‫3.‬ ‫ﺗﻮﺳﻌﻪ ﻣﺸﺘﺮﯾﺎن‬ ‫4.‬ ‫11‬
  • 12.
    ‫ﻣدﯾرﯾت ارﺗﺑﺎط ﺑﺎﻣﺷﺗری)‪:(CRM‬‬ ‫ﺷﻨﺎﺧﺖ ﻣﺸﺘﺮﯾﺎن‬ ‫1.‬ ‫ﺧﻮﺷﻪ ﺑﻨﺪي‬ ‫ﺗﻘﺴﯿﻢ ﺑﻨﺪي ﻣﺸﺘﺮﯾﺎن‬ ‫1.‬ ‫از ﻟﺤﺎظ اﺑﻌﺎد ﻣﮑﺎﻧﯽ ﻣﺸﺘﺮﯾﺎن )ﻣﮑﺎن ﻣﺸﺘﺮﯾﺎن(‬ ‫1.‬ ‫از دﯾﺪ ﺟﻤﻌﯿﺖ ﺷﻨﺎﺧﺘﯽ/ اﺟﺘﻤﺎﻋﯽ و اﻗﺘﺼﺎدي ﻣﺸﺘﺮﯾﺎن )ﺳﻦ، ﺟﻨﺴﯿﺖ، درآﻣﺪ و ﺷﻐﻞ ﻣﺸﺘﺮﯾﺎن (‬ ‫2.‬ ‫از ﺑﻌﺪ رواﻧﯽ ﻣﺸﺘﺮﯾﺎن )ﻧﻮع ﻧﮕﺮش، ارزش ﻫﺎ، ﺷﯿﻮه زﻧﺪﮔﯽ(‬ ‫3.‬ ‫از ﺑﻌﺪ رﻓﺘﺎري ﻣﺸﺘﺮﯾﺎن )ﻣﯿﺰان وﻓﺎداري(‬ ‫4.‬ ‫از ﺑﻌﺪ ﻣﺴﺎﺋﻞ ﻣﺮﺑﻮط ﺑﻪ ﻣﺤﺼﻮﻻت‬ ‫5.‬ ‫آﻧﺎﻟﯿﺰ ﺑﺎزار ﻫﺪف‬ ‫2.‬ ‫21‬
  • 13.
    ‫ﻣدﯾرﯾت ارﺗﺑﺎط ﺑﺎﻣﺷﺗری)‪:(CRM‬‬ ‫1. ﺷﻨﺎﺧﺖ ﻣﺸﺘﺮﯾﺎن < ﺗﻘﺴﯿﻢ ﺑﻨﺪي ﻣﺸﺘﺮﯾﺎن < اﺑﺰار ﺧﻮﺷﻪ ﺑﻨﺪي)ﻣﺜﺎﻟﯽ در ﯾﮏ ﺷﺮﮐﺖ ﻣﺨﺎﺑﺮاﺗﯽ(‬ ‫ﺧﻮﺷﻪ‬ ‫ﻃﻮل ﺣﺴﺎب ﮐﺎرﺑﺮي‬ ‫ﭘﯿﺎم ﺻﻮﺗﯽ‬ ‫ﻣﮑﺎﻟﻤﻪ در روز‬ ‫ﻣﮑﺎﻟﻤﻪ در ﻋﺼﺮ‬ ‫ﻣﮑﺎﻟﻤﻪ در ﺷﺐ‬ ‫ﻣﮑﺎﻟﻤﺎت ﺑﯿﻦ اﻟﻤﻠﻠﯽ‬ ‫ﺗﻌﺪاد‬ ‫1‬ ‫26‬ ‫0‬ ‫2.981‬ ‫2.002‬ ‫902‬ ‫2.01‬ ‫258‬ ‫2‬ ‫7.001‬ ‫2.92‬ ‫6.871‬ ‫3.202‬ ‫5.102‬ ‫1.01‬ ‫038‬ ‫3‬ ‫2.101‬ ‫0‬ ‫2.971‬ ‫202‬ ‫4.991‬ ‫3.01‬ ‫025‬ ‫4‬ ‫1.701‬ ‫2.13‬ ‫8.881‬ ‫3.802‬ ‫402‬ ‫11‬ ‫38‬ ‫5‬ ‫9.041‬ ‫0‬ ‫861‬ ‫4.891‬ ‫1.491‬ ‫1.01‬ ‫808‬ ‫6‬ ‫301‬ ‫5.0‬ ‫7.781‬ ‫4.202‬ ‫8.391‬ ‫5.01‬ ‫042‬ ‫ﺗﺤﻠﯿﻞ ﻧﺘﺎﯾﺞ:‬ ‫‪‬‬ ‫ﺧﻮﺷﻪ3: ﻣﺸﺘﺮﯾﺎن ﻣﯿﺎﻧﮕﯿﻦ‬ ‫ﺧﻮﺷﻪ 2: ﻣﺸﺮﯾﺎن ﭘﯿﺎم ﺻﻮﺗﯽ‬ ‫ﺧﻮﺷﻪ 1: ﻣﺸﺘﺮﯾﺎن ﺟﺪﯾﺪ‬ ‫ﺧﻮﺷﻪ 6: ﻣﺸﺘﺮﯾﺎن ﺑﯿﻦ اﻟﻤﻠﻠﯽ‬ ‫ﺧﻮﺷﻪ 4: ﻣﺸﺘﺮﯾﺎن ﻗﺪرﺗﻤﻨﺪ ﺧﻮﺷﻪ 5: ﻣﺸﺘﺮﯾﺎن ﮐﻢ اﺳﺘﻔﺎده‬ ‫31‬
  • 14.
    ‫ﻣدﯾرﯾت ارﺗﺑﺎط ﺑﺎﻣﺷﺗری)‪:(CRM‬‬ ‫ﺷﺮﮐﺖ ارﺗﺒﺎﻃﺎت ‪ Sprint‬ﺑﻪ ﻣﻨﻈﻮر ﭘﯿﺶ ﺑﯿﻨﯽ رﻓﺘﺎر ﻣﺸﺘﺮﯾﺎن ﺧﻮد از‬ ‫‪‬‬ ‫ﺳﯿﺴﺘﻢ داده ﮐﺎوي اﺳﺘﻔﺎده ﻧﻤﻮد و در ﻣﺎه ﻫﺎي اول 1 ﻣﯿﻠﯿﻮن دﻻر ذﺧﯿﺮه‬ ‫ﻧﻤﻮد.‬ ‫اﯾﻦ ﺳﯿﺴﺘﻢ ﺗﻮﺳﻂ اﻧﺴﺘﯿﺘﻮي ‪ SAS‬ﺑﺮاي ‪ CRM‬اﯾﻦ ﺷﺮﮐﺖ ﻃﺮاﺣﯽ ﺷﺪه‬ ‫‪‬‬ ‫ﺑﻮد.‬ ‫ﮐﺎرﺷﻨﺎﺳﺎن اﯾﻦ ﺷﺮﮐﺖ اﻋﻼم ﮐﺮدﻧﺪ:“ درﺧﻮاﺳﺖ ﻫﺎي ﻣﺎ از اﻃﻼﻋﺎت‬ ‫‪‬‬ ‫ﻣﻮﺟﻮد ﮐﻪ ﻫﻔﺘﻪ ﻫﺎ ﺑﻪ ﻃﻮل ﻣﯽ اﻧﺠﺎﻣﯿﺪ اﮐﻨﻮن در ﮐﻤﺘﺮ از ﭼﻨﺪ ﺳﺎﻋﺖ‬ ‫ﻣﯿﺴﺮ ﻣﯽ ﺷﻮد. “‬ ‫41‬
  • 15.
