Sebuah gudang data adalah gudang data organisasi disimpan secara elektronik, dirancang untuk memfasilitasi pelaporan dan [analisis 1].
Definisi dari data warehouse berfokus pada penyimpanan data. Namun, cara untuk mengambil dan menganalisis data, ekstrak, transformasi dan data beban, dan untuk mengelola data kamus juga dianggap komponen penting dari sistem penyimpanan data. Banyak referensi ke data pergudangan menggunakan konteks yang lebih luas. Jadi, definisi yang diperluas untuk data pergudangan meliputi alat intelijen bisnis, alat untuk ekstrak, transform dan load data ke dalam repositori, dan alat untuk mengelola dan mengambil metadata.
Data pergudangan muncul membutuhkan sebuah organisasi untuk dapat diandalkan, laporan konsolidasi, unik dan terpadu dan analisis data tersebut, pada tingkat agregasi yang berbeda.
Realitas praktis organisasi yang paling adalah bahwa data infrastruktur mereka dibuat oleh sistem koleksi heterogen. Sebagai contoh, sebuah organisasi mungkin memiliki satu sistem yang menangani hubungan pelanggan, sistem yang menangani karyawan, sistem yang menangani data penjualan atau data produksi, belum lagi sistem keuangan dan data anggaran, dll Dalam prakteknya, sistem ini sering buruk atau tidak semua pertanyaan yang terintegrasi dan sederhana seperti: "Berapa banyak waktu melakukan penjualan Seseorang keluarkan untuk pelanggan C, berapa banyak kami menjual kepada Nasabah C, C adalah pelanggan puas dengan layanan yang disediakan, Apakah Pelanggan C membayar tagihan" bisa sangat sulit untuk menjawab, meskipun informasi tersedia "suatu tempat" pada sistem data yang berbeda.
Masalah lainnya adalah bahwa sistem ERP dirancang untuk mendukung operasi yang relevan. Sebagai contoh, sistem keuangan mungkin melacak setiap cap tunggal membelinya; Ketika diperintahkan, ketika disampaikan, ketika dibayar dan sistem akan menawarkan prinsip-prinsip akuntansi (seperti pembukuan ganda) yang semakin merumitkan model data. Informasi tersebut sangat bagus untuk orang yang bertanggung jawab untuk membeli "perangko" atau akuntan berusaha menyelesaikan ketidakteraturan, tapi CEO pasti tidak tertarik pada informasi rinci, misalnya, CEO ingin tahu hal-hal seperti "Apa biaya?", "Apa pendapatan?", "melakukan inisiatif terbaru kami mengurangi biaya?" dan ingin memiliki informasi ini pada tingkat agregat.
Namun masalah lain mungkin saja organisasi ini, secara internal, dalam perselisihan tentang data yang benar. Sebagai contoh, departemen penjualan mungkin memiliki satu pandangan biaya, sementara departemen keuangan memiliki pandangan lain biaya yang. Dalam kasus-kasus seperti organisasi dapat menghabiskan waktu tak terbatas membahas yang punya pandangan yang benar dari data.
Ini adalah sebagian tujuan data pergudangan untuk menjembatani masalah tersebut. Penting untuk dicatat bahwa di data pergudangan sistem data sumber dianggap sebagai diberikan: Meskipun sistem sumber data mungkin telah dibuat sedemikian rupa sehingga sulit untuk mengekstrak informasi yang terintegrasi, bagian "data pergudangan jawaban" tidak untuk mendesain ulang sistem sumber data tetapi untuk membuat data muncul konsisten, terpadu dan konsolidasi meskipun masalah dalam sistem sumber yang mendasarinya. Data pergudangan mencapai ini dengan menggunakan teknik pergudangan data yang berbeda, membuat satu atau beberapa repositori data baru (yaitu gudang data) yang model data (s) mendukung pelaporan yang diperlukan dan analisis.
Arsitektur
Arsitektur, dalam konteks data organisasi usaha pergudangan, adalah konseptualisasi tentang bagaimana data warehouse dibangun. Tidak ada arsitektur yang benar atau salah, melainkan ada beberapa arsitektur yang ada untuk mendukung berbagai lingkungan dan situasi. Kelayakan arsitektur dapat dinilai dari bagaimana bantuan konseptualisasi di gedung, pemeliharaan, dan penggunaan data warehouse.
Satu konsep sederhana yang mungkin dari sebuah arsitektur data warehouse terdiri dari lapisan-lapisan saling berikut:
Operasional lapisan database Sumber data untuk data warehouse - Sebuah organisasi sistem Enterprise Resource Planning jatuh ke dalam lapisan ini. Lapisan akses data Antarmuka antara lapisan akses operasional dan informasi - Tools untuk mengekstrak, mengubah, data beban ke gudang jatuh ke dalam lapisan ini. Metadata lapisan Direktori data - Ini biasanya lebih rinci dari suatu direktori data sistem operasional. Ada kamus untuk seluruh gudang dan kadang-kadang kamus untuk data yang dapat diakses oleh sebuah laporan tertentu dan alat analisis. Lapisan akses informasi Data diakses untuk melaporkan dan menganalisis dan alat untuk pelaporan dan analisa data - Bisnis intelijen alat jatuh ke dalam lapisan ini. Dan perbedaan Inmon-Kimball tentang metodologi desain, dibahas kemudian dalam artikel ini, ada hubungannya dengan lapisan ini
Normal versus pendekatan dimensi untuk penyimpanan data
Ada dua pendekatan utama untuk menyimpan data dalam data warehouse - pendekatan dimensi dan pendekatan normal.
Dalam pendekatan dimensi, data transaksi yang dibagi menjadi baik "fakta", yang biasanya data transaksi numerik, atau "dimensi", yang merupakan informasi referensi yang memberikan konteks untuk fakta-fakta. Sebagai contoh, transaksi penjualan dapat dipecah menjadi fakta seperti jumlah produk yang dipesan dan harga yang dibayarkan untuk produk, dan masuk ke dimensi seperti tanggal order, nama pelanggan, nomor produk, agar kapal-dan tagihan-untuk lokasi , dan bertanggung jawab untuk menerima perintah penjual. Keuntungan utama dari pendekatan dimensi adalah bahwa data warehouse lebih mudah bagi pengguna untuk memahami dan menggunakan. Selain itu, pengambilan data dari data warehouse cenderung untuk beroperasi sangat cepat. Kelemahan utama dari pendekatan dimensi adalah:
1. Untuk menjaga integritas fakta dan dimensi, memuat data warehouse dengan data dari sistem operasional yang berbeda adalah rumit, dan 2. Sulit untuk memodifikasi struktur data warehouse jika organisasi mengadopsi pendekatan dimensi perubahan cara di mana ia melakukan bisnis.
Dalam pendekatan normal, data di gudang data yang disimpan berikut, untuk gelar aturan database, normalisasi. Tabel dikelompokkan bersama-sama dengan bidang studi yang mencerminkan data kategori umum (misalnya, data tentang pelanggan, produk, keuangan, dll). Keuntungan utama dari pendekatan ini adalah bahwa hal itu mudah untuk menambahkan informasi ke dalam database. Kerugian dari pendekatan ini adalah bahwa, karena jumlah meja yang terlibat, akan sulit bagi pengguna baik untuk:
1. bergabung dengan data dari sumber yang berbeda menjadi informasi yang bermakna dan kemudian 2. mengakses informasi tanpa pemahaman yang tepat dari sumber data dan struktur data dari data warehouse.
Pendekatan ini tidak saling eksklusif, dan ada pendekatan-pendekatan lain. Dimensi pendekatan dapat melibatkan normalisasi data untuk gelar.
Sesuai informasi
Fakta lain yang penting dalam merancang sebuah gudang data adalah data yang sesuai dan bagaimana agar sesuai data. Misalnya, satu sistem operasional makan data ke dalam data warehouse dapat menggunakan "M" dan "F" untuk menunjukkan jenis kelamin seorang karyawan sementara yang lain sistem operasional dapat menggunakan "Pria" dan "Wanita". Meskipun ini adalah contoh sederhana, banyak pekerjaan dalam menerapkan data warehouse dikhususkan untuk membuat data konsisten makna yang sama ketika mereka disimpan di gudang data. Biasanya, ekstrak, mengubah, alat beban yang digunakan dalam karya ini.
Master Data Management memiliki tujuan sesuai data yang dapat dianggap "dimensi".
Top-down versus bottom-up design methodologies
Bottom-up desain
Ralph Kimball, seorang penulis terkenal pada data pergudangan, [4] adalah pendukung pendekatan desain data warehouse sering dianggap sebagai bottom-up [5.]. Dalam mart yang disebut pendekatan bottom-up data yang pertama diciptakan untuk menyediakan laporan dan kemampuan analisis untuk proses bisnis yang spesifik. Meskipun penting untuk dicatat bahwa dalam metodologi Kimball, proses bottom-up adalah hasil dari bisnis awal analisis top-down yang berorientasi kepada bisnis proses yang relevan akan dibuat modelnya. Data mart mengandung, terutama, dimensi dan fakta. Fakta dapat berisi data baik atom dan, jika perlu, diringkas data. The data mart tunggal sering model area bisnis yang spesifik seperti "Penjualan" atau "Produksi." Data mart ini akhirnya dapat diintegrasikan untuk membuat sebuah gudang data yang komprehensif. Integrasi data mart dikelola melalui penerapan apa yang Kimball panggilan "data warehouse arsitektur bus". [6]. Data gudang arsitektur bus terutama merupakan implementasi dari "bus" koleksi dimensi conforme, yang dimensi yang berbagi (dengan cara tertentu) antara fakta di mart dua atau lebih data.
Integrasi data mart di gudang data terpusat pada dimensi conforme (yang berada di "bus") yang mendefinisikan integrasi mungkin "titik" di antara pasar data. Integrasi aktual mart dua atau lebih data ini kemudian dilakukan dengan proses yang dikenal sebagai "Drill di". A drill-seluruh karya pengelompokan (meringkas) data sepanjang kunci-kunci (shared) dimensi conforme setiap fakta berpartisipasi dalam latihan "di" diikuti dengan bergabung pada tombol ini dikelompokkan (diringkas) fakta. Mempertahankan manajemen yang ketat terhadap arsitektur data warehouse bus merupakan dasar untuk menjaga integritas data warehouse. Tugas manajemen yang paling penting adalah membuat dimensi yakin di antara pasar data konsisten. Dengan kata Kimball, ini berarti bahwa dimensi "sesuai".
Beberapa menganggapnya sebagai keuntungan dari metode Kimball, bahwa data warehouse akhirnya menjadi "tersegmentasi" ke sejumlah pasar data secara logis mandiri (sampai dengan dan termasuk Bis) dan konsisten daripada model terpusat besar dan sering kali kompleks. Bisnis nilai dapat dikembalikan secepat itu pasar data pertama dapat dibuat, dan metode memberi diri dengan baik untuk pendekatan eksplorasi dan iteratif untuk bangunan gudang data. Sebagai contoh, usaha pergudangan data mungkin akan mulai di "Penjualan" departemen, dengan membangun mart Penjualan-data. Setelah selesai data mart Penjualan, bisnis ini kemudian dapat memutuskan untuk memperluas kegiatan pergudangan ke dalam, mengatakan, "Produksi departemen" yang menghasilkan data mart Produksi. Persyaratan untuk data mart Penjualan dan Produksi mart data yang akan integrable, adalah bahwa mereka berbagi Bus "sama", yang akan, bahwa data pergudangan tim telah membuat upaya untuk mengidentifikasi dan menerapkan dimensi conforme di bus, dan bahwa data mart link yang informasi dari bus individu. Catatan bahwa ini tidak memerlukan kesadaran 100% dari awal data usaha pergudangan, tidak ada rencana induk diperlukan dimuka. The mart Penjualan-data yang baik karena (diasumsikan bahwa bus selesai) dan produksi data mart bisa dibangun hampir independen dari penjualan data mart (tapi tidak terlepas dari Bus itu).
