آرشیو ماهانه

دسامبر 2019

خانه / دسامبر 2019
مقاله

داده کاوی در تجارت الکترونیک

امروزه در دنياي کسب و کار، مشتري ها نسل جديدتري از تجارت را ترجيح مي دهند تا با استفاده از پرتال هاي آنلاين اقدام به خريد کنند، زيرا اين پرتال ها داراي جذابيت هاي زيادي هستند واز طریق اینترنت به راحتی در دسترس عموم قرار دارند.

در تجارت نسل جديد که شکل تازه تري با عنوان تجارت الکترونيکي نام گرفته است که با گسترش و فراگیر شدن آن موجب ایجاد منبع اطلاعات حجمی شده است وبه دلیل استفاده از سيستم هاي داراي پايگاه داده و حجم بسيار بالاي داده هاي ذخيره شده در اين تجارت، نياز به ابزاري که بتوان داده هاي ذخيره شده را پردازش کرده و اطلاعات حاصل از اين پردازش را در اختيار کاربران قرارداد احساس می شود.

 که نياز به روش هايي است که اصطلاحاً به کشف دانش بپردازند يعني با کمترين دخالت کاربر و به صورت خودکار الگوها و رابطه هاي منطقي را بيان نمايند. داده کاوي يکي از مهم ترين اين روش ها است که به وسيله آن داده ها از جنبه های مختلف و با حداقل دخالت کاربران مورد تجزیه وتحلیل قرار می گیرند تا بدین وسیله بتوانیم الگوها ی مفید، تازه و قابل استناد در پایگاه داده های بزرگ را بیابیم و آن ها را در قالب اطلاعاتی مفید، برای بالا بردن میزان بازده کار بیان نماییم. کشف این روابط به بهبود تصمیم های مدیریتی کمک می کند. 

تجارت الکترونیک یک حوزه اساسی برای داده کاوی می باشد. در حقیقت وب یک آزمایشگاه عملی است؛ آزمایشگاهی که سازمان قادر است در آن هر فرضیه و تصوری را به راحتی به چالش بکشد. به عبارت دیگر، تقاضا و نیاز سوخت اصلی تحقیقات بوده است. برای مثال شرکت Netflix (یک شرکت جهانی رسانه سیال و تولیدکننده مجموعه‌های تلویزیونی آمریکایی است که تا آغاز سال ۲۰۱۶ بیش از ۷۵ میلیون مشترک دارد) جایزه ای یک میلیون دلاری برای ارائه راه حل برای مساله سیستم های توصیه در نظر گرفته است که این جایزه به القوه باعث حرکتهای بسیار قوی در این راستا بوده و می باشد. 

برعکس نتایج تحقیقات تئوریک در داده کاوی در اکثر موارد کاربردهایی برای خود در دنیای واقعی پیدا می کنند. حتی کنفرانس های اصلی داده کاوی محلی برای تعامل بین محققین و مهندسین این رشته می باشد. تعداد کثیری از افرادی که در اینگونه کنفرانس ها شرکت می کنند افرادی هستند که از جنبه کاربردی به داده کاوی می نگرند .

پنج کاربرد مهم داده کاوی در تجارت الکترونیک:

شرح داده(Description)

بسياري از بنگاه هاي تجاري دريافته اند كه بزرگترين سرمايه، دانش كاركنان است. لذا همواره سعي مي كنند تا زمينه مناسب را به منظور توليد ، شناسايي ، گردآوري و سازماندهي دانش داخلي بنگاه فراهم نموده واغلب یکی از اولین وظایف مورد نیاز داده کاوی توصیف اطلاعات یک پایگاه داه پیچیده است.که توصیف و شرح داده به منظور تولید دانش است و ایجاد این توصیفات نیاز به انجام عملیات اضافی بروی داده می باشد به عنوان مثال تماس یک مشتری می تواند شامل اطلاعاتی همچون مدت زمان،تعداد کل تماس و غیره باشد.