    ‫ﻣدﯾرﯾت ارﺗﺑﺎط ﺑﺎﻣﺷﺗری)‪:(CRM‬‬ ‫اﺑﺰار ﮐﻼﺳﻪ ﺑﻨﺪي‬ ‫2. ﺟﺬب ﻣﺸﺘﺮﯾﺎن‬ ‫ﻣﺜﺎل: ﻓﺮوﺷﮕﺎه ﭘﻮﺷﺎﮐﯽ ﺑﻪ ﻣﻨﻈﻮر ارزﯾﺎﺑﯽ ﻣﯿﺰان ﺗﺎﺛﯿﺮ ﺗﺒﻠﯿﻐﺎت ﺧﻮد در ﺑﯿﻦ ﻣﺸﺘﺮﯾﺎن، اﻗﺪام ﺑﻪ‬ ‫ﺟﻤﻊ آوري اﻃﻼﻋﺎت ﻓﺮوش ﺧﻮد در ﻣﺪت ﯾﮏ ﺳﺎل و در ﻓﻮاﺻﻞ ﻫﻔﺘﮕﯽ ﻧﻤﻮد. ﺑﺮﺧﯽ از داده‬ ‫ﻣﺘﻐﯿﺮ‬ ‫ﺷﻤﺎره‬ ‫ﻫﺎي ﺟﻤﻊ آوري ﺷﺪه ﻋﺒﺎرت ﺑﻮدﻧﺪ از:‬ ‫ﺗﻌﺪاد ﮐﺎﺗﺎﻟﻮگ ﻫﺎي ﭘﺴﺖ ﺷﺪه ﺑﺮاي ﻣﺸﺘﺮﯾﺎن ﺟﺪﯾﺪ‬ ‫1‬ ‫ﺗﻌﺪاد ﮐﺎﺗﺎﻟﻮگ ﻫﺎي ﭘﺴﺖ ﺷﺪه ﺑﺮاي ﻣﺸﺘﺮﯾﺎن ﻗﺪﯾﻢ‬ ‫2‬ ‫ﺗﻌﺪاد ﺻﻔﺤﺎت ﮐﺎﺗﺎﻟﻮگ‬ ‫3‬ ‫ﺗﻌﺪاد ﺧﻄﻮط ﺗﻠﻔﻦ ﺑﺮاي ﭘﺎﺳﺨﮕﻮﯾﯽ‬ ‫4‬ ‫ﻫﺰﯾﻨﻪ ﺻﺮف ﺷﺪه ﺑﺮاي ﺗﺒﻠﯿﻐﺎت‬ ‫5‬ ‫ﺗﻌﺪاد ﻧﻤﺎﯾﻨﺪﮔﯽ ﻫﺎي ﺧﺪﻣﺎت ﺑﻪ ﻣﺸﺘﺮي‬ ‫6‬ ‫ﻣﯿﺰان ﻓﺮوش ﻟﺒﺎس ﻣﺮداﻧﻪ‬ ‫7‬ ‫ﻣﯿﺰان ﻓﺮوش ﻟﺒﺎس زﻧﺎﻧﻪ‬ ‫8‬ ‫43% ﮐﺎﻫﺶ در ﻫﺰﯾﻨﻪ ﺗﺒﻠﯿﻐﺎت-ﺳﺎل 8002‬ ‫51‬
  • 16.
    ‫ﻣدﯾرﯾت ارﺗﺑﺎط ﺑﺎﻣﺷﺗری)‪:(CRM‬‬ ‫ﺣﻞ ﻣﺴﺌﻠﻪ: ﺑﺎ اﺳﺘﻔﺎده از داده ﻫﺎي ﻗﺒﻠﯽ ﻣﺪل ﺳﺎزي ﻣﯽ ﮐﻨﯿﻢ. ﺳﭙﺲ ﻣﺪل را ﺑﺮ روي‬ ‫‪‬‬ ‫داده ﻫﺎي ﺟﺪﯾﺪ)در اﯾﻨﺠﺎ اﺳﺘﺮاﺗﮋي ﻫﺎي ﺟﺪﯾﺪ ﺗﺒﻠﯿﻐﺎﺗﯽ( اﻋﻤﺎل ﻣﯽ ﮐﻨﯿﻢ.‬ ‫ﺗﻌﺪاد ﮐﺎﺗﺎﻟﻮگ‬ ‫ﺗﻌﺪاد ﮐﺎﺗﺎﻟﻮگ‬ ‫ﻣﯿﺰان ﻓﺮوش‬ ‫ﺗﻌﺪاد ﻧﻤﺎﯾﻨﺪﮔﯽ‬ ‫ﻫﺰﯾﻨﻪ ﺻﺮف ﺷﺪه‬ ‫ﺗﻌﺪاد ﺧﻄﻮط‬ ‫ﺗﻌﺪاد ﺻﻔﺤﺎت‬ ‫ﻫﺎي ﭘﺴﺖ ﺷﺪه‬ ‫ﻫﺎي ﭘﺴﺖ ﺷﺪه‬ ‫ﻟﺒﺎس زﻧﺎﻧﻪ ﺑﻪ‬ ‫ﻫﺎي ﺧﺪﻣﺎت ﺑﻪ‬ ‫ﺑﺮاي ﺗﺒﻠﯿﻐﺎت ﺑﻪ‬ ‫ﺗﻠﻔﻦ ﺑﺮاي‬ ‫ﮐﺎﺗﺎﻟﻮگ‬ ‫ﺑﺮاي ﻣﺸﺘﺮﯾﺎن‬ ‫ﺑﺮاي ﻣﺸﺘﺮﯾﺎن‬ ‫ﻣﯿﻠﯿﻮن رﯾﺎل‬ ‫ﻣﺸﺘﺮي‬ ‫ﻣﯿﻠﯿﻮن رﯾﺎل‬ ‫ﭘﺎﺳﺨﮕﻮﯾﯽ‬ ‫ﻗﺪﯾﻢ‬ ‫ﺟﺪﯾﺪ‬ ‫0021‬ ‫01‬ ‫06‬ ‫42‬ ‫41‬ ‫0001‬ ‫003‬ ‫0041‬ ‫31‬ ‫55‬ ‫71‬ ‫21‬ ‫008‬ ‫055‬ ‫0531‬ ‫8‬ ‫35‬ ‫02‬ ‫61‬ ‫0011‬ ‫002‬ ‫...‬ ‫...‬ ‫...‬ ‫...‬ ‫...‬ ‫...‬ ‫...‬ ‫؟‬ ‫51‬ ‫05‬ ‫51‬ ‫02‬ ‫0002‬ ‫051‬ ‫ﭘﺎﺳﺦ ﻣﺪل‬ ‫61‬
  • 17.
    ‫ﻣدﯾرﯾت ارﺗﺑﺎط ﺑﺎﻣﺷﺗری)‪:(CRM‬‬ ‫3. ﺑﻘﺎ ﻣﺸﺘﺮﯾﺎن‬ ‫اﺑﺰار ﺧﻮﺷﻪ ﺑﻨﺪي‬ ‫ﺳﻨﺠﺶ وﻓﺎداري ﻣﺸﺘﺮﯾﺎن‬ ‫‪‬‬ ‫اﺑﺰارﻫﺎي ﺧﻮﺷﻪ ﺑﻨﺪي و ﮐﻼﺳﻪ ﺑﻨﺪي‬ ‫ﺑﺎزارﯾﺎﺑﯽ ﺗﮏ ﺑﻪ ﺗﮏ‬ ‫‪‬‬ ‫4. ﺗﻮﺳﻌﻪ ﻣﺸﺘﺮﯾﺎن‬ ‫اﺑﺰار ﻗﻮاﻋﺪ واﺑﺴﺘﮕﯽ)ﻗﻮاﻧﯿﻦ اﻧﺠﻤﻨﯽ(‬ ‫آﻧﺎﻟﯿﺰ ﺳﺒﺪ ﻓﺮوش‬ ‫‪‬‬ ‫اﺑﺰار ﻗﻮاﻋﺪ واﺑﺴﺘﮕﯽ)ﻗﻮاﻧﯿﻦ اﻧﺠﻤﻨﯽ(‬ ‫ﻓﺮوش ﻣﺤﺼﻮﻻت ﺟﺪﯾﺪ ﺑﻪ ﻣﺸﺘﺮﯾﺎن‬ ‫‪‬‬ ‫71‬
  • 18.
    ‫ﻣدﯾرﯾت ارﺗﺑﺎط ﺑﺎﻣﺷﺗری)‪:(CRM‬‬ ‫4. ﺗﻮﺳﻌﻪ ﻣﺸﺘﺮﯾﺎن < آﻧﺎﻟﯿﺰ ﺳﺒﺪ ﻓﺮوش< اﺑﺰار ﻗﻮاﻋﺪ واﺑﺴﺘﮕﯽ)ﻗﻮاﻧﯿﻦ اﻧﺠﻤﻨﯽ(‬ ‫ﻣﺜﺎل: ﯾﮏ ﻓﺮوﺷﮕﺎه ﻟﻮازم ﺧﺎﻧﮕﯽ، ﺳﺒﺪ ﮐﺎﻻﻫﺎي ﺧﺮﯾﺪاري ﺷﺪه ﺗﻮﺳﻂ ﻣﺸﺘﺮﯾﺎن ﺧﻮد را‬ ‫ﻣﻮرد ﺗﺤﻠﯿﻞ ﻗﺮار داد. ﺑﺮاي اﯾﻦ ﮐﺎر از ﻗﻮاﻋﺪ واﺑﺴﺘﮕﯽ ﺑﺮاي ﮐﺸﻒ ﻗﻮاﻋﺪ در ﺑﯿﻦ داده‬ ‫ﻫﺎ اﺳﺘﻔﺎده ﻧﻤﻮد. ﺑﺮﺧﯽ از ﻧﺘﺎﯾﺞ ﺑﺪﺳﺖ آﻣﺪه ﻃﺒﻖ زﯾﺮ ﻣﯽ ﺑﺎﺷﺪ.‬ ‫آﻧﮕﺎه‬ ‫اﮔﺮ‬ ‫آﻧﮕﺎه‬ ‫اﮔﺮ‬ ‫اﮔﺮ‬ ‫81‬
  • 19.
