one of my best presentation about data mining.

1. ‫ﮐﺎرﺑردھﺎی داده ﮐﺎوی در دﻧﯾﺎی واﻗﻌﯽ‬
‫ﻃﻪ ﻣﮑﻔﯽ‬
‫ﮐﺎرﺷﻨﺎس ﻣﻬﻨﺪﺳﯽ ﺻﻨﺎﯾﻊ داﻧﺸﮕﺎه آزاد اﺳﻼﻣﯽ واﺣﺪ ﺗﻬﺮان ﺟﻨﻮب‬
‫82 اردﯾﺒﻬﺸﺖ ﻣﺎه 0931‬
‫1‬

2. ‫ﺧوش آﻣدﯾد‬
‫اوﻟﯿﻦ ﺳﻤﯿﻨﺎر راﯾﮕﺎن داده ﮐﺎوي و ﻣﺠﻤﻮﻋﻪ ﮐﺎرﮔﺎه ﻫﺎي ﺗﺨﺼﺼﯽ‬
‫” ﺑﺮاي ﻫﺮ ﭼﯿﺰي زﮐﺎﺗﯽ اﺳﺖ و زﮐﺎت ﻋﻠﻢ ﺑﯿﺎن و ﻧﺸﺮ آن اﺳﺖ“‬
‫ﺳﺨﻨﯽ از ﻣﻌﺼﻮم)ص(‬
‫2‬

3. ‫ﻣطﺎﻟب ﻣطرح ﺷده در اﯾن ﺑﺧش:‬
‫ﻣﻘﺪﻣﻪ‬ ‫1(‬
‫ﮐﺎرﺑﺮدﻫﺎي داده ﮐﺎوي‬ ‫2(‬
‫ﻣﻮﻓﻘﯿﺖ ﻫﺎي ﭘﺮوژه ﻫﺎي داده ﮐﺎوي‬ ‫3(‬
‫ﻣﻄﺎﻟﻌﺎت ﻣﻮردي داﺧﻠﯽ‬ ‫4(‬
‫ﻓﯾﻠم‬
‫3‬

4. ‫ﻣﻘدﻣﮫ:‬
‫‪ ‬داده ﮐﺎوي در ﮐﺠﺎي زﻧﺪﮔﯽ روزﻣﺮه ﻣﺎ ﮐﺎرﺑﺮد دارد؟‬
‫‪ ‬ﭼﺮا ﻧﯿﺎز ﺑﻪ درك ﮐﺎرﺑﺮدﻫﺎي داده ﮐﺎوي دارﯾﻢ؟‬
‫4‬

5. ‫ﺟﺎﯾﮕﺎه ﺷﻐﻠﯽ داده ﮐﺎوی در دﻧﯾﺎ:‬
‫ﻣﻘﺎﯾﺴﻪ ﺷﻐﻞ ﻫﺎي ﻣﺮﺑﻮط ﺑﻪ ﻓﻨﺎوري اﻃﻼﻋﺎت و ﺷﻐﻞ ﻫﺎي ﻣﺮﺑﻮط ﺑﻪ داده ﮐﺎوي‬ ‫‪‬‬
‫5‬

6. ‫ﺟﺎﯾﮕﺎه ﺷﻐﻠﯽ داده ﮐﺎوی در دﻧﯾﺎ:‬
‫درآﻣﺪ ﺷﻐﻞ ﻫﺎي ﻣﺮﺑﻮط ﺑﻪ داده ﮐﺎوي ﺑﻪ ﻃﻮر ﻣﯿﺎﻧﮕﯿﻦ 12% از ﺳﺎﯾﺮ‬ ‫‪‬‬
‫ﺷﻐﻞ ﻫﺎ ﺑﯿﺸﺘﺮ ﻣﯽ ﺑﺎﺷﺪ.‬
‫درآﻣﺪ ﺷﻐﻞ ﻫﺎي داده ﮐﺎوي 52% ﺑﯿﺸﺘﺮ از ﻣﯿﺎﻧﮕﯿﻦ درآﻣﺪ ﺷﻐﻠﻬﺎي‬ ‫‪‬‬
‫ﻣﺮﺑﻮط ﺑﻪ ﻓﻨﺎوري اﻃﻼﻋﺎت ﺑﯿﺸﺘﺮ ﻣﯽ ﺑﺎﺷﺪ.‬
‫درآﻣﺪ ﺷﻐﻞ ﻫﺎي ﻣﺮﺑﻮط ﺑﻪ ﻓﻨﺎوري اﻃﻼﻋﺎت 4% زﯾﺮ ﻣﯿﺎﻧﮕﯿﻦ درآﻣﺪ ﺳﺎﯾﺮ‬ ‫‪‬‬
‫ﺷﻐﻞ ﻫﺎ ﻣﯽ ﺑﺎﺷﺪ.‬
‫6‬

7. :‫ﺟﺎﯾﮕﺎه ﺷﻐﻠﯽ داده ﮐﺎوی در ﮐﺷور‬
‫آﮐﻬﯽ ﯾﮑﯽ از ﺷﺮﮐﺖ ﻫﺎي ﺑﯿﻤﻪ اي ﺑﺮاي اﺳﺘﺨﺪام ﻣﺘﺨﺼﺺ داده ﮐﺎوي در اﯾﺮان‬ 
Data Mining Expert
Mellat Insurance
Tehran, Iran
A Data Mining Expert, Analyst or Engineer who can find patterns or
relationships in business data for increasing business intelligence and the
knowledge of organization:
• Design and develop reference databases in SQL Server 2005 and 2008,
along with the ETL applications required to build them.
• Observe current systems and processes, interacting with the appropriate
personnel.
• Utilizing a variety of sources, collect and analyze information to support
the modeling and analysis.
• Ensures data quality and reliability and provide feedback to business
process owners and to the IT department
7

8. ‫ﺑررﺳﯽ ﺟﺎﯾﮕﺎه داده ﮐﺎوی در ﭘژوھش ھﺎ:‬
‫ﺑﺮرﺳﯽ ﻣﻘﺎﻻت ﻣﻨﺘﺸﺮ ﺷﺪه در ﺣﻮزه داده ﮐﺎوي در ﺳﺎﯾﺖ ‪:Scopus‬‬ ‫‪‬‬
‫ﺗﻌﺪاد‬ ‫ﻋﻨﻮان‬ ‫ﮐﻠﻤﻪ ﻣﻮرد ﺟﺴﺘﺠﻮ‬
‫388261‬ ‫ﺟﺴﺘﺠﻮ در ﮐﻞ ﻣﻘﺎﻟﻪ‬ ‫‪Data Mining‬‬
‫73835‬ ‫ﺟﺴﺘﺠﻮ در ﻋﻨﻮان، ﻣﻘﺪﻣﻪ و ﮐﻠﻤﺎت ﮐﻠﯿﺪي‬ ‫‪Data Mining‬‬
‫0487‬ ‫ﺟﺴﺘﺠﻮ در ﻋﻨﻮان‬ ‫‪Data Mining‬‬
‫72‬ ‫ﺟﺴﺘﺠﻮ در ﻋﻨﻮان‬ ‫‪Data Mining + Hospital‬‬
‫21‬ ‫ﺟﺴﺘﺠﻮ در ﻋﻨﻮان‬ ‫‪Data Mining + Healthcare‬‬
‫8‬

9. ‫ﺑررﺳﯽ ﮐﺎرﺑردھﺎی داده ﮐﺎوی:‬
‫‪ ‬ﻣﺪﯾﺮﯾﺖ ارﺗﺒﺎط ﺑﺎ ﻣﺸﺘﺮي‬
‫‪ ‬ﺑﺎﻧﮏ و اﻗﺘﺼﺎد‬
‫‪ ‬ﺳﺎﺧﺖ و ﺗﻮﻟﯿﺪ‬
‫‪ ‬زﻧﺠﯿﺮه ﺗﺎﻣﯿﻦ‬
‫‪ ‬ﺗﻌﻤﯿﺮات و ﻧﮕﻬﺪاري‬
‫‪ ‬ﮐﻨﺘﺮل ﮐﯿﻔﯿﺖ‬
‫‪ ‬ﻣﺪﯾﺮﯾﺖ ﻣﺎﻟﯽ‬
‫‪ ‬ﭘﺰﺷﮑﯽ‬
‫‪ ‬ﺳﺎﯾﺮ ﺷﺎﺧﻪ ﻫﺎي ﻣﻬﻨﺪﺳﯽ‬
‫9‬

10. ‫ﻣدﯾرﯾت ارﺗﺑﺎط ﺑﺎ ﻣﺷﺗری)‪:(CRM‬‬
‫اﺳﺘﺮاﺗﮋي ﺗﻮﺳﻌﻪ ﯾﺎﻓﺘﻪ اي ﺑﺮاي ﻣﺪﯾﺮﯾﺖ ﺗﻌﺎﻣﻼت ﺳﺎزﻣﺎن ﺑﺎ ﻣﺸﺘﺮﯾﺎن ﻣﯽ ﺑﺎﺷﺪ.‬ ‫‪‬‬
‫ﻫﺪف: ﺟﺬب ﻣﺸﺘﺮﯾﺎن ﺟﺪﯾﺪ، ﺑﻘﺎي ﻣﺸﺘﺮﯾﺎن ﻣﻮﺟﻮد‬ ‫‪‬‬
‫روﻧﺪ ﭼﺎپ ﻣﻘﺎﻻت داده ﮐﺎوي و ‪ CRM‬در ﻣﻘﺎﻻت ‪)SSCI‬ﺑﻪ ﺗﻔﮑﯿﮏ(:‬ ‫‪‬‬
‫01‬

