Download 450-101 Management Information System Decision Support System

450-101 Management Information System
Decision Support System
ผศ.ดร. วิภาดา เวทย์ ประสิ ทธิ์
Office :CS320, Computer Science Building
Email :[email protected]
Website :http://staff.cs.psu.ac.th/wiphada
Phone :0-7428-8596
Business Intelligence Applications
2
Data Warehouse
1
3
4
5
450-101 Management Information System
2
Assit. Prof. Dr. Wiphada Wettayaprasit
Levels of Managerial Decision Making
450-101 Management Information System
3
Assit. Prof. Dr. Wiphada Wettayaprasit
Decision Structure
• Structured (operational)
– The procedures to follow when decision
is needed can be specified in advance
• Unstructured (strategic)
– It is not possible to specify in advance
most of the decision procedures to follow
• Semi-structured (tactical)
– Decision procedures can be pre-specified,
but not enough to lead to the correct decision
450-101 Management Information System
4
Assit. Prof. Dr. Wiphada Wettayaprasit
Information Quality
• Information products made more valuable by
their attributes, characteristics, or qualities
– Information that is outdated, inaccurate, or
hard to understand has much less value
• Information has three dimensions
– Time
– Content
– Form
450-101 Management Information System
5
Assit. Prof. Dr. Wiphada Wettayaprasit
Attributes of Information Quality
450-101 Management Information System
6
Assit. Prof. Dr. Wiphada Wettayaprasit
Decision Support in Business
• Companies are investing in data-driven decision
support application frameworks to help them respond
to
– Changing market conditions
– Customer needs
• This is accomplished by several types of
– Management information
– Decision support
– Other information systems
450-101 Management Information System
7
Assit. Prof. Dr. Wiphada Wettayaprasit
1 Management Information Systems
• The original type of information system
that supported managerial decision making
– Produces information products that support
many day-to-day decision-making needs
– Produces reports, display, and responses
– Satisfies needs of operational and tactical decision
makers who face structured decisions
450-101 Management Information System
8
Assit. Prof. Dr. Wiphada Wettayaprasit
2 Decision Support Systems
Management Information
Systems
Decision Support
Systems
Decision
support
provided
Provide information about the
performance of the
organization
Provide information and
techniques to analyze
specific problems
Information
form and
frequency
Periodic, exception, demand,
and push reports and
responses
Interactive inquiries and
responses
Information
format
Prespecified, fixed format
Ad hoc, flexible, and
adaptable format
Information
processing
methodology
Information produced by
extraction and manipulation
of business data
Information produced by
analytical modeling of
business data
450-101 Management Information System
9
Assit. Prof. Dr. Wiphada Wettayaprasit
Decision Support Systems
• Decision support systems use the following to
support the making of semi-structured business
decisions
– Analytical models
– Specialized databases