    ‫ﻣدﯾرﯾت ارﺗﺑﺎط ﺑﺎﻣﺷﺗری)‪:(CRM‬‬ ‫• 0092 ﻓﺮوﺷﮕﺎه در 5 ﮐﺸﻮر دﻧﯿﺎ.‬ ‫• 5.7 ﺗﺮا ﺑﺎﯾﺖ داده را داده ﮐﺎوي ﮐﺮده.‬ ‫• از داده ﮐﺎوي ﺑﺮاي اﺳﺘﺮاﺗﮋي ﻫﺎي ﻓﺮوش اﺳﺘﻔﺎده ﻣﯽ ﮐﻨﺪ.‬ ‫• ﺑﻪ 0053 ﺗﺎﻣﯿﻦ ﮐﻨﻨﺪه ﺧﻮد اﺟﺎزه ﻣﯽ دﻫﺪ ﺗﺎ داﻧﺶ ﮐﺴﺐ ﺷﺪه از اﻃﻼﻋﺎت ﻣﺸﺘﺮﯾﺎن‬ ‫را ﺑﺮرﺳﯽ ﮐﻨﻨﺪ.‬ ‫• در ﺳﺎل 5991، 1 ﻣﯿﻠﯿﻮن ‪ Query‬ﭘﯿﭽﯿﺪه را اﺳﺘﺨﺮاج ﮐﺮده اﺳﺖ.‬ ‫91‬
  • 20.
    ‫ﺑﺎﻧﮏ، اﻗﺗﺻﺎد، ﺑﯾﻣﮫ:‬ ‫ﭘﯿﺶ ﺑﯿﻨﯽ ﻣﯿﺰان رﯾﺴﮏ اﻋﺘﺒﺎري‬ ‫1.‬ ‫ﭘﯿﺶ ﺑﯿﻨﯽ ﻣﯿﺰان ﺗﺎﺛﯿﺮ ﺗﺒﻠﯿﻐﺎت ﺑﺎﻧﮑﯽ‬ ‫2.‬ ‫ﮐﺸﻒ ﺗﻘﻠﺐ ﻫﺎ در ﺳﯿﺴﺘﻢ ﻫﺎي ﺑﺎﻧﮏ و ﺑﯿﻤﻪ‬ ‫3.‬ ‫ﺑﺮرﺳﯽ اﺣﺘﻤﺎل ورﺷﮑﺴﺘﮕﯽ ﺷﺮﮐﺖ ﻫﺎ‬ ‫4.‬ ‫ﭘﯿﺶ ﺑﯿﻨﯽ ﺷﺎﺧﺺ ﻫﺎي ﻣﺎﻟﯽ و ﺷﺎﺧﺺ ﻫﺎي ﺑﻮرس‬ ‫5.‬ ‫02‬
  • 21.
    ‫ﺑﺎﻧﮏ، اﻗﺗﺻﺎد، ﺑﯾﻣﮫ:‬ ‫1. ﭘﯿﺶ ﺑﯿﻨﯽ ﻣﯿﺰان رﯾﺴﮏ اﻋﺘﺒﺎري‬ ‫ﻣﺜﺎل: ﺑﺮاي ﻣﺪﯾﺮان ﺑﺎﻧﮏ ﻫﺎ در ﺑﺴﯿﺎري ﻣﻮاﻗﻊ اﯾﻦ اﻣﺮ ﻣﻬﻢ ﻣﯽ ﺑﺎﺷﺪ ﮐﻪ ﺑﺘﻮاﻧﻨﺪ ﻣﯿﺰان رﯾﺴﮏ اﻋﺘﺒﺎري‬ ‫ﻣﺸﺘﺮﯾﺎن ﺧﻮد را ﭘﯿﺶ ﺑﯿﻨﯽ ﮐﻨﻨﺪ. ﺑﺮاي اﯾﻦ ﻣﻨﻈﻮر ﻣﻤﮑﻦ اﺳﺖ ﻣﺸﺨﺼﻪ ﻫﺎي ﻣﺮﺑﻮط ﺑﻪ ﻣﺸﺘﺮﯾﺎن‬ ‫ﺟﻤﻊ آوري ﺷﻮﻧﺪ. اﯾﻦ ﻣﺸﺨﺼﻪ ﻫﺎ ﻣﻤﮑﻦ اﺳﺖ ﻃﺒﻖ زﯾﺮ ﺑﺎﺷﻨﺪ:‬ ‫ﻋﻨﻮان‬ ‫ﺷﻤﺎره‬ ‫ﺳﻦ‬ ‫1‬ ‫ﻣﯿﺰان ﺗﺤﺼﯿﻼت‬ ‫2‬ ‫ﺗﻌﺪاد ﺳﺎﻟﻬﺎﯾﯽ ﮐﻪ در ﻣﮑﺎن ﻓﻌﻠﯽ ﻣﺸﻐﻮل ﺑﻪ ﮐﺎر اﺳﺖ‬ ‫3‬ ‫ﺗﻌﺪاد ﺳﺎﻟﻬﺎﯾﯽ ﮐﻪ در ﻣﮑﺎن ﻓﻌﻠﯽ ﺳﮑﻮﻧﺖ دارد‬ ‫4‬ ‫درآﻣﺪ ﺳﺎﻻﻧﻪ‬ ‫5‬ ‫ﻧﺴﺒﺖ ﺑﺪﻫﯽ ﻫﺎ ﺑﻪ درآﻣﺪ‬ ‫6‬ ‫ﻣﯿﺰان ﺑﺪﻫﯽ ﮐﺎرت اﻋﺘﺒﺎري‬ ‫7‬ ‫12‬ ‫ﻗﺼﻮر در ﭘﺮداﺧﺖ ﻫﺎي ﭘﯿﺸﯿﻦ‬ ‫8‬
  • 22.
    ‫ﺑﺎﻧﮏ، اﻗﺗﺻﺎد، ﺑﯾﻣﮫ:‬ ‫ﺑﺎﻧﮏ ﻣﺮﮐﺰي آﻣﺮﯾﮑﺎ در ﻃﯽ 2 ﺳﺎل 8.4 ﻣﯿﻠﯿﺎرد دﻻر ﺻﺮﻓﻪ ﺟﻮﯾﯽ ﻧﻤﻮد.‬ ‫اﯾﻦ ﺑﺎﻧﮏ ﺑﺎ اﺳﺘﻔﺎده از ﺳﯿﺴﺘﻢ ﻣﺪﯾﺮﯾﺖ رﯾﺴﮏ اﻋﺘﺒﺎري ﺑﺮ ﭘﺎﯾﻪ داده ﮐﺎوي ﮐﻪ ﺗﻮﺳﻂ‬ ‫ﺷﺮﮐﺖ ‪ SAS‬ﻃﺮاﺣﯽ ﺷﺪه ﺑﻮد، ﺳﯿﺴﺘﻢ ﭘﯿﮕﯿﺮي ﺑﺮﺧﻄﯽ را ﺑﺮاي ﺗﺨﺼﯿﺺ ﺑﺮﺧﻂ ﻣﯿﺰان‬ ‫رﯾﺴﮏ اﻋﺘﺒﺎري ﻣﺸﺘﺮﯾﺎن ﺧﻮد ﻃﺮاﺣﯽ ﻧﻤﻮد.‬ ‫22‬
  • 23.
    ‫ﺑﺎﻧﮏ، اﻗﺗﺻﺎد، ﺑﯾﻣﮫ:‬ ‫ﻣﺜﺎل: اﺳﺘﻔﺎده از درﺧﺖ ﺗﺼﻤﯿﻢ ﺑﺮاي ﭘﯽ ﺑﺮدن ﺑﻪ ﻣﯿﺰان رﯾﺴﮏ اﻋﺘﺒﺎري ﻣﺸﺘﺮﯾﺎن ﺑﺎﻧﮏ.‬ ‫ﻣﺠﻤﻮﻋﻪ داده اي ﺑﺎ ﺳﻪ ﻣﺘﻐﯿﺮ زﯾﺮ دارﯾﻢ:‬ ‫1. ﻣﯿﺰان داراﯾﯽ اﻓﺮاد‬ ‫2. ﻣﯿﺰان ﭘﺲ اﻧﺪاز اﻓﺮاد‬ ‫3. ﻣﯿﺰان درآﻣﺪ اﻓﺮاد‬ ‫رﯾﺴﮏ‬ ‫درآﻣﺪ‬ ‫ﭘﺲ اﻧﺪاز‬ ‫داراﯾﯽ‬ ‫ﻣﺸﺘﺮي‬ ‫رﯾﺴﮏ ﭘﺎﯾﯿﻦ‬ ‫ﮐﻢ‬ ‫ﮐﻢ‬ ‫زﯾﺎد‬ ‫1‬ ‫رﯾﺴﮏ ﺑﺎﻻ‬ ‫زﯾﺎد‬ ‫زﯾﺎد‬ ‫ﮐﻢ‬ ‫2‬ ‫؟‬ ‫ﮐﻢ‬ ‫زﯾﺎد‬ ‫زﯾﺎد‬ ‫3‬ ‫32‬
  • 24.