11. ‫ﻣدﯾرﯾت ارﺗﺑﺎط ﺑﺎ ﻣﺷﺗری)‪:(CRM‬‬
‫ﮐﺎرﺑﺮدﻫﺎ‬ ‫‪‬‬
‫ﺷﻨﺎﺧﺖ و ﭘﯿﺶ ﺑﯿﻨﯽ رﻓﺘﺎر ﻣﺸﺘﺮﯾﺎن‬ ‫‪‬‬
‫ﺑﺮرﺳﯽ راه ﺣﻠﻬﺎي ﺗﺒﻠﯿﻐﺎﺗﯽ ﻣﻮﺛﺮﺗﺮ‬ ‫‪‬‬
‫دﺳﺘﻪ ﺑﻨﺪي ﻣﺸﺘﺮﯾﺎن ﺑﻪ ﻣﻨﻈﻮر ﻓﺮاﻫﻢ ﺳﺎﺧﺘﻦ ﺑﺴﺘﺮي ﺑﺮاي اراﺋﻪ ﺧﺪﻣﺎت ﺑﻬﺘﺮ ﺑﻪ آﻧﻬﺎ‬ ‫‪‬‬
‫ﺑﺮرﺳﯽ اﻧﻮاع روش ﻫﺎي ﺑﺎزارﯾﺎﺑﯽ و اﻧﺘﺨﺎب ﺑﻬﯿﻨﻪ ﺗﺮﯾﻦ روش‬ ‫‪‬‬
‫ﺗﺤﻠﯿﻞ ﺳﺒﺪ ﺧﺮﯾﺪ ﻣﺸﺘﺮﯾﺎن‬ ‫‪‬‬
‫ﭘﯿﺶ ﺑﯿﻨﯽ اﺣﺘﻤﺎل اﺳﺘﻘﺒﺎل ﻣﺸﺘﺮﯾﺎن از ﻣﺤﺼﻮﻻت ﺟﺪﯾﺪ‬ ‫‪‬‬
‫اﺑﻌﺎد ﻣﺪﯾﺮﯾﺖ ارﺗﺒﺎط ﺑﺎ ﻣﺸﺘﺮي ‪:CRM‬‬ ‫‪‬‬
‫ﺷﻨﺎﺧﺖ ﻣﺸﺘﺮﯾﺎن‬ ‫1.‬
‫ﺟﺬب ﻣﺸﺘﺮﯾﺎن‬ ‫2.‬
‫ﺑﻘﺎ ﻣﺸﺘﺮﯾﺎن‬ ‫3.‬
‫ﺗﻮﺳﻌﻪ ﻣﺸﺘﺮﯾﺎن‬ ‫4.‬
‫11‬

12. ‫ﻣدﯾرﯾت ارﺗﺑﺎط ﺑﺎ ﻣﺷﺗری)‪:(CRM‬‬
‫ﺷﻨﺎﺧﺖ ﻣﺸﺘﺮﯾﺎن‬ ‫1.‬
‫ﺧﻮﺷﻪ ﺑﻨﺪي‬ ‫ﺗﻘﺴﯿﻢ ﺑﻨﺪي ﻣﺸﺘﺮﯾﺎن‬ ‫1.‬
‫از ﻟﺤﺎظ اﺑﻌﺎد ﻣﮑﺎﻧﯽ ﻣﺸﺘﺮﯾﺎن )ﻣﮑﺎن ﻣﺸﺘﺮﯾﺎن(‬ ‫1.‬
‫از دﯾﺪ ﺟﻤﻌﯿﺖ ﺷﻨﺎﺧﺘﯽ/ اﺟﺘﻤﺎﻋﯽ و اﻗﺘﺼﺎدي ﻣﺸﺘﺮﯾﺎن )ﺳﻦ، ﺟﻨﺴﯿﺖ، درآﻣﺪ و ﺷﻐﻞ ﻣﺸﺘﺮﯾﺎن (‬ ‫2.‬
‫از ﺑﻌﺪ رواﻧﯽ ﻣﺸﺘﺮﯾﺎن )ﻧﻮع ﻧﮕﺮش، ارزش ﻫﺎ، ﺷﯿﻮه زﻧﺪﮔﯽ(‬ ‫3.‬
‫از ﺑﻌﺪ رﻓﺘﺎري ﻣﺸﺘﺮﯾﺎن )ﻣﯿﺰان وﻓﺎداري(‬ ‫4.‬
‫از ﺑﻌﺪ ﻣﺴﺎﺋﻞ ﻣﺮﺑﻮط ﺑﻪ ﻣﺤﺼﻮﻻت‬ ‫5.‬
‫آﻧﺎﻟﯿﺰ ﺑﺎزار ﻫﺪف‬ ‫2.‬
‫21‬

13. ‫ﻣدﯾرﯾت ارﺗﺑﺎط ﺑﺎ ﻣﺷﺗری)‪:(CRM‬‬
‫1. ﺷﻨﺎﺧﺖ ﻣﺸﺘﺮﯾﺎن < ﺗﻘﺴﯿﻢ ﺑﻨﺪي ﻣﺸﺘﺮﯾﺎن < اﺑﺰار ﺧﻮﺷﻪ ﺑﻨﺪي)ﻣﺜﺎﻟﯽ در ﯾﮏ ﺷﺮﮐﺖ ﻣﺨﺎﺑﺮاﺗﯽ(‬
‫ﺧﻮﺷﻪ‬ ‫ﻃﻮل ﺣﺴﺎب ﮐﺎرﺑﺮي‬ ‫ﭘﯿﺎم ﺻﻮﺗﯽ‬ ‫ﻣﮑﺎﻟﻤﻪ در روز‬ ‫ﻣﮑﺎﻟﻤﻪ در ﻋﺼﺮ‬ ‫ﻣﮑﺎﻟﻤﻪ در ﺷﺐ‬ ‫ﻣﮑﺎﻟﻤﺎت ﺑﯿﻦ اﻟﻤﻠﻠﯽ‬ ‫ﺗﻌﺪاد‬
‫1‬ ‫26‬ ‫0‬ ‫2.981‬ ‫2.002‬ ‫902‬ ‫2.01‬ ‫258‬
‫2‬ ‫7.001‬ ‫2.92‬ ‫6.871‬ ‫3.202‬ ‫5.102‬ ‫1.01‬ ‫038‬
‫3‬ ‫2.101‬ ‫0‬ ‫2.971‬ ‫202‬ ‫4.991‬ ‫3.01‬ ‫025‬
‫4‬ ‫1.701‬ ‫2.13‬ ‫8.881‬ ‫3.802‬ ‫402‬ ‫11‬ ‫38‬
‫5‬ ‫9.041‬ ‫0‬ ‫861‬ ‫4.891‬ ‫1.491‬ ‫1.01‬ ‫808‬
‫6‬ ‫301‬ ‫5.0‬ ‫7.781‬ ‫4.202‬ ‫8.391‬ ‫5.01‬ ‫042‬
‫ﺗﺤﻠﯿﻞ ﻧﺘﺎﯾﺞ:‬ ‫‪‬‬
‫ﺧﻮﺷﻪ3: ﻣﺸﺘﺮﯾﺎن ﻣﯿﺎﻧﮕﯿﻦ‬ ‫ﺧﻮﺷﻪ 2: ﻣﺸﺮﯾﺎن ﭘﯿﺎم ﺻﻮﺗﯽ‬ ‫ﺧﻮﺷﻪ 1: ﻣﺸﺘﺮﯾﺎن ﺟﺪﯾﺪ‬
‫ﺧﻮﺷﻪ 6: ﻣﺸﺘﺮﯾﺎن ﺑﯿﻦ اﻟﻤﻠﻠﯽ‬ ‫ﺧﻮﺷﻪ 4: ﻣﺸﺘﺮﯾﺎن ﻗﺪرﺗﻤﻨﺪ ﺧﻮﺷﻪ 5: ﻣﺸﺘﺮﯾﺎن ﮐﻢ اﺳﺘﻔﺎده‬
‫31‬

14. ‫ﻣدﯾرﯾت ارﺗﺑﺎط ﺑﺎ ﻣﺷﺗری)‪:(CRM‬‬
‫ﺷﺮﮐﺖ ارﺗﺒﺎﻃﺎت ‪ Sprint‬ﺑﻪ ﻣﻨﻈﻮر ﭘﯿﺶ ﺑﯿﻨﯽ رﻓﺘﺎر ﻣﺸﺘﺮﯾﺎن ﺧﻮد از‬ ‫‪‬‬
‫ﺳﯿﺴﺘﻢ داده ﮐﺎوي اﺳﺘﻔﺎده ﻧﻤﻮد و در ﻣﺎه ﻫﺎي اول 1 ﻣﯿﻠﯿﻮن دﻻر ذﺧﯿﺮه‬
‫ﻧﻤﻮد.‬
‫اﯾﻦ ﺳﯿﺴﺘﻢ ﺗﻮﺳﻂ اﻧﺴﺘﯿﺘﻮي ‪ SAS‬ﺑﺮاي ‪ CRM‬اﯾﻦ ﺷﺮﮐﺖ ﻃﺮاﺣﯽ ﺷﺪه‬ ‫‪‬‬
‫ﺑﻮد.‬
‫ﮐﺎرﺷﻨﺎﺳﺎن اﯾﻦ ﺷﺮﮐﺖ اﻋﻼم ﮐﺮدﻧﺪ:“ درﺧﻮاﺳﺖ ﻫﺎي ﻣﺎ از اﻃﻼﻋﺎت‬ ‫‪‬‬
‫ﻣﻮﺟﻮد ﮐﻪ ﻫﻔﺘﻪ ﻫﺎ ﺑﻪ ﻃﻮل ﻣﯽ اﻧﺠﺎﻣﯿﺪ اﮐﻨﻮن در ﮐﻤﺘﺮ از ﭼﻨﺪ ﺳﺎﻋﺖ‬
‫ﻣﯿﺴﺮ ﻣﯽ ﺷﻮد. “‬
‫41‬