– A decision-maker’s own insights and judgments
– An interactive, computer-based modeling process
• DSS systems are designed to be ad hoc,
quick-response systems that are initiated and
controlled by decision makers
450-101 Management Information System
10
Assit. Prof. Dr. Wiphada Wettayaprasit
DSS Components
450-101 Management Information System
11
Assit. Prof. Dr. Wiphada Wettayaprasit
Decision Support Trends
• The emerging class of applications focuses on
– Personalized decision support
– Modeling
– Information retrieval
– Data warehousing
– What-if scenarios
– Reporting
450-101 Management Information System
12
Assit. Prof. Dr. Wiphada Wettayaprasit
DSS Model Base
• Model Base
– A software component that consists of
models used in computational and analytical
routines that mathematically express relations
among variables
• Spreadsheet Examples
– Linear programming
– Multiple regression forecasting
– Capital budgeting present value
450-101 Management Information System
13
Assit. Prof. Dr. Wiphada Wettayaprasit
Using Decision Support Systems
• Using a decision support system involves
an interactive analytical modeling process
– Decision makers are not demanding
pre-specified information
– They are exploring possible alternatives
• What-If Analysis
– Observing how changes to selected variables
affect other variables
450-101 Management Information System
14
Assit. Prof. Dr. Wiphada Wettayaprasit
Data Visualization Systems
• DVS
– Represents complex data using interactive,
three-dimensional graphical forms
(charts, graphs, maps)
– Helps users interactively sort, subdivide,
combine, and organize data while it is in its
graphical form
450-101 Management Information System
15
Assit. Prof. Dr. Wiphada Wettayaprasit
Analysis of Customer Demographics
450-101 Management Information System
16
Assit. Prof. Dr. Wiphada Wettayaprasit
Data Warehouse
• คลังข ้อมูล หมายถึง.... หลักการหรือวิธก
ี าร เพือ
่ รวมระบบ
สารสเทศเพือ
่ การประมวลผลรายการข ้อมูลทีเ่ กิดขึน
้
ในแต่ละวันแต่ละสายงาน มารวมเป็ นหน่วยเดียวกัน
ิ ใจให ้มีประสท
ิ ธิภาพมากยิง่ ขึน
เพือ
่ สนับสนุนการตัดสน
้
• คลังข ้อมูล หมายถึง.... ข ้อมูลในแหล่งข ้อมูลหลายๆแหล่ง
ิ ใจให ้มีประสท
ิ ธิภาพมากยิง่ ขึน
เพือ
่ ประกอบการตัดสน
้
่ ลิตภัณฑ์ หรือระบบสาเร็จรูป
• คลังข ้อมูล ไม่ใชผ
• คลังข ้อมูล มีความเป็ นสว่ นตัวของแต่ละองค์กร
(Organization Customized System)
450-101 Management Information System
17
Assit. Prof. Dr. Wiphada Wettayaprasit
Multi-Tiered Architecture
other
Monitor
&
Integrator
Metadata
sources
Operational
DBs
Extract
Transform
Load
Refresh
Data
Warehouse
OLAP Server
Serve
Analysis
Query
Reports
Data mining
Data Marts
Data Sources
Data Storage
450-101 Management Information System
OLAP Engine Front-End Tools
18
Assit. Prof. Dr. Wiphada Wettayaprasit
คุณลักษณะของคลังข ้อมูล
1.
2.
3.
4.
Subject-Oriented
Integrated
Time-Variant
Non-Volatile
450-101 Management Information System
19
Assit. Prof. Dr. Wiphada Wettayaprasit
คุณลักษณะของคลังข ้อมูล
1. Subject-Oriented
ื ค ้น จัดตามประเด็น
ข ้อมูลถูกจัดกลุม
่ ให ้เหมาะสมกับการสบ
่
หลักขององค์กร เชน
ิ ค ้า ยอดขาย
ลูกค ้า สน