Jika integrasi melalui bus tercapai, gudang data, melalui dua data mart, tidak hanya dapat memberikan informasi spesifik bahwa pasar data individu yang dirancang untuk melakukan, dalam contoh ini baik "Penjualan" atau "Produksi" informasi , tetapi dapat memberikan informasi terpadu Penjualan Produksi, yang, seringkali, adalah nilai bisnis yang kritis. Sebuah integrasi (mungkin) dicapai dengan cara yang fleksibel dan iteratif. [Sunting desain top-down]
Bill Inmon, salah satu penulis pertama pada subyek data pergudangan, telah didefinisikan sebuah gudang data sebagai tempat penyimpanan terpusat untuk seluruh perusahaan [6] Inmon. Adalah salah satu pendukung utama pendekatan top-down untuk perancangan data warehouse, di mana data warehouse dirancang menggunakan model data perusahaan normal. "Atomic" data, yaitu, data pada tingkat terendah detail, disimpan di gudang data. Dimensi data mart yang berisi data yang dibutuhkan untuk proses bisnis yang spesifik atau departemen spesifik diciptakan dari gudang data. Dalam visi Inmon gudang data adalah pusat dari Pabrik Informasi "Perusahaan" (CIF), yang menyediakan kerangka logis untuk memberikan business intelligence (BI) dan kemampuan manajemen bisnis. Inmon menyatakan bahwa data warehouse adalah:
Perihal berorientasi Data dalam data warehouse diorganisir sehingga semua elemen data yang berhubungan dengan acara yang sama di dunia nyata atau objek yang dihubungkan bersama. Non-volatile Data dalam data warehouse tidak pernah over-tertulis atau dihapus - sekali berkomitmen, data statis, read-only, dan saldo untuk pelaporan masa depan. Terpadu Gudang data berisi data dari sebagian besar atau seluruh sistem operasional organisasi dan data ini dibuat konsisten. Sisa-varian
Metodologi desain top-down dilihat dimensi menghasilkan data yang sangat konsisten di seluruh pasar data karena semua pasar data diambil dari repositori terpusat. desain top-down juga terbukti tahan terhadap perubahan bisnis. Membangkitkan data mart dimensi baru terhadap data yang tersimpan di gudang data adalah tugas yang relatif sederhana. Kerugian utama ke metodologi atas ke bawah adalah bahwa itu merupakan proyek yang sangat besar dengan cakupan yang sangat luas. Biaya di muka untuk menerapkan data warehouse dengan menggunakan metodologi atas ke bawah adalah signifikan, dan durasi waktu dari awal proyek sampai pada titik bahwa pengalaman pengguna akhir awal dapat manfaat besar. Selain itu, metodologi top-down dapat fleksibel dan tidak responsif terhadap perubahan kebutuhan departemen selama tahap pelaksanaan. [6] Hybrid desain
Seiring waktu itu telah menjadi jelas bagi para pendukung bottom-up dan top-down data desain gudang yang kedua metodologi memiliki manfaat dan risiko. metodologi Hybrid telah berevolusi untuk memanfaatkan waktu putar-sekitar cepat desain bottom-up dan konsistensi data perusahaan-macam desain top-down.
Data warehouses versus operational systems
Sistem operasional yang dioptimalkan untuk melestarikan integritas data dan kecepatan pencatatan transaksi bisnis melalui penggunaan normalisasi database dan model entitas-hubungan. perancang sistem operasional umumnya mengikuti aturan normalisasi database Codd untuk memastikan integritas data. Codd mendefinisikan lima aturan semakin ketat normalisasi. desain database Sepenuhnya dinormalisasi (yaitu orang memuaskan semua lima aturan Codd) sering mengakibatkan informasi dari suatu transaksi bisnis yang disimpan dalam puluhan hingga ratusan tabel. database relasional yang efisien dalam mengelola hubungan antara tabel ini. Database sangat cepat telah memasukkan / update kinerja karena hanya sejumlah kecil data pada tabel tersebut dipengaruhi setiap kali transaksi diproses. Akhirnya, dalam rangka meningkatkan kinerja, data yang lebih tua biasanya secara periodik dibersihkan dari sistem operasional.
gudang data yang dioptimalkan untuk kecepatan analisis data. Sering data dalam gudang data denormalised melalui model dimensi berbasis. Juga, untuk mempercepat pengambilan data, data warehouse sering disimpan beberapa kali-dalam bentuk yang paling rinci dan dalam bentuk diringkas disebut agregat. data warehouse Data dikumpulkan dari sistem operasional dan diadakan di gudang data bahkan setelah data telah dibersihkan dari sistem operasional.
Evolusi dalam organisasi menggunakan
Organisasi umumnya memulai dengan menggunakan data yang relatif sederhana pergudangan. Seiring waktu digunakan, lebih canggih berevolusi data pergudangan. Tahapan umum berikut penggunaan gudang data dapat dibedakan:
Off line Operasional Database gudang data dalam tahap awal dikembangkan dengan hanya menyalin data dari sistem operasional ke server lain dimana beban pengolahan pelaporan terhadap data yang disalin ini tidak akan mempengaruhi kinerja sistem operasional itu. Off line Data Warehouse gudang data pada tahap ini diperbarui dari data dalam sistem operasional secara teratur dan data gudang data disimpan dalam struktur data yang dirancang untuk memfasilitasi pelaporan. Real Time Data Warehouse gudang data pada tahap ini akan diperbarui setiap kali sistem operasional melakukan transaksi (misalnya pembelian atau pengiriman atau pemesanan.) Gudang Data Terpadu gudang data pada tahap ini akan diperbarui setiap kali sistem operasional melakukan transaksi.
Beberapa manfaat yang menyediakan data warehouse
adalah sebagai berikut: [7] [8]
* Gudang data menyediakan model data yang umum untuk semua data tanpa bunga sumber data itu. Hal ini membuat lebih mudah untuk melaporkan dan menganalisa informasi daripada kalau beberapa model data yang digunakan untuk mengambil informasi seperti faktur penjualan, penerimaan pesanan, biaya buku besar, dll * Sebelum memasukkan data ke dalam data warehouse, ketidakkonsistenan diidentifikasi dan diselesaikan. Hal ini sangat menyederhanakan pelaporan dan analisa. * Informasi dalam data warehouse adalah di bawah kontrol pengguna gudang data sehingga, bahkan jika sumber data sistem ini dihapus dari waktu ke waktu, informasi di gudang dapat disimpan dengan aman untuk waktu yang lama. * Karena mereka terpisah dari sistem operasional, data warehouse menyediakan pengambilan data tanpa memperlambat sistem operasional. * Data gudang dapat bekerja dalam kaitannya dengan dan, karenanya, meningkatkan nilai aplikasi bisnis operasional, terutama customer relationship management (CRM) sistem. * Data gudang memfasilitasi aplikasi sistem pendukung keputusan seperti laporan tren (misalnya, barang-barang dengan penjualan paling di daerah tertentu dalam dua tahun terakhir), laporan pengecualian, dan laporan yang menunjukkan kinerja aktual versus tujuan.
Kekurangan
Ada juga kerugian untuk menggunakan data warehouse. Beberapa di antaranya adalah:
* Data gudang tidak lingkungan optimal untuk data tidak terstruktur. * Karena data harus diekstrak, diubah dan dimasukkan ke dalam gudang, ada unsur latency dalam data data warehouse. * Selama hidup mereka, gudang data dapat memiliki biaya tinggi. * Data gudang bisa mendapatkan usang relatif cepat. Ada biaya penyampaian informasi suboptimal bagi organisasi. * Ada sering garis tipis antara gudang data dan sistem operasional. Gandakan, fungsionalitas mahal dapat dikembangkan. Atau, fungsi dapat dikembangkan di gudang data yang, dalam retrospeksi, seharusnya dikembangkan dalam sistem operasional
Contoh Aplikasi
Beberapa aplikasi pergudangan data dapat digunakan untuk adalah:
* Kartu kredit churn analisis * Asuransi analisis penipuan * Call catatan analisis * Logistik manajemen.
Masa depan
Data pergudangan, seperti teknologi apapun, memiliki sejarah inovasi yang tidak menerima penerimaan pasar. [9]
A 2009 Gartner Group kertas diprediksi perkembangan dalam intelijen bisnis / data pergudangan pasar. [10]
* Karena kurangnya informasi, proses, dan alat-alat, hingga 2012, lebih dari 35 persen dari 5.000 perusahaan top dunia secara teratur akan gagal membuat keputusan wawasan tentang perubahan signifikan dalam bisnis mereka dan pasar. * Pada 2012, unit usaha akan mengendalikan paling tidak 40 persen dari total anggaran untuk intelijen bisnis. * Pada 2010, 20 persen dari organisasi-organisasi akan memiliki aplikasi analitik industri-spesifik yang disampaikan melalui software sebagai layanan sebagai komponen standar intelijen portofolio bisnis mereka. * Pada tahun 2009, pengambilan keputusan kolaboratif akan muncul sebagai kategori produk baru yang menggabungkan kemampuan perangkat lunak sosial dengan platform bisnis intelijen. * Pada tahun 2012, sepertiga dari aplikasi analitik diterapkan pada proses bisnis akan disampaikan melalui aplikasi mashup kasar.
Business Intelligence Reporting Tools Give Data Meaning
Perusahaan Anda memiliki banyak data - dan itu. Data memberitahu Anda apa yang pelanggan Anda membeli, apa tren penjualan Anda, di mana persediaan Anda, apa keuntungan dan kerugian, dan banyak lagi. Atau lebih tepatnya, data Anda akan memberi tahu Anda semua hal ini, jika hanya Anda bisa mengambil tumpukan besar dari fakta-fakta dan angka dan memahaminya.
Selamat datang di dunia intelijen bisnis. Bisnis intelijen, juga dikenal sebagai BI, menjelaskan alat-alat dan teknologi yang membantu Anda memahami data Anda. Bisnis intelijen sangat penting untuk setiap perusahaan yang ingin unggul dalam hari ini lingkungan bisnis yang berkembang pesat. Bisnis intelijen perusahaan Anda memberikan informasi up-to-the-menit Anda masa lalu, sekarang dan masa depan dengan memutar massa data bercampur aduk menjadi kunci dan ringkasan laporan rinci yang dapat menuntun keputusan-keputusan bisnis penting.
Bisnis intelijen termasuk fungsi seperti pelaporan, analisis dan penggalian data, dan salah satu cara termudah dan tercepat untuk mendapatkan informasi tentang data Anda adalah dengan menggunakan solusi perangkat lunak bisnis intelijen yang akan memungkinkan Anda untuk menghimpun data yang mendalam dan menghasilkan laporan BI untuk internal dan eksternal digunakan.