15. ‫ﻣدﯾرﯾت ارﺗﺑﺎط ﺑﺎ ﻣﺷﺗری)‪:(CRM‬‬
‫اﺑﺰار ﮐﻼﺳﻪ ﺑﻨﺪي‬ ‫2. ﺟﺬب ﻣﺸﺘﺮﯾﺎن‬
‫ﻣﺜﺎل: ﻓﺮوﺷﮕﺎه ﭘﻮﺷﺎﮐﯽ ﺑﻪ ﻣﻨﻈﻮر ارزﯾﺎﺑﯽ ﻣﯿﺰان ﺗﺎﺛﯿﺮ ﺗﺒﻠﯿﻐﺎت ﺧﻮد در ﺑﯿﻦ ﻣﺸﺘﺮﯾﺎن، اﻗﺪام ﺑﻪ‬
‫ﺟﻤﻊ آوري اﻃﻼﻋﺎت ﻓﺮوش ﺧﻮد در ﻣﺪت ﯾﮏ ﺳﺎل و در ﻓﻮاﺻﻞ ﻫﻔﺘﮕﯽ ﻧﻤﻮد. ﺑﺮﺧﯽ از داده‬
‫ﻣﺘﻐﯿﺮ‬ ‫ﺷﻤﺎره‬ ‫ﻫﺎي ﺟﻤﻊ آوري ﺷﺪه ﻋﺒﺎرت ﺑﻮدﻧﺪ از:‬
‫ﺗﻌﺪاد ﮐﺎﺗﺎﻟﻮگ ﻫﺎي ﭘﺴﺖ ﺷﺪه ﺑﺮاي ﻣﺸﺘﺮﯾﺎن ﺟﺪﯾﺪ‬ ‫1‬
‫ﺗﻌﺪاد ﮐﺎﺗﺎﻟﻮگ ﻫﺎي ﭘﺴﺖ ﺷﺪه ﺑﺮاي ﻣﺸﺘﺮﯾﺎن ﻗﺪﯾﻢ‬ ‫2‬
‫ﺗﻌﺪاد ﺻﻔﺤﺎت ﮐﺎﺗﺎﻟﻮگ‬ ‫3‬
‫ﺗﻌﺪاد ﺧﻄﻮط ﺗﻠﻔﻦ ﺑﺮاي ﭘﺎﺳﺨﮕﻮﯾﯽ‬ ‫4‬
‫ﻫﺰﯾﻨﻪ ﺻﺮف ﺷﺪه ﺑﺮاي ﺗﺒﻠﯿﻐﺎت‬ ‫5‬
‫ﺗﻌﺪاد ﻧﻤﺎﯾﻨﺪﮔﯽ ﻫﺎي ﺧﺪﻣﺎت ﺑﻪ ﻣﺸﺘﺮي‬ ‫6‬
‫ﻣﯿﺰان ﻓﺮوش ﻟﺒﺎس ﻣﺮداﻧﻪ‬ ‫7‬
‫ﻣﯿﺰان ﻓﺮوش ﻟﺒﺎس زﻧﺎﻧﻪ‬ ‫8‬ ‫43% ﮐﺎﻫﺶ در ﻫﺰﯾﻨﻪ ﺗﺒﻠﯿﻐﺎت-ﺳﺎل 8002‬
‫51‬

16. ‫ﻣدﯾرﯾت ارﺗﺑﺎط ﺑﺎ ﻣﺷﺗری)‪:(CRM‬‬
‫ﺣﻞ ﻣﺴﺌﻠﻪ: ﺑﺎ اﺳﺘﻔﺎده از داده ﻫﺎي ﻗﺒﻠﯽ ﻣﺪل ﺳﺎزي ﻣﯽ ﮐﻨﯿﻢ. ﺳﭙﺲ ﻣﺪل را ﺑﺮ روي‬ ‫‪‬‬
‫داده ﻫﺎي ﺟﺪﯾﺪ)در اﯾﻨﺠﺎ اﺳﺘﺮاﺗﮋي ﻫﺎي ﺟﺪﯾﺪ ﺗﺒﻠﯿﻐﺎﺗﯽ( اﻋﻤﺎل ﻣﯽ ﮐﻨﯿﻢ.‬
‫ﺗﻌﺪاد ﮐﺎﺗﺎﻟﻮگ‬ ‫ﺗﻌﺪاد ﮐﺎﺗﺎﻟﻮگ‬
‫ﻣﯿﺰان ﻓﺮوش‬ ‫ﺗﻌﺪاد ﻧﻤﺎﯾﻨﺪﮔﯽ‬ ‫ﻫﺰﯾﻨﻪ ﺻﺮف ﺷﺪه‬ ‫ﺗﻌﺪاد ﺧﻄﻮط‬ ‫ﺗﻌﺪاد ﺻﻔﺤﺎت‬ ‫ﻫﺎي ﭘﺴﺖ ﺷﺪه‬ ‫ﻫﺎي ﭘﺴﺖ ﺷﺪه‬
‫ﻟﺒﺎس زﻧﺎﻧﻪ ﺑﻪ‬ ‫ﻫﺎي ﺧﺪﻣﺎت ﺑﻪ‬ ‫ﺑﺮاي ﺗﺒﻠﯿﻐﺎت ﺑﻪ‬ ‫ﺗﻠﻔﻦ ﺑﺮاي‬ ‫ﮐﺎﺗﺎﻟﻮگ‬ ‫ﺑﺮاي ﻣﺸﺘﺮﯾﺎن‬ ‫ﺑﺮاي ﻣﺸﺘﺮﯾﺎن‬
‫ﻣﯿﻠﯿﻮن رﯾﺎل‬ ‫ﻣﺸﺘﺮي‬ ‫ﻣﯿﻠﯿﻮن رﯾﺎل‬ ‫ﭘﺎﺳﺨﮕﻮﯾﯽ‬ ‫ﻗﺪﯾﻢ‬ ‫ﺟﺪﯾﺪ‬
‫0021‬ ‫01‬ ‫06‬ ‫42‬ ‫41‬ ‫0001‬ ‫003‬
‫0041‬ ‫31‬ ‫55‬ ‫71‬ ‫21‬ ‫008‬ ‫055‬
‫0531‬ ‫8‬ ‫35‬ ‫02‬ ‫61‬ ‫0011‬ ‫002‬
‫...‬ ‫...‬ ‫...‬ ‫...‬ ‫...‬ ‫...‬ ‫...‬
‫؟‬ ‫51‬ ‫05‬ ‫51‬ ‫02‬ ‫0002‬ ‫051‬
‫ﭘﺎﺳﺦ ﻣﺪل‬
‫61‬

17. ‫ﻣدﯾرﯾت ارﺗﺑﺎط ﺑﺎ ﻣﺷﺗری)‪:(CRM‬‬
‫3. ﺑﻘﺎ ﻣﺸﺘﺮﯾﺎن‬
‫اﺑﺰار ﺧﻮﺷﻪ ﺑﻨﺪي‬ ‫ﺳﻨﺠﺶ وﻓﺎداري ﻣﺸﺘﺮﯾﺎن‬ ‫‪‬‬
‫اﺑﺰارﻫﺎي ﺧﻮﺷﻪ ﺑﻨﺪي و ﮐﻼﺳﻪ ﺑﻨﺪي‬ ‫ﺑﺎزارﯾﺎﺑﯽ ﺗﮏ ﺑﻪ ﺗﮏ‬ ‫‪‬‬
‫4. ﺗﻮﺳﻌﻪ ﻣﺸﺘﺮﯾﺎن‬
‫اﺑﺰار ﻗﻮاﻋﺪ واﺑﺴﺘﮕﯽ)ﻗﻮاﻧﯿﻦ اﻧﺠﻤﻨﯽ(‬ ‫آﻧﺎﻟﯿﺰ ﺳﺒﺪ ﻓﺮوش‬ ‫‪‬‬
‫اﺑﺰار ﻗﻮاﻋﺪ واﺑﺴﺘﮕﯽ)ﻗﻮاﻧﯿﻦ اﻧﺠﻤﻨﯽ(‬ ‫ﻓﺮوش ﻣﺤﺼﻮﻻت ﺟﺪﯾﺪ ﺑﻪ ﻣﺸﺘﺮﯾﺎن‬ ‫‪‬‬
‫71‬

18. ‫ﻣدﯾرﯾت ارﺗﺑﺎط ﺑﺎ ﻣﺷﺗری)‪:(CRM‬‬
‫4. ﺗﻮﺳﻌﻪ ﻣﺸﺘﺮﯾﺎن < آﻧﺎﻟﯿﺰ ﺳﺒﺪ ﻓﺮوش< اﺑﺰار ﻗﻮاﻋﺪ واﺑﺴﺘﮕﯽ)ﻗﻮاﻧﯿﻦ اﻧﺠﻤﻨﯽ(‬
‫ﻣﺜﺎل: ﯾﮏ ﻓﺮوﺷﮕﺎه ﻟﻮازم ﺧﺎﻧﮕﯽ، ﺳﺒﺪ ﮐﺎﻻﻫﺎي ﺧﺮﯾﺪاري ﺷﺪه ﺗﻮﺳﻂ ﻣﺸﺘﺮﯾﺎن ﺧﻮد را‬
‫ﻣﻮرد ﺗﺤﻠﯿﻞ ﻗﺮار داد. ﺑﺮاي اﯾﻦ ﮐﺎر از ﻗﻮاﻋﺪ واﺑﺴﺘﮕﯽ ﺑﺮاي ﮐﺸﻒ ﻗﻮاﻋﺪ در ﺑﯿﻦ داده‬
‫ﻫﺎ اﺳﺘﻔﺎده ﻧﻤﻮد. ﺑﺮﺧﯽ از ﻧﺘﺎﯾﺞ ﺑﺪﺳﺖ آﻣﺪه ﻃﺒﻖ زﯾﺮ ﻣﯽ ﺑﺎﺷﺪ.‬
‫آﻧﮕﺎه‬ ‫اﮔﺮ‬
‫آﻧﮕﺎه‬ ‫اﮔﺮ‬ ‫اﮔﺮ‬
‫81‬