ข ้อมูลจะ....ไม่ถก
ู จัดตามหน ้าทีก
่ ารงาน....ของโปรแกรมใด
่
โปรแกรมหนึง่ เชน
ิ ค ้า การออกใบกากับภาษี
การควบคุมคลังสน
2. Integrated
จัดข ้อมูลให ้อยูใ่ นรูปแบบเดียวกัน จากแหล่งข ้อมูลหลาย
แหล่ง
450-101 Management Information System
20
Assit. Prof. Dr. Wiphada Wettayaprasit
คุณลักษณะของคลังข ้อมูล
3. Time-Variant
้
ข ้อมูลต ้องมีความถูกต ้อง เพราะเก็บไว ้ใชนาน
5-10 ปี
4. Non-Volatile
การปรับปรุงข ้อมูลเป็ นการเพิม
่ ข ้อมูลใหม่เข ้าไปเรือ
่ ยๆ ไม่ใช ่
การแทนทีข
่ ้อมูลเก่า
ข ้อมูลในคลังข ้อมูล....ไม่จาเป็ น...ต ้องทาการ Normalize
เหมือนในฐานข ้อมูล (Data based)
450-101 Management Information System
21
Assit. Prof. Dr. Wiphada Wettayaprasit
ข ้อดีของคลังข ้อมูล
1. ให ้ผลตอบแทนในการลงทุนสูง
2. ได ้เปรียบคูแ
่ ข่ง วิเคราะห์ข ้อมูลเพือ
่ กาหนดเป็ น
่ พฤติกรรมผู ้บริโภค
แผนกลยุทธ์ได ้ก่อนคูแ
่ ข่ง เชน
ิ ธิภาพในการตัดสน
ิ ใจ มีข ้อมูลครบถ ้วน
3. เพิม
่ ประสท
จากอดีตจนถึงปั จจุบน
ั
450-101 Management Information System
22
Assit. Prof. Dr. Wiphada Wettayaprasit
ี ของคลังข ้อมูล
ข ้อเสย
้
ั ผู ้ทีม
1. ขัน
้ ตอนการกรองข ้อมูลใชเวลานาน
ต ้องอาศย
่ ี
ความชานาญในการกรองข ้อมูล
2. แนวโน ้มในการกรองข ้อมูลเพิม
่ มากขึน
้ เรือ
่ ยๆ เพิม
่
ั ซอนให
้
ความซบ
้กระบวนการทางาน
้
3.ใชเวลานานในการพั
ฒนาคลังข ้อมูล
ั ซอนสู
้
4.ระบบคลังข ้อมูลมีความซบ
ง
450-101 Management Information System
23
Assit. Prof. Dr. Wiphada Wettayaprasit
3 Knowledge Management
• Successful knowledge management
– Creates techniques, technologies, systems,
and rewards for getting employees to
share
what they know
– Makes better use of accumulated
workplace and enterprise knowledge
450-101 Management Information System
24
Assit. Prof. Dr. Wiphada Wettayaprasit
Knowledge Management Techniques
450-101 Management Information System
25
Assit. Prof. Dr. Wiphada Wettayaprasit
Knowledge Management Systems (KMS)
• Knowledge management systems
– A major strategic use of IT
– Manages organizational learning and know-how
– Helps knowledge workers create, organize, and make
available important knowledge
– Makes this knowledge available wherever and whenever it is
needed
• Knowledge includes
– Processes, procedures, patents, reference works, formulas,
best practices, forecasts, and fixes
450-101 Management Information System
26
Assit. Prof. Dr. Wiphada Wettayaprasit
Knowledge Management
การจัดการความร้ ู
ความรูแ้ บบชัดแจ้ง (Explicit Knowledge) 20%
อธิบายได้
แต่ ยังไม่ ถูกนาไปบันทึก
อธิบายได้
แต่ ไม่ อยากอธิบาย
อธิบายไม่ ได้
ความรูโ้ ดยนัย/แบบซ่อนเร้น (Tacit Knowledge) 80%
เกลียวความรู ้
SECI Model
ใชตั้ วอย่าง
ลงมือปฏิบต
ั ิ
S
I
E
C
ื่ /ประชุม
สอ
ิ
ทรัพย์สน
450-101 Management Information System
29
Assit. Prof. Dr. Wiphada Wettayaprasit
TUNA Model
(Thai –UNAids)
Knowledge
Sharing (KS)
•
•
•
•
Knowledge
Assets (KA)
Knowledge
Vision (KV)
•ส่ วนหัว ส่ วนตา
•มองว่ ากาลังจะไปทางไหน
•ต้ องตอบได้ ว่า “ทา KM ไปเพื่ออะไร”
450-101 Management Information System
ส่ วนกลางลาตัว
ส่ วนที่เป็ น “หัวใจ”
ให้ ความสาคัญกับการ
แลกเปลี่ยนเรี ยนรู้
ช่ วยเหลือ เกือ้ กูลซึ่งกันและ
กัน (Share & Learn)
30
•ส่ วนหาง
•สร้ างคลังความรู้
•เชื่อมโยงเครือข่ าย
•ประยุ
กต์Wiphada
ใช้ ICT Wettayaprasit
“สะบัดหาง”
Assit.
Prof. Dr.