دسته بندی داده (classification )

طبقه بندی (Classification) یکی از زیرشاخه های اصلی داده کاوی و یادگیری است. عملیات دسته بندی،رده و گروه مجموعه ای از داده  را براساس ویژگی های آن تعیین می کند.این عمل یک فرآیند دو مرحله ای است. در مرحله اول، براساس جمع آوری مجموعه داده های آموزشی، یک مدل برای توصیف ویژگی های یک مجموعه از کلاس های داده، ساخته می شود. از آنجا که کلاس ها از پیش تعریف شده هستند، این مرحله را یادگیری نظارت شده نیز می نامند. در مرحله دوم، این مدل برای پیشبینی دسته های اشیاء یا داده های آینده استفاده می شود.

خوشه بندی(Clustering)

تقسیم بندی برای استخراج گروه هایی است که ناشناخته و دارای خصوصیات مشابهی هستند که خوشه ها نامیده می شوند. از طرف دیگر، جمعیت ناهمگن را به جمعیت همگن تقسیم می کند. بر خلاف طبقه بندی ، زیرمجموع ها از پیش تعیین نشده اند.

خوشه بندی تکنیکی است برای گروه بندی یک مجموعه از آیتم هایی که ویژگی های مشابه دارند، به طوری که آیتم های درون یک خوشه باید خیلی به هم شبیه باشند، همچنین آنها باید غیر مشابه با اشیاء خوشه های دیگر باشند. شباهت بین آیتم ها توسط توابع شباهت تعیین می شوند. معمولا شباهت ها به طور کمی به عنوان فاصله یا معیار های دیگر با توجه به نظر متخصصین حوزه، مشخص می شوند.

مثالی از کاربرد خوشه بندی در وب

خوشه بندی کاربران برای ایجاد گروه هایی از کاربران است که الگوهای جستجوی مشابهی را نشان می دهند و علایق و عادات مشابه دارند. چنین دانشی به ویژه، معمولا برای پی بردن به آمار کاربر به منظور انجام بخش بندی مارکت در کاربرد های تجارت الکترونیک یا تولید محتوای وب شخصی سازی شده برای کاربران، بکار می رود. از طرف دیگر خوشه بندی صفحات، گروه هایی از صفحات را کشف خواهد کرد که محتوای مرتبط دارند و یا براساس درک کاربر، مرتبط به نظر می رسند.

قواعد وابستگی (Association Rule Mining)

 کاوش قواعد وابستگی یا ((Association Rule Mining رده ای از مسائل داده کاوی را شامل می شود که در آن به دنبال استخراج و تعریف قواعد و الگوهایی هستیم که توصیف دقیق تری را از فضای حاکم بر داده ها ارائه می دهند. کاربردهای گسترده این روش ها در هوش تجاری (هوشمندی کسب و کار یا Business Intelligence)، شبکه های اجتماعی و مجازی، تجارت الکترونیک، صنعت بانکداری، وب کاوی (Web Mining)، و ده ها زمینه دیگر، اهمیت دو چندانی به این روش ها اعطا کرده است. از جمله کاربردهای مهم این روش ها، می توان به  طراحی و پیاده سازی سیستم های پیشنهادگر یا (Recommender Systems) اشاره نمود، که هر روز در دنیای وب، شاهد ظهور و بروز آن ها هستیم.

در بسیاری از رشته های علمی و فنی، در نهایت ما با مجموعه ای از داده ها روبرو هستیم که حجم کم یا زیادی را دارند؛ اما مهم ترین کار، به دست آوردن چنین پایگاه داده ای نیست، بلکه باید بتوانیم، سطح بالاتری از دانش را با توجه به پایگاه داده مذکور به دست بیاوریم؛ این یعنی نتیجه گیری و جمع بندی تمام تلاش هایی که برای جمع آوری آن داده ها صرف شده است. 