19. ‫ﻣدﯾرﯾت ارﺗﺑﺎط ﺑﺎ ﻣﺷﺗری)‪:(CRM‬‬
‫• 0092 ﻓﺮوﺷﮕﺎه در 5 ﮐﺸﻮر دﻧﯿﺎ.‬
‫• 5.7 ﺗﺮا ﺑﺎﯾﺖ داده را داده ﮐﺎوي ﮐﺮده.‬
‫• از داده ﮐﺎوي ﺑﺮاي اﺳﺘﺮاﺗﮋي ﻫﺎي ﻓﺮوش اﺳﺘﻔﺎده ﻣﯽ ﮐﻨﺪ.‬
‫• ﺑﻪ 0053 ﺗﺎﻣﯿﻦ ﮐﻨﻨﺪه ﺧﻮد اﺟﺎزه ﻣﯽ دﻫﺪ ﺗﺎ داﻧﺶ ﮐﺴﺐ ﺷﺪه از اﻃﻼﻋﺎت ﻣﺸﺘﺮﯾﺎن‬
‫را ﺑﺮرﺳﯽ ﮐﻨﻨﺪ.‬
‫• در ﺳﺎل 5991، 1 ﻣﯿﻠﯿﻮن ‪ Query‬ﭘﯿﭽﯿﺪه را اﺳﺘﺨﺮاج ﮐﺮده اﺳﺖ.‬
‫91‬

20. ‫ﺑﺎﻧﮏ، اﻗﺗﺻﺎد، ﺑﯾﻣﮫ:‬
‫ﭘﯿﺶ ﺑﯿﻨﯽ ﻣﯿﺰان رﯾﺴﮏ اﻋﺘﺒﺎري‬ ‫1.‬
‫ﭘﯿﺶ ﺑﯿﻨﯽ ﻣﯿﺰان ﺗﺎﺛﯿﺮ ﺗﺒﻠﯿﻐﺎت ﺑﺎﻧﮑﯽ‬ ‫2.‬
‫ﮐﺸﻒ ﺗﻘﻠﺐ ﻫﺎ در ﺳﯿﺴﺘﻢ ﻫﺎي ﺑﺎﻧﮏ و ﺑﯿﻤﻪ‬ ‫3.‬
‫ﺑﺮرﺳﯽ اﺣﺘﻤﺎل ورﺷﮑﺴﺘﮕﯽ ﺷﺮﮐﺖ ﻫﺎ‬ ‫4.‬
‫ﭘﯿﺶ ﺑﯿﻨﯽ ﺷﺎﺧﺺ ﻫﺎي ﻣﺎﻟﯽ و ﺷﺎﺧﺺ ﻫﺎي ﺑﻮرس‬ ‫5.‬
‫02‬

21. ‫ﺑﺎﻧﮏ، اﻗﺗﺻﺎد، ﺑﯾﻣﮫ:‬
‫1. ﭘﯿﺶ ﺑﯿﻨﯽ ﻣﯿﺰان رﯾﺴﮏ اﻋﺘﺒﺎري‬
‫ﻣﺜﺎل: ﺑﺮاي ﻣﺪﯾﺮان ﺑﺎﻧﮏ ﻫﺎ در ﺑﺴﯿﺎري ﻣﻮاﻗﻊ اﯾﻦ اﻣﺮ ﻣﻬﻢ ﻣﯽ ﺑﺎﺷﺪ ﮐﻪ ﺑﺘﻮاﻧﻨﺪ ﻣﯿﺰان رﯾﺴﮏ اﻋﺘﺒﺎري‬
‫ﻣﺸﺘﺮﯾﺎن ﺧﻮد را ﭘﯿﺶ ﺑﯿﻨﯽ ﮐﻨﻨﺪ. ﺑﺮاي اﯾﻦ ﻣﻨﻈﻮر ﻣﻤﮑﻦ اﺳﺖ ﻣﺸﺨﺼﻪ ﻫﺎي ﻣﺮﺑﻮط ﺑﻪ ﻣﺸﺘﺮﯾﺎن‬
‫ﺟﻤﻊ آوري ﺷﻮﻧﺪ. اﯾﻦ ﻣﺸﺨﺼﻪ ﻫﺎ ﻣﻤﮑﻦ اﺳﺖ ﻃﺒﻖ زﯾﺮ ﺑﺎﺷﻨﺪ:‬
‫ﻋﻨﻮان‬ ‫ﺷﻤﺎره‬
‫ﺳﻦ‬ ‫1‬
‫ﻣﯿﺰان ﺗﺤﺼﯿﻼت‬ ‫2‬
‫ﺗﻌﺪاد ﺳﺎﻟﻬﺎﯾﯽ ﮐﻪ در ﻣﮑﺎن ﻓﻌﻠﯽ ﻣﺸﻐﻮل ﺑﻪ ﮐﺎر اﺳﺖ‬ ‫3‬
‫ﺗﻌﺪاد ﺳﺎﻟﻬﺎﯾﯽ ﮐﻪ در ﻣﮑﺎن ﻓﻌﻠﯽ ﺳﮑﻮﻧﺖ دارد‬ ‫4‬
‫درآﻣﺪ ﺳﺎﻻﻧﻪ‬ ‫5‬
‫ﻧﺴﺒﺖ ﺑﺪﻫﯽ ﻫﺎ ﺑﻪ درآﻣﺪ‬ ‫6‬
‫ﻣﯿﺰان ﺑﺪﻫﯽ ﮐﺎرت اﻋﺘﺒﺎري‬ ‫7‬
‫12‬
‫ﻗﺼﻮر در ﭘﺮداﺧﺖ ﻫﺎي ﭘﯿﺸﯿﻦ‬ ‫8‬

22. ‫ﺑﺎﻧﮏ، اﻗﺗﺻﺎد، ﺑﯾﻣﮫ:‬
‫ﺑﺎﻧﮏ ﻣﺮﮐﺰي آﻣﺮﯾﮑﺎ در ﻃﯽ 2 ﺳﺎل 8.4 ﻣﯿﻠﯿﺎرد دﻻر ﺻﺮﻓﻪ ﺟﻮﯾﯽ ﻧﻤﻮد.‬
‫اﯾﻦ ﺑﺎﻧﮏ ﺑﺎ اﺳﺘﻔﺎده از ﺳﯿﺴﺘﻢ ﻣﺪﯾﺮﯾﺖ رﯾﺴﮏ اﻋﺘﺒﺎري ﺑﺮ ﭘﺎﯾﻪ داده ﮐﺎوي ﮐﻪ ﺗﻮﺳﻂ‬
‫ﺷﺮﮐﺖ ‪ SAS‬ﻃﺮاﺣﯽ ﺷﺪه ﺑﻮد، ﺳﯿﺴﺘﻢ ﭘﯿﮕﯿﺮي ﺑﺮﺧﻄﯽ را ﺑﺮاي ﺗﺨﺼﯿﺺ ﺑﺮﺧﻂ ﻣﯿﺰان‬
‫رﯾﺴﮏ اﻋﺘﺒﺎري ﻣﺸﺘﺮﯾﺎن ﺧﻮد ﻃﺮاﺣﯽ ﻧﻤﻮد.‬
‫22‬

23. ‫ﺑﺎﻧﮏ، اﻗﺗﺻﺎد، ﺑﯾﻣﮫ:‬
‫ﻣﺜﺎل: اﺳﺘﻔﺎده از درﺧﺖ ﺗﺼﻤﯿﻢ ﺑﺮاي ﭘﯽ ﺑﺮدن ﺑﻪ ﻣﯿﺰان رﯾﺴﮏ اﻋﺘﺒﺎري ﻣﺸﺘﺮﯾﺎن ﺑﺎﻧﮏ.‬
‫ﻣﺠﻤﻮﻋﻪ داده اي ﺑﺎ ﺳﻪ ﻣﺘﻐﯿﺮ زﯾﺮ دارﯾﻢ:‬
‫1. ﻣﯿﺰان داراﯾﯽ اﻓﺮاد‬
‫2. ﻣﯿﺰان ﭘﺲ اﻧﺪاز اﻓﺮاد‬
‫3. ﻣﯿﺰان درآﻣﺪ اﻓﺮاد‬
‫رﯾﺴﮏ‬ ‫درآﻣﺪ‬ ‫ﭘﺲ اﻧﺪاز‬ ‫داراﯾﯽ‬ ‫ﻣﺸﺘﺮي‬
‫رﯾﺴﮏ ﭘﺎﯾﯿﻦ‬ ‫ﮐﻢ‬ ‫ﮐﻢ‬ ‫زﯾﺎد‬ ‫1‬
‫رﯾﺴﮏ ﺑﺎﻻ‬ ‫زﯾﺎد‬ ‫زﯾﺎد‬ ‫ﮐﻢ‬ ‫2‬
‫؟‬ ‫ﮐﻢ‬ ‫زﯾﺎد‬ ‫زﯾﺎد‬ ‫3‬
‫32‬

24. ‫ﺑﺎﻧﮏ، اﻗﺗﺻﺎد، ﺑﯾﻣﮫ:‬
‫2. ﭘﯿﺶ ﺑﯿﻨﯽ ﻣﯿﺰان ﺗﺎﺛﯿﺮ ﺗﺒﻠﯿﻐﺎت ﺑﺎﻧﮑﯽ‬
‫ﺳﺎﻻﻧﻪ ﻫﺰاران دﻻر ﺻﺮف ﺑﺎزارﯾﺎﺑﯽ ﻣﺴﺘﻘﯿﻢ ﺧﻮد ﻣﯽ ﮐﺮد ﮐﻪ اﯾﻦ ﺗﺒﻠﯿﻐﺎت ﺷﺎﻣﻞ ﻣﻮارد زﯾﺮ‬ ‫‪‬‬
‫ﺑﻮدﻧﺪ:‬
‫ﺗﺒﻠﯿﻐﺎت ﺧﯿﺎﺑﺎﻧﯽ‬ ‫1.‬
‫ارﺳﺎل ﮐﺎﺗﺎﻟﻮگ ﻫﺎ‬ ‫2.‬
‫ارﺳﺎل ﻧﺎﻣﻪ ﻫﺎي ﺗﺒﻠﯿﻐﺎﺗﯽ‬ ‫3.‬
‫ﭘﺨﺶ ﺗﺮاﮐﺖ‬ ‫4.‬
‫اﺳﺘﻔﺎده از ﻧﺮم اﻓﺰار ‪ Clementine‬ﺑﺮاي ﺑﺮرﺳﯽ ﻣﺸﺘﺮﯾﺎن.‬ ‫‪‬‬
‫ﻧﺘﺎﯾﺞ:‬ ‫‪‬‬
‫ﺑﻪ ﺑﺎﻧﮏ ﮐﻤﮏ ﮐﺮد ﺗﺎ ﻣﺸﺘﺮﯾﺎن ﺧﻮد را ﺑﻬﺘﺮ ﺑﺸﻨﺎﺳﺪ.‬ ‫‪‬‬
‫روش ﻫﺎي ﺗﺒﻠﯿﻐﺎﺗﯽ را ﭘﯿﺸﻨﻬﺎد ﮐﺮد ﮐﻪ ﻫﻢ ﮐﺎراﺗﺮ ﺑﻮدﻧﺪ و ﻫﻢ ﺳﻮد ﺑﯿﺸﺘﺮي را ﺑﺮاي ﺑﺎﻧﮏ‬ ‫‪‬‬
‫ﻓﺮاﻫﻢ ﺳﺎﺧﺘﻨﺪ.‬
‫ﻧﺮخ واﮐﻨﺶ ﻣﺸﺘﺮﯾﺎن 5% اﻓﺰاﯾﺶ ﭘﯿﺪا ﮐﺮد و ﻫﺰﯾﻨﻪ ارﺳﺎل ﺗﺒﻠﯿﻐﺎت ﺑﻪ ﻣﯿﺰان 02% ﮐﺎﻫﺶ ﭘﯿﺪا‬ ‫‪‬‬
‫ﮐﺮد.‬
‫42‬

