PL EN


Preferencje help
Widoczny [Schowaj] Abstrakt
Liczba wyników
2019 | 17 | nr 2 (82) Organizational Management Issues in the Age of Industry 4.0 | 233--251
Tytuł artykułu

Data Mining Process Maturity - Result of Empirical Research

Autorzy
Warianty tytułu
Dojrzałość procesu eksploracji danych - wynik badania empirycznego
Języki publikacji
EN
Abstrakty
Celem głównym artykułu było przedstawienie wyników badania oceny dojrzałości procesu eksploracji danych na przykładzie polskich organizacji. Realizacji celu głównego przyporządkowano cele cząstkowe. CT1: Określenie istniejącego stanu wiedzy dotyczącego data-mining process w dyscyplinie nauk o zarządzaniu. Podjęta próba realizacji tego celu służyła identyfikacji luki poznawczej. CT2: Przyjęcie odpowiedniej perspektywy teoretycznej w postaci modelu teoretycznego, umożliwiającego realizację przyszłych wyzwać badawczych. W pierwszej sekcji artykułu opisano wyniki ilościowej i jakościowej analizy bibliometrycznej. Następnie, w sekcji drugiej przedstawiono parametry i definicję procesu eksploracji danych. W sekcji następnej przedstawiono model teoretyczny, wykorzystany do pomiaru dojrzałości procesu eksploracji danych. W sekcji czwartej, w wyniku zrealizowanego postępowania empirycznego scharakteryzowano strukturę badania oraz cząstkowe wyniki. W jego rezultacie stwierdzono, że zdecydowana większość badanych organizacji została zakwalifikowana do pierwszego poziomu dojrzałości procesu, definiowanego jako stan, w którym organizacje nie wykazują świadomości potrzeby identyfikacji działać zmierzających do eksploracji danych. Sformułowane w artykule cele badawcze zostały zrealizowane z wykorzystaniem takich metod badawczych, jak: ilościowa i jakościowa analiza bibliometryczna, sondażowe badanie opinii oraz metody statystyczne. (abstrakt oryginalny)
EN
The main goal of the article is to present the results of the study relating to the assessment of data mining process maturity on the example of Polish organizations. Several partial objectives were added to the main goal. CT1: To diagnose the current state of knowledge regarding the data-mining process in the discipline of management sciences. Attempts at attaining this objective served to identify the knowledge gap. CT2: To adopt an appropriate theoretical perspective in the form of a theoretical model, enabling the implementation of future research challenges. The first section of the article describes the results of quantitative and qualitative bibliometric analysis. The second section presents the parameters and the definition of the data mining process. Then, the theoretical model used for measuring the maturity of the data mining process is discussed. In the fourth section, the structure of the empirical research conducted and its partial results are outlined. It transpired that the vast majority of the surveyed organizations qualified at the first level of process maturity, defined as a state in which organizations are not aware of the need to identify activities aimed at data mining. Research objectives formulated in the article have been implemented using such research methods as quantitative and qualitative bibliometric analysis, opinion polls and statistical methods. (original abstract)
Rocznik
Tom
17
Strony
233--251
Opis fizyczny
Twórcy
autor
  • University of Gdańsk, Poland
Bibliografia
  • 1. Atanassov, K. (2015). Intuitionistic fuzzy logics as tools for evaluation of Data Mining processes. Knowledge-Based Systems, 80, pp. 122-130.
  • 2. Azevedo, A.I.R.L., & Santos, M.F. (2008). KDD, SEMMA and CRISP-DM: a parallel overview. IADS-DM.
  • 3. Becerra-García, R.A., García-Bermúdez, R.V., Joya-Caparrós, G., Fernández-Higuera, A., Velázquez-Rodríguez, C., Velázquez-Mariño, M., & Rodraguez-Labrada, R. (2017). Data mining process for identification of non-spontaneous saccadic movements in clinical electrooculography. Neurocomputing, 250, 28-36.
  • 4. Becker, J., Knackstedt, R., & Pöppelbuß, J. (2009). Developing maturity models for IT management - a procedure model and its application. Business & InformationSystems Engineering, 1(3), 213-222.
  • 5. Belabed, I., Alaoui, M.T., Belabed, A., & Alaoui, Y.T. (2017, April). Analysis of Soil Data from Eastern of Morocco Based on Data Mining Process. International Conference on Bioinformatics and Biomedical Engineering (pp. 234-244). Cham: Springer.
  • 6. Berry, M.J.A., & Linoff, G.S. (2000). Mastering Data Mining. New York, NY: Wiley.