Sebuah alat pelaporan intelijen bisnis dapat memberikan Anda kemampuan untuk:
- Cari data perusahaan dengan cepat - Hubungkan beberapa, sumber data yang berbeda dan dengan cepat dan sederhana dan menentukan hubungan antara set data, tidak peduli bagaimana mereka berbelit-belit - Cari spesifik data menggunakan antarmuka user-friendly sangat - Pilih data dalam gaya naratif, yang wajar untuk pendekatan individu dalam berfokus pada data yang diinginkan - Hadir sebagai meta data Anda ingin ditampilkan dan dijelaskan itu - Tampilkan data yang dipilih dalam sebuah spreadsheet dengan angka kritis diwakili oleh gauge dalam penjumlahan sel untuk setiap baris - Menghasilkan laporan jadwal Anda yang dapat dikirimkan ke beberapa individu dalam berbagai cara
Bisnis intelijen laporan datang dalam berbagai bentuk, tergantung pada perangkat lunak pelaporan yang Anda gunakan. Beberapa program memungkinkan Anda menciptakan alat grafis seperti bagan, alat pengukur dan dashboard yang secara otomatis me-refresh untuk menampilkan informasi up-to-date yang mudah dan cepat dipahami. Beberapa dari paket perangkat lunak pelaporan memungkinkan Anda untuk benar-benar menyelam dalam-dalam informasi Anda menggunakan meja canggih. Juga, mereka dapat mencakup kemampuan untuk menyertakan informasi luar - dan tren pertumbuhan ekonomi misalnya. Ini akan memberi Anda pemahaman yang lebih baik tentang bagaimana kekuatan-kekuatan pasar mempengaruhi bottom line.
Sementara bisnis perangkat laporan intelijen berbeda dalam biaya dan kemampuan, mereka semua memiliki satu kesamaan: tujuan menyediakan perusahaan Anda dengan informasi yang dibutuhkan untuk berkembang dalam lingkungan yang kompetitif saat ini.
Dalam penjualan, Anda harus menghabiskan waktu pada klien Anda, tidak memikirkan bagaimana untuk membuat laporan. Karena Windward Laporan NET pelaporan mesin, Scott Duglase dapat lebih fokus pada pelanggan dan kurang di layar komputernya. software pelaporan mereka telah menempatkan Scott mengendalikan proses desain dan memotong waktu ke jam, bukan hari. Download Windward's Free.NET Pelaporan Engine demo hari ini.
Business intelligence
Business Intelligence (BI) mengacu pada teknik berbasis komputer yang digunakan dalam bercak, menggali-out, dan menganalisis data bisnis, seperti pendapatan penjualan dengan produk dan / atau departemen atau biaya yang terkait dan pendapatan. [1]
teknologi BI memberikan pandangan historis, saat ini, dan prediksi operasi bisnis. fungsi umum teknologi Business Intelligence yang melaporkan, pengolahan analisis online, analisis, pertambangan data, manajemen bisnis kinerja, pembandingan, teks pertambangan, dan analisis prediktif.
Business Intelligence sering bertujuan untuk mendukung bisnis yang lebih baik pengambilan keputusan [2]. Jadi, sistem BI dapat disebut sistem pendukung keputusan (DSS). [3] Meskipun usaha jangka intelijen sering digunakan sebagai sinonim untuk intelijen kompetitif, karena mereka baik membuat keputusan dukungan, BI menggunakan teknologi, proses, dan aplikasi untuk menganalisis sebagian besar internal, data terstruktur dan proses bisnis sementara intelijen kompetitif, dilakukan dengan mengumpulkan, menganalisis dan menyebarkan informasi dengan atau tanpa dukungan dari teknologi dan aplikasi, dan berfokus pada semua- sumber informasi dan data (tidak terstruktur atau terstruktur), sebagian besar di luar, tapi juga internal untuk perusahaan, untuk mendukung pengambilan keputusan.
Sejarah Singkat
Dalam Microsoft Office Project Server 2007, fokus untuk pelaporan adalah pada infrastruktur, di mana kami menyediakan infrastruktur untuk membuat data laporan yang tersedia dapat diakses. Database pelaporan yang baru memungkinkan Anda untuk lebih mudah data permintaan dari Proyek tanpa membutuhkan keterampilan SQL maju. Database OLAP juga ditingkatkan sampai 13 kubus baru untuk menyediakan data lebih kaya.
Umpan balik menunjukkan kebutuhan untuk menyediakan segmentasi lebih lanjut data data OLAP. Karena kita hanya memiliki satu database OLAP, itu berisi semua data. Administrator ingin kemampuan untuk membangun lebih bertarget dan kecil OLAP database berdasarkan khalayak pengguna tertentu. Mereka juga memerlukan cara mudah untuk menyesuaikan data yang terdapat dalam database OLAP. Sebagai contoh, setelah biaya data dalam database OLAP yang digunakan oleh kontraktor membuat banyak administrator gugup. Untuk mengakses data, kami juga merilis dua SQL Server Reporting Service (SSR) Laporan Paket. Saran atau masukan menunjukkan bahwa ini adalah langkah di arah yang benar, tetapi solusi apa pun yang dimulai dengan "Buka Visual Studio" tidak alamat data inti masalah aksesibilitas. Masalah lain adalah orang-orang yang biasanya harus membuat laporan biasanya tidak memiliki ketrampilan yang diperlukan SQL atau akses ke tool pemrograman untuk menulis laporan untuk SSR.
Project Server 2010: Membuat Data Kaya dan Mudah diakses
Akibatnya, tiga investasi besar dilakukan di Proyek Server 2010 di OLAP, Database Pelaporan dan integrasi Excel untuk mengatasi kebutuhan ini.
Beberapa OLAP Database Dukungan
Beberapa dukungan Database OLAP memungkinkan administrator untuk mengkonfigurasi, menyesuaikan dan penyediaan database OLAP berdasarkan kebutuhan khusus dari kelompok sasaran. Ada dua cara utama bahwa database OLAP dapat disesuaikan.
Menyaring Data
Dalam proyek, Server 2010 database OLAP data yang dapat disaring berdasarkan pada kombinasi rentang tanggal, Proyek Departemen Departemen dan Sumber Daya. Ini memberikan cara untuk mudah menyaring data OLAP untuk informasi yang relevan untuk grup pengguna tertentu. Dalam hal ini, Teknologi Informasi OLAP database hanya akan berisi data proyek dan sumber daya yang diberikan kepada departemen mereka. Tidak ada lagi harus menyaring proyek Pemasaran untuk mendapatkan laporan IT!
Mengontrol Unsur Data Ditampilkan
Cara kedua mengubah database OLAP adalah untuk menentukan unsur data yang terdapat di database tertentu. Kemampuan untuk menambahkan atau menghapus kolom kustom sebagai dimensi dan tindakan adalah operasi yang mudah. Untuk data intrinsik seperti garis dan data biaya, Anda dapat mengecualikan data dari database OLAP hanya dengan menghapus tanda pada pilihan kotak untuk tipe data. Jika Anda menggunakan fitur aktif baru Tasks, Anda juga dapat dengan mudah mengecualikan jenis ini tugas dari data OLAP. Terakhir, jika Anda suka MDX buatan tangan, Anda dapat menambahkan tindakan Anda sendiri dihitung ke database melalui antarmuka pengguna.
Data Baru dalam Database Pelaporan
Sejumlah elemen data baru yang ditambahkan ke database Pelaporan dalam rilis ini. Sekarang mungkin untuk membuat laporan dengan menggunakan data waktu Timesheet bidang administrasi dan kustom data kartu absen. Hal ini memungkinkan pengguna untuk mendapatkan tampilan yang jauh lebih kaya di mana waktu telah login, serta penggunaan lain, seperti daftar waktu liburan atau waktu yang direncanakan pelatihan yang direncanakan. Kami juga menambahkan data yang terkait dengan portofolio baru dan fungsi alur kerja. Terakhir, jika Anda menggunakan properti proyek di masa lalu dalam Proyek Profesional, sekarang ini dihuni ke database Pelaporan.
Excel Berdasarkan Pelaporan
Untuk membuat data dengan mudah diakses, kita perlu menggunakan alat yang kebanyakan orang sudah memiliki dan mengetahui bagaimana menggunakan. Karena alat yang paling sering digunakan untuk visualisasi data BI Excel, itu cocok alami untuk kebutuhan. Excel juga memudahkan pengguna akhir untuk memperpanjang solusi dengan membuat laporan baru atau merakit laporan ke panel kontrol.
Dalam memungkinkan penggunaan Excel sebagai solusi BI kami, kami membuat investasi sebagai berikut:
Pusat Intelijen Bisnis Baru
Website baru ini dibuat di bawah PWA ke rumah Excel, SSR dan konten PerformancePoint. Hal ini memungkinkan sebuah toko one stop untuk semua kebutuhan BI.
Excel Pre-Connected laporan
Menghubungkan pengguna ke data mereka terbukti menjadi tantangan bagi banyak orang. Oleh karena itu, kami menyediakan beberapa laporan pra-konfigurasi dan pra-terhubung yang dapat digunakan sebagai komponen dashboard atau sebagai starter laporan untuk membangun versi Anda sendiri. Contoh di bawah ini adalah laporan Realisasi Timesheet, yang dibangun berdasarkan kebutuhan pelanggan yang menggunakan solusi pelacakan waktu kita di Proyek Server 2007.
Database Pelaporan Pra-Connected Template
Kami juga menyediakan pra-terhubung kosong template untuk pembuatan laporan atas database Pelaporan. Template ini berfokus pada entitas kunci dalam Proyek Server. Hal ini membuat lebih mudah untuk membuat laporan singkat tentang barang-barang tertentu. Template adalah:
* Bergantung Proyek * Isu * Proyek Dan Tugas * Proyek Dan Tugas * Sumber * Risiko * Timesheet
Terhubung Otomatis Pra-Penciptaan Template untuk Database OLAP
Ketika seorang administrator membangun database OLAP baru, Project Server 2010 secara otomatis akan membuat sebuah template kosong pra-terhubung untuk masing-masing dari 14 kubus. Hal ini memudahkan user untuk membuat laporan dengan cepat. Template ini meliputi:
Selain template, Office Data Connection perpustakaan diciptakan dan pra-penduduknya. Koneksi ini digunakan oleh template dan laporan sampel, dan menghapus ini kebutuhan pengguna untuk mengetahui nama server, nama database dan SQL. Dalam semua kasus, pengguna dapat menyalin dan memodifikasi file ini untuk memperluas pelaporan untuk memenuhi kebutuhan mereka sendiri.
Terakhir, dukungan multi-bahasa sekarang disediakan. Untuk setiap paket bahasa yang diinstal pada server, folder dengan syarat template untuk setiap bahasa yang akan dihasilkan.
Rangkuman
Pada akhirnya, Anda dapat menggunakan laporan Excel untuk berbagi informasi, baik melalui email, SharePoint atau menggabungkan sejumlah laporan ke panel kontrol.
Pada contoh di bawah dashboard, saya telah membuat Panel Proyek yang menunjukkan waktu bertahap saya melihat kerja aktual versus kerja direncanakan untuk proyek tersebut, sebagai masuk dari Tugas saya. Di bawah ini, saya dapat melihat laporan pencapaian mendatang, yang memiliki format waktu bersyarat berdasarkan Tanggal Selesai untuk menyorot jatuh tempo dan tonggak tonggak mendatang. Dengan ini, saya dapat melihat apakah jam dimasukkan dalam log terhadap proyek seperti yang direncanakan dan melihat apa tonggak terpengaruh jika nomor tersebut rendah.