•สร้ างพลังจาก CoPs
การจัดการความร ้ ู
Right Knowledge…. Right People… Right Time…
•
•
•
•
•
การบริหารจัดการ
เพื่อให้ .. “คน” ที่ต้องการใช้ ความรู้
ได้ รับ..ความรู้ ท่ ตี ้ องการใช้
ในเวลา..ที่ต้องการ
เพื่อให้ บรรลุเป้ าหมายการทางาน
450-101 Management Information System
(Source: APQC)
31
Assit. Prof. Dr. Wiphada Wettayaprasit
การบริ การชุมชน
จังหวัด
อาเภอ
ตาบล
450-101 Management Information System
32
Assit. Prof. Dr. Wiphada Wettayaprasit
ทีมงานพัฒนาการจัดการความรู้
คุณเอือ้ เป็ นผู้บริหารระดับสู งทาหน้ าทีจ่ ดั การความรู้ขององค์กร
คุณอานวย เชื่อมโยงคน สร้ างความสัมพันธ์ ต่อกัน
คุณกิจ ผู้ทรี่ ับผิดชอบตามหน้ าทีข่ องตน
คุณลิขติ ผู้ทาหน้ าทีจ่ ดบันทึก สกัดองค์ความรู้
คุณวิศาสตร์ ออกแบบระบบไอที
450-101 Management Information System
33
Assit. Prof. Dr. Wiphada Wettayaprasit
450-101 Management Information System
34
Assit. Prof. Dr. Wiphada Wettayaprasit
450-101 Management Information System
35
Assit. Prof. Dr. Wiphada Wettayaprasit
4 Online Analytical Processing
• OLAP
– Enables managers and analysts to examine
and manipulate large amounts of detailed
and consolidated data from many
perspectives
– Done interactively, in real time, with rapid
response to queries
450-101 Management Information System
36
Assit. Prof. Dr. Wiphada Wettayaprasit
Multidimensional Data
• Sales volume as a function of product, month,
and region
Hierarchical summarization paths
Industry Region
Year
Product
Category Country Quarter
Product
City
Office
Month Week
Day
Dimensions: Product, Location, Time
450-101 Management Information System
Month
37
Assit. Prof. Dr. Wiphada Wettayaprasit
A Sample Data Cube
Dimensions: Product,Date,Country
Date
1Qtr
2Qtr
3Qtr
4Qtr
sum
U.S.A
Canada
Mexico
Country
TV
PC
VCR
sum
Total annual sales
of TV in U.S.A.
sum
450-101 Management Information System
38
Assit. Prof. Dr. Wiphada Wettayaprasit
Cuboids Corresponding to the Cube
all
0-D(apex) cuboid
product
product,date
date
country
product,country
1-D cuboids
date, country
2-D cuboids
3-D(base) cuboid
product, date, country
450-101 Management Information System
39
Assit. Prof. Dr. Wiphada Wettayaprasit
• Visualization
• OLAP capabilities
• Interactive
manipulation
Browsing a Data Cube
450-101 Management Information System
40
Assit. Prof. Dr. Wiphada Wettayaprasit
Online Analysis Processing (OLAP)
•
กระบวนการประมวลผลข ้อมูลทางคอมพิวเตอร์ ทีช
่ ว่ ยให ้วิเคราะห์
ข ้อมูลในมิตต
ิ า่ งๆ (Multidimensional Data Analysis)
•
การดาเนินการกับ OLAP
1.
2.
3.
4.
Roll up
Drill Down
Slice
Dice
450-101 Management Information System
41
Assit. Prof. Dr. Wiphada Wettayaprasit
Typical OLAP (on-line analytical processing)
Operations
• 1 Roll up (drill-up): summarize data
– by climbing up hierarchy or by dimension
reduction
– มีการรวมหรือสรุปค่า
• 2 Drill down (roll down): reverse of roll-up
– from higher level summary to lower level
summary or detailed data, or introducing new
dimensions
– มีการกระจายค่าในรายละเอียดมากขึน
้ ตามชนิดข ้อมูล
450-101 Management Information System
42
Assit. Prof. Dr. Wiphada Wettayaprasit
Fact Table
450-101 Management Information System
43
Assit. Prof. Dr. Wiphada Wettayaprasit
Roll Up and Drill Down
450-101 Management Information System
44
Assit. Prof. Dr. Wiphada Wettayaprasit
Typical OLAP Operations
3 Slice
เลือกพิจารณา...ผลลัพธ์...บางสว่ นทีเ่ ราสนใจ
ตัดค่าตาม Dimension
4 Dice
เลือกพิจารณา...พลิก Dimension... ให ้ตรงตามความ
ต ้องการของผู ้ใช ้
่ จากมุมมอง Shop-Product-Type ไปเป็ น
เชน
Date-Product-Type
450-101 Management Information System
45
Assit. Prof. Dr. Wiphada Wettayaprasit
Dimension
450-101 Management Information System
46
Assit. Prof. Dr. Wiphada Wettayaprasit
5 Data Mining
• Provides decision support through knowledge
discovery
– Analyzes vast stores of historical business data
– Looks for patterns, trends, and correlations
– Goal is to improve business performance