25. ‫ﺑﺎﻧﮏ، اﻗﺗﺻﺎد، ﺑﯾﻣﮫ:‬
‫3. ﮐﺸﻒ ﺗﻘﻠﺐ ﻫﺎ در ﺳﯿﺴﺘﻢ ﻫﺎي ﺑﺎﻧﮏ و ﺑﯿﻤﻪ‬
‫ﺑﺮرﺳﯽ ﺗﻘﻠﺐ در ﺳﯿﺴﺘﻢ ﻣﺪﯾﺮﯾﺖ ﺑﺎﻧﮑﯽ و ﺑﯿﻤﻪ اي‬ ‫1.‬
‫ﺑﺮرﺳﯽ ﺗﻘﻠﺐ در ﮐﺎرت ﻫﺎي اﻋﺘﺒﺎري ﻣﺸﺘﺮﯾﺎن)ﺳﯿﺴﺘﻢ ﺑﺎﻧﮑﯽ(‬ ‫2.‬
‫ﺑﺮرﺳﯽ ﺗﻘﻠﺐ در ﺧﺮﯾﺪﻫﺎي اﯾﻨﺘﺮﻧﺘﯽ‬ ‫3.‬
‫اﺑﺰارﻫﺎ: اﺳﺘﻔﺎده از درﺧﺖ ﺗﺼﻤﯿﻢ، ﻣﺪل ﻫﺎي ﭘﯿﺶ ﺑﯿﻨﯽ ﮐﻨﻨﺪه، ﺧﻮﺷﻪ ﺑﻨﺪي و آﻧﺎﻟﯿﺰ وارﯾﺎﻧﺲ‬ ‫‪‬‬
‫ﻧﻤﻮﻧﻪ اي از اﮐﺘﺸﺎﻓﺎت ﻣﻬﻢ در زﻣﯿﻨﻪ ﺗﻘﻠﺐ ﻫﺎي ﺻﻮرت ﮔﺮﻓﺘﻪ:‬ ‫‪‬‬
‫ﺣﺎدﺛﻪ 11 ﺳﭙﺘﺎﻣﺒﺮ‬ ‫‪‬‬
‫ﭘﺮوژه ‪Able Danger‬‬ ‫‪‬‬
‫ﺑﺮرﺳﯽ 5.1 ﻣﯿﻠﯿﻮن رﮐﻮرد اﻃﻼﻋﺎت‬ ‫‪‬‬
‫ﻣﺮﺑﻮط ﺑﻪ ﺷﻬﺮوﻧﺪان‬
‫03 ﮐﺎرت اﻋﺘﺒﺎري – 21 آدرس ﺧﺎﻧﻪ‬ ‫‪‬‬
‫ﻣﺤﻤﺪ اﺗﺎ‬ ‫‪‬‬
‫52‬

26. ‫ﺑﺎﻧﮏ، اﻗﺗﺻﺎد، ﺑﯾﻣﮫ:‬
‫4. ﺑﺮرﺳﯽ اﺣﺘﻤﺎل ورﺷﮑﺴﺘﮕﯽ ﺷﺮﮐﺖ ﻫﺎ‬
‫ﻫﺪف: ﭘﯿﺶ ﺑﯿﻨﯽ اﺣﺘﻤﺎل ورﺷﮑﺴﺘﮕﯽ ﺷﺮﮐﺖ ﻫﺎ‬
‫اﺑﺰار: درﺧﺖ ﺗﺼﻤﯿﻢ‬
‫اﻃﻼﻋﺎت ﻣﺮﺑﻮط ﺑﻪ 92 ﺷﺮﮐﺖ ﮐﺮه اي در ﺑﯿﻦ ﺳﺎﻟﻬﺎي 8991-7991 ﺟﻤﻊ آوري ﺷﺪ.‬ ‫‪‬‬
‫اﯾﻦ اﻃﻼﻋﺎت از ﺑﺎزار ﺑﻮرس و ﺑﺎﻧﮏ ﻫﺎ اﺳﺘﺨﺮاج ﺷﺪ.‬ ‫‪‬‬
‫ﻧﺘﺎﯾﺞ:‬ ‫‪‬‬
‫اﮔﺮ ﺑﻬﺮه وري ﺳﺮﻣﺎﯾﻪ از 56.91 ﺑﯿﺸﺘﺮ ﺑﺎﺷﺪ ﻋﺪم ورﺷﮑﺴﺘﮕﯽ ﺑﺎ اﻃﻤﯿﻨﺎن 68% اﺗﻔﺎق ﻣﯽ اﻓﺘﺪ.‬ ‫‪‬‬
‫اﮔﺮ ﺑﻬﺮه وري ﺳﺮﻣﺎﯾﻪ ﮐﻤﺘﺮ از 56.91 و اﮔﺮ ﻧﺴﺒﺖ ﮔﺮدش ﻧﻘﺪي ﺑﻪ ﮐﻞ داراﯾﯽ زﯾﺮ 56.5 ﺑﺎﺷﺪ،‬ ‫‪‬‬
‫ورﺷﮑﺴﺘﮕﯽ ﺑﺎ اﻃﻤﯿﻨﺎن 48% اﺗﻔﺎق ﻣﯽ اﻓﺘﺪ.‬
‫62‬

27. ‫ﺑﺮرﺳﯽ دﻋﺎوي ﻣﺮﺑﻮط ﺑﻪ ﺿﻤﺎﻧﺖ ﻧﺎﻣﻪ ﻣﺎﺷﯿﻦ ﻫﺎ)9991(‬ ‫‪‬‬
‫اﻫﺪاف ﻃﺮح:‬ ‫‪‬‬
‫آﯾﺎ رواﺑﻄﯽ ﺑﯿﻦ ﺿﻤﺎﻧﺖ ﻧﺎﻣﻪ ﻫﺎ وﺟﻮد دارد؟‬ ‫‪‬‬
‫آﯾﺎ دﻋﺎوي ﮔﺬﺷﺘﻪ ارﺗﺒﺎﻃﯽ ﺑﺎ دﻋﺎوي آﯾﻨﺪه دارﻧﺪ؟‬ ‫‪‬‬
‫آﯾﺎ ارﺗﺒﺎﻃﯽ ﺑﺎ دﻋﺎوي ﺧﺎص و ﻧﻤﺎﯾﻨﺪﮔﯽ ﻫﺎي ﺗﻌﻤﯿﺮﮔﺎﻫﯽ وﺟﻮد دارد؟‬ ‫‪‬‬
‫اﺑﺰار:‬ ‫‪‬‬
‫اﺳﺘﻔﺎده از ﻗﻮاﻧﯿﻦ واﺑﺴﺘﮕﯽ )اﮔﺮ ‪ X‬آﻧﮕﺎه ‪(Y‬‬
‫ﻧﺘﺎﯾﺞ:‬ ‫‪‬‬
‫ﺑﻪ ﻧﺘﯿﺠﻪ ﺧﺎﺻﯽ دﺳﺖ ﭘﯿﺪا ﻧﮑﺮدﻧﺪ. ﺳﭙﺲ ﻣﺤﻘﻘﺎن ﺳﻌﯽ ﮐﺮدﻧﺪ ﻋﻠﺖ ﺑﻪ ﻧﺘﯿﺠﻪ ﻧﺮﺳﯿﺪن را‬ ‫‪‬‬
‫ﺑﺮﺳﯽ ﮐﻨﻨﺪ. ﭘﺲ از ﺑﺮرﺳﯽ ﺑﻪ ﻧﺘﯿﺠﻪ رﺳﯿﺪﻧﺪ ﮐﻪ داده ﻫﺎﯾﯽ ﮐﻪ اﺳﺘﻔﺎده ﮐﺮدﻧﺪ داده ﻫﺎي‬
‫ﺧﯿﻠﯽ ﻣﻨﺎﺳﺒﯽ ﻧﺒﻮده اﺳﺖ ﭘﺲ ﺗﺼﻤﯿﻢ ﮔﺮﻓﺘﻨﺪ ﭘﺎﯾﮕﺎه ﻫﺎي داده اي را اﯾﺠﺎد ﮐﻨﻨﺪ ﮐﻪ در‬
‫آﯾﻨﺪه ﺑﺘﻮان ﺑﺎ اﺳﺘﻔﺎده از اﯾﻦ ﭘﺎﯾﮕﺎه ﻫﺎي داده، ﺑﻪ ﻧﺘﺎﯾﺞ ﺑﻬﺘﺮي در ﺗﺤﻘﯿﻘﺎت دﺳﺖ ﭘﯿﺪا ﮐﺮد.‬
‫72‬