پیش بینی (Prediction)

فلسفه ی داده کاوی این است که با شناخت درست از گذشته، آینده را می توان پیش بینی کرد. داده کاوی به شما کمک می کند تا رفتار کسب و کار خود را در گذشته دقیقاً بشناسید و براساس آن آینده را با تقریب بالا پیش بینی کنید. به عنوان مثال داده کاوی به شما کمک می کند تا حداقل دو مورد اساسی را در بخش فروش کسب و کار خود پیش بینی کنید:

پیش بینی نیاز های یک مشتری خاص در آینده و در نتیجه حفظ آن مشتری

پیش بینی نیاز بازار در زمان ها و مناطق مختلف و در نتیجه ساماندهی نظام توزیع برای آنها

اگر یک صاحب کسب و کار، رفتار و نیازهای مشتری خود را در گذشته به خوبی بشناسد می تواند نیاز های او را در آینده نیز حدس بزند. اما معمولاً تعداد مشتری ها آنقدر زیاد است که مدیریت آن از عهده ی مدیر آن مجموعه خارج می شود. داده کاوی به شما کمک می کند حجم عظیم مشتری های خود را خوب بشناسید و بصورت خودکار به آن ها پیام دهید که اکنون چه نیازهایی دارند. حتی ممکن است خود آنها نیز فراموش کرده باشند.

 نمونه ایی از کارهایی که برای پیش بینی در کسب و کار اعمال می شود: “پیش بینی ارزش تجاری سهام در سه ماه آینده است “.

حرف آخر

تجارت الکترونیکی شامل کلیه معاملات تجاری است که از راه دور از طریق رابط های الکترونیکی و دیجیتال صورت می گیرد و اساساً شامل معاملات تجاری است که از طریق انواع مختلف پایانه ها (رایانه ها ، تبلت ها ، تلفن های هوشمند وغیره) در اینترنت صورت می گیرد.

اگرچه همه بر این باورند که تجارت الکترونیک فناوری جدید است ، اما اصطلاح تجارت الکترونیکی کاملاً جدید نیست. در واقع تجارت از دهه 60 میلادی وجود داشت اما این روند مربوط به تکامل اینترنت است.

مقاله

SQL

آیا تاکنون از زبان رایانه ای به نام SQL شنیده اید؟ شاید در زمینه تجزیه و تحلیل داده ها درباره آن شنیده باشید ، اما هرگز فکر نمی کردید که به عنوان یک بازاریاب برای شما کاربرد داشته باشد. یا ممکن است با خودتان فکر کرده باشید ، “این برای کاربران داده پیشرفتهواقع شده است. من هرگز نتوانستم چنین کاری کنم”.
با ما باشید تا در این جلسه مفاهیم کلی در مورد SQL را بررسی کنیم.

SQL چیست؟

SQL تلفظ”ess-que-el”)) مخفف Structured Query Language است. SQL برای برقراری ارتباط با یک پایگاه داده استفاده می شود. طبق گفته ANSI (موسسه استاندارد ملی آمریکا) این زبان استاندارد برای سیستم های مدیریت پایگاه داده رابطه است. عبارت SQL برای انجام کارهایی مانند به روزرسانی داده ها در یک پایگاه داده یا بازیابی داده ها از یک پایگاه داده استفاده می شود. برخی از سیستم های مدیریت ارتباط پایگاه داده متداول که از SQL استفاده می کنند عبارتند از: Oracle، Sybase، Microsoft SQL Server، Access، Ingres، و غیره. اگرچه بیشتر سیستم های پایگاه داده از SQL استفاده می کنند ، اما اکثر آنها از پسوندهای اختصاصی دیگری نیز برخوردار هستند که معمولاً فقط در سیستم آنها استفاده می شود. . با این وجود ، از دستورات استاندارد SQL مانند “Select” ، “Insert” ، “Update” ، “Delete” ، “ایجاد” و “Drop” می توان برای دستیابی به تقریباً هر کاری که شخص با بانک اطلاعاتی انجام دهد ، استفاده می شود. این آموزش به شما درمورد اصول اولیه هر یک از این دستورات می پردازد و همچنین به شما امکان می دهد تا با استفاده از SQL Interpreter آنها را به تمرین بپردازید.


