ZAJEDNIKI MASTER PROGRAM

EKONOMSKOG FAKULTETA UNIVERZITETA U SARAJEVU

I EKONOMSKOG FAKULTETA SVEUILITA U ZAGREBU

DATA MINING
Studij: Strateki informatiki menadment
Predmet: Poslovna inteligencja
Profesor: Prof. dr. Savo Stupar

Pripremili:
Vedran Hadi
Slobodan Tubin
Nadida Koljenovi
Ermin Panjeta

Ciljevi prezentacije
Objasniti pojam Data mining i njegovu
upotrebu
Objasniti evoluciju Data mining-a
Upoznati se sa preduslovima i djelokrugom
Data mining-a
Upoznati se sa Data mining konceptom
Prikazati Data mining stilove i pristupe
Objasniti Data mining software i poslovnu
primjenu samog Data mining-a
Zakljuak

Definicija
ta je to DATA MINING?
Data mining oznaava automatizovani
analitiki proces oblikovan za efektivnu i
efikasnu eksploraciju u velikim koliinama
podataka sa ciljem otkrivanja, validiranja i
crpljenja vrijednih, skrivenih informacija
koje se tiu novih, dotle neznanih injenica,
sluajeva ili/i modela u poslovanju.

Upotreba Data mining-a

Predvianje buduih trendova i ponaanja
Donoenje odluke zasnovane na pravom
znanju o neemu
Rjeavanje poslovnih problema koji su
inae zahtjevali dosta vremena za
rjeavanje

Evolucija Data mining-a

Data mining poinje onog momenta kada su prvi

poslovni podaci pohranjeni na raunaru,
a nastavlja se razvojem informacione tehnologije.

4 revolucionarna koraka
Data mining-a
Evolutivni korak

Poslovno
pitanje

Tehnologije

Organizacije

Karakteristike

Skupovi podataka
(1960-tih)

Koliko je bilo
ukupnih prihoda u
posljednjih pet
godina?

Raunari,
trake,
Diskovi

IBM,
CDC

Isporuka
retrospektivnih,
statikih podataka

Pristup podacima
(1980-tih)

Kolika je bila
prodaja po
proizvodu u Novoj
Engleskoj prolog
marta?

Relacione baze
podataka (RDBMS),
struktuirani upitni
jezik (SQL), ODBC

Data Warehousing
i podrka
odluivanju (1990tih)

Data mining
(danas aktuelno)

Kolika je bila
prodaja po
proizvodu u Novoj
Engleskoj prolog
marta? Pronai
detaljne podatke
vezano za Boston
Kolika e
najvjerovatnije biti
prodaja po
proizvodu u
Bostonu sljedeeg
mjeseca? Zato?

Tabela 1. Koraci u evoluciji Data mining-a

Oracle, Sybase,
Informix, IBM,
Microsoft

On-line analitiko
procesiranje
(OLAP),
viedimenzionalne
baze podataka,
data warehouse-i

Pilot, Comshare,
Arbor, Cognos,
Microstrategy

Napredni algoritmi,
multiprocesorski
raunari, ogromne
baze podataka

Pilot,
Lockheed
IBM,
SGI

Isporuka
retrospektivnih,
dinamikih
podataka na nivou
sloga
Isporuka
retrospektivnih,
dinamikih
podataka na
viestrukim
nivoima
Isporuka
proaktivnih i
predviajuih
informacija

Preduslovi za Data mining

a) Dovoljna koliina podataka, na osnovu
kojih e se vriti analize
b) Dovoljan procesni i diskovni kapacitet
servera na kojem su pohranjeni podaci
koji e se analizirati
c) Pogodan alat za Data mining
d) Opte informatiko obrazovanje
analitiara koji vri Data mining

Djelokrug Data mining-a

Pretee Data mining-a su bile:
Analize poslovanja generisane od
strane odjela informacionih sistema na
zahtjev nadlenog menadera
Izrada projektnog zadatka
Angaman projektanta, programera i
operatera
Znaajan utroak raspoloivih
kapaciteta raunarskih sistema
organizacije

Djelokrug Data mining-a

Razvojem tehnologije, informatikog znanja i
software-a postignuta je:
Eliminacija izrade projektnog zadatka i
angaman kadra
Automatizirano predvianje trendova i
ponaanja
Automatizirano otkrivanje ranije
nepoznatih obrazaca

Djelokrug Data mining-a

Najee tehnologije koje se koriste u Data
mining-u su:

Vjetake neuralne mree

Stabla odluivanja
Genetiki algoritmi
Uvoenje pravila
Vizualizacija podataka

Data mining koncept

Slika 1. - est osnovnih koraka Data mining procesa

1. Definisanje problema

4. Izgradnja modela

2. Priprema podataka

5. Istraivanje i vrednovanje modela

3. Istraivanje podataka

6. Primjena i update modela

CRISP-DM model

Slika 2. - Model CRISP dubinske analize podataka

1. Razumjevanje problema

4. Modeliranje

2. Razumjevanje podataka

5. Evaluacija

3. Priprema podataka

6. Primjena

Data mining stilovi

Provjera pretpostavke top-down pristup
za provjeru predloene pretpostavke
Otkrivanje znanja bottom-up pristup
(usmjereno i neusmjereno)

Data mining pristupi

Asocijacija / grupisanje po afinitetu

Klasifikacija
Klasterovanje
Opisivanje
Procjena (evaluacija)
Predvianje

KDD

Knowledge Discovery in Databases

(KDD)
Otkrivanje znanja u bazama podataka

Data mining software

Data mining software analizira relacije i

obrasce u pohranjenim transakcijskim
podacima na osnovu upita koje plasira
krajnji korisnik.

Data mining software

Tipovi relacija koje Data mining
software
nastoji da pronae su:
Klase
Klasteri
Asocijacije
Sekvencijalni obrasci

Poslovna primjena
Kompanije koje se bave kreditnim
karticama
Transportne kompanije
Veleprodaje
Trgovine

Zakljuak

Data mining je alat,

a ne arobni tapi
Edelstein (1998)

Zahvaljujemo se na panji...

Studenti:
Vedran Hadi
Slobodan Tubin
Nadida Koljenovi
Ermin Panjeta