Business intelligence dan data warehousing
Seringkali aplikasi BI menggunakan data yang dikumpulkan dari data warehouse atau data mart. Namun, tidak semua gudang data yang digunakan untuk intelijen bisnis, dan tidak semua aplikasi bisnis intelijen memerlukan data warehouse.
Business intelligence dan business analytics
Thomas Davenport berpendapat bahwa kecerdasan bisnis harus dibagi ke dalam query, pelaporan, OLAP, sebuah "tanda" alat, dan analisis bisnis. Pendekatan lain yang komprehensif yang menggunakan BI dan metode lainnya, model, dan analisis disebut Keputusan Arsitektur. DA adalah penciptaan nilai proses yang digunakan oleh perusahaan besar sejak tahun 1985 untuk meningkatkan pelanggan, portofolio, teknologi, merek dan nilai pemegang saham.
Mendapatkan proyek-proyek prioritas Business Intelligence
Hal ini sering sulit untuk menyediakan kasus bisnis yang positif untuk Business
Intelligence (BI) inisiatif dan sering proyek perlu diprioritaskan melalui inisiatif strategis. Berikut adalah beberapa petunjuk untuk meningkatkan manfaat bagi proyek BI.
* Seperti dijelaskan oleh Kimball [4] Anda harus menentukan manfaat nyata seperti dieliminasi biaya produksi laporan warisan. * Paksa akses ke data untuk seluruh organisasi. Dengan cara ini bahkan manfaat kecil, seperti beberapa menit yang disimpan, akan membuat perbedaan bila dikalikan dengan jumlah karyawan di seluruh organisasi. * Seperti dijelaskan oleh Ross, Weil & Roberson untuk Enterprise Architecture [5], pertimbangkan membiarkan proyek BI didorong oleh inisiatif bisnis lainnya dengan kasus bisnis yang sangat baik. Untuk mendukung pendekatan ini, organisasi harus memiliki Enterprise Architects, yang akan mampu mendeteksi proyek bisnis yang cocok.
Faktor-faktor Keberhasilan Kritis Implementasi Business Intelligence
Meskipun ada bisa banyak faktor yang dapat mempengaruhi proses implementasi sistem BI, penelitian oleh Naveen K. Vodapalli [6] menunjukkan bahwa Berikut ini adalah faktor penting untuk keberhasilan pelaksanaan intelijen bisnis:
1. Bisnis berbasis metodologi dan manajemen proyek 2. Jelas visi dan perencanaan 3. Komitmen dukungan manajemen & sponsor 4. Data manajemen dan kualitas 5. Pemetaan solusi untuk kebutuhan pengguna 6. Kinerja pertimbangan dari sistem BI 7. Kerangka kerja yang kuat dan dapat diupgrade
Masa depan Business Intelegence
Sebuah kertas 2009 Gartner meramalkan [7] perkembangan di pasar intelijen bisnis. * Karena kurangnya informasi, proses, dan alat-alat, hingga 2012, lebih dari 35 persen dari 5.000 perusahaan top dunia secara teratur akan gagal membuat keputusan wawasan tentang perubahan signifikan dalam bisnis mereka dan pasar. * Pada 2012, unit usaha akan mengendalikan paling tidak 40 persen dari total anggaran untuk intelijen bisnis. * Pada 2010, 20 persen dari organisasi-organisasi akan memiliki aplikasi analitik industri spesifik yang disampaikan melalui software sebagai layanan sebagai komponen standar intelijen portofolio bisnis mereka. * Pada tahun 2009, pengambilan keputusan kolaboratif muncul sebagai sebuah kategori produk baru yang menggabungkan kemampuan perangkat lunak sosial dengan platform bisnis intelijen. * Pada tahun 2012, sepertiga dari aplikasi analitik diterapkan pada proses bisnis akan disampaikan melalui aplikasi mashup kasar.
Data mining adalah proses penggalian pola dari data. Data mining menjadi alat yang semakin penting untuk mengubah data menjadi informasi. Hal ini umumnya digunakan dalam berbagai profil praktek, seperti pemasaran, pengawasan, deteksi penipuan dan penemuan ilmiah.
Data mining dapat digunakan untuk menemukan pola dalam data tetapi sering dilakukan hanya pada sampel data. Proses pertambangan tidak akan efektif jika sampel bukan merupakan representasi yang baik dari tubuh yang lebih besar dari data. Data mining tidak dapat menemukan pola-pola yang mungkin ada dalam tubuh lebih besar dari data jika pola-pola yang tidak hadir dalam sampel yang "ditambang". Ketidakmampuan untuk menemukan pola bisa menjadi penyebab untuk beberapa perselisihan antara pelanggan dan penyedia layanan. Oleh karena itu data mining tidak sangat mudah, namun mungkin berguna jika cukup representatif sampel data dikumpulkan. Penemuan pola tertentu dalam satu set data tertentu tidak berarti bahwa suatu pola ditemukan di tempat lain pada data yang lebih besar dari sampel yang diambil. Sebuah bagian penting dari proses ini adalah verifikasi dan validasi pola pada data sampel lainnya.
Istilah terkait data pengerukan, penangkapan ikan mengintip data dan data mengacu pada penggunaan data mining teknik untuk ukuran sampel yang (atau mungkin) terlalu kecil untuk kesimpulan statistik yang akan dibuat mengenai validitas dari setiap pola yang ditemukan (lihat juga data-mengintip bias). Data pengerukan mungkin, bagaimanapun, digunakan untuk mengembangkan hipotesis baru, yang kemudian harus divalidasi dengan set sampel cukup besar.
Latar Belakang
Manusia telah "secara manual" penggalian pola dari data selama berabad-abad, tetapi meningkatnya volume data dalam zaman modern telah menyerukan pendekatan otomatis lebih. Awal metode untuk mengidentifikasi pola-pola dalam data termasuk teorema Bayes '(1700) dan analisis regresi (1800). Proliferasi, ubiquity dan meningkatkan kekuatan teknologi komputer telah meningkat pengumpulan data dan penyimpanan. Sebagai kumpulan data telah tumbuh dalam ukuran dan kompleksitas, langsung tangan-data analisis telah semakin telah ditambah dengan tidak langsung, pengolahan data otomatis. Ini telah dibantu oleh penemuan lain dalam ilmu komputer, seperti jaringan saraf, clustering, algoritma genetika (1950), pohon keputusan (1960) dan dukungan mesin vektor (1980). Data mining adalah proses penerapan metode ini untuk data dengan tujuan mengungkap pola-pola tersembunyi [1] telah digunakan selama bertahun-tahun oleh bisnis., Ilmuwan dan pemerintah untuk menyaring volume data seperti catatan perjalanan maskapai penumpang, data sensus dan supermarket scanner data untuk menghasilkan laporan-laporan riset pasar. (Catatan, bagaimanapun, melaporkan bahwa tidak selalu dianggap sebagai data mining.)
Alasan utama untuk menggunakan data mining adalah untuk membantu dalam analisis koleksi pengamatan perilaku. data tersebut rentan terhadap collinearity karena kesalingterkaitan diketahui. Sebuah kenyataan yang tak terhindarkan data mining adalah bahwa (sub-) set (s) dari data yang dianalisis mungkin tidak representatif dari domain keseluruhan, dan karena itu tidak mungkin berisi contoh hubungan kritis tertentu dan perilaku yang ada di bagian lain dari domain . Untuk mengatasi masalah seperti ini, analisis dapat ditambah dengan menggunakan pendekatan berbasis percobaan dan lainnya, seperti Choice Pemodelan data yang dihasilkan manusia. Pada situasi ini, korelasi baik yang melekat dapat dikendalikan, atau dihapus sama sekali, selama konstruksi dari desain eksperimental.
Ada beberapa upaya untuk menentukan standar untuk data mining, misalnya Salib Eropa 1999 Standar Industri Proses Data Mining (DM Crisp-1.0) dan Java 2004 Data standar Pertambangan (JDM 1.0). Ini adalah berkembang standar; versi terbaru dari standar tersebut sedang dalam pengembangan. Independen upaya-upaya standardisasi, sistem perangkat lunak bebas tersedia open-source seperti Proyek R, weka, KNIME, RapidMiner dan lain-lain telah menjadi standar informal untuk menentukan proses data-mining. Tiga pertama dari sistem ini dapat mengimpor dan mengekspor model di PMML (Predictive Model Markup Language) yang menyediakan cara standar untuk mewakili model data mining sehingga ini dapat dibagi antara aplikasi statistik yang berbeda. PMML adalah bahasa berbasis XML yang dikembangkan oleh Data Mining Group (DMG) [2], sebuah kelompok independen yang terdiri dari banyak data perusahaan pertambangan. PMML versi 4.0 dirilis pada bulan Juni 2009. [2] [3] [4]
Penelitian dan evolusi
Selain permintaan industri didorong untuk standar dan interoperabilitas, kegiatan profesional dan akademik juga memberikan kontribusi cukup besar bagi evolusi dan kekakuan metode dan model; artikel yang diterbitkan dalam edisi 2008 dari International Journal Teknologi Informasi dan Pengambilan Keputusan merangkum hasil survei literatur yang melacak dan menganalisis evolusi ini. [5]
Tubuh profesional utama di lapangan adalah Asosiasi Interest Group Khusus Komputasi Mesin pada Knowledge Discovery dan Data Mining (SIGKDD). [Rujukan?] Sejak tahun 1989 mereka telah menjadi tuan rumah konferensi internasional tahunan dan diumumkan proses nya, [6] dan sejak tahun 1999 telah menerbitkan sebuah jurnal akademik dua tahunan berjudul "SIGKDD Explorations". [7] Lainnya Ilmu Komputer konferensi meliputi penambangan data:
* DMIN - International Conference on Data Mining; [8] * DMKD - Penelitian Masalah pada Data Mining dan Knowledge Discovery; * Konferensi Eropa ECML-PKDD - pada Mesin Belajar dan Prinsip-prinsip dan Praktek Discovery Pengetahuan di Database; * ICDM - Konferensi Internasional IEEE pada Data Mining; [9] * MLDM - Mesin Belajar dan Data Mining di Pengakuan Pola; * SDM - Konferensi Internasional Siam pada Data Mining * EDM - Konferensi Internasional Pertambangan Data Pendidikan
Process
Pra-pemrosesan
Sebelum algoritma data mining dapat digunakan, data sasaran satu set harus dirakit. Sebagai data mining hanya dapat mengungkap pola-pola yang sudah ada dalam data, dataset target harus cukup besar untuk memuat pola-pola ini sambil tetap cukup ringkas akan ditambang dalam jangka waktu yang diterima. Sebuah sumber yang sama untuk data adalah datamart atau gudang data. Pra-proses sangat penting untuk menganalisis dataset clustering atau multivariat sebelum data mining.
Target yang ditetapkan kemudian dibersihkan. Membersihkan menghapus pengamatan dengan suara dan data yang hilang.