چرا از SQL استفاده می کنیم؟


زیبایی SQL این است که هرکسی که در شرکتی کار می کند که داده ها را در یک پایگاه داده رابطه ای ذخیره می کند می تواند از آن استفاده کند.اگر برای یک شرکت نرم افزاری کار می کنید و می خواهید داده های استفاده را روی مشتریان خود جلب کنید ، می توانید با استفاده از SQL این کار را انجام دهید. اگر برای یک شرکت تجارت الکترونیکی کار می کنید که اطلاعاتی در مورد خرید مشتری دارد ، می توانید از SQL استفاده کنید تا دریابید که مشتریان کدام محصولات را خریداری می کنند. البته اینها فقط چند نمونه از نمونه های بسیار زیاد است.
به این روش فکر کنید: آیا تابحال مجموعه داده های بسیار بزرگی را در اکسل باز کرده اید ، آیا با کاربرد های آن آشنا هستید؟ 
SQL به شما امکان می دهد فقط به بخش خاصی از داده های خود به طور همزمان دسترسی داشته باشید ، بنابراین نیازی نیست که داده ها را در CSV بارگیری کنید ، آن را دستکاری کنید و احتمالاً Excel را بیش از حد بارگیری کنید. به عبارت دیگر ، SQL از تجزیه و تحلیل داده هایی که ممکن است شما برای انجام آن در اکسل استفاده می کنید ، مراقبت می کند

.

مزیت های استفاده از SQL :

  • سازگاری با اکثر زبان‌های دستوری
  • سازگاری با اکثر پایگاه‌های داده مثل SQL Server,Oracle و حتی MS ACCESS
  • پس از اینکه برنامه‌نویس این زبان را درک کرد استفاده از آن بسیار ساده‌است.
  • کاربرد در زبان‌های جدید و پیشرفته

حرف آخر


SQL یک سیتسم بانک اطلاعتی است که می توان اطالاعات یک شرکت یا یک سازمان بزرگ را در خود ذخیره کند. این زبان استاندارد برای سیستم های مدیریت پایگاه داده رابطه است و این برنامه را می توان برای روزرسانی داده ها در یک پایگاه داده یا بازیابی داده ها از یک پایگاه داده استفاده کرد. 

 
مقاله

آشنای با OLAP

امروزه با پيشرفت فناوري، سازمان ها به دنبال راه ها و ترفندهايي مي گردند که بقايشان را در اين عرصه تضمين کنند. يک سازمان از زمان استارت ، داده ايجاد مي کند. اين داده معمولا پيرامون دارايي، بازاريابي، فروش، مديريت ارتباط با مشتري و … گروه بندي مي شوند و هر بخش يک وظيفه جدا در شرکت انجام داده و داده هاي مرتبط به خود را جمع آوري مي کند.
موضوع اصلی این مقاله، OLAP است و در ادامه به موارد همچون :
– تعریف OLAP
– مزایای OLAP
– کاربردهای OLAP
و بعضی موارد دیگر را بررسی قرار خواهیم داد.

تعریف OLAP


سیستم های OLAP نام خود را از عبارت سیستم های پردازش تحلیل برخط گرفته اند. می توان به جای OLAP از واژه پردازش سریع اطلاعات چند بعدی و یا به عبارت دیگر از “فن آوری تحلیل داده ها” استفاده کرد. این سیستم ها بر اسای تکامل سیستم ها ی OLAP به معنی پردازش آنلاین تراکنش ها ایجاد شده اند.
این تکنولوژی داده‌های کسب‌وکار را به صورت چندبعدی تجزیه و تحلیل می‌کند و بدین ترتیب توانایی انجام محاسبات پیچیده، تجزیه و تحلیل رویه‌ها و مدل‌سازی داده‌های پیچیده را فراهم می‌کند.OLAP تکنولوژی موجود در بسیاری از برنامه‌های هوش تجاری (BI) است و شامل قابلیت‌هایی مانند مشاهده‌ی گزارشات (بدون محدودیت)، محاسبات تحلیلی پیچیده و برنامه‌ریزی سناریوی پیش‌بینی می‌باشد. OLAP کاربران نهایی را قادر می‌سازد تا به انجام تجزیه و تحلیل داده‌ها در ابعاد مختلف بپردازند و در نتیجه درک کاربر از داده‌ها را در جهت تصمیم‌گیری افزایش می‌دهد.


