Dette er vår andre obligatoriske oppgave i kurset Moderne Databaseteknologi.

Størrelse: px
Begynne med side:

Download "Dette er vår andre obligatoriske oppgave i kurset Moderne Databaseteknologi."

Transkript

1 Innledning Dette er vår andre obligatoriske oppgave i kurset Moderne Databaseteknologi. Vi har valgt oppgave 5, Data Mining. I denne oppgaven skal vi utarbeide en rapport der vi gir en bred fremstilling av hva Data Mining er, hvilke metoder som finnes og hvilke fordeler og eventuelle usikkerheter som gjelder for de forskjellige teknikkene. Vi starter denne rapporten med å gi en kort historikk. Deretter forklarer vi kort begrepet Data Mining og kommer med noen eksempler på bruksområder. Vi tar så for oss de fire basisoperasjonene som er knyttet til Data Mining. Disse beskrives kort og vi beskriver noen av teknikkene som er knyttet til hver operasjon. Etter dette viser vi noen eksempler på Data Miningsverktøy og kommer med noen eksempler på praktisk bruk av Data Mining. Så ser vi litt på relasjonen mellom Data Mining vs Data Warehouse og OnLine Analytical Processing (OLAP) før vi avslutter rapporten med en kort konklusjon. Moderne Databaseteknologi, Høgskolen i Østfold

2 Innholdsfortegnelse 1.0 Historikk Hva er Data Mining? Motivasjonen for å bruke Data Mining Noen eksempler der Data Mining kan brukes Problemer med Data Mining Fordeler med Data Mining Data Miningsoperasjoner og teknikker Predictive Modeling (Forutsigende Modelering) Classification (Klassifisering) Value predicition (Verdi Forutsigelse) Eksempler på hvor man bruker Predictive Modeling Fordeler med Predictive Modeling Ulemper med Predictive Modeling Database Segmentation (Database Segmentasjon) Problemer med Database Segmentation Eksempler på bruk av Database Segmentation Ulemper med Database Segmentation Fordeler med Database Segmentation Link Analysis (Link Analyse) Associations Discovery (oppdage forbindelser) Sequential Pattern Discovery (oppdage sekvensielle mønster) Similar Time Sequence Discovery (oppdage liknende tidssekvenser) Eksempler på hvor man bruker Link Analysis Ulemper med Link Analysis Fordeler med Link Analysis Deviation Detection (Avviksoppdagelse) Statistics (Statistikk) Visualisation (Visualisering) Linear Regression (Lineær regresjon) Eksempler hvor man bruker teknikken Deviation Detection Fordeler ved Deviation Detection Data Miningsverktøy Kommersielle Data Miningsverktøy See5/C Cubist Magnum Opus GritBot ODBCHook KnowledgeSEEKER Holos Intelligent Miner Thought Pattern Recognition Workbench KnowledgeSEEKER Holos Intelligent Miner Thought Pattern Recognition Workbench Data Mining vs. Data Warehouse Relasjonen mellom Data Warehouse og Data Mining Data Mining vs. OLAP Konklusjon Ordliste Kilder Moderne Databaseteknologi, Høgskolen i Østfold

3 1.0 Historikk I de siste to tiår har det vært en dramatisk økning i informasjon eller data som lagres elektronisk. Det har blitt estimert at mengden med informasjon i verden dobles hver 20. måned, og at størrelsen på og antallet databaser vokser enda mer [11]. Figur 1. Økning av datamengden. Det å få lagret store mengder data ble lettere og billigere etter hvert som lagringskapasitet og maskiner ble raskere og billigere. Problemet man etter hvert måtte finne en løsning på, var hva skulle man gjøre med denne store mengden data? Selve rådataen kunne ikke brukes til mye, men bedriftene fant fort ut at den virkelige verdien av data var avhengig av hvilken informasjon man kunne trekke ut. Den vanligste måten man trakk ut verdifull informasjon fra databaser var ved å spørre databasen, for eksempel hvor mye solgte man av hvert produkt forrige måned? Så lenge man hadde en forholdsvis liten datamengde var denne måten god nok. Problemet var at datamengden i bedriftene økte raskt, og spesifikke og målrettede spørringer gav ikke de svarene og analysene bedriftene var ute etter. De trengte nye og bedre applikasjoner og verktøy. Data Mining har de verktøyene som gir bedriftene de analysene og svarene de er ute etter. Familietreet til Data Mining har 3 røtter: Klassisk statistikk Kunstig Intelligens (Artificial Intelligence - AI) Maskinlæring Statistikk brukes i de fleste Data Miningsteknikkene. Klassisk statistikk omfatter for eksempel analyse, distribusjon, forandring og avvik og brukes til å analysere data og forhold mellom dem. AI går ut på å anvende menneskelignende prosesser på statistiske problemer. Maskinlæring er forening mellom statistikk og AI. Maskinlæring går ut på å la programmer lære seg noe om dataen de studerer slik at programmene danner forskjellige avgjørelser basert på kvaliteten av dataen. Til dette bruker maskinlæring statistikk til fundamentale begreper og legger til avansert AI og algoritmer for oppnå målet sitt. Moderne Databaseteknologi, Høgskolen i Østfold

4 Utviklings steg Datasamling (1960s) Dataaksess (1980s) Data Warehousing (1990s) Data Mining (Present) Gjeldene spørringer "What was my total revenue in the last five years?" "What were unit sales in New England last March?" "What were unit sales in New England last March? Drill down to Boston." "What s likely to happen to Boston unit sales next month? Why?" Teknologier Computers, tapes, disks IBM RDBMS, SQL, ODBC OLAP, Multi-dimensjonale databaser, Data Warehouse Avanserte Algoritmer, Multiprosessor maskiner, store databaser Tabell 1, Utviklingen av Data Mining. Produkter CDC Retrospective Oracle, Sybase, Informix, IBM, Microsoft Pilot, Comshare, Arbor, Cognos, IBM, SGI Ulike markedsførings-databaseapplikasjoner vil ha stor betydning for hvordan handel blir utført i fremtiden. Selv om vi allerede bruker de grunnleggende Data Miningsteknikkene i dag trenger man å videreutvikle disse teknikkene. Fremtidens suksessfulle databaseapplikasjoner vil kombinere Data Miningteknologi med en grundig forståelse av bedriften og dens problemer, og presentere resultatene på en forståelsesfull og oversiktlig måte [8]. Moderne Databaseteknologi, Høgskolen i Østfold

5 2.0 Hva er Data Mining? Dagens databaser kan inneholde terrabytes med data. De kan blant annet inneholde verdifull informasjon om kunder, leverandører, ansatte eller økonomiske forhold. Det å bare lagre informasjon i Data Warehouse 1 gir ikke alle bedriftene de fordelene de ønsker. For å utnytte verdien av Data Warehouse er det nødvendig å kunne trekke ut kunnskap som er gjemt inne i Data Warehouse. Problemet er at det er vanskelig å identifisere trender og forbindelser i disse trillionene av bytes ved kun å bruke vanlige spørringer og rapporter. Det er her Data Mining kommer til sin rett. Ved bruk av Data Mining kan man finne informasjon inne i Data Warehouse som vanlige spørringer og rapporter ikke kan avsløre. Det finnes ingen entydig definisjon av begrepet Data Mining, men som oftest knyttes det til teknologien som anvendes for å hente ut interessant og uventet informasjon fra store datamengder. I en rapport fra 1996 definerte det amerikanske firmaet Gartner Group Data Mining som: "Leting etter meningsfulle nye mønstre, avhengigheter og trender i store datamengder ved bruk av mønstergjenkjenningsteknikker og matematiske- og statistiske metoder." Så Data Mining er altså opptatt med å analyse data og bruker softwareteknikker for å finne mønstre og regelmessigheter i datasettene. Det er datamaskinen som er ansvarlig for å finne mønstrene ved å identifisere de underliggende reglene og egenskapene i dataene. Ideen er at det er mulig å finne gull på uventede plasser etter hvert som Data Minings-softwaren trekker ut mønstre som ikke har vært oppdaget, eller har vært så åpenbare at ingen har lagt merke til dem. Det har blitt bredere aksept for at Data Mining er en enkel fase i en større livssyklus kjent som Knowledge in Databases (KDD). KDD har normalt disse aktivitetene: Figur 2. Stegene til KDD. 1. Et Data Warehouse er en relasjonsdatabasemanagement system (RDMS) som er designet spesielt for å møte kravene til transaksjonsprosess-systemer. Moderne Databaseteknologi, Høgskolen i Østfold