Data yang bersih berkurang menjadi vektor fitur, salah satu vektor per observasi. Sebuah vektor ciri adalah versi diringkas dari pengamatan data mentah. Misalnya, gambar hitam dan putih wajah yang 100px dengan 100px akan berisi 10.000 bit data mentah. Hal ini mungkin akan berubah menjadi sebuah vektor fitur dengan menempatkan mata dan mulut dalam gambar. Melakukan hal tersebut akan mengurangi data untuk setiap vektor dari 10.000 bit kode untuk ke tiga lokasi, secara dramatis mengurangi ukuran dataset yang akan ditambang, sehingga mengurangi usaha pengolahan. Fitur (s) yang dipilih akan tergantung pada apa tujuan (s) adalah / adalah; jelas, memilih yang "benar" fitur (s) adalah dasar data mining yang sukses.
Vektor fitur dibagi menjadi dua kelompok, himpunan "pelatihan" dan "set test". Set pelatihan digunakan untuk "melatih" algoritma data mining (s), sedangkan set tes digunakan untuk memverifikasi keakuratan segala pola yang ditemukan.
Data mining umumnya melibatkan kelas empat tugas: [10]
* Clustering - adalah tugas menemukan kelompok-kelompok dan struktur dalam data yang dalam beberapa cara atau yang lain "sama", tanpa menggunakan struktur yang dikenal dalam data. * Klasifikasi - adalah tugas generalisasi dikenal struktur untuk diterapkan ke data baru. Sebagai contoh, sebuah program email yang mungkin mencoba untuk mengklasifikasikan email sebagai sah atau spam. algoritma pohon keputusan umum termasuk belajar, tetangga terdekat, klasifikasi Bayesian naif dan jaringan syaraf. * Regresi - Upaya untuk menemukan sebuah fungsi yang model data dengan kesalahan minimal. * Asosiasi aturan belajar - Mencari hubungan antara variabel-variabel. Misalnya supermarket dapat mengumpulkan data tentang kebiasaan membeli pelanggan. Menggunakan aturan asosiasi belajar, supermarket bisa menentukan produk yang sering dibeli bersama-sama dan menggunakan informasi ini untuk tujuan pemasaran. Ini kadang-kadang disebut sebagai analisis pasar keranjang. * Lihat juga analisis data terstruktur.
validasi
Langkah terakhir dari penemuan pengetahuan dari data adalah untuk memverifikasi pola yang dihasilkan oleh algoritma data mining terjadi dalam data set yang lebih luas. Tidak semua pola yang ditemukan oleh algoritma data mining yang harus berlaku. Adalah umum untuk algoritma data mining untuk menemukan pola dalam training set yang tidak hadir dalam data umum ditetapkan, ini disebut overfitting. Untuk mengatasi hal ini, evaluasi menggunakan tes set data yang algoritma data mining tidak dilatih pada. Pola belajar yang diterapkan untuk ini menetapkan pengujian dan output yang dihasilkan dibandingkan dengan keluaran yang diinginkan. Sebagai contoh, sebuah algoritma data mining mencoba untuk membedakan spam dari email yang sah akan dilatih pada training set email sampel. Setelah dilatih, pola belajar akan diterapkan pada tes set email yang belum terlatih, keakuratan pola-pola ini kemudian dapat diukur dari berapa banyak email mereka dengan benar mengklasifikasikan. Sejumlah metode statistik dapat digunakan untuk mengevaluasi algoritma seperti kurva ROC.
Jika pola belajar tidak memenuhi standar yang diinginkan, maka perlu mengevaluasi kembali dan mengubah preprocessing dan data mining. Jika pola belajar tidak memenuhi standar yang diinginkan maka langkah terakhir adalah menafsirkan pola belajar dan mengubahnya menjadi pengetahuan.
terkenal menggunakan
Business
Data mining dalam aplikasi manajemen hubungan pelanggan dapat memberikan kontribusi signifikan terhadap bottom line. Alih-alih secara acak menghubungi calon pelanggan atau pelanggan melalui call center atau mengirim surat, perusahaan dapat berkonsentrasi pada prospek usaha yang diperkirakan memiliki tinggi kemungkinan menanggapi penawaran. metode canggih lebih lanjut dapat digunakan untuk mengoptimalkan sumber daya di seluruh kampanye, sehingga orang dapat memprediksi saluran dan yang menawarkan seorang individu yang paling mungkin untuk menanggapi - di semua menawarkan potensi. Selain itu, aplikasi canggih dapat digunakan untuk mengotomatisasi surat tersebut. Setelah hasil dari data pelanggan pertambangan (/ calon pelanggan potensial dan saluran / menawarkan) ditentukan, aplikasi "canggih" dapat secara otomatis mengirim e-mail atau surat biasa. Akhirnya, dalam kasus di mana banyak orang akan mengambil tindakan tanpa menawarkan, pemodelan mengangkat dapat digunakan untuk menentukan orang akan memiliki peningkatan terbesar dalam menanggapi jika diberi penawaran. Clustering data juga dapat digunakan untuk secara otomatis menemukan segmen atau kelompok dalam mengatur data pelanggan.
Bisnis menggunakan data mining dapat melihat hasil investasi, tetapi juga mereka mengakui bahwa jumlah model prediksi dapat dengan cepat menjadi sangat besar. Daripada satu model untuk memprediksi berapa banyak pelanggan yang akan churn, bisnis bisa membangun model terpisah untuk masing-masing daerah dan jenis pelanggan. Kemudian daripada mengirim penawaran kepada semua orang yang cenderung churn, hanya mungkin ingin mengirim menawarkan bagi pelanggan yang kemungkinan akan menawarkan. Dan akhirnya, itu juga mungkin ingin menentukan pelanggan akan menguntungkan atas jendela waktu dan hanya mengirim menawarkan kepada mereka yang kemungkinan besar akan menguntungkan. Dalam rangka mempertahankan jumlah model, mereka perlu untuk mengelola versi model dan pindah ke pertambangan data otomatis.
Data mining juga dapat membantu untuk departemen sumber daya manusia dalam mengidentifikasi karakteristik karyawan mereka yang paling sukses. Informasi yang diperoleh, seperti perguruan tinggi dihadiri oleh karyawan yang sangat sukses, dapat membantu SDM recruiting fokus upaya sesuai. Selain itu, Strategis aplikasi Enterprise Management membantu perusahaan menerjemahkan tujuan tingkat korporasi, seperti laba dan target margin saham, menjadi keputusan operasional, seperti rencana produksi dan tingkat tenaga kerja. [11]
Contoh lain dari data mining, sering disebut analisis keranjang pasar, berkaitan dengan penggunaannya dalam penjualan ritel. Jika toko pakaian mencatat pembelian pelanggan, sistem data-mining bisa mengidentifikasi para pelanggan yang mendukung lebih dari yang kemeja sutera kapas. Meskipun beberapa penjelasan hubungan mungkin sulit, mengambil keuntungan dari lebih mudah. Contoh yang berkaitan dengan aturan asosiasi dalam data transaksi berbasis. Tidak semua data transaksi berdasarkan aturan dan logis atau tidak tepat juga dapat hadir dalam database. Dalam aplikasi manufaktur, aturan eksak mungkin menyatakan bahwa 73% produk yang memiliki cacat tertentu atau masalah akan mengembangkan masalah sekunder dalam enam bulan ke depan.
Analisis keranjang pasar juga telah digunakan untuk mengidentifikasi pola pembelian dari konsumen Alpha. Alpha Konsumen adalah orang yang memainkan peran kunci dalam menghubungkan dengan konsep di balik sebuah produk, kemudian mengadopsi produk tersebut, dan akhirnya memvalidasi untuk sisa masyarakat. Menganalisis data yang dikumpulkan pada pengguna jenis ini telah memungkinkan perusahaan untuk memprediksi tren masa depan dan tuntutan membeli perkiraan pasokan.
Data Mining adalah alat yang sangat efektif dalam industri pemasaran katalog. Catalogers memiliki sejarah yang kaya dari transaksi nasabah pada jutaan pelanggan sejak beberapa tahun. alat pertambangan Data dapat mengidentifikasi pola-pola di antara pelanggan dan membantu mengidentifikasi pelanggan yang paling mungkin untuk merespon kampanye mailing mendatang.
Terkait dengan jalur produksi-sirkuit terpadu, sebuah contoh dari data mining adalah dijelaskan dalam makalah "Pertambangan IC Data Uji untuk Optimalkan VLSI Testing" [. 12] Dalam makalah ini penerapan data mining dan analisa keputusan untuk masalah mati- taraf uji fungsional dijelaskan. Percobaan yang disebutkan dalam makalah ini menunjukkan kemampuan menerapkan sistem penambangan data historis mati-tes untuk membuat model probabilistik pola kegagalan mati yang kemudian digunakan untuk menentukan secara real time yang mati untuk menguji berikutnya dan kapan harus berhenti pengujian. Sistem ini telah terbukti, berdasarkan uji eksperimen dengan data historis, memiliki potensi untuk meningkatkan keuntungan produk IC dewasa.
Sains dan teknik
Dalam beberapa tahun terakhir, data mining telah banyak digunakan dalam bidang sains dan teknik, seperti bioinformatika, genetika, pengobatan, pendidikan dan teknik tenaga listrik.
Dalam bidang studi tentang genetika manusia, tujuan penting adalah memahami hubungan pemetaan antara variasi antar-individu dalam urutan DNA manusia dan variabilitas dalam kerentanan penyakit. Dalam istilah awam, adalah untuk mengetahui bagaimana perubahan urutan DNA seseorang mempengaruhi risiko pengembangan penyakit biasa seperti kanker. Hal ini sangat penting untuk membantu meningkatkan diagnosis, pencegahan dan pengobatan penyakit. Penambangan data teknik yang digunakan untuk melakukan tugas ini dikenal sebagai pengurang dimensi multifaktor. [13]
Dalam bidang teknik listrik, teknik data mining telah banyak digunakan untuk memantau kondisi peralatan listrik tegangan tinggi. Tujuan dari pemantauan kondisi adalah untuk memperoleh informasi yang berharga pada status kesehatan isolasi itu peralatan. Clustering data seperti peta mengorganisir diri (SOM) telah diterapkan pada pemantauan getaran dan analisis transformator on-load tap-changer (OLTCS). Menggunakan monitoring getaran, dapat diamati bahwa setiap operasi perubahan tekan menghasilkan sinyal yang berisi informasi tentang kondisi kontak tekan changer dan mekanisme drive. Jelas, posisi tekan yang berbeda akan menghasilkan sinyal yang berbeda. Namun, terdapat variabilitas yang besar antara sinyal kondisi normal untuk posisi keran yang sama persis. SOM telah diterapkan untuk mendeteksi kondisi normal dan untuk memperkirakan sifat kelainan. [14]
Data teknik pertambangan juga telah diterapkan untuk analisis gas terlarut (DGA) pada transformator daya. DGA, sebagai diagnosa untuk gardu listrik, telah tersedia selama bertahun-tahun. Data mining teknik seperti SOM telah diterapkan untuk menganalisis data dan untuk menentukan tren yang tidak jelas dengan teknik DGA rasio standar seperti Segitiga Duval. [14]
Sebuah wilayah keempat aplikasi untuk data mining di bidang ilmu / rekayasa dalam penelitian pendidikan, di mana data mining telah digunakan untuk mempelajari faktor yang menyebabkan siswa memilih untuk terlibat dalam perilaku yang mengurangi mereka belajar [15] dan untuk memahami faktor-faktor yang mempengaruhi mahasiswa retensi. [16] Sebuah contoh yang serupa aplikasi sosial dari data mining adalah penggunaannya dalam keahlian menemukan sistem, dimana deskriptor keahlian manusia diekstrak, dinormalisasi dan diklasifikasikan sehingga memudahkan menemukan ahli, khususnya di bidang ilmiah dan teknis. Dalam cara ini, data mining dapat memfasilitasi memori Kelembagaan.
