داده کاوی چیست ؟ و کاربردهای آن در سال ۲۰۱۹ (تاریخچه فواید و منابع)

داده کاوی چیست

در این مقاله سعی خواهیم کرد داده کاوی و کاربرد های آنرا به بیان ساده برای شما عزیزان بنویسیم.
روند حفاری از طریق داده ها برای کشف اتصالات پنهان و پیش بینی روند آینده، تاریخچه طولانی دارد. گاهی اوقات به عنوان “کشف دانش در پایگاه های داده” نامیده می شود، اصطلاح “داده کاوی” تا دهه ۱۹۹۰ ساخته نشده بود. اما پایه آن شامل سه رشته علمی مقابل است:

• آمار (مطالعه عددی روابط داده ها)
• هوش مصنوعی (هوش انسان مانند نرم افزار و / یا ماشین)
• یادگیری ماشین (الگوریتم هایی است که می توانند از داده ها برای پیش بینی استفاده کنند).

آنچه که قدیمی بود دوباره جدید است، زیرا تکنولوژی داده کاوی در حال تکامل است تا با پتانسیل بی حد و حصر داده های بزرگ و قدرت محاسباتی مقرون به صرفه هماهنگ شود.

 

در دهه گذشته، پیشرفت در پردازش قدرت و سرعت، ما را قادر به فراتر رفتن از شیوه های دستی میکند، تجزیه و تحلیل داده هایی که خسته کننده و وقت گیر بود، سریع، آسان و خودکارشده است.  مجموعه داده ها پیچیده تر جمع آوری شده است، پتانسیل بیشتری برای کشف بینش مربوطه وجود دارد.

از جمله خرده فروشان، بانک ها، تولید کنندگان، ارائه دهندگان خدمات مخابراتی و بیمه گران، از استخراج داده ها برای کشف روابط بین همه چیز از جمله بهینه سازی قیمت، تبلیغات و جمعیت شناختی تا نحوه اقتصاد، خطر، رقابت و رسانه های اجتماعی بر مدل های کسب و کار، درآمد، عملیات و روابط مشتریاستفاده میکنند.

امروزه شرکت ها نیاز به یک روش کارآمد برای یافتن اطلاعات ارزشمند دارند تا بتوانند با سرعت بیشتری رشد اقتصادی آنها ادامه یابند. در رده داده های بزرگ، هر روز داده های توده ای را در بسیاری از زمینه ها تولید می کند.

روش های آماری سنتی برای مقابله با آن بسیار وقت گیر و ناکارآمد بود. بنابراین لازم است که یک الگوریتم هوشمند پیدا کنیم که بتواند حجم زیادی از اطلاعات را برای استخراج دانش بالقوه اداره کند. داده کاوی یک تکنولوژی مبتنی بر روش های آماری ریاضی آماری است و ترکیبی از بسیاری از الگوریتم های پردازش پیچیده داده ها است.

این توانایی برای تجزیه و تحلیل داده های مقیاس پذیر، چند بعدی، متنوع، پیچیده و دیگر انواع داده ها را دارد. به دلیل برتر بودن داده کاوی، محققان به طور گسترده ای این تکنولوژی را در بازاریابی، بیمه، بانکی و پزشکی برای یافتن دانش پنهان استفاده می کنند.

 

 

چرا داده کاوی مهم است؟

شما موارد زیادی را دیده اید که حجم داده های تولید شده هر دو سال دو برابر می شود. داده های بدون ساختار به تنهایی ۹۰ درصد از جهان دیجیتال را تشکیل می دهند. اما اطلاعات بیشتر لزوما به معنی دانش بیشتر نیست.
داده کاوی به شما امکان می دهد تا:

• درک آنچه مربوط است و سپس استفاده مناسب از آن اطلاعات برای ارزیابی نتایج احتمالی.
• سرعت تصمیم گیری های آگاهانه را تسریع کنید.

کاربرد های داده کاوی چیست؟

داده کاوی در قلب تلاش های تحلیلی در صنایع مختلف و رشته ها قرار دارد لذا کاربرد های داده کاوی را در زیر مورد بررسی قرار داده ایم.

ارتباطات

در یک بازار پربار که رقابت تنگ است، پاسخ اغلب در اطلاعات مصرف کننده شماست. شرکت های چند رسانه ای و ارتباطات از راه دور می توانند از مدل های تحلیلی برای شناسایی کوه ها از اطلاعات مشتریان استفاده کنند، به آنها کمک می کند تا رفتار مشتری را پیش بینی کنند و کمپین های بسیار هدفمند و مناسب را ارائه دهند.