6 Data Selection (Data utvelgelse) Målet i denne fasen er å trekke ut data som er relevante for Data Miningsanalysen fra store datamengder for eksempel, alle mennesker som eier en bil. Denne uttrekkingen hjelper til med å gjøre analyseprosessen mer strømlinjeformet og raskere. Data Preprocesssing (Forbehandling av data) Denne fasen er opptatt med rense data og utføre andre forberedelser som er nødvendige for å sikre korrekt resultat. Informasjon som anses som unødvendig og som vil sette ned farten på spørringene fjernes for eksempel, det er unødvendig å ta med kjønn på pasienten når man studerer graviditet. Dataene omstruktureres for å sikre et konsistent format fordi muligheten er stor for ukonsistens siden dataene er trukket fra flere forskjellige datakilder for eksempel, kjønn kan være registrert som m eller k et sted og som 1 eller 0 et annet. Data Transformation (Data transformering) I denne fasen konverteres dataene inn i en todimensjonal tabell. Uønskete og høyt samsvarende felter fjernes slik at resultatet blir gyldig og dataene blir gjort nyttbare. Data Mining Dette er selve kjernen i KDD syklusen. Dataene analyseres ved hjelp av et passende antall algoritmer for å oppdage mønstre og trender som tidligere har vært ukjente. Interpretation and Evaluation (Tolkning og evaluering) Data Miningsalgoritmene er i stand til å produsere et ubegrenset antall mønstre fra dataene. Mange av disse er ikke meningsfulle eller brukbare. Mønstrene som er identifisert av systemet må derfor tolkes til kunnskap for å støtte menneskers beslutningstakning for eksempel, forklare observerte fenomen. Resultatet fra prosessen er nyoppdaget kunnskap som har vært gjemt i dataene. Den nye kunnskapen kan bli brukt for å hjelpe til i fremtidige beslutningsvalg. 2.1 Motivasjonen for å bruke Data Mining Databaser vokser med uforutsigbar hastighet: o Mer enn 1,000,000 entiteter/records/rader o Fra 10 til 10,000 fields/attributter/variabler o Giga- og terrabytes med data Begrensning i menneskelig analyse: o Ikke mulig for den menneskelige hjerne å søke etter komplekse multifaktoravhengigheter i data o Mangel på objektivitet i analysen Forretningsverdenen er en hensynsløs verden: o Bestemmelser må gjøres raskt o Bestemmelser må gjøres med maksimal kunnskap Allerede investert i Data Warehouse: o Konkurransefordeler o Mer effektiv beslutningsvalg Moderne Databaseteknologi, Høgskolen i Østfold

7 2.2 Noen eksempler der Data Mining kan brukes Handel/markedsføring: o Identifisere kunders handlemønster o Forutse respons på forskjellige kampanjer (for eksemple rettet mot kunder) o Markedsanalyser Bank: o Oppdage mønstre i misbruk av kredittkort o Identifisere lojale kunder o Finne mønstre i hvordan visse kundegrupper bruker kredittkort Forsikring: o Skadeanalyse o Forutse hvilke kunder som vil kjøpe ny forsikringspolis o Oppdage bedrageri Medisin: o Identifisere vellykket medisinsk behandling for forskjellige sykdommer o Finne trekk i folks væremåte/oppførsel for å forutse kirurgiske inngrep Moderne Databaseteknologi, Høgskolen i Østfold

8 3.0 Problemer med Data Mining Data Miningsystemer er avhengig av databaser for å få rådata. Dette kan skape problemer fordi databasene kan være dynamiske, ukomplette, støyende og store. Begrenset informasjon Databasene er ofte designet for formål som er forskjellig fra Data Mining, og ubetydelige data i databasen kan gi problemer for Data Miningsprosessen. Grunnen til dette er at attributter som er vesentlige for kunnskap om bruksområdet nødvendigvis ikke er med i databasen, og det er derfor umulig å finne viktig kunnskap om det aktuelle området. Et eksempel kan være å diagnostisere malaria fra en pasientdatabase dersom den ikke inneholder verdier fra telling av pasientens røde blodceller (erythrocytes). Støy og manglende verdier Databaser er ofte forurenset med feil. Man kan derfor ikke gå ut ifra at dataene er fullstendig korrekte. Attributter som avhenger av subjektive- eller målbare bedømmelser kan gi opphav til feil slik at noe data kan bli feilklassifisert. Feil i enten attributtverdier eller klasseinformasjon er kjent som støy (noise). Det er ønskelig å fjerne støy fordi det vil påvirke nøyaktigheten på de genererte Data Miningsreglene. Størrelse, oppdatering og irrelevante felter Databaser er ofte store og dynamiske. Data legges til, oppdateres og fjernes ofte. Problemet med dette, fra Data Minings-perspektivet, er hvordan man skal forsikre seg at Data Miningsreglene er oppdaterte og konsistente i forhold de nåværende dataene i databasen. Kompleksitet og pris Når organisasjoner skal utføre komplekse Data Miningsoperasjoner kreves det i visse tilfeller at det må benyttes flere forskjellige teknikker. Kostnadene og ressursene man trenger for å utføre disse teknikkene kan nå uante høyder. I visse tilfeller kan det være snakk om utgifter for flere hundre tusen dollar [1]. Noen kritikere hevder at Data Mining krever store analytiske egenskaper. Eksperter på området tilbakeviser derimot dette. Hun mener at de som utfører best Data Mining er de som har god kunnskap om bransjen, og at de analytiske egenskapene lett kan utvikles eller kjøpes av andre [2]. Moderne Databaseteknologi, Høgskolen i Østfold

9 4.0 Fordeler med Data Mining Data Mining hjelper mennesker med å analysere og forstå innholdet i store sett med data. Data Mining oppdager effektivt ikke-åpenbarstore datasett. Her er det ikke snakk om komplekse spørringer eller relasjoner i statistiske tester for å verifisere mistanker, men om å automatisk oppdage nye relasjoner blant rådataene. Data Mining muliggjør at organisasjoner får full utnyttelse av investeringen de gjør/har gjort når de bygger/bygd Data Warehouse. Data Mining kan finne forskjellige typer informasjon i Data Warehouse som vanlige spørringer og rapporter ikke har mulighet til å finne. Data Mining gir organisasjonen mulighet for å: Oppnå bedre forståelse av egne data Analyserer store databaser i løpet av minutter Forstå komplekse data Moderne Databaseteknologi, Høgskolen i Østfold

10 5.0 Data Miningsoperasjoner og teknikker Det finnes fire grunnleggende Data Miningsoperasjoner. Disse inkluderer Predictive Modeling, Database Segmentation, Link Analysis og Deviation Detection. Det finnes derimot et tallrikt antall Data Miningsteknikker som støtter disse operasjonene. Hvilken teknikk som brukes er avhengig av hvilken data man har og hvilken type informasjon som skal trekkes ut av dataen. Vi skal nå forsøke å belyse operasjonene nærmere. 5.1 Predictive Modeling (Forutsigende Modelering) Predictive models har blitt brukt lenge før Data Mining oppstod og er muligens den mest brukte Data Miningsteknikken. Predictive models ligner hvordan mennesker lærer ved hjelp av observasjoner. Observasjonene brukes til å forme en modell av de viktigste karakteristikkene til et fenomen. Denne fremgangsmåten bruker områder fra den virkelige verden for å sette inn nye data i et generelt rammeverk. Predictive models kan brukes til å analysere en eksisterende database for å finne essensielle karakteristikker (en modell) om datasettene. Modeller utvikles ved å bruke en supervised learning fremgangsmåte som består av to deler, trening og testing. Treningsfasen bruker historiske data, kalt et treningssett, for å bygge en modell. Testing går ut på at man prøver ut modellen på nye, tidligere usette data for å bestemme deres korrekthet og fysiske karakteristikker. Modellen kan bli brukt for å forstå gammel data og for å forutsi hvordan fremtidlige records vil bli. Det er to teknikker innenfor Predictive Modeling, Classification og Value Prediction Classification (Klassifisering) Classification blir brukt til å etablere en spesifikk forhåndsbestemt klasse for hver record i databasen ut fra et ferdig sett av mulige klasseverdier. Det er to spesialiseringer innenfor Classification, Tree Induction og Neural Induction. Moderne Databaseteknologi, Høgskolen i Østfold