450-101 Management Information System
47
Assit. Prof. Dr. Wiphada Wettayaprasit
Data Mining (เหมืองข ้อมูล)
้ ้าถึงข ้อมูลได ้
• เหมืองข ้อมูล เป็ นเครือ
่ งมือทีช
่ ว่ ยให ้ผู ้ใชเข
โดยตรงจากฐานข ้อมูลขนาดใหญ่
• เหมืองข ้อมูล เป็ นเครือ
่ งมือ และ Application ทีส
่ ามารถ
แสดงผลการวิเคราะห์ข ้อมูลทางสถิตไิ ด ้
• เหมืองข ้อมูล หมายถึงการวิเคราะห์ข ้อมูล เพือ
่ แยกประเภท
ั พันธ์ของข ้อมูลจากคลังข ้อมูล
จาแนกรูปแบบและความสม
้
หรือฐานข ้อมูลขนาดใหญ่ นาสารสนเทศไปใชในการ
ิ ใจธุรกิจ
ตัดสน
• ได ้องค์ความรู ้ใหม่ (Knowledge Discovery)
• อาจอยูใ่ นรูปแบบของกฎเกณฑ์ (Rule)
450-101 Management Information System
48
Assit. Prof. Dr. Wiphada Wettayaprasit
Data Mining Process
450-101 Management Information System
49
Assit. Prof. Dr. Wiphada Wettayaprasit
คุณลักษณะของเหมืองข ้อมูล
ี้ นวทางการตัดสน
ิ ใจและคาดการณ์ผลลัพธ์
1. ชแ
2. เพิม
่ ความเร็วในการวิเคราะห์ข ้อมูล จากฐานข ้อมูลขนาด
ใหญ่
่ นอยูใ่ นเอกสาร รวมถึงความสม
ั พันธ์
3. ค ้นหาสว่ นประกอบทีซ
่ อ
ระหว่างสว่ นประกอบต่างๆ
4. จัดกลุม
่ เอกสารตามหัวข ้อต่างๆตามนโยบายบริษัท
450-101 Management Information System
50
Assit. Prof. Dr. Wiphada Wettayaprasit
เทคนิคการทาเหมืองข ้อมูล
5.1. Classification
5.2. Clustering
5.3. Association
5.4. Visualization
450-101 Management Information System
51
Assit. Prof. Dr. Wiphada Wettayaprasit
เทคนิคการทาเหมืองข ้อมูล
5.1. Classification : เทคนิคในการจาแนกกลุม
่ ข ้อมูลด ้วย
คุณลักษณะต่างๆทีไ่ ด ้มีการกาหนดไว ้แล ้ว
สร ้างแบบจาลองเพือ
่ การพยากรณ์คา่ ข ้อมูล (Predictive
Model) ในอนาคต เรียกว่า ......Supervised Learning
มี 2 รูปแบบ
Tree Induction
Neural Network
5.2. Clustering : เทคนิคในการจาแนกกลุม
่ ข ้อมูลใหม่ทม
ี่ ี
ลักษณะคล ้ายกันไว ้กลุม
่ เดียวกัน โดยไม่มก
ี ารจัดกลุม
่ ข ้อมูล
ตัวอย่างไว ้ล่วงหน ้า เรียกว่า .......Unsupervised Learning
450-101 Management Information System
52
Assit. Prof. Dr. Wiphada Wettayaprasit
เทคนิคการทาเหมืองข ้อมูล
5.3. Association : เทคนิคในการค ้นพบองค์ความรู ้ใหม่
ื่ มโยงกลุม
ด ้วยการเชอ
่ ของข ้อมูลทีเ่ กิดขึน
้ ใน
เหตุการณ์เดียวกันไว ้ด ้วยกัน
้
5.4. Visualization :เทคนิคทีใ่ ชในการแสดงผลใน
รูปแบบกราฟิ กหรือ ข ้อมูลหลายมิต ิ
450-101 Management Information System
53
Assit. Prof. Dr. Wiphada Wettayaprasit
Classification vs. Prediction
• Classification:
– predicts categorical class labels
– classifies data (constructs a model) based on
the training set and the values (class labels) in
a classifying attribute and ....uses it in
classifying new data
• Prediction:
– models continuous-valued functions, i.e.,
predicts unknown or missing values
450-101 Management Information System
54
Assit. Prof. Dr. Wiphada Wettayaprasit
Classification Process
1. Model construction:
2. Model usage:
450-101 Management Information System
55
Assit. Prof. Dr. Wiphada Wettayaprasit
Classification Process
1. Model construction:
describing a set of predetermined classes
• Each tuple/sample is assumed to belong to a
predefined class, as determined by the class label
attribute
• The set of tuples used for model construction:
training set
• The model is represented as classification rules,
decision trees, or mathematical formulae
450-101 Management Information System
56
Assit. Prof. Dr. Wiphada Wettayaprasit
1. Model Construction
Classification
Algorithms
Training
Data
NAME
M ike
M ary
B ill
Jim
D ave
A nne
RANK
YEARS TENURED
A ssistant P rof
3
no
A ssistant P rof
7
yes
P rofessor
2
yes
A ssociate P rof
7
yes
A ssistant P rof
6
no
A ssociate P rof
3
no
450-101 Management Information System
57
Classifier
(Model)
IF rank = ‘professor’
OR years > 6
THEN tenured = ‘yes’
Assit. Prof. Dr. Wiphada Wettayaprasit
Classification Process
2. Model usage:
for classifying future or unknown objects
Estimate accuracy of the model
• The known label of test sample is compared with
the classified result from the model
• Accuracy rate is the percentage of test set
samples that are correctly classified by the model