  • 7. Besheli, P.R., Zare, M., Umali, R.R., & Nakhaeezadeh, G. (2015). Zoning Iran based on earthquake precursor importance and introducing a main zone using a data-mining process. Natural Hazards, 78(2), pp. 821-835.
  • 8. Beynon-Davies, P. (2003). Systemy baz danych [Database systems]. Warszawa: Wydawnictwa Naukowo-Techniczne.
  • 9. Brilman, J. (2002). Nowoczesne koncepcje i metody zarządzania [Modern Management Concepts and Methods]. Warszawa: PWE.
  • 10. Chen, S.Y., & Liu, X. (2005). Data mining from 1994 to 2004: an application-oriented review. International Journal of Business Intelligence and Data Mining, 1(1).
  • 11. Chen, Y., & Wu, J. (2018). Distribution patterns of energy consumed in classified public buildings through the data mining process. Applied Energy, 226, 240-251.
  • 12. Cleveland, W.S., & Devlin, S.J. (1988). Locally weighted regression: an approach to regression analysis by local fitting. Journal of the American statistical association, 83(403).
  • 13. Cleveland, W.S. (1981). LOWESS: A program for smoothing scatterplots by robust locally weighted regression. American Statistician, 35(1).
  • 14. Cleveland, W.S. (1979). Robust locally weighted regression and smoothing scatterplots. Journal of the American statistical association, 74(368).
  • 15. Cleveland, W.S., Devlin, S. J., & Grosse, E. (1988). Regression by local fitting: methods, properties, and computational algorithms. Journal of econometrics, 37(1).
  • 16. Cyfert, S. (2014). Organizacja i kierowanie [Organization and management]. Warszawa: Komitet Nauk Organizacji i Zarządzania Polskiej Akademii Nauk i SGH w Warszawie.
  • 17. Czubasiewicz, H., Grajewski, P., & Sliż, P. (2018). Dojrzałość procesowa hoteli i obiektów noclegowych w Polsce [Business Process Maturity of Hotels and Accommodation]. Zeszyty Naukowe Politechniki Poznańskiej, 76, 243-257.
  • 18. Davenport, T.H. (1993). Process innovation: reengineering work through information technology. Harvard Business Press.
  • 19. Davenport, T.H., & Seely, C.P. (2006). KM meets business intelligence: merging knowledge and information at Intel. Knowledge Management Review, January/February, 10-15.
  • 20. Davenport, T.H., De Long, D.W., & Beers, M.C. (1998). Successful knowledge management projects. Sloan Management Review, 39(2), 43-57.
  • 21. Drucker, P.F. (1998). The coming of the new organization. Harvard Business Review on Knowledge Management. Boston, MA: Harvard Business School Press.
  • 22. Fayyad, U., Piatetsky-Shapiro, G., & Smyth, P. (1996). The KDD process for extracting useful knowledge from volumes of data. Communications of the ACM, 39(11), 7-34.
  • 23. Gironi, M. (2014). A global immune deficit in Alzheimer and mild cognitive impairment disclosed by a novel data mining process. Journal of Neuroimmunology, 275(1), 60.
  • 24. Gironi, M., Borgiani, B., Farina, E., Mariani, E., Cursano, C., Alberoni, M., & Grossi, E. (2015). A global immune deficit in Alzheimer's disease and mild cognitive impairment disclosed by a novel data mining process. Journal of Alzheimer's Disease, 43(4), 1199-1213.
  • 25. Gironi, M., Saresella, M., Rovaris, M., Vaghi, M., Nemni, R., Clerici, M., & Grossi, E. (2013). A novel data mining system points out hidden relationships between immunological markers in multiple sclerosis. Immunity & Ageing, 10(1), 1.
  • 26. Grajewski, P. (2003). Koncepcja struktury organizacji procesowej [The concept of the structure of the process organization]. Toruń: TNOiK "Dom Organizatora".
  • 27. Grajewski, P. (2012). Procesowe zarządzanie organizacją [Process management of the organization]. Warszawa: PWE.
  • 28. Grajewski, P. (2016). Organizacja procesowa [Process organization]. Warszawa: PWE.
  • 29. Han, J., Pei, J., & Kamber, M. (2011). Data mining: concepts and techniques. Elsevier.
  • 30. Han, J. & Kamber, M. (2011). Data mining: concepts and techniques. Elsevier.
  • 31. Hinneburg, A., & Keim, D.A. (1998). An efficient approach to clustering in large multimedia databases with noise. Proceeding: 4th International Conference on Knowledge Discovery and Data Mining, pp. 58-65.
  • 32. Irani, Z., Hlupic, V., Baldwin, L.P., & Love, P.E. (2000). Re-engineering manufacturing processes through simulation modelling. Logistics Information Management, 13(1), 7-13.
  • 33. Jannach, D., & Fischer, S. (2014, October). Recommendation-based modelling support for data mining processes. Proceedings of the 8th ACM Conference on Recommender systems (pp. 337-340). ACM.
  • 34. Kantardzic, M. (2011). Data mining: concepts, models, methods, and algorithms. John Wiley & Sons.