11 Eksempel på Tree Induction Leid leilighet > 2 år Nei Ja Kjøp ikke aktuelt Alder > 25 år Nei Ja Kjøp ikke aktuelt Aktuell kjøper Figur 3. Tree Induction. Figuren over ønsker å forutse om en leiertaker vil være en potensiell kjøper eller ikke. Modellen har bestemt at det er kun to variabler som er interessante: hvor lenge personen har leid leiligheten og alderen på leietakeren. Trær er enkle å forstå og de er relativt raske. Det er også lett å oversette de til SQLspørringer [22]. Eksempel på Neural Induction I figuren under blir Classification av data oppnådd ved å bruke et nevralt nettverk. Et nevralt nettverk inneholder en samling av noder med input, output og prosesser ved hver node. Mellom de synlige input- og outputlagene kan det være et antall av skjulte prosesslag. Hver prosessenhet (sirkel) i et lag er koblet til alle prosessenheter i neste lag med en vektverdi. Denne vektverdien viser styrken på relasjonen. Leid leilighet > 2 år 0.5 Alder > 25 år Klasse (Leie eller kjøp) Input Skjult prosess lag Output Figur 4. Neural Induction. Problemet med nevrale nett er at de kan være vanskelige å tolke, samt at de krever lang treningstid [22]. Moderne Databaseteknologi, Høgskolen i Østfold

12 5.1.2 Value predicition (Verdi Forutsigelse) Value Prediciton blir brukt til å estimere en kontinuerlig numerisk verdi som blir assosiert med et databaserecord. Denne teknikken bruker den tradisjonelle statistiske teknikken lineær regresjon eller ikke-lineær regresjon. Lineær regresjon prøver å trekke en rett linje gjennom et plott med data, slik at linjen er den beste representasjonen av gjennomsnittet av alle observasjoner ved et punkt. Problemet med lineær regresjon er at teknikken kun fungerer bra på lineære data og den er sensitiv til dataverdier som ikke er på den forventede normen. Veldig ofte kan man ikke presentere virkeligheten i et lineært format. Ikke-lineær regresjon unngår hovedproblemene til lineær regresjon, men den er ikke fleksibel nok til å håndtere alle mulige former på dataplottet Eksempler på hvor man bruker Predictive Modeling Bank: o Kreditt evaluering Forsikring: o Oppdage bedrageri Medisin: o Forutse mulighet for at person skal få kreft Astronomi: o Forutse om et astronomisk objekt er en stjerne eller galakse Fordeler med Predictive Modeling Kan kombinere flere teknikker av samme eller forskjellig type for å forbedre modellens nøyaktighet Ulemper med Predictive Modeling Predictive Modeling antar at usette data vil være uavhengig og identisk distribuert som treningsdata. Den teoretiske analysen av denne modellen er også underlagt samme antagelse. Kvaliteten på resulatet er avhengig av kvaliteten på dataene [22]. Moderne Databaseteknologi, Høgskolen i Østfold

13 5.2 Database Segmentation (Database Segmentasjon) Målet med Database Segmentation er å partisjonere en database inn i et ukjent antall segmenter (eller clusters) av liknende records, det bil si records som deler visse egenskaper. Database Segmentation er typisk gjort for å oppdage homogene subpopulasjoner i en kundedatabase, for eksempel, friske, eldre menn, urbane, profesjonelle kvinner kan være mål for spesiell behandling. Det er to teknikker som benyttes for å definere clustere: Demographics clustering Neural clustering Hvilken av de to overstående teknikkene du skal benytte avgjøres om den identifiserbare attributten er en verdi eller egenskap. Demographics clustering brukes ved kategoriserbare egenskaper og Neural clustering brukes gjerne ved behandling av numeriske verdier eller ved attributter som her en intern hierarkisk struktur. Figur 5. Eksempel på bruk av Database Segmentation Problemer med Database Segmentation Selv om Data Warehouse har blitt bedre og større og det har kommet bedre analyseverktøy, så sliter fortsatt mange selskaper med konseptet Database Segmentation. Hovedgrunnen for dette er hvordan beslutninger i markedet blir avgjort. Det er vanlig at leverandører av ulike produkter har liten interesse av å behandle kundene noe annet enn som en målgruppe for sine produkter. Hvis ikke bedrifter tar i bruk Customer Relationship Management (CRM) prosessen på en fornuftig måte vil alltid salgstallene være viktigere enn kundene. Moderne Databaseteknologi, Høgskolen i Østfold

14 Et annet problem med Database Segmentation er at det er hardt arbeid. Segmentene må være godt definert og de skal være stabile over lang tid. For å oppnå dette må man tenke på følgende: Start med de som er viktigst Ranker kundene etter løpende verdi og dele dem opp etter ulike klasser. Finn det magiske krysset Velg ut de celler i matrisen som både er meningsfulle i størrelse og verdi. Hvis det er nødvendig må man gå nedover i matrisen for å eventuelt oppdage uoppdagede innkapslete subgrupper. Økt bevisstheten til de ansatte Hold nummeret på segmenter på et ansvarlig nivå og bygg lett-å-forstå profiler som kan benyttes i selskapet. Steng hullet Bruk forskning for å oppdage behovet for andre segmenter enn det som allerede finnes. Eksempel, Segmentere kundene dine For en effektiv kundedialog må du vite hva dine kunder ønsker og planlegger å gjøre. Det kan du finne i ditt datalager ved hjelp av av smart segmentering. Still konkrete spørsmål til materialet av typen: Hvilke kunder er lønnsomme? Hva har de felles? Hvilke kunder har vært passive i lang tid? Kan man se mønstre i gjenkjøpsatferden? Fins det segment der du selger dårlig? Fins det potensiale der, eller skal du overse dem? Hvor fins kundene som har potensiale, men som i dag ikke kjøper noe særlig? Og ikke glem å analysere de som forlater deg. Fins det felles faktorer som du kan påvirke? Tilpass dialogen Når du har funnet fram til de viktigste segmentene, kan disse danne grunnlag for ulike aktiviteter til ulike kundetyper. De mest lønnsomme behandles på en måte og de potensielt lønnsome på en annen. Innbydelser og kommunikasjon utformes på ulike måter. Kontaktfrekvensen avhenger av segmentet kunden befinner seg i, og så videre. Mulighetene med et bra OLAP-verktøy er mange, og sammenlignet med de tradisjonelle analysesystemene er de billige og lette å bruke. For det daglige analysearbeidet med å holde rede på kundenes bevegelser er de fullt ut tilstrekkelige Eksempler på bruk av Database Segmentation SAS (Scandinavian Airlines) o Løsningen som SAS har valgt gjør at man ved hjelp av et pek-og-klikkmiljø kan gjøre segmenteringer på bakgrunn av den informasjon som ligger i markeds-datamarten. Dette gjør at man enkelt kan lage kompliserte utvalg, hvilket støtter opp om muligheten for en-til-enkommunikasjon. Løsningen gir mulighet for å benytte/videreutvikle andres segmentdefinisjoner for å minske arbeidet. o SAS kan teste ut ulike scenarioer for å bestemme optimal kampanjeføring mot spesifikke kundesegmenter. Moderne Databaseteknologi, Høgskolen i Østfold

15 Bank o Kredittsvindel o Kredittverdighet Salg o Kundeprofiler o Direkte markedsføring Ulemper med Database Segmentation Duplikater kan forbli uoppdaget. Det kan forekomme blind spots (områder i databasen som man ikke klarer å sjekke) Fordeler med Database Segmentation Ved å identifisere hvordan de ulike segmentene oppfører seg kan man oppnå en bedre forståelse av markedet. Ved å forvandle forretningsretningslinjer til forskjellige segmenter, delt inn etter deres verdi, kan man forbedre investeringene og redusere kostnadene. Ved å kunne fokusere og spesialisere seg gjennom de ulike segmentene, har man større mulighet til å oppnå det som er nødvendig for segmentene. Figur 6. Eksempel på inndeling i ulike segmenter. Moderne Databaseteknologi, Høgskolen i Østfold