    ‫ﺑﺎﻧﮏ، اﻗﺗﺻﺎد، ﺑﯾﻣﮫ:‬ ‫2. ﭘﯿﺶ ﺑﯿﻨﯽ ﻣﯿﺰان ﺗﺎﺛﯿﺮ ﺗﺒﻠﯿﻐﺎت ﺑﺎﻧﮑﯽ‬ ‫ﺳﺎﻻﻧﻪ ﻫﺰاران دﻻر ﺻﺮف ﺑﺎزارﯾﺎﺑﯽ ﻣﺴﺘﻘﯿﻢ ﺧﻮد ﻣﯽ ﮐﺮد ﮐﻪ اﯾﻦ ﺗﺒﻠﯿﻐﺎت ﺷﺎﻣﻞ ﻣﻮارد زﯾﺮ‬ ‫‪‬‬ ‫ﺑﻮدﻧﺪ:‬ ‫ﺗﺒﻠﯿﻐﺎت ﺧﯿﺎﺑﺎﻧﯽ‬ ‫1.‬ ‫ارﺳﺎل ﮐﺎﺗﺎﻟﻮگ ﻫﺎ‬ ‫2.‬ ‫ارﺳﺎل ﻧﺎﻣﻪ ﻫﺎي ﺗﺒﻠﯿﻐﺎﺗﯽ‬ ‫3.‬ ‫ﭘﺨﺶ ﺗﺮاﮐﺖ‬ ‫4.‬ ‫اﺳﺘﻔﺎده از ﻧﺮم اﻓﺰار ‪ Clementine‬ﺑﺮاي ﺑﺮرﺳﯽ ﻣﺸﺘﺮﯾﺎن.‬ ‫‪‬‬ ‫ﻧﺘﺎﯾﺞ:‬ ‫‪‬‬ ‫ﺑﻪ ﺑﺎﻧﮏ ﮐﻤﮏ ﮐﺮد ﺗﺎ ﻣﺸﺘﺮﯾﺎن ﺧﻮد را ﺑﻬﺘﺮ ﺑﺸﻨﺎﺳﺪ.‬ ‫‪‬‬ ‫روش ﻫﺎي ﺗﺒﻠﯿﻐﺎﺗﯽ را ﭘﯿﺸﻨﻬﺎد ﮐﺮد ﮐﻪ ﻫﻢ ﮐﺎراﺗﺮ ﺑﻮدﻧﺪ و ﻫﻢ ﺳﻮد ﺑﯿﺸﺘﺮي را ﺑﺮاي ﺑﺎﻧﮏ‬ ‫‪‬‬ ‫ﻓﺮاﻫﻢ ﺳﺎﺧﺘﻨﺪ.‬ ‫ﻧﺮخ واﮐﻨﺶ ﻣﺸﺘﺮﯾﺎن 5% اﻓﺰاﯾﺶ ﭘﯿﺪا ﮐﺮد و ﻫﺰﯾﻨﻪ ارﺳﺎل ﺗﺒﻠﯿﻐﺎت ﺑﻪ ﻣﯿﺰان 02% ﮐﺎﻫﺶ ﭘﯿﺪا‬ ‫‪‬‬ ‫ﮐﺮد.‬ ‫42‬
  • 25.
    ‫ﺑﺎﻧﮏ، اﻗﺗﺻﺎد، ﺑﯾﻣﮫ:‬ ‫3. ﮐﺸﻒ ﺗﻘﻠﺐ ﻫﺎ در ﺳﯿﺴﺘﻢ ﻫﺎي ﺑﺎﻧﮏ و ﺑﯿﻤﻪ‬ ‫ﺑﺮرﺳﯽ ﺗﻘﻠﺐ در ﺳﯿﺴﺘﻢ ﻣﺪﯾﺮﯾﺖ ﺑﺎﻧﮑﯽ و ﺑﯿﻤﻪ اي‬ ‫1.‬ ‫ﺑﺮرﺳﯽ ﺗﻘﻠﺐ در ﮐﺎرت ﻫﺎي اﻋﺘﺒﺎري ﻣﺸﺘﺮﯾﺎن)ﺳﯿﺴﺘﻢ ﺑﺎﻧﮑﯽ(‬ ‫2.‬ ‫ﺑﺮرﺳﯽ ﺗﻘﻠﺐ در ﺧﺮﯾﺪﻫﺎي اﯾﻨﺘﺮﻧﺘﯽ‬ ‫3.‬ ‫اﺑﺰارﻫﺎ: اﺳﺘﻔﺎده از درﺧﺖ ﺗﺼﻤﯿﻢ، ﻣﺪل ﻫﺎي ﭘﯿﺶ ﺑﯿﻨﯽ ﮐﻨﻨﺪه، ﺧﻮﺷﻪ ﺑﻨﺪي و آﻧﺎﻟﯿﺰ وارﯾﺎﻧﺲ‬ ‫‪‬‬ ‫ﻧﻤﻮﻧﻪ اي از اﮐﺘﺸﺎﻓﺎت ﻣﻬﻢ در زﻣﯿﻨﻪ ﺗﻘﻠﺐ ﻫﺎي ﺻﻮرت ﮔﺮﻓﺘﻪ:‬ ‫‪‬‬ ‫ﺣﺎدﺛﻪ 11 ﺳﭙﺘﺎﻣﺒﺮ‬ ‫‪‬‬ ‫ﭘﺮوژه ‪Able Danger‬‬ ‫‪‬‬ ‫ﺑﺮرﺳﯽ 5.1 ﻣﯿﻠﯿﻮن رﮐﻮرد اﻃﻼﻋﺎت‬ ‫‪‬‬ ‫ﻣﺮﺑﻮط ﺑﻪ ﺷﻬﺮوﻧﺪان‬ ‫03 ﮐﺎرت اﻋﺘﺒﺎري – 21 آدرس ﺧﺎﻧﻪ‬ ‫‪‬‬ ‫ﻣﺤﻤﺪ اﺗﺎ‬ ‫‪‬‬ ‫52‬
  • 26.
    ‫ﺑﺎﻧﮏ، اﻗﺗﺻﺎد، ﺑﯾﻣﮫ:‬ ‫4. ﺑﺮرﺳﯽ اﺣﺘﻤﺎل ورﺷﮑﺴﺘﮕﯽ ﺷﺮﮐﺖ ﻫﺎ‬ ‫ﻫﺪف: ﭘﯿﺶ ﺑﯿﻨﯽ اﺣﺘﻤﺎل ورﺷﮑﺴﺘﮕﯽ ﺷﺮﮐﺖ ﻫﺎ‬ ‫اﺑﺰار: درﺧﺖ ﺗﺼﻤﯿﻢ‬ ‫اﻃﻼﻋﺎت ﻣﺮﺑﻮط ﺑﻪ 92 ﺷﺮﮐﺖ ﮐﺮه اي در ﺑﯿﻦ ﺳﺎﻟﻬﺎي 8991-7991 ﺟﻤﻊ آوري ﺷﺪ.‬ ‫‪‬‬ ‫اﯾﻦ اﻃﻼﻋﺎت از ﺑﺎزار ﺑﻮرس و ﺑﺎﻧﮏ ﻫﺎ اﺳﺘﺨﺮاج ﺷﺪ.‬ ‫‪‬‬ ‫ﻧﺘﺎﯾﺞ:‬ ‫‪‬‬ ‫اﮔﺮ ﺑﻬﺮه وري ﺳﺮﻣﺎﯾﻪ از 56.91 ﺑﯿﺸﺘﺮ ﺑﺎﺷﺪ ﻋﺪم ورﺷﮑﺴﺘﮕﯽ ﺑﺎ اﻃﻤﯿﻨﺎن 68% اﺗﻔﺎق ﻣﯽ اﻓﺘﺪ.‬ ‫‪‬‬ ‫اﮔﺮ ﺑﻬﺮه وري ﺳﺮﻣﺎﯾﻪ ﮐﻤﺘﺮ از 56.91 و اﮔﺮ ﻧﺴﺒﺖ ﮔﺮدش ﻧﻘﺪي ﺑﻪ ﮐﻞ داراﯾﯽ زﯾﺮ 56.5 ﺑﺎﺷﺪ،‬ ‫‪‬‬ ‫ورﺷﮑﺴﺘﮕﯽ ﺑﺎ اﻃﻤﯿﻨﺎن 48% اﺗﻔﺎق ﻣﯽ اﻓﺘﺪ.‬ ‫62‬
  • 27.
