Zastosowanie technologii drążenia danych w systemach klasy CRM w oparciu o środowisko ORACLE 9i

• Autorzy: Szymon Kościów , Maciej Pondel , Artur Kotwica
• Języki publikacji: PL

Abstrakty

Celem artykułu było pokazanie możliwości, jakie oferują dwa z algorytmów drążenia danych, tzn. Naiwny Bayes (NBN) oraz Adaptacyjny Bayes (ABN). Na podstawie rzeczywistych danych opisujących potencjalnych kredytobiorców dokonano kilku klasyfikacji, różniących się między sobą pewnymi parametrami. Tak otrzymane dane poddano analizie, w wyniku której okazało się, że liczba udzielonych kredytów jest ściśle powiązana ze strategią banku (tzn. przyjętą przez bank mniej lub bardziej zachowawczą polityką udzielania kredytów). Ponadto potwierdziły się przypuszczenia, iż w przypadku, gdy mamy do czynienia z bardzo dużą liczbą atrybutów oraz gdy potrzebujemy jasnych i zrozumiałych reguł wyjaśniających model, wybieramy do klasyfikacji Adaptacyjnego Bayesa (ABN). Natomiast, jeżeli zależy nam na szybkim zbudowaniu modelu kosztem mniej precyzyjnej klasyfikacji, korzystamy z Naiwnego Bayesa (NBN). Zamiarem autorów jest kontynuacja rozpoczętego wątku i przeprowadzenie dalszych badań związanych z technologią drążenia danych w oparciu o środowisko Oracle 9i. (fragment tekstu)

Słowa kluczowe

PL

Systemy informatyczne; Technologie teleinformatyczne

EN

Computer system; Information and communication technologies

• Czasopismo: Prace Naukowe Akademii Ekonomicznej we Wrocławiu
• Rocznik: 2003
• Numer: nr 975 Pozyskiwanie wiedzy i zarządzanie wiedzą
• Strony: 228--238

Twórcy

autor

Szymon Kościów

• Akademia Ekonomiczna we Wrocławiu

autor

Maciej Pondel

• Akademia Ekonomiczna we Wrocławiu

autor

Artur Kotwica

• Akademia Ekonomiczna we Wrocławiu

Bibliografia

• Customer Relationship Management cz. 1 Raport. Marketing w praktyce, Grudzień 2001.
• Customer Relationship Management cz. 1 Raport. Marketing w praktyce, Styczeń 2002.
• Morzy T.: Eksploracja danych: problemy i rozwiązania. V Konferencja PLOUG, 1999.
• Abramson B., ARCOl : An application of belief networks to the oil market. Proc. Conference of Uncertainty in Artificial Intelligence, 1-8, 1991.
• Bacchus F., Yang Q.: Downward refinement and the efficiency of hierarchical problem solving. Artificial Intelligence, 71, 43-100, 1994.
• Jensen F.: An Introduction to Bayesian Networks. Springer, 1996.
• Ramoni M., Sebastiani P., Dybowski R.: Robust Outcome Prediction for Intensive-Care Patients. Methods of Information in Medicine: Special Issue on Prognostic Models in Medicine: AI and Decision - analytic approaches. Workshop Notes AIMDM'99, 1999.
• Friedman N., Geiger D., Goldszmidt M.: Bayesian network Classifiers. Machine Learning, 29, 131-161, 1997.
• Langley P., Iba W., Thompson K.: An analysis of Bayesian Classifiers. Proc. AAAI-92, 223-228, 1992.
• Oracle9i Data Mining Concepts, Release 2 (9.2), Part No. A95961-01, 2002.
• Neuman Ł., Kościów S.: Wyszukiwanie informacji z wykorzystaniem sieci Bayesa. "Prace Naukowe AE we Wrocławiu", Nr 931, 174-186, 2002.