16 5.3 Link Analysis (Link Analyse) I kontrast til Predictive Modeling og Database Segmentation, som sikter mot å karakterisere innholdet i databasen som en helhet (enhet), søker Link Analysis etter å opprette linker/forbindelser mellom individuelle records eller sett av records i databasen. Ved å opprette linker/forbindelser hjelper Link Analysis å finne ut hvilke produkter en kunde vil kjøpe ut i fra produkter kunden allerede har kjøpt. Krav om stadig økende omsetning og fortjenester i ulike bedrifter gjør at bedriftene vil finne ut mest mulig om kunders handlemønster. Operasjonen bruker vanlige forbindelsesregler IF a THEN b Det er 3 teknikker innenfor Link Analysis. Disse er Associations Discovery, Sequential Pattern Discovery og Similar Time Sequence Discovery Associations Discovery (oppdage forbindelser) En typisk applikasjon, identifisert av IBM, er Market Basket Analysis (MBA). MBA behandler kjøp av mange ting som en enkel transaksjon. Målet er å finne trender på tvers av ulike transaksjoner slik at man kan forstå hva som selges sammen og å utnytte dette kjøpemønsteret. Her er bedriftene ute etter å finne ut: Hvis element A er en del av en hendelse vil element B også være en del av hendelsen? Hvis dette er tilfeller i hvor stor grad (i %) vil disse to elementene være en del av en hendelsen. Eksempel på kjøpemønster. Når en kunde kjøper en hammer så blir det i 50% av tilfellene også kjøpt spiker. Når en kunder leier en eiendom i mer enn 2 år og er eldre enn 25 år så vil 40 % av dem kjøpe eiendommen. I 20 % av tiden man kjøper en bestemt brødrister kjøper også kunden cover til brødristeren. Når en kunde kjøper en skjorte så vil i 70 % av tilfellene kunden også kjøpe et slips. 75 % av de som kjøper Coca-Cola kjøper også Sprite. For å utnytte disse kjøpemønstrene kan bedriften for eksempel plassere hammer og spiker nær hverandre. Verktøy innenfor denne teknikken er: - Azmy Super Query - Clemintime - IBM s Intelligent Miner Disse verktøyene inneholder algoritmer som finner linker ved først å sortere data og deretter teller hendelsene. Moderne Databaseteknologi, Høgskolen i Østfold

17 Grafiske metoder kan være veldig nyttig for å se linkstrukturene. I figuren nedenfor representerer hver ring en hendelse og linjene viser forbindelser mellom hendelsene. Tykke linjer representerer mange forbindelser. For eksempel hvis man ser i en forsikringsdatabase for å finne mulige bedrageri så kan man bruke denne metoden for å vise om det er en bestemt doktor og advokat som jobber sammen i uvanlig mange saker. Figur 7, Viser forbindelser mellom hendelser. Figur 8, Telefonliste gjort om til en grafisk metode. Viser hvem som ringer oftest til hverandre Sequential Pattern Discovery (oppdage sekvensielle mønster) I denne teknikken er hvert record et objekt. Hvert objekt er assosiert med sin egen tidslinje med hendelser og brukes for å se etter forbindelser mellom relaterte kjøp over tid. Man ser etter om en hendelse blir etterfulgt av en annen hendelse over en tidsperiode. Denne teknikken kan brukes til å finne ut hvilke kjøpevaner kunder har over en lang tidsperiode. For eksempel Når en person kjøper en hammer så vil 40 % av dem innen 3 måneder kjøpe spiker og 20% til innen de neste 3 månedene Hvis du har kjøpt en eiendom så vil du innen 3 måneder kjøpe ting som for eksempel kjøleskap, komfyr og fryser 40 % av kvinner som kjøper en grå skjorte kjøper innen 6 måneder en rød jakke Moderne Databaseteknologi, Høgskolen i Østfold

18 5.3.3 Similar Time Sequence Discovery (oppdage liknende tidssekvenser) Denne teknikken ser etter forbindelser mellom hendelser basert på innholdet i hendelsen og når hendelsen skjedde. Hvis element A er en del av en hendelse så vil i element B i X % av tiden også være en del av hendelsen i forhold til et tidsperspektiv. De oppdagede mønstrene i de to siste nevnte teknikken kan visualiseres ved å bruke temporal patterns. Figur 9, temporal patterns. Et Absolute pattern viser ut i fra tidspunkt når et mønster oppstår. Et Contiguous pattern viser hvilke hendelser som skjer ut i fra en hendelse som allerede har skjedd. Figur 10, En modell som kan vise en absolutt syklus, basert på tidspunkt. Moderne Databaseteknologi, Høgskolen i Østfold

19 5.3.4 Eksempler på hvor man bruker Link Analysis Direkte markedsføring: o Finne ut karakteristikk av de beste kundene o Finne hvilke produkter som er mest tiltrekkende o Identifisere kjøpemønster Aksjekursbevegelse Forsikringsselskap: o Oppdage bedrageri Medisin: o Kombinasjoner av symptomer blir analysert for å få en bedre forståelse av pasientens tilstand Kommunikasjon analyse: o Finne kommunikasjonsmønster o Finne eventuelle flaskehalser Kriminell analyse: o Finne generell struktur over kriminelle organisasjoner Ulemper med Link Analysis Bedrifter kan bruke disse mønstrene for å skape et kjøpepress hos kunden En omfattende operasjon som bruker data fra ulike kilder Fordeler med Link Analysis Bedrifter tjener mer penger ved o å plassere ting som hører sammen i samme hylle o finne ut hva man kjøper når Bedrifter kan styre reklamen bedre Operasjonen er objektiv og er ikke avhengig av subjektiv oversetting Moderne Databaseteknologi, Høgskolen i Østfold

20 5.4 Deviation Detection (Avviksoppdagelse) Deviation Detection er en relativ ny operasjon når det gjelder kommersielt tilgjengelige Data Miningsverktøy. Deviation Detection fokuserer på å oppdage de mest signifikante forandringer i data i forhold til tidligere målte, eller normale verdier. Dette kan utføres ved bruk av statistikk- og visualiseringsteknikker. Et eksempel er lineær tilbakegang (lineær regresjon) som forenkler identifiseringen av outliers (outliers uttrykker avvikelse fra tidligere kjent forventning og norm) i data. Teknikken er nyttig for å avdekke bedrageri, samt til bruk i kvalitetskontroll. Denne operasjonen har 2 ulike teknikker. Vi vil kort gå gjennom dem Statistics (Statistikk) Denne teknikken etablerer normale verdier basert på statistisk gjennomsnitt for å oppdage et lineært mønster. Ved å gjøre dette kan ethvert avvik fra dette mønsteret oppdages. Denne teknikken kan innlemmes i visualisering (se under) som er mer sofistikert. Et praktisk eksempel der statistikk kan brukes er et system for å forutsi en persons kroppsvekt avhengig av personens høyde. Avvik vil inkludere ekstremt høye og tynne, samt lave og korpulente personer Visualisation (Visualisering) Denne teknikken bruker bilder for å bedre brukerpersepsjonen av data. For eksempel et plott med data vil vise lineære trender som er synlig for den som analyserer, noe en tabell ikke vil vise i samme grad. Figur 11, Høyde vs. vekt Linear Regression (Lineær regresjon) Lineær regresjon forsøker å tilpasse en rett linje (y = ax + b) gjennom en plot med data. Dette virker hvis dataene virkelig er lineære, hvis ikke er det behov for ikke-lineær regresjon. Moderne Databaseteknologi, Høgskolen i Østfold

Mange definisjoner. Hva er datagruvedrift (data mining)?