• Test set is independent of training set
450-101 Management Information System
58
Assit. Prof. Dr. Wiphada Wettayaprasit
2. Use the Model in Prediction
Classifier
Testing
Data
Unseen Data
(Jeff, Professor, 4)
NAME
T om
M erlisa
G eorge
Joseph
RANK
YEARS TENURED
A ssistant P rof
2
no
A ssociate P rof
7
no
P rofessor
5
yes
A ssistant P rof
7
yes
450-101 Management Information System
59
Tenured?
Assit. Prof. Dr. Wiphada Wettayaprasit
What Is Prediction?
• Prediction is similar to classification
– 1. Construct a model
– 2. Use model to predict unknown value
• Major method for prediction is regression
– Linear and multiple regression
– Non-linear regression
• Prediction is different from classification
– Classification refers to predict categorical class label
– Prediction models continuous-valued functions
450-101 Management Information System
60
Assit. Prof. Dr. Wiphada Wettayaprasit
Data Mining Process
1. Data Preparation
2. Evaluating Classification Methods
450-101 Management Information System
61
Assit. Prof. Dr. Wiphada Wettayaprasit
1. Data Preparation
• Data cleaning
– Preprocess data in order to reduce noise and handle
missing values
• Relevance analysis (feature selection)
– Remove the irrelevant or redundant attributes
• Data transformation
– Generalize and/or normalize data
450-101 Management Information System
62
Assit. Prof. Dr. Wiphada Wettayaprasit
2. Evaluating Classification Methods
• Predictive accuracy
• Speed and scalability
– time to construct the model
– time to use the model
• Robustness
– handling noise and missing values
• Scalability
– efficiency in disk-resident databases
• Interpretability:
– understanding and insight proved by the model
• Goodness of rules
– decision tree size
– compactness of classification rules
450-101 Management Information System
63
Assit. Prof. Dr. Wiphada Wettayaprasit
Supervised vs. Unsupervised Learning
• Supervised learning (classification)
– Supervision: The training data (observations,
measurements, etc.) are accompanied by labels
indicating the class of the observations
– New data is classified based on the training set
• Unsupervised learning (clustering)
– The class labels of training data is unknown
– Given a set of measurements, observations, etc. with
the aim of establishing the existence of classes or
clusters in the data
450-101 Management Information System
64
Assit. Prof. Dr. Wiphada Wettayaprasit
Supervised Learning
450-101 Management Information System
65
Assit. Prof. Dr. Wiphada Wettayaprasit
Unsupervised Learning
450-101 Management Information System
66
Assit. Prof. Dr. Wiphada Wettayaprasit
Supervised Data Mining Techniques
450-101 Management Information System
67
Assit. Prof. Dr. Wiphada Wettayaprasit
Decision Tree
450-101 Management Information System
68
Assit. Prof. Dr. Wiphada Wettayaprasit
Decision Tree
• Decision tree
– A flow-chart-like tree structure
– Internal node denotes a test on an attribute
– Branch represents an outcome of the test
– Leaf nodes represent class labels or class
distribution
• Use of decision tree: Classifying an unknown sample
– Test the attribute values of the sample against the
decision tree
450-101 Management Information System
69
Assit. Prof. Dr. Wiphada Wettayaprasit
Classification by Decision Tree
• Decision tree generation consists of two
phases
1. Tree construction
• At start, all the training examples are at
the root
• Partition examples recursively based on
selected attributes
2. Tree pruning
• Identify and remove branches that reflect
noise or outliers
450-101 Management Information System
70
Assit. Prof. Dr. Wiphada Wettayaprasit
Training Dataset
This follows an example from Quinlan’s ID3
age
<=30
<=30
30…40
>40
>40
>40
31…40
<=30
<=30
>40
<=30
31…40
31…40
>40
income
high
high
high
medium
low
low
low