    ‫ﺑﺮرﺳﯽ دﻋﺎوي ﻣﺮﺑﻮطﺑﻪ ﺿﻤﺎﻧﺖ ﻧﺎﻣﻪ ﻣﺎﺷﯿﻦ ﻫﺎ)9991(‬ ‫‪‬‬ ‫اﻫﺪاف ﻃﺮح:‬ ‫‪‬‬ ‫آﯾﺎ رواﺑﻄﯽ ﺑﯿﻦ ﺿﻤﺎﻧﺖ ﻧﺎﻣﻪ ﻫﺎ وﺟﻮد دارد؟‬ ‫‪‬‬ ‫آﯾﺎ دﻋﺎوي ﮔﺬﺷﺘﻪ ارﺗﺒﺎﻃﯽ ﺑﺎ دﻋﺎوي آﯾﻨﺪه دارﻧﺪ؟‬ ‫‪‬‬ ‫آﯾﺎ ارﺗﺒﺎﻃﯽ ﺑﺎ دﻋﺎوي ﺧﺎص و ﻧﻤﺎﯾﻨﺪﮔﯽ ﻫﺎي ﺗﻌﻤﯿﺮﮔﺎﻫﯽ وﺟﻮد دارد؟‬ ‫‪‬‬ ‫اﺑﺰار:‬ ‫‪‬‬ ‫اﺳﺘﻔﺎده از ﻗﻮاﻧﯿﻦ واﺑﺴﺘﮕﯽ )اﮔﺮ ‪ X‬آﻧﮕﺎه ‪(Y‬‬ ‫ﻧﺘﺎﯾﺞ:‬ ‫‪‬‬ ‫ﺑﻪ ﻧﺘﯿﺠﻪ ﺧﺎﺻﯽ دﺳﺖ ﭘﯿﺪا ﻧﮑﺮدﻧﺪ. ﺳﭙﺲ ﻣﺤﻘﻘﺎن ﺳﻌﯽ ﮐﺮدﻧﺪ ﻋﻠﺖ ﺑﻪ ﻧﺘﯿﺠﻪ ﻧﺮﺳﯿﺪن را‬ ‫‪‬‬ ‫ﺑﺮﺳﯽ ﮐﻨﻨﺪ. ﭘﺲ از ﺑﺮرﺳﯽ ﺑﻪ ﻧﺘﯿﺠﻪ رﺳﯿﺪﻧﺪ ﮐﻪ داده ﻫﺎﯾﯽ ﮐﻪ اﺳﺘﻔﺎده ﮐﺮدﻧﺪ داده ﻫﺎي‬ ‫ﺧﯿﻠﯽ ﻣﻨﺎﺳﺒﯽ ﻧﺒﻮده اﺳﺖ ﭘﺲ ﺗﺼﻤﯿﻢ ﮔﺮﻓﺘﻨﺪ ﭘﺎﯾﮕﺎه ﻫﺎي داده اي را اﯾﺠﺎد ﮐﻨﻨﺪ ﮐﻪ در‬ ‫آﯾﻨﺪه ﺑﺘﻮان ﺑﺎ اﺳﺘﻔﺎده از اﯾﻦ ﭘﺎﯾﮕﺎه ﻫﺎي داده، ﺑﻪ ﻧﺘﺎﯾﺞ ﺑﻬﺘﺮي در ﺗﺤﻘﯿﻘﺎت دﺳﺖ ﭘﯿﺪا ﮐﺮد.‬ ‫72‬
  • 28.
    ‫ﺳﺎﺧت و ﺗوﻟﯾد:‬ ‫ﻣﺪﯾﺮﯾﺖ زﻧﺠﯿﺮه ﺗﺎﻣﯿﻦ‬ ‫1.‬ ‫ﺗﻌﻤﯿﺮات و ﻧﮕﻬﺪاري‬ ‫2.‬ ‫ﮐﻨﺘﺮل ﮐﯿﻔﯿﺖ‬ ‫3.‬ ‫ﺗﺸﺨﯿﺺ ﺧﺮاﺑﯽ ﻫﺎ‬ ‫4.‬ ‫ﻣﺎﻧﯿﺘﻮرﯾﻨﮓ ﺷﺮاﯾﻂ‬ ‫5.‬ ‫زﻣﺎن ﺑﻨﺪي ﮐﺎرﻫﺎ‬ ‫6.‬ ‫ﭘﯿﺶ ﺑﯿﻨﯽ ﺗﻮﻟﯿﺪ‬ ‫7.‬ ‫ﺑﻬﺒﻮد ﺑﻬﺮه وري ﺗﻮﻟﯿﺪات‬ ‫8.‬ ‫82‬
  • 29.
    ‫ﺳﺎﺧت و ﺗوﻟﯾد:‬ ‫ﺳﺎل 5002‬ ‫92‬
  • 30.
    ‫ﺳﺎﺧت و ﺗوﻟﯾد:‬ ‫ﺳﺎل 9002‬ ‫03‬
  • 31.
    ‫ﻣﺪﯾﺮﯾﺖ زﻧﺠﯿﺮه ﺗﺎﻣﯿﻦ‪:SCM‬‬ ‫ﻣﺪﯾﺮﯾﺖ زﻧﺠﯿﺮه ﺗﺎﻣﯿﻦ ﺷﺎﻣﻞ ﻣﺪﯾﺮﯾﺖ ﻣﻮاد، اﻃﻼﻋﺎت و ﻣﺴﺎﺋﻞ ﻣﺎﻟﯽ در ﺷﺒﮑﻪ اي‬ ‫‪‬‬ ‫ﻣﺸﺘﻤﻞ ﺑﺮ ﺗﺎﻣﯿﻦ ﮐﻨﻨﺪﮔﺎن، ﺳﺎزﻧﺪﮔﺎن، ﺗﻮزﯾﻊ ﮐﻨﻨﺪﮔﺎن و ﻣﺸﺘﺮﯾﺎن ﻣﯽ ﺑﺎﺷﺪ.‬ ‫ﻣﺜﺎل: ﻃﺮاﺣﯽ ﻣﺪﻟﯽ ﺑﺮاي ﭘﯿﺶ ﺑﯿﻨﯽ ﺑﺮﻧﺪه ﻣﻨﺎﻗﺼﺎت در ﻣﺠﺘﻤﻊ ﮐﺸﺘﯽ ﺳﺎزي و ﺻﻨﺎﯾﻊ‬ ‫ﻓﺮا ﺳﺎﺣﻞ اﯾﺮان )ﮐﺎرﺑﺮد ﺑﺮاي ﺗﺎﻣﯿﻦ ﮐﻨﻨﺪﮔﺎن(‬ ‫ﻫﺪف: ﭘﯿﺶ ﺑﯿﻨﯽ ﺑﺮﻧﺪه ﻣﻨﺎﻗﺼﺎت‬ ‫‪‬‬ ‫ﺟﻤﻊ آوري اﻃﻼﻋﺎت ﻣﺮﺑﻮط ﺑﻪ ﺧﺮﯾﺪ و ﻣﻨﺎﻗﺼﺎت‬ ‫‪‬‬ ‫ﺗﻬﯿﻪ ﺑﯿﺶ از 0001 رﮐﻮرد داده ﺑﺎ ﺑﯿﺶ از 03 ﻣﺘﻐﯿﺮ‬ ‫‪‬‬ ‫از ﺟﻤﻠﻪ ﻣﺘﻐﯿﺮﻫﺎي:ﻧﺎم ﭘﺮوژه، ﻧﺎم ﺗﺎﻣﯿﻦ ﮐﻨﻨﺪه، ﻗﯿﻤﺖ ﭘﯿﺸﻨﻬﺎدي ﺗﺎﻣﯿﻦ ﮐﻨﻨﺪه، درﺻﺪ ﭘﯿﺶ‬ ‫‪‬‬ ‫ﭘﺮداﺧﺖ، اﻣﺘﯿﺎز ﻣﻌﯿﺎرﻫﺎي ﻓﻨﯽ و رد و ﯾﺎ ﻗﺒﻮل ﺷﺪن ﭘﺮوژه‬ ‫اراﺋﻪ ﻣﺪﻟﯽ ﺑﺮاي ﭘﯿﺶ ﺑﯿﻨﯽ ﺑﺮﻧﺪه ﻣﻨﺎﻗﺼﺎت‬ ‫‪‬‬ ‫ﻧﺘﯿﺠﻪ ﭘﺎﯾﺎن ﻧﺎﻣﻪ‬ ‫‪‬‬ ‫13‬
  • 32.