Contoh lain dari penerapan aplikasi teknik data mining adalah data biomedis difasilitasi oleh ontologi domain, [17] data mining uji klinis, [18] Analisis lalu lintas SOM menggunakan, [19] dan sebagainya.
Dalam surveilans reaksi obat yang merugikan, Uppsala Monitoring Pusat telah, sejak tahun 1998, data yang digunakan untuk metode penambangan secara rutin layar untuk menunjukkan pola pelaporan masalah obat muncul keselamatan di database WHO global 4.600.000 dicurigai obat insiden reaksi yang merugikan [20]. Baru-baru ini, metode yang sama yang telah dikembangkan untuk tambang koleksi besar catatan kesehatan elektronik untuk mengasosiasikan pola temporal resep obat untuk diagnosis medis. [21]
data mining spasial
Spasial data mining adalah penerapan teknik data mining untuk data spasial. Spasial data mining berikut sepanjang fungsi yang sama dalam data mining, dengan tujuan akhir untuk menemukan pola-pola dalam geografi. Sejauh ini, data mining dan Sistem Informasi Geografis (GIS) telah ada sebagai dua teknologi yang terpisah, masing-masing dengan metode sendiri, tradisi dan pendekatan untuk visualisasi dan analisis data. Khususnya, GIS paling kontemporer hanya memiliki fungsionalitas analisis yang sangat dasar spasial. Ledakan besar pada data geografis direferensikan disebabkan oleh perkembangan di bidang TI, pemetaan digital, penginderaan jauh, dan difusi global GIS menekankan pentingnya mengembangkan data driven pendekatan induktif untuk analisis geografis dan pemodelan.
Data mining, yang merupakan sebagian pencarian otomatis untuk pola-pola tersembunyi di dalam database yang besar, menawarkan manfaat potensi besar untuk diterapkan GIS berbasis pengambilan keputusan. Baru-baru ini, tugas mengintegrasikan kedua teknologi telah menjadi kritis, terutama karena berbagai organisasi sektor publik dan swasta yang memiliki database besar dengan data tematik dan referensi geografis mulai menyadari potensi besar informasi yang tersembunyi di sana. Di antara organisasi-organisasi tersebut adalah:
* Kantor yang memerlukan analisis atau penyebaran data statistik geo-referensi * Layanan kesehatan publik mencari penjelasan dari cluster penyakit * Lingkungan instansi menilai dampak perubahan pola penggunaan lahan pada perubahan iklim * Geo-pemasaran perusahaan yang melakukan segmentasi pelanggan berdasarkan lokasi spasial.
Tantangan
Repositori data geospasial cenderung sangat besar. Selain itu, ada GIS dataset sering pecah menjadi fitur dan komponen atribut, yang konvensional diarsipkan dalam sistem manajemen data hibrida. Algoritmik persyaratan berbeda secara substansial untuk relasional (atribut) manajemen data dan untuk topologi (fitur) manajemen data [22]. Terkait dengan ini adalah kisaran dan keragaman format data geografis, yang juga menyajikan tantangan yang unik. The geografis data digital revolusi adalah menciptakan jenis baru dari format data vektor luar "tradisional" dan "raster" format. Geografis repositori data yang semakin meliputi data sakit-terstruktur seperti citra dan geo-referenced multi-media [23].
Ada beberapa tantangan kritis dalam penelitian penemuan pengetahuan geografis dan data mining. Miller dan Han [24] menawarkan daftar berikut topik penelitian muncul di lapangan:
* Mengembangkan dan mendukung gudang data geografis - sifat spasial sering dikurangi menjadi atribut aspatial sederhana dalam gudang data utama. Membuat GDW terpadu membutuhkan memecahkan masalah dalam interoperabilitas data spasial dan temporal, termasuk perbedaan dalam semantik, referensi sistem, geometri, akurasi dan posisi. * Lebih baik representasi spatio-temporal dalam penemuan pengetahuan geografis - penemuan pengetahuan saat geografis (GKD) teknik umumnya menggunakan representasi yang sangat sederhana tentang objek geografis dan hubungan spasial. Geografis data teknik pertambangan harus mengenali obyek geografis yang lebih kompleks (garis dan poligon) dan hubungan (jarak non-Euclidean, arah, konektivitas dan interaksi melalui disebabkan ruang geografis seperti daerah). Perlu waktu lebih terintegrasi ke dalam representasi geografis dan hubungan. * Geografis pengetahuan penemuan menggunakan beragam jenis data - teknik GKD harus dikembangkan yang dapat menangani berbagai jenis data di luar raster tradisional dan model vektor, termasuk gambar dan multimedia geo-referensi, serta jenis data dinamis (video streaming, animasi).
Pengawasan
Sebelumnya data mining untuk menghentikan program teroris di bawah pemerintah AS termasuk Informasi Kesadaran Total (TIA) program, Secure Flight (sebelumnya dikenal sebagai Computer-Assisted Penumpang Sistem penyaringan (Capps II)), Analisis, Diseminasi, Visualisasi, Insight, Semantic Peningkatan ( Advise [25]), dan Multistate Anti-Terorisme Pertukaran Informasi (MATRIX). [26] Program-program tersebut telah dihentikan karena kontroversi tentang apakah mereka melanggar amandemen 4 Konstitusi AS, meski banyak program yang dibentuk di bawah mereka terus didanai oleh organisasi yang berbeda, atau di bawah nama yang berbeda. [27]
Dua data yang masuk akal teknik pertambangan dalam konteks memerangi terorisme termasuk "pertambangan pola" dan "pertambangan berbasis data subjek".
Pola mining
"Pola pertambangan" adalah teknik data mining yang melibatkan menemukan pola-pola yang ada dalam data. Dalam konteks ini sering berarti pola kaidah asosiasi. Motivasi awal untuk mencari aturan asosiasi berasal dari keinginan untuk menganalisa data transaksi supermarket, yaitu, untuk memeriksa perilaku pelanggan dalam hal produk yang dibeli. Sebagai contoh, aturan asosiasi "bir ⇒ keripik (80%)" menyatakan bahwa empat dari lima pelanggan yang membeli bir juga membeli keripik.
Dalam konteks pola pertambangan sebagai alat untuk mengidentifikasi kegiatan teroris, National Research Council memberikan definisi sebagai berikut: "Pola berbasis data mining mencari pola (termasuk pola data anomali) yang mungkin terkait dengan aktivitas teroris - pola-pola ini mungkin dianggap sebagai sinyal kecil di laut besar kebisingan. "[28] [29] [30] Pola Pertambangan meliputi daerah-daerah baru seperti Music Information Retrieval (MIR) di mana pola terlihat baik dalam domain temporal temporaldan non diimpor untuk pengetahuan klasik penemuan teknik pencarian.
berbasis data mining Perihal
"Subjek berbasis data mining" adalah teknik data mining yang melibatkan mencari asosiasi antar individu dalam data. Dalam konteks memerangi terorisme, National Research Council memberikan definisi sebagai berikut: "Subjek berbasis data mining menggunakan datum individu atau lainnya yang dianggap memprakarsai, berdasarkan informasi lain, untuk kepentingan tinggi, dan tujuannya adalah untuk menentukan apa yang orang lain atau transaksi keuangan atau gerakan, dll, yang terkait dengan datum memulai "[. 29].
Privasi keprihatinan dan etika
Beberapa orang percaya bahwa data mining itu sendiri adalah netral secara etis [31]. Namun, cara-cara di mana data mining dapat digunakan dapat menimbulkan pertanyaan tentang privasi, legalitas, dan etika. [32] Secara khusus, data mining pemerintah atau komersial set data untuk keamanan nasional atau tujuan penegakan hukum, seperti dalam Program Kesadaran Informasi Jumlah atau dalam menasihati, telah menimbulkan kekhawatiran privasi. [33] [34]
Data mining membutuhkan persiapan data yang dapat mengungkapkan informasi atau pola yang dapat kompromi kewajiban kerahasiaan dan privasi. Sebuah cara yang umum untuk hal ini terjadi adalah melalui agregasi data. Data agregasi adalah ketika data tersebut dicatat, mungkin dari berbagai sumber, dan disatukan sehingga mereka dapat dianalisis [35]. Ini bukan data mining per se, tapi hasil dari penyusunan data sebelum dan untuk tujuan analisis. Ancaman terhadap privasi seseorang datang ke dalam bermain saat data, setelah dikompilasi, menyebabkan penambang data, atau siapapun yang memiliki akses ke yang baru-data yang dikumpulkan set, untuk dapat mengidentifikasi individu-individu tertentu, terutama ketika awalnya data yang anonim.
Disarankan bahwa seseorang dibuat sadar hal berikut sebelum data dikumpulkan:
* Tujuan dari proyek-proyek pengumpulan data dan data mining apapun, * Bagaimana data akan digunakan, * Yang akan mampu untuk menambang data dan menggunakannya, * Keamanan sekitar akses ke data, dan di samping itu, * Bagaimana data dikumpulkan dapat diupdate [35.]
Di Amerika Serikat, masalah privasi telah agak diatasi dengan kongres mereka melalui bagian pengendalian peraturan seperti Asuransi Kesehatan Portabilitas dan Akuntabilitas Act (HIPAA). The HIPAA memerlukan individu untuk diberikan "informed consent" tentang segala informasi yang mereka berikan dan masa depan yang dimaksudkan dengan menggunakan fasilitas menerima informasi tersebut. Menurut sebuah artikel di Biotech Business Week, "Dalam prakteknya, HIPAA mungkin tidak menawarkan perlindungan yang lebih besar daripada peraturan lama di bidang penelitian, kata AAHC. Lebih penting lagi, tujuan aturan tentang perlindungan melalui informed consent dirusak oleh kompleksitas bentuk-bentuk persetujuan yang dibutuhkan pasien dan peserta, yang mendekati tingkat sifat tdk dimengerti bagi individu rata-rata "[36] ini menekankan perlunya untuk anonimitas data dalam data. agregasi praktek.