Mange definisjoner. Hva er datagruvedrift (data mining)? Hva er datagruvedrift (data mining)? Mange definisjoner Ikke-triviell uttrekking av implisitt, tidlegere ukjent, og potensiell nyttig informasjon fra data Utforskning og analyse, automatisk eller semiautomatisk,

Detaljer

Bruk av data kan deles i data for transaksjonsbruk og data for analyse bruk:

Bruk av data kan deles i data for transaksjonsbruk og data for analyse bruk: Datavarehus Hva? Et datavarehus er en samling av data lagret slik at de egner seg for analyse f.eks. trendanalyse, konkurranseanalyse, kundeanalyse og annen form for markedsanalyse (mest vanlig bruk) analyse

Detaljer

Modellering og prediksjon av kundeavgang

Modellering og prediksjon av kundeavgang www.nr.no Modellering og prediksjon av kundeavgang Clara-Cecilie Günther, Ingunn Fride Tvete, Geir Inge Sandnes, Ørnulf Borgan, Kjersti Aas Statistics for Innovation (SFI) 2 Årsmøte Norsk ASTIN-gruppe,

Detaljer

SERO - Brukervennlighet i fokus

SERO - Brukervennlighet i fokus SERO - Brukervennlighet i fokus Det er fint at Sero er norsk fordi det muliggjør tett kontakt uten for mange mellomledd. Tett oppfølging og mulighet til å diskutere problemer med produsenten er viktig

Detaljer

Kursoversikt 2009. Kurskalender 2009-1. halvår. Kurskalender 2009 2. halvår

Kursoversikt 2009. Kurskalender 2009-1. halvår. Kurskalender 2009 2. halvår Kursoversikt 2009 Målet med våre kurs er å gi deg best mulige forutsetninger for å kunne utnytte SPSS omfattende muligheter. Det gjelder uansett om du er nybegynner eller allerede bruker vår programvare

Detaljer

SPSS Statistics-kurs 2014

SPSS Statistics-kurs 2014 SPSS Statistics-kurs 2014 Kurskalender 2014-1. halvår Dager Pris Jan Feb Mars April Mai Juni 6.-7. 5.-6. 3.-4. 6.-7. 5.-6. 22.-23. 27.-28. 19.-20. 22.-23. 26.-27. Anvendt statistikk 2 8 300 16.-17. 13.-14.

Detaljer

Hvis kurset du trenger ikke finnes i oversikten under, ta kontakt med oss. Vi tilrettelegger gjerne kurs etter behov.

Hvis kurset du trenger ikke finnes i oversikten under, ta kontakt med oss. Vi tilrettelegger gjerne kurs etter behov. Kursoversikt 2012 Målet med våre kurs er å gi deg best mulige forutsetninger for å kunne utnytte mulighetene i SPSS. Det gjelder uansett om du er nybegynner eller allerede bruker vår programvare og trenger

Detaljer

Policy vedrørende informasjonskapsler og annen tilsvarende teknologi

Policy vedrørende informasjonskapsler og annen tilsvarende teknologi Policy vedrørende informasjonskapsler og annen tilsvarende teknologi 1. Hva omfavner denne policyen? Denne policyen dekker dine handlinger hva angår Tikkurila sine digitale tjenester. Policyen dekker ikke

Detaljer

Minnebasert mønstergjenkjenningssystem

Minnebasert mønstergjenkjenningssystem Minnebasert mønstergjenkjenningssystem Bruk av virkelig intelligente systemer Tradisjonell teknologi Regelstyrt Må vite på forhånd hva man skal se etter Må programmeres om når det skjer endringer Ingen

Detaljer

Algoritmeanalyse. (og litt om datastrukturer)

Algoritmeanalyse. (og litt om datastrukturer) Algoritmeanalyse (og litt om datastrukturer) Datastrukturer definisjon En datastruktur er den måten en samling data er organisert på. Datastrukturen kan være ordnet (sortert på en eller annen måte) eller

Detaljer

Visma Rapportering og Analyse Selvbetjente rapporter som dekker behovene til hele bedriften

Visma Rapportering og Analyse Selvbetjente rapporter som dekker behovene til hele bedriften Visma Rapportering og Analyse Selvbetjente rapporter som dekker behovene til hele bedriften Et webbasert verktøy som gjør tallene og informasjonen i bedriftens forretningssystemer tilgjengelig for alle

Detaljer

10 gode grunner til å bruke EffektivEpost.no

10 gode grunner til å bruke EffektivEpost.no 10 gode grunner til å bruke EffektivEpost.no Epostmarkedsføring er et av de kraftigste verktøyene tilgjengelig for å kommunisere og utvikle forretningsforhold. Men, epostmarkedsføring kan kun være så virkningsfullt

Detaljer

Avdekke virksomhetens kunnskap, velge systemet fornuftig og unngå marerittene. ERP ABBATE UK LIMITED 1

Avdekke virksomhetens kunnskap, velge systemet fornuftig og unngå marerittene. ERP ABBATE UK LIMITED 1 Avdekke virksomhetens kunnskap, velge systemet fornuftig og unngå marerittene. ERP ABBATE UK LIMITED 1 CRM, Customer Relationship Management, fokuserer på utvikling og opprettholdelse av stabile kunderelasjoner

Detaljer

HVORDAN KAN MÅLINGER BIDRA TIL FORBEDRING? ved Maria Fornes

HVORDAN KAN MÅLINGER BIDRA TIL FORBEDRING? ved Maria Fornes HVORDAN KAN MÅLINGER BIDRA TIL FORBEDRING? ved Maria Fornes 1 Agenda Hvorfor måle? Analysere data - statistisk prosesskontroll Hva skal måles, og hvordan? 2 Hva er en måling? -temperatur -blodtrykk -puls

Detaljer

Generelt om permanent lagring og filsystemer

Generelt om permanent lagring og filsystemer Generelt om permanent lagring og filsystemer Filsystem Den delen av OS som kontrollerer hvordan data lagres på og hentes frem fra permanente media Data deles opp i individuelle deler, filer, som får hvert

Detaljer

Markedets mest intelligente sikring av nødstrøm

Markedets mest intelligente sikring av nødstrøm BMS Battery Management Systems Markedets mest intelligente sikring av nødstrøm BMS overvåker: Cellespenninger Temperaturer Mellomforbindelser BMS analyserer: Batteriets tilstand Cellens gjenværende levetid

Detaljer

Fra data til innsikt. Om prosjektet

Fra data til innsikt. Om prosjektet Fra data til innsikt DEFINERE FOKUS Om prosjektet De store produksjonsselskapene innen olje og gass må hele tiden strebe etter å effektivisere drift og øke sikkerheten på sine installasjoner. For å støtte

Detaljer

SolidPlant er perfekt for deg som jobber med design av rørsystemer og anlegg, og er kjent med SolidWorks.

SolidPlant er perfekt for deg som jobber med design av rørsystemer og anlegg, og er kjent med SolidWorks. SolidPlant, det eneste virkelig spesifikasjonsstyrte anleggsdesign programmet for SolidWorks. Ved å kombinere intuitive parametrisk styrte SolidWorks med en sofistikert database for å generere alle komponenter

Detaljer

IT Service Management

IT Service Management IT Service Management Forelesning uke 3 Innhold Repetisjon fra forrige uke. Service Operation: Incident Management Repitisjon Service Operation: Finne rette balansen Event Management: Få oversikt over

Detaljer

Planning & Forecasting. retning / ansvar / verdi

Planning & Forecasting. retning / ansvar / verdi Planning & Forecasting retning / ansvar / verdi RAV Norge AS Hvem er vi? Spesialister på løsninger innen: Business intelligence and analytics Data visualization and discovery Performance management 44

Detaljer

Presentasjon 1, Requirement engineering process

Presentasjon 1, Requirement engineering process Presentasjon 1, Requirement ing process Prosessodeller Hvorfor bruke prosessmodeller? En prosessmodell er en forenklet beskrivelse av en prosess En prosessmodell er vanligvis lagd ut fra et bestemt perspektiv

Detaljer

Algoritmer - definisjon

Algoritmer - definisjon Algoritmeanalyse Algoritmer - definisjon En algoritme er en beskrivelse av hvordan man løser et veldefinert problem med en presist formulert sekvens av et endelig antall enkle, utvetydige og tidsbegrensede

Detaljer

Remote Video Solutions. Kameratjenester fra Securitas

Remote Video Solutions. Kameratjenester fra Securitas Remote Video Solutions Kameratjenester fra Securitas 2 Remote Video Solutions Remote Video Solutions gir deg økt trygghet. Vi kombinerer smart teknologi og vektere i en sikkerhetsløsning som vi vet kan

Detaljer

Velkommen, spendanalyse! Rapport

Velkommen, spendanalyse! Rapport Rapport Velkommen, spendanalyse! En spendanalyse hjelper deg med å kartlegge virksomhetens innkjøp, avdekke forbedringsmuligheter og utarbeide innkjøpsstrategier. Les mer på www.visma.no/spendanalys Hva

Detaljer

1. Relasjonsmodellen. 1.1. Kommentarer til læreboka

1. Relasjonsmodellen. 1.1. Kommentarer til læreboka Avdeling for informatikk og e-læring, Høgskolen i Sør-Trøndelag Relasjonsmodellen Tore Mallaug 2.9.2013 Lærestoffet er utviklet for faget Databaser 1. Relasjonsmodellen Resymé: Denne leksjonen gir en kort

Detaljer

Optimalisering av bedriftens kundeportefølje

Optimalisering av bedriftens kundeportefølje Optimalisering av bedriftens kundeportefølje DM Huset 25. mai 2005 Professor Fred Selnes Handelshøyskolen BI Bakgrunn På 90 tallet vokste det frem en bred forståelse for verdien av fornøyde og lojale kunder

Detaljer

Romlig datamanipulering

Romlig datamanipulering Romlig datamanipulering Gunnar Tenge, 18.04.08 Romlige manipuleringsteknikker brukes i GIS-analyser. I denne artikkelen forklares alle manipuleringsteknikker som man kan forvente å finne i et GIS-program.