بیمه

شرکت های بیمه با استفاده از تکنیک های تحلیلی می توانند مشکلات پیچیده ای را در رابطه با تقلب، انطباق، مدیریت ریسک و سقوط مشتری حل کنند. شرکت ها از تکنیک های داده کاوی به قیمت محصولات به طور موثر در خطوط کسب و کار استفاده کرده اند و روش های جدیدی برای ارائه محصولات رقابتی به مشتریان موجود خود دارند.

تحصیلات

با یکپارچه، دیدگاه های داده شده بر پیشرفت دانش آموزان، معلمان می توانند قبل از اینکه پای درس در کلاس درس را پیش ببرند، پیش بینی می کنند و راهبردهای مداخله ای برای نگه داشتن آنها در مسیر فراهم می کنند. داده کاوی به آموزگاران کمک می کند تا داده های دانش آموزان را در دسترس داشته باشند، پیش بینی سطوح دستاورد و دانش آموزان یا گروه هایی که نیاز به توجه بیشتری دارند، به طور دقیق مشخص شود.

ساخت

هماهنگ کردن برنامه های عرضه با پیش بینی های تقاضا ضروری است، همانطور که تشخیص زودهنگام مشکلات، تضمین کیفیت و سرمایه گذاری در ارزش سهام برند است. تولید کنندگان می توانند از دارایی های تولیدی پیش بینی کنند و پیش بینی های تعمیر و نگهداری را انجام دهند، که می تواند به حداکثر رساندن زمان آماده سازی و خط تولید را به موقع حفظ کند.

بانکداری

الگوریتم های خودکار کمک به بانک ها در درک مشتریان خود و همچنین میلیاردها معاملات در قلب سیستم مالی. داده کاوی به شرکت های خدمات مالی کمک می کند تا دیدگاه های بهتر در مورد خطرات بازار، سریعتر تشخیص تقلب، مدیریت تعهدات قانونی و بازده مطلوب سرمایه گذاری های بازاریابی خود را دریافت کنند.

خرده فروشی

یکی دیگر از کاربرد های داده کاوی بانک اطلاعاتی مشتریان مشتری بینش پنهانی مشتری را که می تواند به شما در بهبود روابط، بهینه سازی کمپین های بازاریابی و پیش بینی فروش کمک کند. از طریق مدل های دقیق تر داده ها، شرکت های خرده فروشی می توانند اقدامات هدفمندتری ارائه دهند و پیشنهاداتی را که بیشترین تاثیر را بر مشتری می گذارد، پیدا کنید.

داده کاوی چه فایده ای دارد

شناخت مشتریان سودآور: می توانید مشتریانی که بیشترین سود شما از آنها حاصل شده را شناسایی کنید و برای حفظ وفاداری مشتری تلاش کنید.

بهینه سازی سبد محصول: شناخت محصولات پر فروش، محصولات سودآور محصولات زیان ده از دیگر فواید داده کاوی است. با این کار می توانید در بهتر کردن سبد محصول خود اقدام کنید.

شناخت مشتریان وفادار و قدیمی: می توانید بفهمید مشتریان قدیمی شما چه کسانی هستند و با چه برنامه ای خرید می کنند، چه کالایی را دوست دارند و چه کالایی باعث وفاداری آنها شده است.

بررسی طول عمر مشتری: با استفاده از داده کاوی می توانید طول عمر مشتری و چرخه آن، میزان سود حاصل عایده از هر مشتری در هر مرحله را بررسی کنید.

شناسایی رفتار مشتری: اگر شما بتوانید رفتار مشتریان خود را بشناسید و آن را با ویژگی های مشتری تطابق دهید می توانید در زمینه بخش بندی و قسمت بندی بازار موفق عمل کنید. اگر امروز بتوانید برای یک محصول خود به صورت مستند بخش بندی بازار انجام دهید در ادامه نیز در این امر موفق خواهید بود.

بررسی عمکلرد یک برنامه بازاریابی: اگر می خواهید بدانید یک برنامه بازاریابی و تبلیغاتی که انجام داده اید چه اثرات آشکار و پنهانی داشته و برای انتخاب آن در آینده تصمیم بگیرید بی شک داده کاوی بسیار مفید خواهد بود.

کشف الگو و روند: با استفاده از داده کاوی و بررسی میزان خرید مشتریان می توانید الگوهای فصلی خرید را استخراج کنید، روند کاهش و یا افزایش آن را تحلیل کنید و در صورت نیاز اقدام اصلاحی انجام دهید.

