داده کاوی زمانی (داده کاوی سری زمانی)

ش

سری زمانی یک مجموعه از داده ها در نقاط زمانی معین می باشد، معمولا فاصله بین نقاط در سری زمانی ثابت بوده و داده ها بر اساس دوره های زمانی مشخص تولید می شوند مانند هر ثانیه، دقیقه، ساعت، روز، هفته، ماه و یا سال یکبار. هر سازمان حجم زیادی از داده ها در هر روز تولید می کند مانند فروش، درآمد یا سود روزانه و یا میزان بازدید در هر روز از سایت اینترنتی شرکت. داده کاوی زمانی (داده کاوی سری زمانی) می تواند منجر به تولید اطلاعات ارزشمند برای تصمیمات بلندمدت یک کسب و کار گردد.

زمینه های کاربرد داده کاوی سری زمانی

در اینجا به برخی از زمینه های مهم و پرکاربرد داده کاوی سری زمانی پرداخته می شود:

  • تحلیل روند: این نوع از تحلیل ابتدا با ترسیم داده ها در محور زمان آغاز می شود به طوریکه معمولا محور افقی نشان گر زمان و محور عمودی نشان دهنده متغیر (متغیرهای) مورد نظر می باشد. خیلی از اوقات همین ترسیم یک دید و نگرش اولیه مناسب به تحلیل گر در رابطه با رفتار متغیر یا متغیرهای مورد مطالعه در طی زمان می دهد.
  • شناسایی داده های دورافتاده (داده های نویزی): در اینجا منظور شناسایی نقاط خاص و دورافتاده بوده تا در تحلیل های بعدی مورد نظر قرار گیرند. نقاط دورافتاده می تواند هم مربوط به موضوعات منفی (مانند تاخیر زیاد در تحویل سفارشات به مشتری یا هزینه زیاد و …) و یا موضوعات مثبت و مطلوب (مانند سود زیاد و فراتر از حد انتظار یا بازدید بالا از یکی از صفحات یک وب سایت) باشد.
  • شناسایی تغییرات غیر قابل انتظار: بوسیله این نوع از تحلیل می توان تغییرات، نوسانات و شوک های شدید که پیش از وقوع به هیچ وجه قابل انتظار و پیش بینی نبودند، را شناسایی نمود و در تحلیل های بعدی مد نظر داشت.
  • تحلیل های باهم‌آیی (Association Analysis): در این نوع از تحلیل ها ارتباطات از نوع باهم‌آیی پدیدار می شوند. به عنوان مثال کدام یک از متغیرها بر روی فروش شرکت تاثیرگذار می باشند و با افزایش یا کاهش آنها میزان فروش نیز افزایش یا کاهش پیدا کرده است. این نوع از تحلیل به صورت چشمی نیز در بسیاری از اوقات میسر می باشد، بدین منظور باید چند متغیر مورد بررسی در یک نمودار ترسیم شوند، مثلا ترسیم تغییرات رضایت مشتری و فروش شرکت در گذر زمان در یک نمودار این امکان را به تحلیل گر می دهد تا بررسی نماید که آیا با افزایش رضایت مشتری، میزان فروش شرکت نیز افزایش یافته است؟ این نوع از تحلیل ها می تواند در تعیین متغیرهای اصلی و انتخاب ویژگی (feature selection) در تحلیل های بعدی بسیار مفید واقع شود.
  • پیش بینی (Forecasting) و تحلیل های پیشگویانه (Predictive Analysis): در این نوع از تحلیل ها از داده های تاریخی که در گذشته اتفاق افتاده اند برای پیش بینی مقدار یک متغیر در دوره های زمانی آتی استفاده می شود.
رای دادن به این post

دیدگاهتان را بنویسید

نشانی ایمیل شما منتشر نخواهد شد.