Satu tambahan dapat memodifikasi data sehingga mereka anonim, sehingga individu mungkin tidak mudah diidentifikasi [35.] Namun, bahkan de-diidentifikasi data set dapat berisi informasi yang cukup untuk mengidentifikasi individu, seperti yang terjadi ketika wartawan berhasil menemukan beberapa individu berdasarkan sejarah pencarian set yang sengaja dirilis oleh AOL. [37]
survei Marketplace
Beberapa peneliti dan organisasi telah melakukan tinjauan data alat pertambangan dan survei penambang data. Ini mengidentifikasi beberapa kekuatan dan kelemahan dari paket perangkat lunak. Mereka juga memberikan gambaran dari perilaku, pilihan dan pandangan dari penambang data. Beberapa dari laporan ini meliputi:
* Forrester Research 2010 prediktif Analytics dan Data Mining Solutions laporan. [38] * Analytics Rexer Tahunan Data Miner survei. [39] [40] [41] * Gartner 2008 "Magic Quadrant" laporan. [42] * Robert Nisbet's 2006 Tiga Bagian Seri artikel "Data Mining Tools: Yang Salah satunya adalah Terbaik Untuk CRM" [? 43] * Haughton et al. 'S 2003 Review Data Pertambangan Paket Perangkat Lunak dalam The statistik Amerika. [44]
AC2 adalah seperangkat C / C + + librairies memungkinkan developper dan profesional TI untuk menanamkan fungsi data mining menjadi seperangkat AC2 adalah C / C + + Dan librairies memungkinkan developper profesional TI untuk Artikel menanamkan Fungsi data mining ke perangkat lunak mereka sendiri. AC2 juga tersedia sebagai shell grafis di bawah Windows 3.1/95/NT dan Unix / Motif. AC2 juga tersedia sebagai shell Windows Grafis Di Arus bawah 3.1/95/NT Dan Unix / Motif. AC2 meliputi meliputi AC2 semua langkah dari proses data mining, dari model data (dengan model OO penuh) untuk cross-validasi dan USING * Semua Langkah transovarial data mining, data model USING (Artikel Baru model Penuh OO) untuk Artikel Dan cross-validasi boot-strapping. boot-strapping. Kontribusi oleh: Hugues Marty (hugues@isoftSPAM_BLOCKER.fr) Kontribusi Oleh: Hugues Marty (hugues@isoftSPAM_BLOCKER.fr)
AC2 –
AC2 adalah seperangkat C / C + + librairies memungkinkan developper dan profesional TI untuk menanamkan fungsi data mining ke dalam perangkat lunak mereka sendiri. AC2 adalah seperangkat C / C + + librairies memungkinkan Dan developper profesional TI untuk Artikel menanamkan Fungsi data mining dalam perangkat lunak mereka Ke Sendiri. AC2 juga tersedia sebagai shell grafis di bawah Windows 3.1/95/NT dan Unix / Motif. AC2 juga tersedia sebagai shell Windows Grafis Di Arus bawah 3.1/95/NT Dan Unix / Motif. AC2 mencakup semua langkah dari proses data mining, dari model data (dengan model OO penuh) untuk cross-validasi dan boot-tegap. mencakup AC2 * Semua Langkah USING transovarial data mining, data model USING (Artikel Baru Penuh model OO) untuk Artikel Dan boot cross-validasi-tegap. Kontribusi oleh: Cyril Way (cyril@isoftSPAM_BLOCKER.fr) Kontribusi Oleh: Cyril Way (cyril@isoftSPAM_BLOCKER.fr)
Software Q-Hasil
Semikonduktor, MEM, LCD, OLED, Device Nano Dan Hasil
Anda baru saja diproduksi 5.000 perangkat. Artikel Baru saja nama dan Kembali diproduksi 5,000 perangkat.
Tapi 2.398 dari mereka tidak memenuhi spesifikasi .... Tapi mereka tidak USING 2,398 memenuhi spesifikasi ....
Mengapa? Mengapa?
Itulah pertanyaan Q-HASIL dirancang untuk menjawab. Itulah Pertanyaan Q-Hasil dirancang untuk Artikel menjawab.
Apakah Anda yang ramping produksi, memecahkan patung hasil bermasalah, atau debug manufakturabilitas desain baru, Anda perlu alat investigasi kuat dalam gudang senjata Anda. Apakah nama dan Kembali Yang ramping PMDN, memecahkan Patung bermasalah Hasil, Danijel manufakturabilitas debug desain untuk Artikel, nama dan Kembali alat perlu kuat dalam Investigasi nama dan Kembali gudang senjata. Sebuah hasil manufaktur manufaktur alat alat yang menghasilkan berlangganan My Yang cepat akan mencari melalui produksi dan data pengujian dan membantu Anda dengan cepat fokus pada solusi yang tepat. Mencari cepat Perdana akan keanaeragaman PMDN Dan tidak aktif membantu Dan pengujian data nama dan Kembali Artikel Baru cepat Perdana FOKUS PADA Solusi tepat yang.
Hasil adalah variabel yang paling penting dalam proses produksi Anda, apakah Anda memproduksi CMOS, LCD, OLEDs, MEMS atau nano-perangkat. Hasil variabel adalah pagar Yang Penting transovarial dalam nama dan Kembali PMDN, apakah nama dan Kembali memproduksi CMOS, LCD, OLEDs, MEMS nano perangkat-Danijel. Hasil optimasi manajemen dan hasil sangat penting. Dan perbaikan hasil merupakan perbaikan segera di bottom line. Hasil optimasi Manajemen Dan Hasil Yang Penting Garis. Dan menghasilkan peningkatan perbaikan Langsung Yang Di Arus bawah nama dan Kembali.
Tanpa hasil Anda punya apa-apa. Tanpa nama dan Kembali Hasil APA-APA Punya.
Bila hasil rendah Anda perlu mencari alasannya. Bila perlu nama dan Kembali rendah Hasil Mencari alasannya. Anda perlu memeriksa data produksi Anda untuk menentukan parameter peralatan atau salah. data perlu memeriksa nama dan Kembali PMDN nama dan Kembali untuk Artikel menentukan parameter building Danijel Salah.
Menggunakan teknologi miliknya data mining, Q-HASIL dapat membantu mengurangi jam vital atau hari dari waktu yang dibutuhkan untuk menyelesaikan masalah hasil mahal. Menggunakan data eksklusif Teknologi pertambangan, Mahal Q-Hasil dapat membantu mengurangi kemacetan Danijel Yang penting Hari USING dibutuhkan waktu untuk Artikel Hasil menyelesaikan masalah.
Q-HASIL mudah digunakan, tidak memerlukan pelatihan yang ekstensif, dan dapat bekerja pada masalah Anda dalam 24 jam berikutnya. Klik di sini untuk mempelajari lebih lanjut. Q-Hasil Mudah digunakan, tidak memerlukan Pelatihan Yang ekstensif dan Jaksa dapat bekerja PADA masalah nama dan Kembali Di selai berikutnya 24.
Sebagian Besar Hasil Diagnostik hanya alat membantu nama dan Kembali mengkonfirmasi hipotesis.
Apakah itu Masalah A? Apakah ITU Masalah A? Atau Masalah B? Danijel Masalah B?
Tapi kalau Anda sudah tahu bahwa banyak, Anda tidak akan mengalami masalah. Tapi kalau nama dan Kembali sudah Tahu bahwa Banyak, nama dan Kembali tidak akan keanaeragaman mengalami masalah.
Q-HASIL unik. Q-Hasil Unik. Ini menggunakan teknik data mining untuk mengidentifikasi kemungkinan penyebab masalah hasil dari data produksi Anda. Karena cakupan yang menyeluruh, sangat ideal untuk menemukan solusi untuk masalah yang sulit - masalah di mana tersangka biasa bukan penjahat. Suami menggunakan data untuk Artikel Teknik pertambangan mengidentifikasi kemungkinan penyebab masalah USING Hasil cakupan data nama dan Kembali PMDN. KARENA Atas komprehensif yang, Sangat ideal untuk Artikel menemukan Solusi untuk Artikel Yang sulit masalah - masalah Di mana tersangka biasa dengan penjahat untuk hubungi.
pelanggan kami menggunakan Q-HASIL karena: Kami menggunakan pelanggan Q-Hasil KARENA: CD Dan Kasus
* QYIELD menemukan kemungkinan penyebab variasi hasil ... Hasil QYIELD menemukan kemungkinan penyebab variasi ... cepat. cepat Perdana. Kadang-kadang suatu urutan besarnya lebih cepat daripada pendekatan lainnya. Kadang-kadang urutan besarnya lebih cepat Perdana daripada suatu pendekatan Lainnya. * Hal ini mudah digunakan. Hal inisial Mudah digunakan. Beberapa pelanggan kami telah memperoleh hasil yang bermanfaat dalam beberapa menit menginstal produk. Beberapa pelanggan Kami telah memperoleh Hasil Yang bermanfaat dalam beberapa menit Produk menginstal. * Ini menangani unnormalized, bias data dengan outlier dan nilai-nilai yang hilang jenis fab menghasilkan data dan statistik buku kebencian. INI menangani unnormalized, data bias Artikel Baru Dan outlier value-value Pemakaian Yang Hilang fab menghasilkan data statistik Buku Dan kebencian. * Ia bekerja dengan data produksi standar - jenis data yang Anda mungkin sudah memiliki. data bekerja Artikel Baru IA PMDN standar - Pemakaian data Yang mungkin sudah memiliki nama dan Kembali. * Ini dirancang untuk menangani fab dataset berukuran, tidak dataset hanya berukuran spreadsheet. Hal inisial dirancang untuk Artikel menangani-ukuran dataset fab, untuk hubungi spreadsheet berukuran hanya dataset. * QYIELD berjalan pada Windows 2000/XP workstation standar. QYIELD berjalan PADA Windows 2000/XP workstation standar.
Hasil Semikonduktor Link (Software untuk Semikonduktor)
"Ield Y Semuanya ... jika Anda tidak memiliki produk yang menghasilkan, Anda tidak punya apa-apa untuk dijual." (Laura Peters, Semiconductor Internasional, Desember 1998) ". Ield Y Semuanya ... jika tidak memiliki nama dan Kembali Produk menghasilkan yang, nama dan Kembali tidak APA-APA Punya 1.998 untuk Artikel menjual." (Laura Peters, Semiconductor International, Desember.)
Halaman ini berisi link ke beberapa artikel online terhadap hasil semikonduktor yang kami temukan menarik. Halaman Suami berisi beberapa link artikel Ke semikonduktor terhadap online Hasil Yang menarik temukan Kami.
* Memisahkan Wafer Semikonduktor Manufaktur Banyak di Bagian I: statistik's Toolbox, Memisahkan Banyak Di manufaktur Wafer Semikonduktor Bagian tidak I: statistik's Toolbox inisial, Jack E. Reece, Reece Associates, Ltd, George Lake, CO, USA, dan George A. Milliken, Kansas State University, Manhattan, KS, USA Jack E. Reece, Reece Associates, Ltd, Lake George, CO, USA, Dan George A. Milliken, Kansas State University, Manhattan, KS, USA
Artikel ini adalah salah satu dari rangkaian membahas rancangan percobaan biaya-efektif ketika mencoba untuk meningkatkan hasil produksi. Yang menarik dalam pasal ini adalah diskusi tentang bagaimana tabel kebenaran sama dengan tipe yang diproduksi oleh Q-HASIL harus ditafsirkan. Artikel Suami adalah Salah Satu rangkaian USING membahas rancangan eksperimental efektif-biaya untuk Artikel ketika mencoba meningkatkan Hasil PMDN. Yang menarik adalah inisial dalam pasal Diskusi Tentang bagaimana tabel kebenaran untuk Artikel tipe Yang Sama Oleh Q-Hasil ditafsirkan harus diproduksi. Artikel tersebut juga membahas langkah-langkah statistik lainnya. Artikel tersebut juga membahas Lainnya Langkah-Langkah statistik. Lihat juga Bagian II dan Bagian III yang sayangnya tidak terhubung dari Bagian I. Lihat juga Bagian tidak II Dan III Bagian tidak Yang sayangnya tidak terhubung Bagian tidak USING I. * Hasil Peramalan dalam Industri Semikonduktor Di Peramalan Hasil manufaktur Semikonduktor PK Nag, W. Maly dan H. Jacobs et al, Nag Carnegie Mellon PK, W. Maly Dan Jacobs H. et al, Carnegie Mellon Ini bukan kertas tunggal, tapi sebuah link ke situs web dari Y4 (Hasil Peramalan) proyek. Kertas untuk hubungi INI tunggal, tapi untuk berlangganan My link situs web USING Ke Y4 (Hasil Peramalan) Proyek. Anda pernah mendengar tentang permainan SimCity - baik ini adalah SimFab! Pernah mendengar nama dan Kembali Tentang SimCity permainan - Baik adalah inisial SimFab! Proyek ini dikembangkan simulator yang memungkinkan hasil analisis biaya vs trade-off, memprediksi, misalnya, pengaruh gangguan hasil pada learning rate dan biaya. Proyek dikembangkan simulator Suami Yang memungkinkan biaya-off vs menghasilkan analisis PERDAGANGAN, memprediksi, misalnya, gangguan PADA Hasil pengaruh biaya belajar tingkat Dan.