پیش بینی فروش: با استفاده از اطلاعات گذشته و بهره بردن از الگو و ارتباط میان داده ها و رونده می توانید فروش خود را در آینده پیش بینی کنید. روند فصلی فروش را بیابید و برای فروش یک محصول جدید برنامه ریزی کنید.

مثال‌های کاربرد داده کاوی در مهندسی صنایع

به عنوان مثال، در زمینه مدیریت زنجیره تأمین (Supply Chain Management) یا SCM، روش‌های مختلف طبقه بندی (نظارت شده) و خوشه بندی (غیر نظارت شده) برای گروه بندی مشتریان، خدمات دهندگان و کالاها (یا خدمات) مورد استفاده واقع شده‌اند و هدف اصلی آن‌ها، ایجاد یک تصویر بیان خلاصه‌تر از زنجیره تأمین بوده است.

در زمینه مسائل زمان بندی، به ویژه در مواردی که ماشین‌ها با قابلیت‌های مختلف و وظایف با نیازمندی‌های متفاوت وجود دارند (مثلاً مانند مسأله زمان بندی منعطف یا Flexible Jobshop Scheduling Problem) یا FJSP، امکان ایجاد راه حل اولیه مناسب و حتی شبه بهینه (sub-optimal) با استفاده از رویکردهای داده کاوی وجود خواهد داشت. این موضوع نیز، می‌تواند با استفاده از رویکردهای طبقه بندی یا خوشه بندی انجام شود.

موضوع طراحی مهندسی (Engineering Design)، شامل مجموعه وسیعی از مسائل بهینه سازی و مهندسی است، که بنا بر شرایط محیط صنعتی و بازار هدف، غالباً به صورت یک مسئله با دینامیک بالا و اغلب به صورت توأم با عدم قطعیت طرح می‌شود. داشتن یک سری قواعد سر انگشتی برای تصمیم گیری سریع، با استفاده از روش‌های داده کاوی (به ویژه روش‌های رگرسیون) قابل انجام خواهد بود.

استفاده از روش‌های داده کاوی برای تحلیل نتایج به دست آمده از سیستم‌های تولیدی (Manufacturing Systems)، به منظور بهینه سازی روند تولید و یا اشکال زدایی از آن، یکی دیگر از مهم‌ترین زمینه‌های کاربردی داده کاوی در این حوزه محسوب می‌شود. برای موضوع تشخیص و طبقه بندی خطا در سیستم‌های تولید، و ایجاد هشدارهای مهم برای ناظران، روش‌های طبقه بندی می‌توانند کاربرد داشته باشند. در خصوص بهینه سازی روند تولید و اتوماسیون خطوط تولید، استفاده از روش‌های مبتنی بر قواعد (Rule-based Systems) مرسوم‌تر و کارآمدتر است. موضوع مدیریت و کنترل کیفیت نیز، یکی دیگر از زمینه‌های بسیار مهم و کاربردی داده کاوی در زمینه سیستم‌های تولید است.

موضوع سیستم‌های تصمیم یار یا پشتیبان تصمیم (Decision Support Systems) نیز، به عنوان یک موضوع بسیار کلی‌تر، که تقریباً در همه زمینه‌های تخصصی و فنی کاربرد دارد، می‌تواند در حوزه مهندسی صنایع و زمینه‌های مرتبط کاربرد داشته باشد. یکی از رویکردهای طراحی چنین سیستم‌هایی، که به مدیران و مهندسین ناظر بر فرایندها امکان تصمیم گیری سریع، اصولی و درست را می‌دهد، استفاده از رویکردهای مبتنی بر کشف دانش (Knowledge Discovery) و داده کاوی است.

موضوع سیستم‌های تصمیم یار یا پشتیبان تصمیم (Decision Support Systems) نیز، به عنوان یک موضوع بسیار کلی‌تر، که تقریباً در همه زمینه‌های تخصصی و فنی کاربرد دارد، می‌تواند در حوزه مهندسی صنایع و زمینه‌های مرتبط کاربرد داشته باشد. یکی از رویکردهای طراحی چنین سیستم‌هایی، که به مدیران و مهندسین ناظر بر فرایندها امکان تصمیم گیری سریع، اصولی و درست را می‌دهد، استفاده از رویکردهای مبتنی بر کشف دانش (Knowledge Discovery) و داده کاوی است.