Detaljer

Kompleksitetsanalyse Helge Hafting 25.1.2005 Opphavsrett: Forfatter og Stiftelsen TISIP Lærestoffet er utviklet for faget LO117D Algoritmiske metoder

Kompleksitetsanalyse Helge Hafting 25.1.2005 Opphavsrett: Forfatter og Stiftelsen TISIP Lærestoffet er utviklet for faget LO117D Algoritmiske metoder Helge Hafting 25.1.2005 Opphavsrett: Forfatter og Stiftelsen TISIP Lærestoffet er utviklet for faget LO117D Algoritmiske metoder Innhold 1 1 1.1 Hva er en algoritme?............................... 1 1.2

Detaljer

2015 GLOBAL THREAT INTELLIGENCE REPORT SAMMENDRAG

2015 GLOBAL THREAT INTELLIGENCE REPORT SAMMENDRAG 2015 GLOBAL THREAT INTELLIGENCE REPORT SAMMENDRAG 1 SAMMENDRAG INNLEDNING: GLOBAL THREAT INTELLIGENCE REPORT 2015 De siste årene har sikkerhetsbransjen med rette fokusert mye på Advanced Persistent Threats

Detaljer

TDT4300 Datavarehus og datagruvedri3, Våren 2014

TDT4300 Datavarehus og datagruvedri3, Våren 2014 TDT4300 Datavarehus og datagruvedri3, Våren 2014 23/1 2014 Trond Aalberg 1 Dagens tema MulAdimensjonale data Dimensjoner og hierarkier revisited Fra modellering Al OLAP implementasjon Vi ser på eksempler

Detaljer

Kjørehjelperen Testdokumentasjon

Kjørehjelperen Testdokumentasjon 2013 Kjørehjelperen Testdokumentasjon Høgskolen i Oslo og Akershus Henrik Hermansen og Lars Smeby Gruppe 8 26.05.2013 Forord Dette dokumentet tar for seg to forskjellige ting. Først forklares det hvordan

Detaljer

Utforskeren. Stille gode spørsmål

Utforskeren. Stille gode spørsmål Utforskeren Stille gode spørsmål Utforskeren 8-10 En «mal» for timene? Kognisjon og metakognisjon I praksis handler kognisjon om kunnskap (hvor mange meter er det i en kilometer), ordforståelse (hva er,

Detaljer

Kom i gang med Stata for Windows på UiO - hurtigstart for begynnere

Kom i gang med Stata for Windows på UiO - hurtigstart for begynnere Kom i gang med Stata for Windows på UiO - hurtigstart for begynnere Hensikten med denne introduksjonen er å lære hvordan man kommer raskt i gang med grunnleggende funksjoner i Stata. Teksten er tilpasset

Detaljer

Humanware. Trekker Breeze versjon 2.0.0.

Humanware. Trekker Breeze versjon 2.0.0. Humanware Trekker Breeze versjon 2.0.0. Humanware er stolte av å kunne introdusere versjon 2.0 av Trekker Breeze talende GPS. Denne oppgraderingen er gratis for alle Trekker Breeze brukere. Programmet

Detaljer

OM EXTRANET OG KAMPANJENS MÅLINGER (innsatsområdene UVI og SVK) 15.11.2012 - www.pasientsikkerhetskampanjen.no Side 2

OM EXTRANET OG KAMPANJENS MÅLINGER (innsatsområdene UVI og SVK) 15.11.2012 - www.pasientsikkerhetskampanjen.no Side 2 OM EXTRANET OG KAMPANJENS MÅLINGER (innsatsområdene UVI og SVK) 15.11.2012 - www.pasientsikkerhetskampanjen.no Side 2 HVORFOR MÅLE? 15.11.2012 - www.pasientsikkerhetskampanjen.no Side 3 HVORFOR MÅLE? Measurements

Detaljer

Loven om total sannsynlighet. Bayes formel. Testing for sykdom. ST0202 Statistikk for samfunnsvitere

Loven om total sannsynlighet. Bayes formel. Testing for sykdom. ST0202 Statistikk for samfunnsvitere 2 Loven om total sannsynlighet La A og Ā være komplementære hendelser, mens B er en annen hendelse. Da er: P(B) P(B oga)+p(b ogā) P(B A)P(A)+P(B Ā)P(Ā) ST0202 Statistikk for samfunnsvitere Bo Lindqvist

Detaljer

White Paper Plantasjen

White Paper Plantasjen White Paper Plantasjen Når man kommuniserer i mange kanaler samtidig er det avgjørende å møte kunden med det tilbudet de er på jakt etter. [ ]Utgangspunktet vårt har hele tiden vært å skape verdens mest

Detaljer

SIMPLIFYSCAN. Sharps intelligente skanning

SIMPLIFYSCAN. Sharps intelligente skanning SIMPLIFYSCAN Sharps intelligente skanning SIMPLIFYSCAN: SHARPS INTELLIGENTE SKANNING Med SimplifyScan kan alle på kontoret enkelt registrere dokumenter og distribuere informasjon til ethvert sted i nettverket,

Detaljer

Fakultet for informasjonsteknologi, Oppgave 1 Flervalgsspørsmål ( multiple choice ) 15 %

Fakultet for informasjonsteknologi, Oppgave 1 Flervalgsspørsmål ( multiple choice ) 15 % Side 1 av 10 NTNU Norges teknisk-naturvitenskapelige universitet Fakultet for informasjonsteknologi, matematikk og elektroteknikk Institutt for datateknikk og informasjonsvitenskap Løsningsforslag til

Detaljer

Emballasje er en samlebetegnelse på innpakningsmateriale du kan bruke til å pakke produktet ditt i.

Emballasje er en samlebetegnelse på innpakningsmateriale du kan bruke til å pakke produktet ditt i. Emballasje fra Foodgarage. Foto/design: Scandinavian Design Group. Valg av emballasje kan være avgjørende for om salget av nettopp ditt produkt blir en suksess eller ikke. Det er emballasjen som kommuniserer

Detaljer

Kloning og genforskning ingen vei tilbake.

Kloning og genforskning ingen vei tilbake. Kloning og genforskning ingen vei tilbake. Sammendrag. Innen genforskning og kloning er det mange utfordringer, både tekniske og etiske. Hvordan kloning gjennomføres, hva slags teknikker som blir brukt

Detaljer

Systemer for betalingstjenester Utfordringer innen Styring og Kontroll, Operationell Risiko og Organisatorisk Kompleksitet

Systemer for betalingstjenester Utfordringer innen Styring og Kontroll, Operationell Risiko og Organisatorisk Kompleksitet Systemer for betalingstjenester Utfordringer innen Styring og Kontroll, Operationell Risiko og Organisatorisk Kompleksitet Einar J. Lyford, Finanstilsynet Oslo 3. mai 2012 Bankers 3 strategiske dimensjoner

Detaljer

IBM Mindspan Solutions Produktoversikt for LearningSpace 4.0

IBM Mindspan Solutions Produktoversikt for LearningSpace 4.0 IBM Mindspan Solutions Produktoversikt for LearningSpace 4.0 IBM Mindspan Solutions Produktoversikt for LearningSpace 4.0 Mindspan-planlegging Mindspan-design Mindspan-innhold Mindspan-teknologier Mindspan-levering

Detaljer

RUTEPLANLEGGINGSSYSTEM BRUKERVEILEDNING

RUTEPLANLEGGINGSSYSTEM BRUKERVEILEDNING RUTEPLANLEGGINGSSYSTEM BRUKERVEILEDNING Prosjekt 18 Jørgen Mobekk Sørensen Morten Evje Tor Andreas Baakind Anders Gabrielsen Side 1 1 FORORD Dette dokumentet er brukerveiledningen, og skal være en veiledning

Detaljer

Tor-Eirik Bakke Lunde torebl@stud.cs.uit.no

Tor-Eirik Bakke Lunde torebl@stud.cs.uit.no Obligatorisk oppgave 1 INF-3200 12. oktober 2003 Tor-Eirik Bakke Lunde torebl@stud.cs.uit.no Oppgavebeskrivelse: Designe og implementere en distribuert ray-tracing applikasjon, med basis i kontroller-

Detaljer

Nordens ledende vikarsystem.