    ‫ﻣﺪﯾﺮﯾﺖ زﻧﺠﯿﺮه ﺗﺎﻣﯿﻦ‪:SCM‬‬ ‫ﻣﺜﺎل: ﺧﻮﺷﻪ ﺑﻨﺪي ﻣﺸﺘﺮﯾﺎن ﺑﻪ ﻣﻨﻈﻮر اراﺋﻪ ﺧﺪﻣﺎت ﺑﻪ ﻣﻮﻗﻊ)‪ (JIT‬ﺑﻪ آﻧﻬﺎ‬ ‫)ﮐﺎرﺑﺮد ﺑﺮاي ﺳﺎزﻧﺪﮔﺎن(‬ ‫‪ ‬ﻫﺪف: ﺷﻨﺎﺧﺖ ﺳﻔﺎرﺷﺎت ﯾﮑﺴﺎن‬ ‫‪ ‬اﺑﺰار: ﺧﻮﺷﻪ ﺑﻨﺪي‬ ‫‪ ‬داده ﻫﺎي ﻣﻮﺟﻮد:ﻓﺮﯾﻢ، ﻣﻮﺗﻮر، ﮐﺎﺑﯿﻦ، ﭼﺮﺧﻬﺎ، ﺑﺎك‬ ‫‪ ‬ﺑﺎ ﺧﻮﺷﻪ ﺑﻨﺪي اﻃﻼﻋﺎت ﻣﺸﺘﺮﯾﺎن ﺗﻮﺳﻂ روش ﻫﺎي ﻣﺨﺘﻠﻒ ﻣﯽ ﺗﻮان‬ ‫ﺳﻔﺎرﺷﺎت ﺳﺎﺧﺖ را در زﻣﺎن ﮐﻤﺘﺮي و ﺑﻪ روش ﺑﻬﯿﻨﻪ ﺗﺮي ﻣﺪﯾﺮﯾﺖ‬ ‫ﺑﺎك‬ ‫ﭼﺮخ ﻫﺎ‬ ‫ﮐﺎﺑﯿﻦ‬ ‫ﻣﻮﺗﻮر‬ ‫ﻓﺮﯾﻢ‬ ‫ﻧﺎم‬ ‫ﮐﺮد.‬ ‫ﺧﯿﺮ‬ ‫ﺑﺰرگ‬ ‫ﺳﺒﺰ‬ ‫ﻣﺘﻮﺳﻂ‬ ‫ﺑﺰرگ‬ ‫ﻣﺸﺘﺮي 1‬ ‫ﺧﯿﺮ‬ ‫ﺑﺰرگ‬ ‫ﺻﻮرﺗﯽ‬ ‫ﺧﯿﻠﯽ ﺑﺰرگ ﺧﯿﻠﯽ ﺑﺰرگ‬ ‫ﻣﺸﺘﺮي 2‬ ‫ﺑﻠﻪ‬ ‫ﻣﺘﻮﺳﻂ‬ ‫زرد‬ ‫ﻣﺘﻮﺳﻂ‬ ‫ﮐﻮﭼﮏ‬ ‫ﻣﺸﺘﺮي 3‬ ‫ﺑﻠﻪ‬ ‫ﺑﺰرگ‬ ‫ﻗﺮﻣﺰ‬ ‫ﺑﺰرگ‬ ‫ﺑﺰرگ‬ ‫ﻣﺸﺘﺮي 4‬ ‫23‬ ‫ﺧﯿﺮ‬ ‫ﻣﺘﻮﺳﻂ‬ ‫زرد‬ ‫ﮐﻮﭼﮏ‬ ‫ﮐﻮﭼﮏ‬ ‫ﻣﺸﺘﺮي 5‬
  • 33.
    ‫ﻣﺪﯾﺮﯾﺖ زﻧﺠﯿﺮه ﺗﺎﻣﯿﻦ‪:SCM‬‬ ‫‪ ‬ﻧﺘﯿﺠﻪ ﺧﻮﺷﻪ ﺑﻨﺪي:‬ ‫ﺑﺎك‬ ‫ﭼﺮخ ﻫﺎ‬ ‫ﮐﺎﺑﯿﻦ‬ ‫ﻣﻮﺗﻮر‬ ‫ﻓﺮﯾﻢ‬ ‫ﻧﺎم‬ ‫ﺑﻠﻪ‬ ‫ﺑﺰرگ‬ ‫ﻗﺮﻣﺰ‬ ‫ﺑﺰرگ‬ ‫ﺑﺰرگ‬ ‫ﻣﺸﺘﺮي 4‬ ‫ﺧﯿﺮ‬ ‫ﺑﺰرگ‬ ‫ﺳﺒﺰ‬ ‫ﻣﺘﻮﺳﻂ‬ ‫ﺑﺰرگ‬ ‫ﻣﺸﺘﺮي 1‬ ‫ﺑﻠﻪ‬ ‫ﻣﺘﻮﺳﻂ‬ ‫زرد‬ ‫ﻣﺘﻮﺳﻂ‬ ‫ﮐﻮﭼﮏ‬ ‫ﻣﺸﺘﺮي 3‬ ‫ﺧﯿﺮ‬ ‫ﻣﺘﻮﺳﻂ‬ ‫زرد‬ ‫ﮐﻮﭼﮏ‬ ‫ﮐﻮﭼﮏ‬ ‫ﻣﺸﺘﺮي 5‬ ‫ﺧﯿﺮ‬ ‫ﺑﺰرگ‬ ‫ﺻﻮرﺗﯽ‬ ‫ﺧﯿﻠﯽ ﺑﺰرگ ﺧﯿﻠﯽ ﺑﺰرگ‬ ‫ﻣﺸﺘﺮي 2‬ ‫33‬
  • 34.
    ‫ﺗﻌﻣﯾرات و ﻧﮕﮭداری:‬ ‫ﮐﺎرﺑﺮدﻫﺎ:‬ ‫‪ ‬ﭘﯿﺶ ﺑﯿﻨﯽ ﺧﺮاﺑﯽ ﻫﺎ‬ ‫‪ ‬ﻣﺎﻧﯿﺘﻮرﯾﻨﮓ ﺷﺮاﯾﻂ‬ ‫‪ ‬ﭘﯿﺶ ﺑﯿﻨﯽ ﺗﻌﻮﯾﺾ ﺧﺮاﺑﯽ ﻫﺎ‬ ‫ﻣﺜﺎل: ﭘﯿﺶ ﺑﯿﻨﯽ زﻣﺎن ﺗﻌﻮﯾﺾ ﻗﻄﻌﺎت‬ ‫‪ ‬ﻫﺪف: ﭘﯿﺶ ﺑﯿﻨﯽ زﻣﺎن ﺧﺮاﺑﯽ‬ ‫‪ ‬اﺑﺰار: ﭘﯿﺶ ﺑﯿﻨﯽ و ﮐﻼس ﺑﻨﺪي‬ ‫‪ ‬ﻧﺘﯿﺠﻪ:‬ ‫ﻣﺤﻘﻘﺎن ﺑﺎ اﺳﺘﻔﺎده روش ﻫﺎي ﭘﯿﺶ ﺑﯿﻨﯽ ﺗﻮاﻧﺴﺘﻨﺪ ﺧﺮاﺑﯽ در ﻗﻄﻌﺎت را ﮐﺎﻫﺶ دﻫﻨﺪ و زﻣﺎن‬ ‫ﺗﻌﻮﯾﺾ ﻗﻄﻌﺎت را ﭘﯿﺶ از ﺧﺮاﺑﯽ در ﻗﻄﻌﺎت ﭘﯿﺶ ﺑﯿﻨﯽ ﮐﻨﻨﺪ.‬ ‫ﻣﺘﺨﺼﺼﺎن در اﯾﻦ ارﺗﺒﺎط ﺳﯿﺴﺘﻢ ﻫﺸﺪاري ﻃﺮاﺣﯽ ﻧﻤﻮدﻧﺪ ﺗﺎ ﺑﺎ اﺳﺘﻔﺎده از ﻣﺪﻟﻬﺎي ﺳﺎﺧﺘﻪ ﺷﺪه‬ ‫ﭘﯿﺶ از وﻗﻮع ﺧﺮاﺑﯽ ﺑﻪ ﻣﺘﺨﺼﺼﺎن ﻫﺸﺪار دﻫﺪ ﺗﺎ آﻧﻬﺎ ﺑﺘﻮاﻧﻨﺪ ﻗﻄﻌﺎت را ﭘﯿﺶ از ﺧﺮاﺑﯽ ﺗﻌﻤﯿﺮ‬ ‫ﯾﺎ ﺗﻌﻮﯾﺾ ﻧﻤﺎﯾﻨﺪ.‬ ‫43‬
  • 35.