موضوع تعمیرات و نگهداری، و همین طور موضوع قابلیت اطمینان در سیستم‌ها، مجموعه‌ای از مسائل هستند که می‌توان از روش‌های داده کاوی برای حل آن‌ها استفاده نمود. فرمول‌هایی که برای تخمین قابلیت اطمینان در سیستم‌ها استفاده می‌شوند، بعضاً دارای هزینه محاسباتی بالایی هستند. بعضاً نیز، قابلیت اطمینان یک سیستم، چندان فرمول پذیر و محاسبه پذیر نیست. با استفاده از رویکردهای رگرسیون و مدل سازی، می‌توان مدلی سریع و محاسباتی برای تخمین مقدار قابلیت اطمینان، احتمال خرابی، پیش بینی زمان خرابی آتی، پیش بینی نرخ و میزان خرابی و مواردی از این قبیل استفاده نمود.

موضوع مدیریت ارتباط با مشتریان (Customer Relationship Management) یا CRM و موارد نظیر آن نیز، از جمله مواردی هستند که به دفعات از روش‌های داده کاوی برای حل مسائل مربوط به این حوزه‌ها، استفاده شده‌اند. البته این موارد و کاربردهای مشابه آن، در زیر مجموعه هوش تجاری (Business Intelligence) یا BI نیز مورد مطالعه قرار می‌گیرند، که زمینه بسیار مهمی در کاربردهای داده کاوی است.

 

منابع

معرفی برخی از ژورنال ها و مجلات معتبر در حوزه های داده کاوی، علم داده، کلان داده به درخواست یکی از اعضای محترم کانال:

1. Data Mining and Knowledge Discovery
2. International Journal of Data Mining and Bioinformatics
3. EPJ Data Science
4.  Journal of Data Science
5. Big Data

 

داده کاوی در شناسایی عیوب و بهبود کیفیت

⭕️شناسایی عیوب یکی از نخستین حوزه‌هایی است که داده کاوی در آن به‌کار رفته است؛ ایده به‌کار گرفته شده در داده‌کاوی در این خصوص مطالعه‌ی رفتار گذشته سیستم و فهم فرایند و سپس پیش‌بینی و ارتقا عملکرد آینده سیستم است.

از داده‌کاوی می‌توان برای شناسایی الگوهایی که می‌توانند به خرابی منجر شوند استفاده کرد؛ چنین شیوه‌هایی نه تنها در شناسایی محصولات معیوب کمک می‌کنند بلکه به‌صورت فنی پارامترهای مهم و تاثیرگذار بر کیفیت را نیز تغیین می‌کنند.

چند نمونه از کاربردها در ادامه ذکر شده است:
۱-کنترل کیفیت
۲-تعیین طرح‌های کنترل کیفی
۳-شناسایی نوع خرابی
۴-شناسایی مکانیزم خرابی قطعات مکانیکی
۵-بهبود کیفیت
۶- مهندسی کیفیت
۷-پیش‌بینی احتمال خرابی

امیدواریم از این مطلب در سایت صنایع سافت لذت برده باشید.نظرات خودتون رو واسه ما کامنت بزارین تا ما بتونیم هر چه بیشتر از اونها واسه بهتر شدنه تیممون استفاده کنیم.

 

[av_notification title=” icon_select=’no’ icon=’ue800′ font=’entypo-fontello’ color=’custom’ border=” custom_bg=’#e15847′ custom_font=’#ffffff’ size=’large’ close_btn=” cookie_lifetime=’نام‌کاربری نمی‌تواند بیشتر از ۶۰ حرف باشد.’ av_uid=’av-2prgta’ admin_preview_bg=”] حتما شما هم دوست دارید مانند دیگر مهندسان صنایع از مقاله های جدید ما باخبر بشین، خب کافیه که فقط ایمیلتونو داخل فرم زیر وارد کنید. به همین راحتی 🙂
[/av_notification]

 

[av_testimonials style=’grid’ columns=’1′ grid_style=” interval=’5′ font_color=” custom_title=” custom_content=” av_uid=’av-4ly8tv’ admin_preview_bg=”] [av_testimonial_single src=’4200′ name=’احمد جعفری’ subtitle=” link=’http://’ linktext=” av_uid=’av-1vkktv’] دانشجوی کارشناسی رشته مهندسی صنایع، فعال در حوزه دیجیتال مارکتینگ و علاقه مند به استارت اپ ها و دوست دارم که هر روز آموزش های بیشتری برای مهندسان صنایع تولید کنم
[/av_testimonial_single] [/av_testimonials]

اگر این مقاله برای شما مفید بود برای دوستان خود هم به اشتراک بگذارید تا بقیه هم از این مطلب استفاده لازم را ببرند.