e化企业新的资讯科技架构(下).pptVIP

第八章 e化企業新的IT架構 3.1 線上分析處理 On-line Analytical Processing OLAP 架構在資料倉儲上，提供使用者多維度、多角度的快速分析 由於資料倉儲的架構經過重新設計，並採新的索引技術，可同時提供多個使用者在線上做即時的分析查詢 讓大部份的使用者不須仰賴資訊人員 傳統資料庫需使用SQL ，只要用交談式分析工具，就能從事線上分析。 OLAP主要提供的多維度分析功能 切片 Slice 把資料視為一個立方體，將之切成薄薄的一片。 可將三維資料切成二維資料以取得較彙整、較宏觀的資料。 OLAP主要提供的多維度分析功能 Cont. 切丁 Dice 從一個大骰子（所有產品、所有時間、所有通路）切出一個範圍較小、維度相同的小骰子（某一產品、某一時間、某一通路） OLAP主要提供的多維度分析功能 Cont. 下拉 Drill Down 由宏觀到微觀的角度觀察資料，例如從年度銷售額往下拉到季，再往下拉到週，再往下拉到日。 上轉 Roll Up 與下拉相反，例如從日的資料往上整合轉到週，再由週往上轉到季。 OLAP主要提供的多維度分析功能 Cont. 旋轉 Rotation 考慮不同的管理者常有不同的資訊需求，如骰子般旋轉之後會改變維度的角度 如下圖，若骰子向左旋轉，從原來的產品與通路將變成產品與時間。 3.2 資料探勘 Data Mining DM 利用統計、人工智慧 AI 或其他的分析技術，在企業之大型資料庫（或倉儲）內尋找與挖掘事前未知、有效且可付諸行動的資料間隱藏的關係與規則，用來指導企業的決策制定。 資料探勘的主要技術 1 關聯法則分析 另翻為聯結分析 Association Rule Analysis 在大型資料庫中，找出項目同時出現的關聯性 例如：哪些商品會使顧客一起購買？ 關聯法則分析實例 假設原始交易如下表 欲找最小support為2之關聯法則 → Large 1-itemset 關聯法則分析實例 Cont. →Large 2-itemsets →Large 3-itemsets 資料探勘的主要技術 2 循序樣式分析 另翻為次序相關分析 Sequential Pattern Analysis 找出變數與變數間，事件隨時間而聯結的關係 例如哪些貨品之買賣有先後順序 目的：由一群有時間次序性的交易中，找出經常出現的交易項目組合，進而瞭解顧客的長期購買行為。 循序樣式分析實例 假設以下為顧客之購買資料 Support設為2 循序樣式分析之結果： 30 , 40 30 , 70 30 , 40,70 30 , 90 資料探勘的主要技術 3 分類分析 Classification Analysis 從已知類別的物件集合中，依據其屬性（可能影響物件類別的變數），建立一個分類模式（如決策樹或決策法則）來描述物件屬性與類別之關係。 分類分析 實例 ID3演算法 資料探勘的主要技術 4 群集分析 Clustering Analysis 設定一組由多個屬性描述其特性的物件集合，根據物件間的相似性，將這些物件分成群集，使得每個群集內的成員具有高度的相似性，而不同群集間之物件具有高度的不相似性。 群集分析 K-means演算法 選擇所要分成的集群數k，接著隨機選擇k個種子 seeds 做為每個集群的初始重心 means 。 計算每筆資料到重心的距離，將各筆資料分配到其最近的重心之集群內。 分配完畢後，再計算每個集群的新重心。 如此反覆進行分配集群及重新計算新重心的過程，直到新舊重心的位置不再改變為止。 資料探勘的主要技術 5 預測分析 Forecasting Analysis 以歷史資料來預測未來的走向 例如根據過去資料，未來10個月企業產品的銷售成長率如何。 DM在企業之應用實例 市場區隔 找出會購買相同產品顧客的共通特性。 顧客流失 預測哪些顧客可能會流失到其他競爭者。 市場購物籃分析 Market Basket 找出消費者會同時購買的產品或服務。 3.3 智慧代理人 Intelligent Agents IA 被設計來幫助使用者完成某些特定目的及任務的一些軟體程式，其本身具有某種程度的智慧、知識與獨立自主性。 IA的主要功能 資訊的瀏覽與擷取 記憶使用者的瀏覽習慣，主動提供類似網站 Intelligent Indexing Agent: 自動scan文件，並將 主題、關鍵字與內容存起來且附加index 例如Spider搜尋引擎 Web-Browsing Agent: 網站導遊 例如Letizia根據使用者的瀏覽習慣，主動 提出其有興趣的相關網站 IA的主要功能 Cont. 決策支援與強化員工 提醒、建議使用者更好的工