  • 35. Kaplan, R.S., Norton, D.P., Pniewski, K., Jarugowa, A., Polakowski, M., & Kabalski, P. (2001). Strategiczna karta wyników: jak przełożyć strategię na działanie [Strategic scorecard: how to translate strategy into action]. Warszawa: PWN.
  • 36. Keskin, M.E., Taylan, D., & Kucuksille, E.U. (2013). Data mining process for modeling hydrological time series. Hydrology Research, 44(1), 78-88.
  • 37. Lenzerini, M. (2002, June). Data integration: A theoretical perspective. Proceedings of the twenty-first ACM SIGMOD-SIGACT-SIGART symposium on Principles of database systems (pp. 233-246). ACM.
  • 38. Linoff, G.S., & Berry, M.J. (2011). Data mining techniques: for marketing, sales, and customer relationship management. John Wiley & Sons.
  • 39. Ltifi, H., Benmohamed, E., Kolski, C., & Ayed, M.B. (2016). Enhanced visual data mining process for dynamic decision-making. Knowledge-Based Systems, 112, 166-181.
  • 40. Mansingh, G., Osei-Bryson, K.M., & Asnani, M. (2016). Exploring the antecedents of the quality of life of patients with sickle cell disease: using a knowledge discovery and data mining process model-based framework. Health Systems, 5(1), 52-65.
  • 41. Mansingh, G., Rao, L., Osei-Bryson, K.M., & Mills, A. (2015). Profiling internet banking users: A knowledge discovery in data mining process model based approach. Information Systems Frontiers, 17(1), 193-215.
  • 42. Medvedev, V., Kurasova, O., Bernatavičienė, J., Treigys, P., Marcinkevičius, V., & Dzemyda, G. (2017). A new web-based solution for modelling data mining processes. Simulation Modelling Practice and Theory, 76, 34-46.
  • 43. Morzy, T. (1999). Eksploracja danych: problemy i rozwiązania [Data mining: problems and solutions]. Proceedings of the PLOUG Conference.
  • 44. Osei-Bryson, K.M., & Barclay, C. (eds). (2015). Knowledge Discovery Process and Methods to Enhance Organizational Performance. CRC Press.
  • 45. Pechenizkiy, M., Puuronen, S., & Tsymbal, A. (2005). Why data mining research does not contribute to business? In: C. Soares et al. (eds), Proc. of Data Mining for Business Workshop DMBiz (ECML/PKDD'05) (pp. 67-71). Portugal: Porto.
  • 46. Porter, M. (1985). Competitive Advantage. Creating and Sustaining Superior Performance. New York: Free Press.
  • 47. Rahm, E., & Do, H.H. (2000). Data cleaning: Problems and current approaches. IEEE Data Eng. Bull., 23(4), 3-13.
  • 48. Rummler, G.A., & Brache, A.P. (2000). Podnoszenie efektywności organizacji [Improving the effectiveness of the organization]. Warszawa: PWE.
  • 49. Sebesta, R.W. (2016). Concepts of programming languages. Pearson.
  • 50. Sliż, P. (2018). Dojrzałość procesowa współczesnych organizacji w Polsce [Process maturity of contemporary organizations in Poland]. Sopot: Wydawnictwo Uniwersytetu Gdańskiego.
  • 51. Song, C.W., Jung, H., & Chung, K. (2017). Development of a medical big-data mining process using topic modeling. Cluster Computing, 1-10.
  • 52. Suzhen, Q. (2018, November). Data Mining and Business Process Management of Apriori Algorithm. IOP Conference Series: Materials Science and Engineering (Vol. 439, No. 3, p. 032012). IOP Publishing.
  • 53. Tan, P.-N., Steinbach, M., & Kumar, V. (2006). Introduction to Data Mining. Pearson Education.
  • 54. Tavares, M., Paredes, S., Rocha, T., Carvalho, P., Ramos, J., Mendes, D., & Morais, J. (2015, August). Expert knowledge integration in the data mining process with application to cardiovascular risk assessment. In Engineering in Medicine and Biology Society (EMBC), 2015 37th Annual International Conference of the IEEE (pp. 2538-2542). IEEE.
  • 55. The Google Trends tool. Retrieved from: https://trends.google.com/trends.
  • 56. Wang, J. (ed.). (2005). Encyclopedia of Data Warehousing and Mining. Hershey, PA: Idea Group Inc.
  • 57. Wang, H., & Wang, S. (2008). A knowledge management approach to data mining process for business intelligence. Industrial Management & Data Systems, 108(5), 622-634.
  • 58. Yang, H.H., & Moody, J. (2000). Data visualization and feature selection: New algorithms for nongaussian data. Advances in Neural Information Processing Systems, 12, 687-693.
Typ dokumentu
Bibliografia
Identyfikatory
Identyfikator YADDA
bwmeta1.element.ekon-element-000171559291

Zgłoszenie zostało wysłane

Zgłoszenie zostało wysłane

Musisz być zalogowany aby pisać komentarze.
JavaScript jest wyłączony w Twojej przeglądarce internetowej. Włącz go, a następnie odśwież stronę, aby móc w pełni z niej korzystać.