medium
low
medium
medium
medium
high
medium
student
no
no
no
no
yes
yes
yes
no
yes
yes
yes
no
yes
no
450-101 Management Information System
credit_rating
fair
excellent
fair
fair
fair
excellent
excellent
fair
fair
fair
excellent
excellent
fair
excellent
71
buys_computer
no
no
yes
yes
yes
no
yes
no
yes
yes
yes
yes
yes
no
Assit. Prof. Dr. Wiphada Wettayaprasit
Output: A Decision Tree for “buys_computer”
age?
<=30
30..40
overcast
student?
>40
credit rating?
yes
no
yes
excellent
fair
no
yes
no
yes
450-101 Management Information System
72
Assit. Prof. Dr. Wiphada Wettayaprasit
Supervised Data Mining Techniques
450-101 Management Information System
73
Assit. Prof. Dr. Wiphada Wettayaprasit
Supervised Data Mining Techniques
450-101 Management Information System
74
Assit. Prof. Dr. Wiphada Wettayaprasit
Supervised Data Mining Techniques
450-101 Management Information System
75
Assit. Prof. Dr. Wiphada Wettayaprasit
What Is Association Mining?
•
Association rule mining:
–
•
Finding frequent patterns, associations,
correlations, or causal structures among sets
of items or objects in transaction databases,
relational databases, and other information
repositories.
Applications:
–
Basket data analysis, cross-marketing, catalog
design, loss-leader analysis, clustering,
classification, etc.
450-101 Management Information System
76
Assit. Prof. Dr. Wiphada Wettayaprasit
Market Basket Analysis
• One of the most common uses for data mining
– Determines what products customers purchase together
with other products
• Results affect how companies
– Market products
– Place merchandise in the store
– Lay out catalogs and order forms
– Determine what new products to offer
– Customize solicitation phone calls
450-101 Management Information System
77
Assit. Prof. Dr. Wiphada Wettayaprasit
Association Rules
450-101 Management Information System
78
Assit. Prof. Dr. Wiphada Wettayaprasit
Generating Association Rules
Confidence and Support
-Milk
-Cheese
-Bread
-Eggs
Possible associations include the following:
1. If customers purchase milk they also purchase bread.
2. If customers purchase bread they also purchase milk.
3. If customers purchase milk and eggs they also purchase
cheese and bread.
4. If customers purchase milk, cheese, and eggs they also
purchase bread.
450-101 Management Information System
79
Assit. Prof. Dr. Wiphada Wettayaprasit
Generating Association Rules
Mining Association Rules: An Example
450-101 Management Information System
80
Assit. Prof. Dr. Wiphada Wettayaprasit
Generating Association Rules
Mining Association Rules: An Example
450-101 Management Information System
81
Assit. Prof. Dr. Wiphada Wettayaprasit
Generating Association Rules
Mining Association Rules: An Example
450-101 Management Information System
82
Assit. Prof. Dr. Wiphada Wettayaprasit
Generating Association Rules
Mining Association Rules: An Example
Here are three of several possible three-item
set rules:
450-101 Management Information System
83
Assit. Prof. Dr. Wiphada Wettayaprasit
The K-Means Algorithm
450-101 Management Information System
84
Assit. Prof. Dr. Wiphada Wettayaprasit
The K-Means Algorithm
450-101 Management Information System
85
Assit. Prof. Dr. Wiphada Wettayaprasit
The K-Means Algorithm
General Considerations
450-101 Management Information System
86
Assit. Prof. Dr. Wiphada Wettayaprasit
The K-Means Algorithm
General Considerations
450-101 Management Information System
87
Assit. Prof. Dr. Wiphada Wettayaprasit
Clustering Techniques
450-101 Management Information System
88
Assit. Prof. Dr. Wiphada Wettayaprasit
Clustering Techniques
450-101 Management Information System
89
Assit. Prof. Dr. Wiphada Wettayaprasit
้
ตัวอย่างการนาเหมืองข ้อมูลมาใชงาน
1. การตลาด
ิ ค ้าลง
ทานายยอดขายเมือ
่ มีการลดจานวนสน
2. การเงินการธนาคาร
คาดการณ์โอกาสในการชาระหนีข
้ องลูกค ้า
3.