Nordens ledende vikarsystem. Nordens ledende vikarsystem. Bra å vite om bedriften. Intelliplan utvikler, selger og forvalter forretningssystemer. Våre kunder er bedrifter og organisasjoner som har behov for et komplett verktøy som

Detaljer

SQUARE Systemspill for online spill på hest Brukerveiledning

SQUARE Systemspill for online spill på hest Brukerveiledning SQUARE Systemspill for online spill på hest Brukerveiledning Innholdsfortegnelse INNLEDNING... 3 BETINGELSER... 4 HOVEDSIDEN... 5 VELG SPILLE OBJEKT... 6 SPILLETYPE... 6 SYSTEM... 6 BANE... 6 LØPSDATO...

Detaljer

AlgDat 12. Forelesning 2. Gunnar Misund

AlgDat 12. Forelesning 2. Gunnar Misund AlgDat 12 Forelesning 2 Forrige forelesning Følg med på hiof.no/algdat, ikke minst beskjedsida! Algdat: Fundamentalt, klassisk, morsomt,...krevende :) Pensum: Forelesningene, oppgavene (pluss deler av

Detaljer

Brukerdokumentasjon for registrering og rapportering beredskapsutstyr hos Post og Teletilsynet

Brukerdokumentasjon for registrering og rapportering beredskapsutstyr hos Post og Teletilsynet Brukerdokumentasjon for registrering og rapportering beredskapsutstyr hos Post og Teletilsynet Innholdsfortegnelse Innlogging...3 Forside...4 Menyen...4 Oversikt over utstyret...5 Rediger utstyr...6 Opprett

Detaljer

Viktige læringsaktiviteter

Viktige læringsaktiviteter Viktige læringsaktiviteter Læringsaktiviteter som dekkes av Aktiviteter Stille spørsmål. Utvikle og bruke modeller. = dekkes Planlegge og gjennomføre undersøkelser. Analysere og tolke data. Bruke matematikk,

Detaljer

Hvorfor starte fra bunnen?

Hvorfor starte fra bunnen? Challenge us! Hvorfor starte fra bunnen? Rull ut BI4Dynamics på bare 1 dag! Installasjonsguiden bygger opp det komplette data warehouse på Microsoft SQL Server og ruller ut OLAP kuber i Microsoft Analysis

Detaljer

webcrm banet vei for etablering av virksomhet og vekst for ny smykkedesigner

webcrm banet vei for etablering av virksomhet og vekst for ny smykkedesigner Suksesshistorie fra en kunde webcrm banet vei for etablering av virksomhet og vekst for ny smykkedesigner CRM BANET VEI FOR EN VEL LYKKET MARKEDSETABLERING Den danske smykkedesigneren SPIASPIA hadde en

Detaljer

SUSOFT RETAIL FOR MOTEBUTIKKER

SUSOFT RETAIL FOR MOTEBUTIKKER SUSOFT RETAIL FOR MOTEBUTIKKER Susoft Retail er en glimrende løsning for salg av klær og sko. I tillegg passer løsningen både enkeltstående butikker og kjeder. Susoft Retail er en nettsky løsning som gir

Detaljer

Brukerdokumentasjon. Webservices og webklient for kodeverk/ kodeverdi verifisering

Brukerdokumentasjon. Webservices og webklient for kodeverk/ kodeverdi verifisering Brukerdokumentasjon Webservices og webklient for kodeverk/ kodeverdi verifisering Innholdsfortegnelse... 3... 3... 3... 3... 4... 4... 4... 4... 8... 9... 10!... 10 "... 11 # $... 11 1. Om systemet 1.1.

Detaljer

3.A IKKE-STASJONARITET

3.A IKKE-STASJONARITET Norwegian Business School 3.A IKKE-STASJONARITET BST 1612 ANVENDT MAKROØKONOMI MODUL 5 Foreleser: Drago Bergholt E-post: Drago.Bergholt@bi.no 11. november 2011 OVERSIKT - Ikke-stasjonære tidsserier - Trendstasjonaritet

Detaljer

Visma SuperOffice. Effektiviserer bedriftens salg og kundedialog

Visma SuperOffice. Effektiviserer bedriftens salg og kundedialog Visma SuperOffice Effektiviserer bedriftens salg og kundedialog Utvid Visma Business med en markedsledende CRM-løsning Et godt økonomisystem hjelper bedriften med å ha kontroll på kostnadene. Et godt verktøy

Detaljer

Skriveradministrasjonsløsninger Skriveradministrasjonsløsninger

Skriveradministrasjonsløsninger Skriveradministrasjonsløsninger Skriveradministrasjonsløsninger Skriveradministrasjonsløsninger For enkel, sentralisert administrasjon av skrivere og multifunksjonsmaskiner ADMINISTRER ARBEIDSFLYTEN ENKEL ADMINISTRASJON AV SKRIVERE OG

Detaljer

Slik skaper du Personas og fanger målgruppen. White paper

Slik skaper du Personas og fanger målgruppen. White paper Slik skaper du Personas og fanger målgruppen White paper Slik skaper du Personas og fanger målgruppen For å nå frem med budskapet ditt er det avgjørende å virkelig forstå målgruppens situasjon. De fleste

Detaljer

Intelle har siden starten i i 1999. leverandør av av programvare for data- og og systemintegrasjon.

Intelle har siden starten i i 1999. leverandør av av programvare for data- og og systemintegrasjon. Intelle har siden starten i i 1999 vokst til til å å bli bli en en viktig leverandør av av programvare for for data- og og systemintegrasjon. 2 Intelle CRM Rapportering er en integrert rapporteringsløsning

Detaljer

En bedre måte å håndtere prosjekt, team, oppgaver og innhold

En bedre måte å håndtere prosjekt, team, oppgaver og innhold En bedre måte å håndtere prosjekt, team, oppgaver og innhold Bedre prosjekthå ndtering med metådåtå M-Files går langt utover bare enkel dokumenthåndtering. Den unike arkitekturen drevet av metadata lar

Detaljer

Skjulte egenskaper (hidden characteristics)

Skjulte egenskaper (hidden characteristics) Skjulte egenskaper (hidden characteristics) Ny klasse av situasjoner, kap. 7 i Hendrikse (Se bort fra avsnitt 7.5; ikke kjernepensum) Forskjellig fra skjult handling (hidden action) (kap. 6) Men her: Skjulte

Detaljer

Mamut Enterprise Business Intelligence Status/Analyse

Mamut Enterprise Business Intelligence Status/Analyse Mamut Enterprise Business Intelligence Status/Analyse Dette er en innføring i hvordan du bruker produktet Mamut Enterprise Status/Analyse. Først vil det bli gjennomgått hva du kan få ut av din virksomhet

Detaljer

Copyright 2010, SAS Institute Inc. All rights reserved.

Copyright 2010, SAS Institute Inc. All rights reserved. Analyse. Oppdatering og stresstesting av eksisterende modeller og deling av risk scenarier. Cathrine Pihl Næss Senior Advisor - Analytical Intelligence SAS Institute Agenda Oppdatering på utvalgte områder

Detaljer

Datasikkerhetserklæring Kelly Services AS

Datasikkerhetserklæring Kelly Services AS SPESIALISTER REKRUTTERER SPESIALISTER Datasikkerhetserklæring Kelly Services AS Innhold Vårt engasjement ovenfor personvern Hvilke personlige opplysninger samler vi inn? Hvem deler vi personopplysninger

Detaljer

Fullstendig ytelsesbehandling

Fullstendig ytelsesbehandling Fullstendig ytelsesbehandling Fungerer også med Windows XP og Windows Vista 2013 Oppgrader og ta ansvar for datamaskinens ytelse med et kraftig og raskt program. Nedlasting og installasjon av Powersuite

Detaljer

Visma.net. Redefining business solutions

Visma.net. Redefining business solutions Visma.net Redefining business solutions Hvorfor Visma.net Styr hele virksomheten fra én løsning Visma.net er en nettbasert forretningsløsning med ytelse på høyde med de beste lokalt installerte løsningene.