28. ‫ﺳﺎﺧت و ﺗوﻟﯾد:‬
‫ﻣﺪﯾﺮﯾﺖ زﻧﺠﯿﺮه ﺗﺎﻣﯿﻦ‬ ‫1.‬
‫ﺗﻌﻤﯿﺮات و ﻧﮕﻬﺪاري‬ ‫2.‬
‫ﮐﻨﺘﺮل ﮐﯿﻔﯿﺖ‬ ‫3.‬
‫ﺗﺸﺨﯿﺺ ﺧﺮاﺑﯽ ﻫﺎ‬ ‫4.‬
‫ﻣﺎﻧﯿﺘﻮرﯾﻨﮓ ﺷﺮاﯾﻂ‬ ‫5.‬
‫زﻣﺎن ﺑﻨﺪي ﮐﺎرﻫﺎ‬ ‫6.‬
‫ﭘﯿﺶ ﺑﯿﻨﯽ ﺗﻮﻟﯿﺪ‬ ‫7.‬
‫ﺑﻬﺒﻮد ﺑﻬﺮه وري ﺗﻮﻟﯿﺪات‬ ‫8.‬
‫82‬

29. ‫ﺳﺎﺧت و ﺗوﻟﯾد:‬
‫ﺳﺎل 5002‬
‫92‬

30. ‫ﺳﺎﺧت و ﺗوﻟﯾد:‬
‫ﺳﺎل 9002‬
‫03‬

31. ‫ﻣﺪﯾﺮﯾﺖ زﻧﺠﯿﺮه ﺗﺎﻣﯿﻦ ‪:SCM‬‬
‫ﻣﺪﯾﺮﯾﺖ زﻧﺠﯿﺮه ﺗﺎﻣﯿﻦ ﺷﺎﻣﻞ ﻣﺪﯾﺮﯾﺖ ﻣﻮاد، اﻃﻼﻋﺎت و ﻣﺴﺎﺋﻞ ﻣﺎﻟﯽ در ﺷﺒﮑﻪ اي‬ ‫‪‬‬
‫ﻣﺸﺘﻤﻞ ﺑﺮ ﺗﺎﻣﯿﻦ ﮐﻨﻨﺪﮔﺎن، ﺳﺎزﻧﺪﮔﺎن، ﺗﻮزﯾﻊ ﮐﻨﻨﺪﮔﺎن و ﻣﺸﺘﺮﯾﺎن ﻣﯽ ﺑﺎﺷﺪ.‬
‫ﻣﺜﺎل: ﻃﺮاﺣﯽ ﻣﺪﻟﯽ ﺑﺮاي ﭘﯿﺶ ﺑﯿﻨﯽ ﺑﺮﻧﺪه ﻣﻨﺎﻗﺼﺎت در ﻣﺠﺘﻤﻊ ﮐﺸﺘﯽ ﺳﺎزي و ﺻﻨﺎﯾﻊ‬
‫ﻓﺮا ﺳﺎﺣﻞ اﯾﺮان )ﮐﺎرﺑﺮد ﺑﺮاي ﺗﺎﻣﯿﻦ ﮐﻨﻨﺪﮔﺎن(‬
‫ﻫﺪف: ﭘﯿﺶ ﺑﯿﻨﯽ ﺑﺮﻧﺪه ﻣﻨﺎﻗﺼﺎت‬ ‫‪‬‬
‫ﺟﻤﻊ آوري اﻃﻼﻋﺎت ﻣﺮﺑﻮط ﺑﻪ ﺧﺮﯾﺪ و ﻣﻨﺎﻗﺼﺎت‬ ‫‪‬‬
‫ﺗﻬﯿﻪ ﺑﯿﺶ از 0001 رﮐﻮرد داده ﺑﺎ ﺑﯿﺶ از 03 ﻣﺘﻐﯿﺮ‬ ‫‪‬‬
‫از ﺟﻤﻠﻪ ﻣﺘﻐﯿﺮﻫﺎي:ﻧﺎم ﭘﺮوژه، ﻧﺎم ﺗﺎﻣﯿﻦ ﮐﻨﻨﺪه، ﻗﯿﻤﺖ ﭘﯿﺸﻨﻬﺎدي ﺗﺎﻣﯿﻦ ﮐﻨﻨﺪه، درﺻﺪ ﭘﯿﺶ‬ ‫‪‬‬
‫ﭘﺮداﺧﺖ، اﻣﺘﯿﺎز ﻣﻌﯿﺎرﻫﺎي ﻓﻨﯽ و رد و ﯾﺎ ﻗﺒﻮل ﺷﺪن ﭘﺮوژه‬
‫اراﺋﻪ ﻣﺪﻟﯽ ﺑﺮاي ﭘﯿﺶ ﺑﯿﻨﯽ ﺑﺮﻧﺪه ﻣﻨﺎﻗﺼﺎت‬ ‫‪‬‬
‫ﻧﺘﯿﺠﻪ ﭘﺎﯾﺎن ﻧﺎﻣﻪ‬ ‫‪‬‬
‫13‬

32. ‫ﻣﺪﯾﺮﯾﺖ زﻧﺠﯿﺮه ﺗﺎﻣﯿﻦ ‪:SCM‬‬
‫ﻣﺜﺎل: ﺧﻮﺷﻪ ﺑﻨﺪي ﻣﺸﺘﺮﯾﺎن ﺑﻪ ﻣﻨﻈﻮر اراﺋﻪ ﺧﺪﻣﺎت ﺑﻪ ﻣﻮﻗﻊ)‪ (JIT‬ﺑﻪ آﻧﻬﺎ‬
‫)ﮐﺎرﺑﺮد ﺑﺮاي ﺳﺎزﻧﺪﮔﺎن(‬
‫‪ ‬ﻫﺪف: ﺷﻨﺎﺧﺖ ﺳﻔﺎرﺷﺎت ﯾﮑﺴﺎن‬
‫‪ ‬اﺑﺰار: ﺧﻮﺷﻪ ﺑﻨﺪي‬
‫‪ ‬داده ﻫﺎي ﻣﻮﺟﻮد:ﻓﺮﯾﻢ، ﻣﻮﺗﻮر، ﮐﺎﺑﯿﻦ، ﭼﺮﺧﻬﺎ، ﺑﺎك‬
‫‪ ‬ﺑﺎ ﺧﻮﺷﻪ ﺑﻨﺪي اﻃﻼﻋﺎت ﻣﺸﺘﺮﯾﺎن ﺗﻮﺳﻂ روش ﻫﺎي ﻣﺨﺘﻠﻒ ﻣﯽ ﺗﻮان‬
‫ﺳﻔﺎرﺷﺎت ﺳﺎﺧﺖ را در زﻣﺎن ﮐﻤﺘﺮي و ﺑﻪ روش ﺑﻬﯿﻨﻪ ﺗﺮي ﻣﺪﯾﺮﯾﺖ‬
‫ﺑﺎك‬ ‫ﭼﺮخ ﻫﺎ‬ ‫ﮐﺎﺑﯿﻦ‬ ‫ﻣﻮﺗﻮر‬ ‫ﻓﺮﯾﻢ‬ ‫ﻧﺎم‬ ‫ﮐﺮد.‬
‫ﺧﯿﺮ‬ ‫ﺑﺰرگ‬ ‫ﺳﺒﺰ‬ ‫ﻣﺘﻮﺳﻂ‬ ‫ﺑﺰرگ‬ ‫ﻣﺸﺘﺮي 1‬
‫ﺧﯿﺮ‬ ‫ﺑﺰرگ‬ ‫ﺻﻮرﺗﯽ‬ ‫ﺧﯿﻠﯽ ﺑﺰرگ ﺧﯿﻠﯽ ﺑﺰرگ‬ ‫ﻣﺸﺘﺮي 2‬
‫ﺑﻠﻪ‬ ‫ﻣﺘﻮﺳﻂ‬ ‫زرد‬ ‫ﻣﺘﻮﺳﻂ‬ ‫ﮐﻮﭼﮏ‬ ‫ﻣﺸﺘﺮي 3‬
‫ﺑﻠﻪ‬ ‫ﺑﺰرگ‬ ‫ﻗﺮﻣﺰ‬ ‫ﺑﺰرگ‬ ‫ﺑﺰرگ‬ ‫ﻣﺸﺘﺮي 4‬
‫23‬
‫ﺧﯿﺮ‬ ‫ﻣﺘﻮﺳﻂ‬ ‫زرد‬ ‫ﮐﻮﭼﮏ‬ ‫ﮐﻮﭼﮏ‬ ‫ﻣﺸﺘﺮي 5‬

33. ‫ﻣﺪﯾﺮﯾﺖ زﻧﺠﯿﺮه ﺗﺎﻣﯿﻦ ‪:SCM‬‬
‫‪ ‬ﻧﺘﯿﺠﻪ ﺧﻮﺷﻪ ﺑﻨﺪي:‬
‫ﺑﺎك‬ ‫ﭼﺮخ ﻫﺎ‬ ‫ﮐﺎﺑﯿﻦ‬ ‫ﻣﻮﺗﻮر‬ ‫ﻓﺮﯾﻢ‬ ‫ﻧﺎم‬
‫ﺑﻠﻪ‬ ‫ﺑﺰرگ‬ ‫ﻗﺮﻣﺰ‬ ‫ﺑﺰرگ‬ ‫ﺑﺰرگ‬ ‫ﻣﺸﺘﺮي 4‬
‫ﺧﯿﺮ‬ ‫ﺑﺰرگ‬ ‫ﺳﺒﺰ‬ ‫ﻣﺘﻮﺳﻂ‬ ‫ﺑﺰرگ‬ ‫ﻣﺸﺘﺮي 1‬
‫ﺑﻠﻪ‬ ‫ﻣﺘﻮﺳﻂ‬ ‫زرد‬ ‫ﻣﺘﻮﺳﻂ‬ ‫ﮐﻮﭼﮏ‬ ‫ﻣﺸﺘﺮي 3‬
‫ﺧﯿﺮ‬ ‫ﻣﺘﻮﺳﻂ‬ ‫زرد‬ ‫ﮐﻮﭼﮏ‬ ‫ﮐﻮﭼﮏ‬ ‫ﻣﺸﺘﺮي 5‬
‫ﺧﯿﺮ‬ ‫ﺑﺰرگ‬ ‫ﺻﻮرﺗﯽ‬ ‫ﺧﯿﻠﯽ ﺑﺰرگ ﺧﯿﻠﯽ ﺑﺰرگ‬ ‫ﻣﺸﺘﺮي 2‬
‫33‬