* Meningkatkan Produksi di IC Manufaktur oleh Analisis Statistik dari Database Besar, Meningkatkan PMDN Di manufaktur IC Oleh Analisis Statistik Database USING Besar, François Bergeret dan Chandon Yves, Motorola Semiconductor. François Yves Bergeret Chandon dan, Motorola Semiconductor. Ini adalah salah satu koran terbaik yang pernah kulihat dalam pers perdagangan di daerah ini. Suami adalah Salah Satu Yang Terbaik terikat dalam pernah kulihat PERDAGANGAN pers inisial Di Daerah. Para penulis melihat analisis data sebagai teknik yang ampuh untuk digunakan dalam kombinasi dengan kontrol proses statistik dan rancangan percobaan. Para penulis ada posting analisis data sebagai Kontrol Teknik Ampuh untuk Artikel Artikel Baru Yang digunakan dalam percobaan transovarial Dan Kombinasi rancangan statistik. Meskipun pengetahuan statistik diperlukan untuk memahami beberapa detail, contoh-contoh bekerja memberikan kesan yang baik dari teknik yang digunakan dan hasil yang diperoleh. Meskipun statistik diperlukan pengetahuan untuk Artikel memahami beberapa detail, Contoh-Contoh bekerja memberikan kesan USING Teknik Yang Baik Dan Yang digunakan Hasil Yang diperoleh. (Perhatikan bahwa angka-angka hasil dalam pasal ini disesuaikan untuk kerahasiaan komersial). (Pendapatan Internet Layanan Internet bahwa angka-angka dalam pasal Hasil inisial disesuaikan untuk Artikel kerahasiaan Komersial).
* Semikonduktor Internasional umumnya berisi kolom tentang manajemen hasil dalam setiap masalah, dan dalam masa lalu berisi artikel beberapa fitur menarik yang berhubungan dengan hasil semikonduktor. Semikonduktor Internasional Manajemen umumnya berisi kolom dalam masalah terkait masih berlangsung PADA Hasil, semikonduktor telah Dan Di MASA mengandung Lalu beberapa fitur menarik artikel Artikel Baru Hasil Yang berhubungan.
Sayangnya website mereka telah re-organisasi dan sekarang memerlukan pendaftaran untuk akses, sehingga kita tidak bisa lagi menghubungkan Anda langsung ke beberapa artikel yang lebih baik di situs mereka. Sayangnya situs mereka telah kembali Organisasi Dan sekarang memerlukan Pendaftaran Akses untuk Artikel, sehingga Kita tidak Bisa Lagi Langsung artikel menghubungkan beberapa nama dan Kembali Ke Yang lebih Baik Di situs mereka. Coba gunakan kotak pencarian mereka untuk mencari "Manajemen Produksi" dan melihat melalui artikel arsip lama. Coba mereka menggunakan Kotak untuk Artikel tidak ditemukan Mencari "Manajemen PMDN" Dan ada posting artikel Arsip lama tidak aktif. Perhatikan bahwa langganan gratis untuk majalah ini tersedia untuk individu yang memenuhi syarat. Pendapatan Internet Layanan Internet bahwa langganan gratis untuk Artikel Majalah inisial individu tersedia untuk Artikel Yang memenuhi syarat.
Menggunakan Hasil-Q ™: Studi Kasus berlangganan My
Aku n studi kasus ini, kita berasumsi bahwa Anda bertanggung jawab untuk proses manufaktur semikonduktor. n Feat studi kasus inisial, Kita berasumsi bahwa bertanggung jawab untuk Artikel nama dan Kembali transovarial manufaktur semikonduktor.
Baru-baru ini Anda telah mengamati fluktuasi serius dalam jumlah kegagalan perangkat. Baru-Baru telah mengamati inisial nama dan Kembali dalam fluktuasi Number Serius kegagalan perangkat.
Sebagai langkah pertama, Anda plot grafik kegagalan per wafer melawan waktu: Sebagai Langkah pertama, nama dan Kembali plot Grafik kegagalan per wafer waktu Melawan:
Gambar 1
Tidak tampak untuk setiap pola data ini. Tidak Tampak data untuk Artikel terkait masih berlangsung POLA Suami. Secara khusus, tidak ada korelasi yang jelas dengan acara-acara seperti perubahan peralatan atau pemeliharaan pencegahan. Secara Khusus, tidak Ada korelasi Yang jelas acara-acara Artikel Baru seperti perubahan building Danijel Pemeliharaan pencegahan. Sekarang Anda perlu melihat lebih keras. Sekarang nama dan Kembali keras ada posting lebih perlu.
Dari database produksi Anda Anda men-download semua parameter proses bets yang bersangkutan. USING database nama dan Kembali PMDN parameter nama dan Kembali * Semua orang-download transovarial taruhan Yang bersangkutan. Dalam hal ini (disederhanakan) contoh, ada 61 parameter proses dan catatan 367 proses. Dalam Hal Suami (disederhanakan) Contoh, Ada 61 parameter transovarial transovarial Dan 367 Catatan.
Anda mempertimbangkan untuk membuat plot pencar jumlah kegagalan terhadap masing-masing dari 61 variabel. Nama dan Kembali mempertimbangkan untuk Artikel membuat plot pencar Number kegagalan terhadap masing-masing 61 USING variabel. Tapi mungkin hubungan ini lebih dari satu variabel. Tapi mungkin lebih coal Suami USING Satu variabel.
Ada kemungkinan 1,830 plot pencar doa variabel. Ada kemungkinan plot 35,990 3 variabel, dan Komentar (RSS asumsi nama dan Kembali dapat menemukan Cara Yang Baik untuk Artikel memvisualisasikan mereka). Misalkan bahwa Anda hanya mengambil 15 detik untuk membuat dan melihat setiap plot, dan bahwa Anda mengabaikan plot dari tiga atau lebih variabel, yaitu sekitar delapan jam kerja padat. Misalkan bahwa nama dan Kembali hanya mengambil 15 Detik untuk Artikel Dan membuat plot ada posting terkait masih berlangsung dan Jaksa bahwa nama dan Kembali plot USING mengabaikan variabel Tiga Danijel lebih, sekitar delapan jam padat Kerja Kronik Film.
Dan itu adalah dengan asumsi bahwa Anda tidak kehilangan apa-apa. Artikel Baru Dan ITU adalah asumsi bahwa nama dan Kembali tidak kehilangan APA-APA.
Jika Anda mulai bekerja sekarang dan tidak terganggu, Anda mungkin hanya selesai sebelum awal shift.Time Anda berikutnya untuk mencari solusi yang lebih baik. Jika nama dan Kembali mulai bekerja Dan sekarang tidak terganggu, nama dan Kembali mungkin hanya selesai sebelum shift.Time nama dan Kembali Mutasi berikutnya untuk Artikel Mencari Solusi Baik lebih yang.
Anda memulai salinan Q-HASIL dan impor data di atas ditetapkan. Nama dan Kembali memulai salinan Q-Hasil Dan Data Di Atas impor ditetapkan. Sebagai langkah pertama, Anda memeriksa distribusi kegagalan per wafer. Sebagai Langkah pertama, nama dan Kembali Distribusi memeriksa kegagalan per wafer.
Gambar 2
Tidak jelas petunjuk di sini. Tidak jelas petunjuk Di sini. Tapi itu tidak terlihat seperti mungkin ada distribusi Poisson kegagalan (yang adalah apa yang Anda mengharapkan) dengan distribusi sekunder dikenakan pada ekor dari Poisson. Tapi tidak terlihat seperti ITU mungkin Ada kegagalan Distribusi Poisson (APA adalah Yang Yang mengharapkan nama dan Kembali) Distribusi Artikel Baru sekunder dikenakan PADA ekor USING Poisson. Akibatnya, Anda membuat Q-HASIL mengajukan pertanyaan: di bawah kondisi apakah ada lebih dari 200 kegagalan pada wafer? Akibatnya, nama dan Kembali membuat Q-Hasil mengajukan Pertanyaan: di Arus bawah kondisi apakah lebih USING Ada 200 kegagalan PADA wafer?
14 Detik kemudian, nama dan Kembali memiliki nama dan Kembali Jawaban:
Gambar 3
Tampaknya bahwa kombinasi dari RCN dan parameter bvrcn dapat menjelaskan 89% dari kasus-kasus dimana terdapat lebih dari 200 kegagalan pada wafer. Tampaknya bahwa Kombinasi USING RCN Dan parameter bvrcn dapat menjelaskan 89% kasus-kasus USING dimana terdapat lebih 200 kegagalan USING PADA wafer. Anda klik dua kali pada aturan tersebut untuk mendapatkan informasi lebih lanjut: nama dan Kembali lanjut Anda pilih doa Kali PADA aturan tersebut mendapatkan Informasi lebih untuk Artikel:
Gambar 4
Tampak bahwa tingkat kegagalan yang tinggi tiga kali lebih besar ketika> RCN 21,42 dan RCN bvrcn <21,42>Ada beberapa kegagalan Yang Tinggi, ada posting tabel kontingensi jelas bahwa ITU Hal Bisa menjelaskan sebagian kasus Besar.
Menggunakan HASIL's Q-cepat melihat fasilitas plot pencar, Anda melihat efek dari RCN dan bvrcn pada jumlah kegagalan:
Jelas ada sesuatu di sini yang perlu menyelidiki. Waktu untuk meminta insinyur Anda untuk melihat bvrcn di / tradeoff parameter RCN. Jelas Ada sesuatu Di sini Yang perlu menyelidiki insinyur. Waktu untuk Artikel nama dan Kembali meminta bvrcn parameter ada posting untuk Artikel Artikel Baru / tradeoff RCN. Anda duduk kembali dengan secangkir kopi Anda dan mencerminkan pada delapan jam Anda simpan. Nama dan Kembali Duduk Artikel Baru Dilaporkan secangkir kopi mencerminkan nama dan Kembali Dan PADA delapan selai simpan nama dan Kembali. Delapan jam Anda tidak perlu membuang 1.891 memeriksa plot pencar ... Delapan jam tidak perlu membuang nama dan Kembali memeriksa plot pencar 1,891 ... Delapan jam di mana lebih batch wafer rusak akan diproses ... Delapan jam Di mana lebih batch diproses Rusak akan keanaeragaman wafer ... Mungkin ada sesuatu yang bisa dikatakan untuk solusi ™ Q-HASIL ... Mungkin sesuatu Ada Yang Bisa dikatakan untuk Artikel Solusi Hasil ™-Q ...