کاربرد OLAP


سیستم های  OLAP برای اراعه پاسخ های سریع به سؤالات و جستجو های تحلیلی روی داده های ” چندی بعدی ” طراحی شده اند به طور معمول اگر بخواهیم مشابه همین پرس و جوهای تحلیلی را روی سیستم های اطلاعاتی عادی OLAP اجرا کنیم ممکن است نتایج در زمانی طولانی و غیر کاربردی بازگردانده شود در حالیکه استفاده از OLAP تضمین می کند که اطلاعات  و گزارشات تحلیلی با زمان پاسخ مناسبی به کاربر تحویل داده نشود.
کاربرد های معمول  OLAP عبارتند از: گزارشات تجاری فروش، بازاریابی، گزارشات مالی و مواردی از قبیل. این سیستم ها داده های خود را به نخوی خاص نگهداری می کنند که از نظر سرعت در برخودر با داده ها چند بعدی بهتر از سیستم های OLTP عمل میکنند و از این به آنها بانک های اطلاعاتی سلسه مراتبی هم گفته می شود.

تفاوت DATA WAREHOUSE و OLAP در چیست؟

سیستم پردازش تراکنش آنلاین (OLTP) 
 توسط تعداد زیادی از تراکنش های کوتاه آنلاین (افزودن، بروز رسانی، حذف) مشخص شده است. تاکید اصلی برای سیستم های OLTP بر روی اعمال فرآیند های پرس و جوی سریع، حفظ کامل داده ها در محیط های دارای دسترسی های متفاوت و میزان موفقیت که بر طبق تعداد تراکنش ها در ثانیه اندازه گیری می شود، می باشد. داده ها در پایگاه داده OLTP بصورت جامع و به روز می باشند، و طرح مورد استفاده برای ذخیره پایگاه داده تراکنشی ، مدل ورود داده (معمولا از فرم سوم نرمال سازی(۳NF) استفاده می شود) می باشد.

سیستم های پردازش تحلیلی آنلاین (OLAP)
 توسط حجم تقریبا کمی از تراکنش ها مشخص می شود. کوئری ها اغلب بسیار پیچیده و انبوه می باشند. باید توجه داشت که برای سیستم های OLAP، زمان پاسخ، معیار مناسبی است. اپلیکیشن های OLAP بطور گسترده توسط تکنیک های داده کاوی استفاده می شوند. در پایگاه داده ها OLAP داده های قبلی جمع آوری شده و در طرح های چند بعدی ذخیره می شوند (معمولا طرح ستاره می باشد).

مزایای استفاده از OLAP

کسب‌وکار موفق به طور مداوم در پی برنامه‌ریزی، تجزیه و تحلیل فعالیت‌های عملیاتی به منظور به حداکثر رساندن بهره‌وری، کاهش هزینه و به دست آوردن سهم بیشتری از بازار است. محققین حوزه آمار به شما خواهند گفت که اگر داده‌های نمونه شما بیشتر باشند، احتمال رسیدن به نتیجه درست افزایش می‌یابد. طبیعتاً، در یک شرکت داده‌های زیادی در رابطه با یک فعالیت خاص وجود دارد که در این صورت برنامه‌ریزی مؤثرتری برای آن فعالیت‌ خواهیم داشت.فن آوری OLAP به عنوان یک توانایی برای رسیدن به “دسترسی سریع به اطلاعات چندبعدی به اشتراک گذاشته‌شده” تعریف می‌شود. با توجه به توانایی تکنولوژی OLAP برای ایجاد واحدهای بسیار سریع و محاسبات مجموعه داده‌های اساسی، می‌توان به مفید بودن آن برای کمک به رهبران کسب‌وکار پی برد.

حرف آخر


OLAP داده‌های موجود را به صورت چندبعدی تجزیه و تحلیل می‌کند و بدین ترتیب توانایی انجام محاسبات پیچیده، تجزیه و تحلیل رویه‌ها و مدل‌سازی داده‌های پیچیده را فراهم می‌کند.

Privacy Settings
We use cookies to enhance your experience while using our website. If you are using our Services via a browser you can restrict, block or remove cookies through your web browser settings. We also use content and scripts from third parties that may use tracking technologies. You can selectively provide your consent below to allow such third party embeds. For complete information about the cookies we use, data we collect and how we process them, please check our Privacy Policy
Youtube
Consent to display content from Youtube
Vimeo
Consent to display content from Vimeo
Google Maps
Consent to display content from Google
Spotify
Consent to display content from Spotify
Sound Cloud
Consent to display content from Sound