4.
5.
6.
7.
8.
9.
การค ้าขาย
โรงงาน การผลิต
ตลาดหลักทรัพย์
ธุรกิจการประกัน
H/W S/W คอมพิวเตอร์
กระทรวงกลาโหม
โรงพยาบาล
450-101 Management Information System
90
Assit. Prof. Dr. Wiphada Wettayaprasit
ประโยชน์ของเหมืองข ้อมูล
ั เทคโนโลยีของเหมืองข ้อมูล
1. ค ้นหาข ้อมูลโดยอาศย
้
2. ใชสถาปั
ตยกรรมแบบ Client/Server
้
3. ผู ้ใชระบบไม่
จาเป็ นต ้องทักษะในการเขียนโปรแกรม
ั เจน
4. ผู ้ใชต้ ้องกาหนดขอบเขตและเป้ าหมายของระบบให ้ชด
เพือ
่ ความรวดเร็วและถูกต ้องตามความต ้องการ
ิ ธิภาพและ
5. การประมวลผลแบบขนานจะชว่ ยเพิม
่ ประสท
ความเร็วในการค ้นหาข ้อมูล
450-101 Management Information System
91
Assit. Prof. Dr. Wiphada Wettayaprasit
Geographic Information Systems
• GIS
– DSS uses geographic databases to construct
and display maps and other graphic displays
– Supports decisions affecting the geographic
distribution of people and other resources
– Often used with Global Positioning Systems (GPS)
devices
450-101 Management Information System
92
Assit. Prof. Dr. Wiphada Wettayaprasit
Dashboard Example
450-101 Management Information System
93
Assit. Prof. Dr. Wiphada Wettayaprasit
Executive Information Systems
• EIS
– Combines many features of MIS and DSS
– Provide top executives with immediate and
easy access to information
– Identify factors that are critical to accomplishing
strategic objectives (critical success factors)
– So popular that it has been expanded to
managers, analysis, and other knowledge workers
450-101 Management Information System
94
Assit. Prof. Dr. Wiphada Wettayaprasit
Enterprise Information Portals
• An EIP is a Web-based interface and integration of
MIS, DSS, EIS, and other technologies
– Available to all intranet users and select
extranet users
– Provides access to a variety of internal and external business
applications and services
– Typically tailored or personalized to the user
or groups of users
– Often has a digital dashboard
– Also called enterprise knowledge portals
450-101 Management Information System
95
Assit. Prof. Dr. Wiphada Wettayaprasit
Enterprise Information Portal Components
450-101 Management Information System
96
Assit. Prof. Dr. Wiphada Wettayaprasit
Enterprise Knowledge Portal
450-101 Management Information System
97
Assit. Prof. Dr. Wiphada Wettayaprasit
Reference
Data Mining: Concepts and Techniques (Chapter 6 Slide for textbook),
Jiawei Han and Micheline Kamber, Intelligent Database Systems
Research Lab, School of Computing Science, Simon Fraser University,
Canada
Data Mining A tutorial-Based Primer, Richard J. Roiger and Michael W.
Geatz, Pearson Education Inc., 2003
James A. O’Brien and George M. Marakas, Management Information
Systems, 8th edition, McGraw-Hill /Irwin, 2008
450-101 Management Information System
98
Assit. Prof. Dr. Wiphada Wettayaprasit
Q&A
450-101 Management Information System
99
Assit. Prof. Dr. Wiphada Wettayaprasit