    ‫ﺗﻌﻣﯾرات و ﻧﮕﮭداری:‬ ‫ﻣﺜﺎل:داده ﮐﺎوي در ﭘﺎﯾﮕﺎه داده ﺗﻌﻤﯿﺮات و ﻧﮕﻬﺪاري ﺑﯿﻤﺎرﺳﺘﺎﻧﯽ ﺑﻪ ﻣﻨﻈﻮر ﭘﺸﺘﯿﺒﺎﻧﯽ‬ ‫از ﺗﺼﻤﯿﻢ ﮔﯿﺮي ﻫﺎي ﻣﺪﯾﺮﯾﺘﯽ‬ ‫ﻫﺪف: درﺳﺖ ﮐﺮدن ﭘﺎﯾﮕﺎه داﻧﺶ‬ ‫‪‬‬ ‫اﺑﺰار: ﻗﻮاﻧﯿﻦ واﺑﺴﺘﮕﯽ‬ ‫‪‬‬ ‫داده ﻫﺎ: ﻧﺎم دﺳﺘﮕﺎه، دﺳﺘﻪ ﻣﺮﺑﻮط ﺑﻪ دﺳﺘﮕﺎه، ﻧﺎم ﺑﺨﺸﯽ ﮐﻪ دﺳﺘﮕﺎه در آن ﺑﻮده،‬ ‫‪‬‬ ‫ﺗﻌﺪاد وﺳﺎﯾﻞ ارﺟﺎﻋﯽ، ﻣﺪت ﺗﻌﻤﯿﺮ، ﻧﻮع ﺧﺮاﺑﯽ، وﺿﻌﯿﺖ ﺗﻌﻤﯿﺮ و..‬ ‫ﻧﺘﺎﯾﺞ:‬ ‫‪‬‬ ‫آﻧﮕﺎه‬ ‫اﮔﺮ‬ ‫اﮔﺮ‬ ‫اﮔﺮ‬ ‫آﻧﮕﺎه‬ ‫53‬
  • 36.
    ‫ﭘزﺷﮑﯽ:‬ ‫‪ ‬ﺗﺨﻤﯿﻦ ﻫﺰﯾﻨﻪ ﺑﯿﻤﺎران‬ ‫‪ ‬ﭘﯿﺶ ﺑﯿﻨﯽ اﺣﺘﻤﺎل ﻣﺒﺘﻼ ﺷﺪن ﺷﺨﺼﯽ ﺑﻪ ﺑﯿﻤﺎري ﺧﺎص‬ ‫‪ ‬ﭘﯿﺶ ﺑﯿﻨﯽ ﻧﺠﺎت ﺑﯿﻤﺎران از ﺑﯿﻤﺎري ﻫﺎ‬ ‫‪ ‬ﮐﺸﻒ ﺗﻘﻠﺐ ﭘﺰﺷﮑﺎن و ﺑﯿﻤﺎران‬ ‫‪ ‬ﭘﯿﺶ ﺑﯿﻨﯽ ﺗﺠﻮﯾﺰ داروي ﻣﻨﺎﺳﺐ ﺑﺮاي اﻓﺮاد‬ ‫‪ ‬ﺧﻮﺷﻪ ﺑﻨﺪي ﺑﯿﻤﺎران ﺑﻪ ﻣﻨﻈﻮر ﮐﺸﻒ ﮔﺮوﻫﻬﺎي ﺑﯿﻤﺎري‬ ‫63‬
  • 37.
    ‫ﭘزﺷﮑﯽ:‬ ‫1. ﺗﺨﻤﯿﻦ ﻫﺰﯾﻨﻪ ﺑﯿﻤﺎران‬ ‫ﻣﺜﺎل: ﺑﯿﻤﺎرﺳﺘﺎﻧﯽ ﺑﺮاي ﺗﺨﻤﯿﻦ ﻫﺰﯾﻨﻪ درﻣﺎﻧﯽ ﺑﯿﻤﺎران ﺳﺮﻃﺎﻧﯽ، اﻃﻼﻋﺎت 8001 ﻧﻔﺮ از‬ ‫ﺑﯿﻤﺎران را ﺟﻤﻊ آوري ﻧﻤﻮد. اﯾﻦ ﻣﺠﻤﻮﻋﻪ داده ﺷﺎﻣﻞ 21 ﻣﺘﻐﯿﺮ ﺑﻮد. اﯾﻦ‬ ‫ﺑﯿﻤﺎرﺳﺘﺎن ﻗﺼﺪ داﺷﺖ ﻫﺰﯾﻨﻪ درﻣﺎﻧﯽ ﺑﯿﻤﺎران را ﭘﯿﺶ ﺑﯿﻨﯽ ﮐﻨﺪ.‬ ‫ﻫﺪف: ﺗﺨﻤﯿﻦ ﻫﺰﯾﻨﻪ درﻣﺎن‬ ‫اﺑﺰار: ﮐﻼﺳﻪ ﺑﻨﺪي)ﺷﺒﮑﻪ ﻋﺼﺒﯽ، درﺧﺖ ﺗﺼﻤﯿﻢ(‬ ‫داده ﻫﺎ: ﺟﻨﺴﯿﺖ، وﺿﻌﯿﺖ ﺗﺎﻫﻞ، ﻣﯿﺰان ﻓﻌﺎﻟﯿﺖ، ﺗﻌﺪاد دﻓﻌﺎت ﺷﯿﻤﯽ درﻣﺎﻧﯽ، ﻫﺰﯾﻨﻪ‬ ‫درﻣﺎﻧﯽ و ...‬ ‫ﻧﺘﺎﯾﺞ:‬ ‫دﻗﺖ ﺷﺒﮑﻪ ﻫﺎي ﻋﺼﺒﯽ در اﯾﻦ ﭘﯿﺶ ﺑﯿﻨﯽ ﻫﺰﯾﻨﻪ ﺑﯿﻤﺎران 79% ﻣﯽ ﺑﺎﺷﺪ. ﺷﺒﮑﻪ ﻫﺎي‬ ‫ﻋﺼﺒﯽ ﺑﻪ ﻣﻨﻈﻮر ﭘﯿﺶ ﺑﯿﻨﯽ ﻫﺰﯾﻨﻪ ﻫﺎي درﻣﺎﻧﯽ، از دﻗﺖ ﺑﺎﻻﺗﺮي ﻧﺴﺒﺖ ﺑﻪ روش‬ ‫ﻫﺎﯾﯽ ﻣﺎﻧﻨﺪ درﺧﺖ ﺗﺼﻤﯿﻢ ﺑﻬﺮه ﻣﻨﺪ ﻣﯽ ﺑﺎﺷﻨﺪ.‬ ‫73‬
  • 38.
    ‫ﺑررﺳﯽ ﺳﺎﺧﺗﺎر ﻣﻘﺎﻻت‪:ISI‬‬ ‫‪ ‬ﻋﻨﻮان ﻣﻘﺎﻟﻪ: ﺳﯿﺴﺘﻢ ﭘﺸﺘﯿﺒﺎﻧﯽ ﺗﺼﻤﯿﻢ ﮔﯿﺮي در ارﺗﺒﺎط ﺑﺎ‬ ‫ﺑﯿﻤﺎري ﻗﻠﺒﯽ ﺑﺮ ﭘﺎﯾﻪ وب ﺑﺎ اﺳﺘﻔﺎده از روش ﻫﺎي ﻣﺪﻟﺴﺎزي‬ ‫ﮐﻼﺳﻪ ﺑﻨﺪي داده ﮐﺎوي‬ ‫‪ ‬ﻧﻮع اﻧﺘﺸﺎرات و ﺳﺎل ﻧﺸﺮ: ﮐﻨﻔﺮاﻧﺴﯽ 7002‬ ‫‪ ‬ﺗﺤﺼﯿﻼت ﻧﻮﯾﺴﻨﺪﮔﺎن:ﻓﻨﺎوري اﻃﻼﻋﺎت – ﻣﺎﻟﺰي‬ ‫‪ ‬اﻫﺪاف:‬ ‫‪ ‬ﮐﺪام ﺑﯿﻤﺎر اﺣﺘﻤﺎل دارد ﺑﻪ ﺑﯿﻤﺎري ﻗﻠﺒﯽ دﭼﺎر ﺷﻮد.‬ ‫‪ ‬ﭘﯿﮕﯿﺮي ﺗﺎﺛﯿﺮ دارو ﻫﺎ ﺑﺮ روي ﺑﯿﻤﺎران.‬ ‫‪ ‬ﭘﯿﺪا ﮐﺮدن ﻣﺸﺨﺼﻪ ﻫﺎي ﺑﯿﻤﺎران ﻗﻠﺒﯽ و ...‬ ‫83‬
  • 39.