34. ‫ﺗﻌﻣﯾرات و ﻧﮕﮭداری:‬
‫ﮐﺎرﺑﺮدﻫﺎ:‬
‫‪ ‬ﭘﯿﺶ ﺑﯿﻨﯽ ﺧﺮاﺑﯽ ﻫﺎ‬
‫‪ ‬ﻣﺎﻧﯿﺘﻮرﯾﻨﮓ ﺷﺮاﯾﻂ‬
‫‪ ‬ﭘﯿﺶ ﺑﯿﻨﯽ ﺗﻌﻮﯾﺾ ﺧﺮاﺑﯽ ﻫﺎ‬
‫ﻣﺜﺎل: ﭘﯿﺶ ﺑﯿﻨﯽ زﻣﺎن ﺗﻌﻮﯾﺾ ﻗﻄﻌﺎت‬
‫‪ ‬ﻫﺪف: ﭘﯿﺶ ﺑﯿﻨﯽ زﻣﺎن ﺧﺮاﺑﯽ‬
‫‪ ‬اﺑﺰار: ﭘﯿﺶ ﺑﯿﻨﯽ و ﮐﻼس ﺑﻨﺪي‬
‫‪ ‬ﻧﺘﯿﺠﻪ:‬
‫ﻣﺤﻘﻘﺎن ﺑﺎ اﺳﺘﻔﺎده روش ﻫﺎي ﭘﯿﺶ ﺑﯿﻨﯽ ﺗﻮاﻧﺴﺘﻨﺪ ﺧﺮاﺑﯽ در ﻗﻄﻌﺎت را ﮐﺎﻫﺶ دﻫﻨﺪ و زﻣﺎن‬
‫ﺗﻌﻮﯾﺾ ﻗﻄﻌﺎت را ﭘﯿﺶ از ﺧﺮاﺑﯽ در ﻗﻄﻌﺎت ﭘﯿﺶ ﺑﯿﻨﯽ ﮐﻨﻨﺪ.‬
‫ﻣﺘﺨﺼﺼﺎن در اﯾﻦ ارﺗﺒﺎط ﺳﯿﺴﺘﻢ ﻫﺸﺪاري ﻃﺮاﺣﯽ ﻧﻤﻮدﻧﺪ ﺗﺎ ﺑﺎ اﺳﺘﻔﺎده از ﻣﺪﻟﻬﺎي ﺳﺎﺧﺘﻪ ﺷﺪه‬
‫ﭘﯿﺶ از وﻗﻮع ﺧﺮاﺑﯽ ﺑﻪ ﻣﺘﺨﺼﺼﺎن ﻫﺸﺪار دﻫﺪ ﺗﺎ آﻧﻬﺎ ﺑﺘﻮاﻧﻨﺪ ﻗﻄﻌﺎت را ﭘﯿﺶ از ﺧﺮاﺑﯽ ﺗﻌﻤﯿﺮ‬
‫ﯾﺎ ﺗﻌﻮﯾﺾ ﻧﻤﺎﯾﻨﺪ.‬
‫43‬

35. ‫ﺗﻌﻣﯾرات و ﻧﮕﮭداری:‬
‫ﻣﺜﺎل: داده ﮐﺎوي در ﭘﺎﯾﮕﺎه داده ﺗﻌﻤﯿﺮات و ﻧﮕﻬﺪاري ﺑﯿﻤﺎرﺳﺘﺎﻧﯽ ﺑﻪ ﻣﻨﻈﻮر ﭘﺸﺘﯿﺒﺎﻧﯽ‬
‫از ﺗﺼﻤﯿﻢ ﮔﯿﺮي ﻫﺎي ﻣﺪﯾﺮﯾﺘﯽ‬
‫ﻫﺪف: درﺳﺖ ﮐﺮدن ﭘﺎﯾﮕﺎه داﻧﺶ‬ ‫‪‬‬
‫اﺑﺰار: ﻗﻮاﻧﯿﻦ واﺑﺴﺘﮕﯽ‬ ‫‪‬‬
‫داده ﻫﺎ: ﻧﺎم دﺳﺘﮕﺎه، دﺳﺘﻪ ﻣﺮﺑﻮط ﺑﻪ دﺳﺘﮕﺎه، ﻧﺎم ﺑﺨﺸﯽ ﮐﻪ دﺳﺘﮕﺎه در آن ﺑﻮده،‬ ‫‪‬‬
‫ﺗﻌﺪاد وﺳﺎﯾﻞ ارﺟﺎﻋﯽ، ﻣﺪت ﺗﻌﻤﯿﺮ، ﻧﻮع ﺧﺮاﺑﯽ، وﺿﻌﯿﺖ ﺗﻌﻤﯿﺮ و..‬
‫ﻧﺘﺎﯾﺞ:‬ ‫‪‬‬
‫آﻧﮕﺎه‬ ‫اﮔﺮ‬
‫اﮔﺮ‬ ‫اﮔﺮ‬
‫آﻧﮕﺎه‬
‫53‬

36. ‫ﭘزﺷﮑﯽ:‬
‫‪ ‬ﺗﺨﻤﯿﻦ ﻫﺰﯾﻨﻪ ﺑﯿﻤﺎران‬
‫‪ ‬ﭘﯿﺶ ﺑﯿﻨﯽ اﺣﺘﻤﺎل ﻣﺒﺘﻼ ﺷﺪن ﺷﺨﺼﯽ ﺑﻪ ﺑﯿﻤﺎري ﺧﺎص‬
‫‪ ‬ﭘﯿﺶ ﺑﯿﻨﯽ ﻧﺠﺎت ﺑﯿﻤﺎران از ﺑﯿﻤﺎري ﻫﺎ‬
‫‪ ‬ﮐﺸﻒ ﺗﻘﻠﺐ ﭘﺰﺷﮑﺎن و ﺑﯿﻤﺎران‬
‫‪ ‬ﭘﯿﺶ ﺑﯿﻨﯽ ﺗﺠﻮﯾﺰ داروي ﻣﻨﺎﺳﺐ ﺑﺮاي اﻓﺮاد‬
‫‪ ‬ﺧﻮﺷﻪ ﺑﻨﺪي ﺑﯿﻤﺎران ﺑﻪ ﻣﻨﻈﻮر ﮐﺸﻒ ﮔﺮوﻫﻬﺎي ﺑﯿﻤﺎري‬
‫63‬

37. ‫ﭘزﺷﮑﯽ:‬
‫1. ﺗﺨﻤﯿﻦ ﻫﺰﯾﻨﻪ ﺑﯿﻤﺎران‬
‫ﻣﺜﺎل: ﺑﯿﻤﺎرﺳﺘﺎﻧﯽ ﺑﺮاي ﺗﺨﻤﯿﻦ ﻫﺰﯾﻨﻪ درﻣﺎﻧﯽ ﺑﯿﻤﺎران ﺳﺮﻃﺎﻧﯽ، اﻃﻼﻋﺎت 8001 ﻧﻔﺮ از‬
‫ﺑﯿﻤﺎران را ﺟﻤﻊ آوري ﻧﻤﻮد. اﯾﻦ ﻣﺠﻤﻮﻋﻪ داده ﺷﺎﻣﻞ 21 ﻣﺘﻐﯿﺮ ﺑﻮد. اﯾﻦ‬
‫ﺑﯿﻤﺎرﺳﺘﺎن ﻗﺼﺪ داﺷﺖ ﻫﺰﯾﻨﻪ درﻣﺎﻧﯽ ﺑﯿﻤﺎران را ﭘﯿﺶ ﺑﯿﻨﯽ ﮐﻨﺪ.‬
‫ﻫﺪف: ﺗﺨﻤﯿﻦ ﻫﺰﯾﻨﻪ درﻣﺎن‬
‫اﺑﺰار: ﮐﻼﺳﻪ ﺑﻨﺪي)ﺷﺒﮑﻪ ﻋﺼﺒﯽ، درﺧﺖ ﺗﺼﻤﯿﻢ(‬
‫داده ﻫﺎ: ﺟﻨﺴﯿﺖ، وﺿﻌﯿﺖ ﺗﺎﻫﻞ، ﻣﯿﺰان ﻓﻌﺎﻟﯿﺖ، ﺗﻌﺪاد دﻓﻌﺎت ﺷﯿﻤﯽ درﻣﺎﻧﯽ، ﻫﺰﯾﻨﻪ‬
‫درﻣﺎﻧﯽ و ...‬
‫ﻧﺘﺎﯾﺞ:‬
‫دﻗﺖ ﺷﺒﮑﻪ ﻫﺎي ﻋﺼﺒﯽ در اﯾﻦ ﭘﯿﺶ ﺑﯿﻨﯽ ﻫﺰﯾﻨﻪ ﺑﯿﻤﺎران 79% ﻣﯽ ﺑﺎﺷﺪ. ﺷﺒﮑﻪ ﻫﺎي‬
‫ﻋﺼﺒﯽ ﺑﻪ ﻣﻨﻈﻮر ﭘﯿﺶ ﺑﯿﻨﯽ ﻫﺰﯾﻨﻪ ﻫﺎي درﻣﺎﻧﯽ، از دﻗﺖ ﺑﺎﻻﺗﺮي ﻧﺴﺒﺖ ﺑﻪ روش‬
‫ﻫﺎﯾﯽ ﻣﺎﻧﻨﺪ درﺧﺖ ﺗﺼﻤﯿﻢ ﺑﻬﺮه ﻣﻨﺪ ﻣﯽ ﺑﺎﺷﻨﺪ.‬
‫73‬

