 BA_EM Electronic Marketing Pavel Agenda  Efektivní data mining jako zdroj relevantních dat o potřebách zákazníků.

Slides:



Advertisements
Podobné prezentace
Podpora personálních procesů v HR Vema Jaroslav Šmarda
Advertisements

Vstupte úspěšně na online trh ACOMWARE s.r.o. • Hvězdova 1689/2a, Praha 4 • Tel.: •
Multidimenzionální analýza zdravotnických dat v prostředí webu RNDr. Karel Drdla RNDr. Zlata Kubů DCB Actuaries and Consultants
Výběr vozidla do firmy – máme k dispozici všechny informace? Michal Krátký, Přemysl Žižka – DEN S FLEETEM DEN S FLEETEM – JARO 2010.
 Informací se data a vztahy mezi nimi stávají vhodnou interpretací pro uživatele, která odhaluje uspořádání, vztahy, tendence a trendy  Existuje celá.
Veronika Dubská A09B0007P KMA/MAB
SAS Jan Blaťák Laboratoř vyhledávání znalostí Fakulta informatiky Masarykova Univerzita, Brno
ŘÍZENÍ LIDSKÝCH ZDROJŮ Vzdělávání, kvalifikace, rozvoj
DATA MINING Irma Macháčová PROČ DATA MINING?
TENTO PROJEKT JE SPOLUFINANCOVÁN EVROPSKÝM SOCIÁLNÍM FONDEM A STÁTNÍM ROZPOČTEM ČESKÉ REPUBLIKY Inovace studijních programů na Fakultě multimediálních.
MODELY DISKRÉTNÍ VOLBY 3. cvičení
P‑value ano, či ne? Roman Biskup
Technologie pro CI. Od technologií pro CI vyžadujeme především funkce vyhledávání v rozsáhlých databázích na základě libovolných dotazů, propojování a.
Metody psychologie PhDr. Eva Tomešová, PhD.. Jak psychologové dospějí k závěrům o neznámém?  Používají VĚDECKOU METODU: IDENTIFIKACE VĚDECKÉ OTÁZKY FORMULACE.
Databáze Jiří Kalousek.
Obchodní akademie, Ostrava-Poruba, příspěvková organizace Vzdělávací materiál/DUMVY_32_INOVACE_03/A7 AutorIng. Liběna Krchňáková Období vytvořeníŘíjen.
Informační systémy podnikové systémy CRM
Geomarketing v adresné distribuci
JAK POZNAT HODNOTNÉ ZÁKAZNÍKY …cílíme přesně 1. Obsah  Teorie zákaznické hodnoty  Vyrábění zákaznické hodnoty 
Obsah  Představení  Úrovně cílení na zákazníky  Co je to segmentace  Workshop –prototyp segmentace ihned a ručně.
Internetový obchod s tváří Setkání s Pavlem Zendulkou ze společnosti Armed Store s.r.o. Případová studie Armed Store1.
Analýza dat.
PERSONÁLNÍ INFORMAČNÍ SYSTÉM PhDr. Vlasta Leštinská Mgr. Pavel Kocián
RNDr. Zdenek Kubíček Nemocnice Třinec
Auditorské postupy Činnosti před uzavřením smlouvy
Jaromír Skorkovský ESF MU KAMI
Odborná skupina Řízení portfolia projektů Pavel Pivoňka
Systémy pro podporu managementu 2
Relační databáze.
Význam informací a dat a znalostí
Internet jako nástroj vlivu ? Dana Bérová
Podnikové informační systémy C7 – Data Mining a získávání znalostí České vysoké učení technické v Praze Fakulta strojní ústav Řízení a ekonomiky podniku.
Obchodní akademie a Střední odborná škola, gen. F. Fajtla, Louny, p.o. Osvoboditelů 380, Louny Číslo projektu CZ.1.07/1.5.00/ Číslo sady 34Číslo.
Institut ekonomiky a systému řízení Oddělení GIS
úvod pojetí a obsah marketingu
Dokumentace informačního systému
Vývoj výrobku Firmy musí pružně reagovat na změny ( v lidských potřebách, technologii, technice, v počtu a síle konkurence,…) a vyvíjet nové výrobky. Novými.
Systémy pro podporu managementu 2 Inteligentní systémy pro podporu rozhodování 1 (DSS a znalostní systémy)
Jazyková příprava Skupiny ČEZ
Projekt Anglicky v odborných předmětech, CZ.1.07/1.3.09/
11/2011Přednáška č. 31 Řízení sestaveného modelu Obsah předmětu: Počítačová podpora řízení Předmět : Počítačová podpora řízení K126 POPR Obor : E ZS, 2011,
1 Marketingový informační systém. 2  Systém všech procedur vytvořených za účelem shromažďování, analýzy a vyhodnocování informací nezbytných pro kvalitnější.
DKV část 31 Design kvantitativního výzkumu 4. část ( ) Jiří Šafr UK FHS Historická sociologie (LS 2010)
Databázové systémy Informatika pro ekonomy, př. 18.
Databáze velké množství dat pevně dané struktury
Data pro posuzování environmentálních rizik Hustopeče, Petr Trávníček Luboš Kotek Petr Junga.
Rozhodovací proces, podpory rozhodovacích procesů
KREATIVNĚ ORIENTOVANÁ PÉČE O KLÍČOVÉHO ZÁKAZNÍKA- NOVÁ FIREMNÍ STRATEGIE.
Strategický marketingový proces: plánovací etapa
Marketingový průzkum Milan Mrázek Matematika & Business
ROZHODOVÁNÍ Osnova: 1. Východiska
Ekonomie 1 Magistři Šestá přednáška Lidský a sociální kapitál, princip přenesené ceny.
Postup při empirickém kvantitativním výzkumu
Mgr. Karla Hrbáčková Metodologie pedagogického výzkumu
Obsah Marketingový mix Marketingový mix obchodníka Nákupní marketing.
Důvody sestavování podnikatelského piánu Struktura podnikatelského plánu poskytuje podnikateli užitečný kontrolní prostředek pro zpracování informací.
Aktivity CzT vůči TIC. VZDĚLÁVÁNÍ PRACOVNÍKŮ TIC Projekt: Rozvoj lidských zdrojů v oblasti CR formou dalšího vzdělávání Program: OPLZZ Cíl = zvýšení úrovně:
Název projektu: PODPORA – PRAXE – PROFESE CZ.1.07/2.1.00/ Zahájení projektu: Ukončení projektu: PODPORA – PRAXE – PROFESE.
Behaviorální cílení v kostce Petr Dobroslávek. Značka chce znát své zákazníky. Nic nového. Marketing potřebuje znát svou CS. Nic nového. Internet je část.
Kapitola 5: Úvod do analytických technologií Webu Vítězslav Šimon (SIM0047) Adaptivní webové systémy (AWS)
Vzdělávací oblast: Ekonomické vzdělávání Tematická oblast:
Jak predikovat na základě velmi malého množství historických dat?
Obsah a úvod do předmětu: Počítačová podpora řízení
Ing. Athanasios Podaras, Ph.D
Dobývání znalostí z databází dolování dat
Databázové systémy přednáška 13 – Analýza a reporting
Induktivní statistika
Úvod do kvalitativního výzkumu
Informační systémy podnikové systémy CRM
Induktivní statistika
Transkript prezentace:

 BA_EM Electronic Marketing Pavel

Agenda  Efektivní data mining jako zdroj relevantních dat o potřebách zákazníků

Co je data mining?  Je absolutní  Je předem neznámý  Je užitečný

Co jsou data?

Tradiční využití data-miningu

Otázka  Uveďte příklad data miningu?

Můj příklad

Co je data mining?  Data mining je činnost automatického prohledávání velkých dat pro hledání vzorců podobností (patterns) a trendů, které jsou za hranicí jednoduché analýzy.  Data mining využívá pokročilé matematické algoritmy pro segmentaci data a Tradiční využití data-miningu a vyhodnocování budoucích událostí  Data mining je také znám jako:  Knowledge Discovery (KD) v datech (KDD).

Klíčové vlastnosti data miningu  Automatické objevování obvyklostí  Predikce předpokládaných výsledků  Tvorba akčních plánů  Zaměření na velké objemy dat a databází

Video

Proč jej využívat  Data mining vám odpoví na otázky, které nelze zodpovědět pomocí jednoduchých dotazů a reporty

Video example 

 Typy Data Miningu

Automatic Discovery  Data miningu se dosahuje pomocí stavby modelů. Model využívá algoritmy, které se aplikují na sadu hrubých dat. Výsledků automatizovaných závěrů je dosaženo pomocí zpracování jednotlivých modelů.  Modely data-miningu mohou být použity pro získávání výstupů z nových dat, která ještě nikdy nevyla zpracována. Proces aplikace takového modelu se jmenuje skóring.

Predikce - předpovědi  Mnoho forem data-miningu jsou prediktivní  Např. Model může předikovat příjem lidí s vysokoškolským vzděláním  Predikce jsou spojeny s pravděpodobností. Možnosti takové predikce jsou také známy jako jistoty (confidence).  Jak jistá je tato předpověď?  Některé formy prediktivního data miningu vytvářejí pravidla, která jsou podmínkou daných závěrů.  Např. Pravidlo může specifikovat, že člověk s Bc. Vzděláním z určitého regionu má vyšší příjem než regionální průměr. Pravidla mají asociovanou podporu v tvrdých datech.  Jaké procento populace splňuje dané pravidlo?

Seskupování - Grouping  Jiná forma data miningu identifikuje logické a seskupení dat.  Např. Model může identifikovat segment populace, který má určitý příjem v daném rozsahu, a nemá body za špatné řízení a kupuje si mobil každý rok.

Akční informace - Actionable Information  Data mining nám přináší informace vhodná pro akci na základě analýzy velkých dat.  Např. Developer může plánovat stavby na základě příjmových skupin žijících v dané lokalitě.  Leasingovka může použít model, který identifikuje zákaznické segmenty pro zaslání nabídky na drah, luxusní vozy.

Proč je to dnes tak důležité?  Data jsou všude kolem nás  Sociální sítě  Vyhledávání a porovnávání zboží  Cílení reklamy  Přesycení informacemi

Social Insight & Osobní využití  Ceny pronájmů  Blogy a zpravodajství  Informace o filmech v kině  Móda  Ceny produktů  Vyhledávání na porno stránkách

The krása vizualizace dat

Data Mining Process Definice problému Sběr dat a příprava Data Access Data Sampling Data Transformation Stavba modelu & hodnocení Create Model Test Model Evaluate & Interpret Model Aplikace znalostí Model Apply Custom Reports External Applicazions

Definice problému

Sběr dat a příprava  Přístup k datum  Data Sampling  Převod dat

Stavba modelu & hodnocení modelu  Vytvoření Modelu  Otestování Modelu  Vyhodnocení & Interpretace Model

Aplikace znalostí  Aplikace modelu  Reporty na míru  Pro externí aplikace

Jak lze předpovídat vaše chování?

Závěr!  Jsou tu ve škole/práci nějací kokoti? Řešení problému:  D-Fenz Kravatový test – Extremní příklad data miningu