  • 40.
  • 41.
    ‫ﺑررﺳﯽ ﺳﺎﺧﺗﺎر ﻣﻘﺎﻻت‪:ISI‬‬ ‫‪ ‬ﻋﻨﻮان ﻣﻘﺎﻟﻪ: ﻣﻘﺎﯾﺴﻪ ﭘﯿﺶ ﺑﯿﻨﯽ ﻫﺰﯾﻨﻪ ﻫﺎي ﺑﯿﻤﺎران ﺑﺮاي ﺑﯿﻤﺎران ﺳﺮﻃﺎﻧﯽ،‬ ‫ﺷﺒﮑﻪ ﻫﺎي ﻋﺼﺒﯽ در ﺑﺮاﺑﺮ درﺧﺖ ﺗﺼﻤﯿﻢ‬ ‫‪ ‬ﻧﻮع اﻧﺘﺸﺎرات و ﺳﺎل ﻧﺸﺮ: ﻣﺠﻠﻪ ‪2009 BioMed‬‬ ‫‪ ‬ﺗﺤﺼﯿﻼت ﻧﻮﯾﺴﻨﺪﮔﺎن:ﮐﺎﻣﭙﯿﻮﺗﺮ و ﭘﺰﺷﮑﯽ– ﭼﯿﻦ‬ ‫‪ ‬اﻫﺪاف:‬ ‫ﭘﯿﺶ ﺑﯿﻨﯽ ﻫﺰﯾﻨﻪ ﻫﺎي ﺑﯿﻤﺎرﺳﺘﺎﻧﯽ و ﻣﻘﺎﯾﺴﻪ دو روش درﺧﺖ ﺗﺼﻤﯿﻢ و ﺷﺒﮑﻪ‬ ‫ﻫﺎي ﻋﺼﺒﯽ ﺑﻪ ﻣﻨﻈﻮر اﯾﻦ ﭘﯿﺶ ﺑﯿﻨﯽ.‬ ‫‪ ‬داده ﻫﺎ:‬ ‫14‬
  • 42.
    ‫ﺑررﺳﯽ ﺳﺎﺧﺗﺎر ﻣﻘﺎﻻت‪:ISI‬‬ ‫ﻧﺘﺎﯾﺞ:‬ ‫‪‬‬ ‫24‬
  • 43.
    ‫ﺑررﺳﯽ ﺳﺎﺧﺗﺎر ﻣﻘﺎﻻت‪:ISI‬‬ ‫‪ ‬ﻋﻨﻮان ﻣﻘﺎﻟﻪ: ﭘﯿﺶ ﺑﯿﻨﯽ زﻧﺪه ﻣﺎﻧﺪن ﺑﯿﻤﺎراﻧﯽ ﮐﻪ ﺳﺮﻃﺎن ﺳﯿﻨﻪ دارﻧﺪ، ﻣﻘﺎﯾﺴﻪ ﺳﻪ‬ ‫روش داده ﮐﺎوي‬ ‫‪ ‬ﻧﻮع اﻧﺘﺸﺎرات و ﺳﺎل ﻧﺸﺮ: ﻣﺠﻠﻪ ‪2009 medical informatics‬‬ ‫‪ ‬ﺗﺤﺼﯿﻼت ﻧﻮﯾﺴﻨﺪﮔﺎن:ﺻﻨﺎﯾﻊ، ﻣﺪﯾﺮﯾﺖ، ﺑﺎزارﯾﺎﺑﯽ – اﯾﺎﻻت ﻣﺘﺤﺪه‬ ‫‪ ‬ﺧﻼﺻﻪ:‬ ‫ﻣﻘﺎﻟﻪ ﺑﺎ اﺳﺘﻔﺎده از روش ﻫﺎي ﭘﯿﺶ ﺑﯿﻨﯽ و ﮐﻼﺳﻪ ﺑﻨﺪي، اﻣﮑﺎن زﻧﺪه ﻣﺎﻧﺪن ﺑﯿﻤﺎران‬ ‫ﭘﯿﻮﻧﺪي را ﺑﻪ ﻣﺪت 9 ﺳﺎل ﺗﺨﻤﯿﻦ زده اﺳﺖ. ﯾﻌﻨﯽ اﯾﻨﮑﻪ آﯾﺎ اﯾﻦ ﺑﯿﻤﺎران ﺗﺎ 9 ﺳﺎل‬ ‫زﻧﺪه ﻣﯽ ﻣﺎﻧﻨﺪ ﯾﺎ ﺧﯿﺮ.‬ ‫داده ﻫﺎ:‬ ‫‪‬‬ ‫34‬
  • 44.
    ‫ﺑررﺳﯽ ﺳﺎﺧﺗﺎر ﻣﻘﺎﻻت‪:ISI‬‬ ‫‪ ‬ﭼﺎﻟﺶ:‬ ‫ﺟﻨﺎب آﻗﺎي ‪ Dursun Delen‬ﯾﮑﯽ از ﻧﻮﯾﺴﻨﺪﮔﺎن ﻫﻤﯿﻦ ﻣﻘﺎﻟﻪ در ﺳﺎل 5002 ﻣﻘﺎﻟﻪ اي ﺑﺎ‬ ‫ﻋﻨﻮان ” ﭘﯿﺶ ﺑﯿﻨﯽ زﻧﺪه ﻣﺎﻧﺪن ﺑﯿﻤﺎراﻧﯽ ﮐﻪ ﺳﺮﻃﺎن ﺳﯿﻨﻪ دارﻧﺪ: ﻣﻘﺎﯾﺴﻪ ﺳﻪ روش‬ ‫داده ﮐﺎوي“ ﺑﻪ ﻧﺘﺎﯾﺠﯽ رﺳﯿﺪه اﺳﺖ ﮐﻪ ﺑﺎ ﻧﺘﺎﯾﺞ ﺑﺪﺳﺖ آﻣﺪه در اﯾﻦ ﻣﻘﺎﻟﻪ ﮐﻤﯽ ﺗﻔﺎوت‬ ‫دارد.‬ ‫44‬
  • 45.
    ‫ﮐﺎرﮔﺎه ھﺎی ﺗﺧﺻﺻﯽ:‬ ‫ﻣﺤﺘﻮاي ﮐﺎرﮔﺎهﻫﺎ:‬ ‫‪‬‬ ‫ﭘﯿﺶ ﭘﺮدازش و درك داده ﻫﺎ‬ ‫1.‬ ‫رده ﺑﻨﺪي‬ ‫2.‬ ‫ﺧﻮﺷﻪ ﺑﻨﺪي‬ ‫3.‬ ‫ﻗﻮاﻋﺪ اﻧﺠﻤﻨﯽ‬ ‫4.‬ ‫آﻣﻮزش ﻧﺮم اﻓﺰار ‪Clementine‬‬ ‫5.‬ ‫ﮔﻮاﻫﯽ ﻧﺎﻣﻪ ﺷﺮﮐﺖ در ﮐﺎرﮔﺎهﻫﺎ ﺑﺮاي ﺗﻤﺎﻣﯽ اﻓﺮاد ﺻﺎدر ﺧﻮاﻫﺪ ﺷﺪ.‬ ‫‪‬‬ ‫ﺑﺮاي اوﻟﯿﻦ ﺑﺎر در ﮐﺸﻮر ﮐﺎرﮔﺎه ﺗﺨﺼﺼﯽ ﻧﺮماﻓﺰار دادهﮐﺎوي 21 ‪ Clementine‬ﺑﺮﮔﺰار ﺧﻮاﻫﺪ‬ ‫‪‬‬ ‫ﺷﺪ.‬ ‫ﺗﻤﺎﻣﯽ روشﻫﺎ در اﯾﻦ ﮐﻼسﻫﺎ ﻫﻤﺮاه ﺑﺎ ﻣﺜﺎل ﻋﻤﻠﯽ ﺗﻮﺿﯿﺢ داده ﺧﻮاﻫﺪ ﺷﺪ.‬ ‫‪‬‬ ‫در ﮐﺎرﮔﺎه ﻋﻤﻠﯽ ﺑﺮ روي ﻣﺠﻤﻮﻋﻪ دادهﻫﺎي واﻗﻌﯽ دادهﮐﺎوي اﻧﺠﺎم ﺧﻮاﻫﺪ ﺷﺪ.‬ ‫‪‬‬ ‫‪Clementine‬‬ ‫54‬
  • 46.
    ‫ﭘﺎﯾﺎن‬  A year spent in artificial intelligence is enough to make one believe in God. “Alan perlis” 46