38. ‫ﺑررﺳﯽ ﺳﺎﺧﺗﺎر ﻣﻘﺎﻻت ‪:ISI‬‬
‫‪ ‬ﻋﻨﻮان ﻣﻘﺎﻟﻪ: ﺳﯿﺴﺘﻢ ﭘﺸﺘﯿﺒﺎﻧﯽ ﺗﺼﻤﯿﻢ ﮔﯿﺮي در ارﺗﺒﺎط ﺑﺎ‬
‫ﺑﯿﻤﺎري ﻗﻠﺒﯽ ﺑﺮ ﭘﺎﯾﻪ وب ﺑﺎ اﺳﺘﻔﺎده از روش ﻫﺎي ﻣﺪﻟﺴﺎزي‬
‫ﮐﻼﺳﻪ ﺑﻨﺪي داده ﮐﺎوي‬
‫‪ ‬ﻧﻮع اﻧﺘﺸﺎرات و ﺳﺎل ﻧﺸﺮ: ﮐﻨﻔﺮاﻧﺴﯽ 7002‬
‫‪ ‬ﺗﺤﺼﯿﻼت ﻧﻮﯾﺴﻨﺪﮔﺎن:ﻓﻨﺎوري اﻃﻼﻋﺎت – ﻣﺎﻟﺰي‬
‫‪ ‬اﻫﺪاف:‬
‫‪ ‬ﮐﺪام ﺑﯿﻤﺎر اﺣﺘﻤﺎل دارد ﺑﻪ ﺑﯿﻤﺎري ﻗﻠﺒﯽ دﭼﺎر ﺷﻮد.‬
‫‪ ‬ﭘﯿﮕﯿﺮي ﺗﺎﺛﯿﺮ دارو ﻫﺎ ﺑﺮ روي ﺑﯿﻤﺎران.‬
‫‪ ‬ﭘﯿﺪا ﮐﺮدن ﻣﺸﺨﺼﻪ ﻫﺎي ﺑﯿﻤﺎران ﻗﻠﺒﯽ و ...‬
‫83‬

39. ‫ﺑررﺳﯽ ﺳﺎﺧﺗﺎر ﻣﻘﺎﻻت ‪:ISI‬‬
‫93‬

40. ‫ﺑررﺳﯽ ﺳﺎﺧﺗﺎر ﻣﻘﺎﻻت ‪:ISI‬‬
‫04‬

41. ‫ﺑررﺳﯽ ﺳﺎﺧﺗﺎر ﻣﻘﺎﻻت ‪:ISI‬‬
‫‪ ‬ﻋﻨﻮان ﻣﻘﺎﻟﻪ: ﻣﻘﺎﯾﺴﻪ ﭘﯿﺶ ﺑﯿﻨﯽ ﻫﺰﯾﻨﻪ ﻫﺎي ﺑﯿﻤﺎران ﺑﺮاي ﺑﯿﻤﺎران ﺳﺮﻃﺎﻧﯽ،‬
‫ﺷﺒﮑﻪ ﻫﺎي ﻋﺼﺒﯽ در ﺑﺮاﺑﺮ درﺧﺖ ﺗﺼﻤﯿﻢ‬
‫‪ ‬ﻧﻮع اﻧﺘﺸﺎرات و ﺳﺎل ﻧﺸﺮ: ﻣﺠﻠﻪ ‪2009 BioMed‬‬
‫‪ ‬ﺗﺤﺼﯿﻼت ﻧﻮﯾﺴﻨﺪﮔﺎن:ﮐﺎﻣﭙﯿﻮﺗﺮ و ﭘﺰﺷﮑﯽ– ﭼﯿﻦ‬
‫‪ ‬اﻫﺪاف:‬
‫ﭘﯿﺶ ﺑﯿﻨﯽ ﻫﺰﯾﻨﻪ ﻫﺎي ﺑﯿﻤﺎرﺳﺘﺎﻧﯽ و ﻣﻘﺎﯾﺴﻪ دو روش درﺧﺖ ﺗﺼﻤﯿﻢ و ﺷﺒﮑﻪ‬
‫ﻫﺎي ﻋﺼﺒﯽ ﺑﻪ ﻣﻨﻈﻮر اﯾﻦ ﭘﯿﺶ ﺑﯿﻨﯽ.‬
‫‪ ‬داده ﻫﺎ:‬
‫14‬

42. ‫ﺑررﺳﯽ ﺳﺎﺧﺗﺎر ﻣﻘﺎﻻت ‪:ISI‬‬
‫ﻧﺘﺎﯾﺞ:‬ ‫‪‬‬
‫24‬

43. ‫ﺑررﺳﯽ ﺳﺎﺧﺗﺎر ﻣﻘﺎﻻت ‪:ISI‬‬
‫‪ ‬ﻋﻨﻮان ﻣﻘﺎﻟﻪ: ﭘﯿﺶ ﺑﯿﻨﯽ زﻧﺪه ﻣﺎﻧﺪن ﺑﯿﻤﺎراﻧﯽ ﮐﻪ ﺳﺮﻃﺎن ﺳﯿﻨﻪ دارﻧﺪ، ﻣﻘﺎﯾﺴﻪ ﺳﻪ‬
‫روش داده ﮐﺎوي‬
‫‪ ‬ﻧﻮع اﻧﺘﺸﺎرات و ﺳﺎل ﻧﺸﺮ: ﻣﺠﻠﻪ ‪2009 medical informatics‬‬
‫‪ ‬ﺗﺤﺼﯿﻼت ﻧﻮﯾﺴﻨﺪﮔﺎن:ﺻﻨﺎﯾﻊ، ﻣﺪﯾﺮﯾﺖ، ﺑﺎزارﯾﺎﺑﯽ – اﯾﺎﻻت ﻣﺘﺤﺪه‬
‫‪ ‬ﺧﻼﺻﻪ:‬
‫ﻣﻘﺎﻟﻪ ﺑﺎ اﺳﺘﻔﺎده از روش ﻫﺎي ﭘﯿﺶ ﺑﯿﻨﯽ و ﮐﻼﺳﻪ ﺑﻨﺪي، اﻣﮑﺎن زﻧﺪه ﻣﺎﻧﺪن ﺑﯿﻤﺎران‬
‫ﭘﯿﻮﻧﺪي را ﺑﻪ ﻣﺪت 9 ﺳﺎل ﺗﺨﻤﯿﻦ زده اﺳﺖ. ﯾﻌﻨﯽ اﯾﻨﮑﻪ آﯾﺎ اﯾﻦ ﺑﯿﻤﺎران ﺗﺎ 9 ﺳﺎل‬
‫زﻧﺪه ﻣﯽ ﻣﺎﻧﻨﺪ ﯾﺎ ﺧﯿﺮ.‬
‫داده ﻫﺎ:‬ ‫‪‬‬
‫34‬

44. ‫ﺑررﺳﯽ ﺳﺎﺧﺗﺎر ﻣﻘﺎﻻت ‪:ISI‬‬
‫‪ ‬ﭼﺎﻟﺶ:‬
‫ﺟﻨﺎب آﻗﺎي ‪ Dursun Delen‬ﯾﮑﯽ از ﻧﻮﯾﺴﻨﺪﮔﺎن ﻫﻤﯿﻦ ﻣﻘﺎﻟﻪ در ﺳﺎل 5002 ﻣﻘﺎﻟﻪ اي ﺑﺎ‬
‫ﻋﻨﻮان ” ﭘﯿﺶ ﺑﯿﻨﯽ زﻧﺪه ﻣﺎﻧﺪن ﺑﯿﻤﺎراﻧﯽ ﮐﻪ ﺳﺮﻃﺎن ﺳﯿﻨﻪ دارﻧﺪ: ﻣﻘﺎﯾﺴﻪ ﺳﻪ روش‬
‫داده ﮐﺎوي“ ﺑﻪ ﻧﺘﺎﯾﺠﯽ رﺳﯿﺪه اﺳﺖ ﮐﻪ ﺑﺎ ﻧﺘﺎﯾﺞ ﺑﺪﺳﺖ آﻣﺪه در اﯾﻦ ﻣﻘﺎﻟﻪ ﮐﻤﯽ ﺗﻔﺎوت‬
‫دارد.‬
‫44‬

45. ‫ﮐﺎرﮔﺎه ھﺎی ﺗﺧﺻﺻﯽ:‬
‫ﻣﺤﺘﻮاي ﮐﺎرﮔﺎهﻫﺎ:‬ ‫‪‬‬
‫ﭘﯿﺶ ﭘﺮدازش و درك داده ﻫﺎ‬ ‫1.‬
‫رده ﺑﻨﺪي‬ ‫2.‬
‫ﺧﻮﺷﻪ ﺑﻨﺪي‬ ‫3.‬
‫ﻗﻮاﻋﺪ اﻧﺠﻤﻨﯽ‬ ‫4.‬
‫آﻣﻮزش ﻧﺮم اﻓﺰار ‪Clementine‬‬ ‫5.‬
‫ﮔﻮاﻫﯽ ﻧﺎﻣﻪ ﺷﺮﮐﺖ در ﮐﺎرﮔﺎهﻫﺎ ﺑﺮاي ﺗﻤﺎﻣﯽ اﻓﺮاد ﺻﺎدر ﺧﻮاﻫﺪ ﺷﺪ.‬ ‫‪‬‬
‫ﺑﺮاي اوﻟﯿﻦ ﺑﺎر در ﮐﺸﻮر ﮐﺎرﮔﺎه ﺗﺨﺼﺼﯽ ﻧﺮماﻓﺰار دادهﮐﺎوي 21 ‪ Clementine‬ﺑﺮﮔﺰار ﺧﻮاﻫﺪ‬ ‫‪‬‬
‫ﺷﺪ.‬
‫ﺗﻤﺎﻣﯽ روشﻫﺎ در اﯾﻦ ﮐﻼسﻫﺎ ﻫﻤﺮاه ﺑﺎ ﻣﺜﺎل ﻋﻤﻠﯽ ﺗﻮﺿﯿﺢ داده ﺧﻮاﻫﺪ ﺷﺪ.‬ ‫‪‬‬
‫در ﮐﺎرﮔﺎه ﻋﻤﻠﯽ ﺑﺮ روي ﻣﺠﻤﻮﻋﻪ دادهﻫﺎي واﻗﻌﯽ دادهﮐﺎوي اﻧﺠﺎم ﺧﻮاﻫﺪ ﺷﺪ.‬ ‫‪‬‬
‫‪Clementine‬‬
‫54‬

46. ‫ﭘﺎﯾﺎن‬
 A year spent in artificial intelligence is
enough to make one believe in God.
“Alan perlis”
46