چکیده:
ابهامات محیطی ناشی از مدلهای نوین کسب و کار سبب تشدید پیچیدگی در تصمیمگیری، به ویژه در حوزه کسب و کار شده است.به طوری که بسیاری از متغیرهای تاثیرگذار ناشناخته بوده و روابط میان آنها نیز غیرخطی و پیچیده است.در چنین شرایطی دیگر نمیتوان دادهها را با ابزارهای سنتی تحلیل نموده و از آنها دانش استخراج کرد.
از این روی مقاله حاضر به تشریح تکنولوژی داده کاوی در حوزه هوش محاسباتی و متدولوژی استاندارد CRISP Data Mining پرداخته و یک طبقهبندی از کاربردهای این تکنولوژی در حوزه تصمیمگیریهای کسب و کار ارایه داده است.در ادامه یک مطالعه موردی بر روی پایگاه داده مشتریان یکی از بانکها با استفاده از داده کاوی ارائه میگردد.
خلاصه ماشینی:
"درک موقعیت کسب و کار:این گام خود شامل بخشهای زیر است: الف-تعیین اهداف و نیازمندیهای پروژه در غالب مفاهیم واژگان مصطلح در کسبو کارهای مختلف،ب-ترجمه اهداف،محدودیتها و نیازمندیهای ذکر شده در غالب فرمولها و تعاریف داده کاوی و ج-تعیین یک راهبرد اولیه برای دستیابی به اهداف فوق.
پیشپردازش دادهها شامل چهاربخش زیر میباشد: الف-آمادهسازی دادههای خام اولیه در قالب مجموعه دادهای نهایی که در دیگر مراحل داده کاوی مورد استفاده قرار میگیرد.
در تمام موارد،مدلهای داده کاوی باید به فرآیند تصمیمگیری کمک کنند[13]این گام نیز به بخشهای زیر تقسیم میشود[17]: الف-پاسخهای داده شده توسط مدلهای گام قبل از نظر کیفیت و اثربخشی مورد آزمون قرار گیرند.
تان و دیگران نیز با استفاده از روش ترکیبی داده کاوی و متدولوژی اکتشاف دانش یک مدل پیشبینی برای قیمت سهام ارائه دادند.
خوشهبندی و طبقهبندی لین و دیگران در تحقیقات خود با استفاده از شبکههای عصبی مدل Elman اقدام به ارائه روشی برای انتخاب پویای سبد سهام نمودهاند.
همانگونه که بیان گردید،توان و قدرت تحلیل تکنولوژی داده کاوی و مدلهای متنوعی که این فنآوری از آنها استفاده مینماید ابزار مناسبی جهت اخذ تصمیمات مختلف حوزه علوم مالی خصوصا در زمینههایی مانند پیشبینی قیمت سهام،انتخاب سبد سهام و کشف تخلفات است.
در تحلیلهای مالی اغلب متغیرها پیچیده و ترکیبی بوده و روابط نیز ناشناخته و اغلب غیرخطی میباشند،بنابراین تحقیقت صورت گرفته در خصوص کاربردهای داده کاوی در علوم مالی موید آن است که باید بیشتر از توان داده کاوی برای پاسخ به نیازهای تحلیل گران مالی استفاده نمود."