Detaljer

Hva legges i begrepet Big Data Hvilke muligheter eller betydning vil dette ha for den enkelte virksomhet Bruksområder Oppsummering. Arild S.

Hva legges i begrepet Big Data Hvilke muligheter eller betydning vil dette ha for den enkelte virksomhet Bruksområder Oppsummering. Arild S. Big data - bare for de store? Hva legges i begrepet Big Data Hvilke muligheter eller betydning vil dette ha for den enkelte virksomhet Bruksområder Oppsummering Arild S. Birkelund IT Arkitekt - Atea Hva

Detaljer

Informasjonsbrev får flere til å gi opplysninger om utleie

Informasjonsbrev får flere til å gi opplysninger om utleie Informasjonsbrev får flere til å gi opplysninger om utleie Anne May Melsom, Tor Arne Pladsen og Majken Thorsager Omtrent 12 000 skattytere har fått informasjonsbrev om hvordan de skal rapportere opplysninger

Detaljer

Du bruker applikasjoner fra du våkner opp. Email på ipad, Facebook, Twitter, aviser, podcasts, snakker over Skype osv

Du bruker applikasjoner fra du våkner opp. Email på ipad, Facebook, Twitter, aviser, podcasts, snakker over Skype osv 18.09.2010 Du bruker applikasjoner fra du våkner opp. Email på ipad, Facebook, Twitter, aviser, podcasts, snakker over Skype osv Du bruker hele dagen på Internett, men ikke på web. En av de viktigste skiftene

Detaljer

Søknadsskjema til kurs i The Phil Parker Lightning Process

Søknadsskjema til kurs i The Phil Parker Lightning Process Søknadsskjema til kurs i The Phil Parker Lightning Process Mann Kvinne Navn: Adresse: Postnummer: Poststed: Mobil: Telefon 2: E-post: Person nr. (11): Yrke: Er jeg klar for å ta kurset? The Lightning Process

Detaljer

Kom i Gang. brukermanual. (Når du har installert BAS21 på din maskin) Kom I Gang brukermanual for programpakken BAS21 Side 1

Kom i Gang. brukermanual. (Når du har installert BAS21 på din maskin) Kom I Gang brukermanual for programpakken BAS21 Side 1 BAS21 Kom i Gang brukermanual (Når du har installert BAS21 på din maskin) Kom I Gang brukermanual for programpakken BAS21 Side 1 Innhold Side Hva kan BAS21 gjøre for deg og din bedrift? 3 - Hav inneholder

Detaljer

En internett basert og fleksibel database som kan tilpasses til ethvert behov, og som vil vokse med bedriften/institusjonen.

En internett basert og fleksibel database som kan tilpasses til ethvert behov, og som vil vokse med bedriften/institusjonen. Utstyr databasen En internett basert og fleksibel database som kan tilpasses til ethvert behov, og som vil vokse med bedriften/institusjonen. Systemet funksjoner: Registrering og behandling av utstyr.

Detaljer

En kort presentasjon av

En kort presentasjon av En kort presentasjon av Axenna er leverandør av 100% Open Source Business Intelligence. Axenna Business Intelligence Server er satt sammen med de beste BIkomponentene fra de mest anerkjente Open Source

Detaljer

Hvordan velge en leverandør for cloud backup

Hvordan velge en leverandør for cloud backup Hvordan velge en leverandør for cloud backup WHITEPAPER Hvorfor bør du beskytte dine data? Før eller senere via skade, uhell eller feil er det statistisk sannsynlig at du vil miste verdifull data. Flere

Detaljer

Brannscenarier Hvilke scenarier må analyseres? Hvordan velge analysemetode? Trondheim 5. januar 2011

Brannscenarier Hvilke scenarier må analyseres? Hvordan velge analysemetode? Trondheim 5. januar 2011 Brannscenarier Hvilke scenarier må analyseres? Hvordan velge analysemetode? Trondheim 5. januar 2011 Audun Borg 1 Sammendrag Brannscenario Brannscenarier i koder og standarder. Valg av brannscenario ved

Detaljer

Seminar om betalingssystemer og IKT i finanssektoren, 03.05.2012

Seminar om betalingssystemer og IKT i finanssektoren, 03.05.2012 Seminar om betalingssystemer og IKT i finanssektoren, 03.05.2012 Risiko- og sårbarhetsanalyse (ROS) Finansforetakenes bruk av IKT og betalingstjenester Seksjonssjef Frank Robert Berg Finanstilsynet Risikobildet

Detaljer

For mer informasjon om SQL Server 2014 Express, se Microsoft sine nettsider: https://msdn.microsoft.com/en-us/sqlserver2014express.

For mer informasjon om SQL Server 2014 Express, se Microsoft sine nettsider: https://msdn.microsoft.com/en-us/sqlserver2014express. 1 Innholdsfortegnelse Microsoft SQL Server 2014 Express... 3 Nedlastning av installasjonsfil for SQL Server 2014 Express... 3 Installasjon av SQL Server 2014 Express... 4 Installasjon av Huldt & Lillevik

Detaljer

Innledning til IT-revisjon 10. 9. 2009

Innledning til IT-revisjon 10. 9. 2009 Innledning til IT-revisjon 10. 9. 2009 Formål, risikoer, sentrale begreper Svein A. Løken Studierektor, IT-revisjon, Handelshøyskolen BI Hva vil du lære? Hva ønsker du at vi skal ta opp? Hvorfor? Forelesningenes

Detaljer

Maritime Robotics. Ubemannede båter for maritime operasjoner. Ny forretningsmodell basert på eksisterende teknologi

Maritime Robotics. Ubemannede båter for maritime operasjoner. Ny forretningsmodell basert på eksisterende teknologi DEFINERE FOKUS Ubemannede båter for maritime operasjoner Maritime Robotics AS (MR) er en pionérbedrift innen utvikling av ubemannede maritime overflatefarkoster, Unmanned Surface Vehicle (USV). Teknologien

Detaljer

Strategiske føringer mot 2020 Metodikk. [Finanstilsynet 2.0] Verktøy. Helge Skrivervik mymayday.com as Strategi-workshop 24/9/2015

Strategiske føringer mot 2020 Metodikk. [Finanstilsynet 2.0] Verktøy. Helge Skrivervik mymayday.com as Strategi-workshop 24/9/2015 Strategiske føringer mot 2020 [Finanstilsynet 2.0] Helge Skrivervik as Strategi-workshop 24/9/2015 Motivasjon Erfaringer Strategiske føringer mot 2020 Metodikk [Finanstilsynet 2.0] Verktøy Utfordringer

Detaljer

Eksamen i. MAT110 Statistikk 1

Eksamen i. MAT110 Statistikk 1 Avdeling for logistikk Eksamen i MAT110 Statistikk 1 Eksamensdag : Torsdag 28. mai 2015 Tid : 09:00 13:00 (4 timer) Faglærer/telefonnummer : Molde: Per Kristian Rekdal / 924 97 051 Kristiansund: Terje

Detaljer

UNIVERSITETET I OSLO

UNIVERSITETET I OSLO UNIVERSITETET I OSLO Det matematisk-naturvitenskapelige fakultet Eksamen i: STK 1000 Innføring i anvendt statistikk. Eksamensdag: Mandag 4. desember 2006. Tid for eksamen: 14.30 17.30. Oppgavesettet er

Detaljer

Microsoft Dynamics CRM Landkreditt Banks viktigste verktøy nnsomhet

Microsoft Dynamics CRM Landkreditt Banks viktigste verktøy nnsomhet Microsoft Dynamics CRM Landkreditt Banks viktigste verktøy for å bygge kundelønnsomhet nnsomhet Ole Henrik Holst Prosjektleder, Markeds og forr.støtte Landkreditt Bank O. Stian Lundquist Produktsjef EDB

Detaljer

6.2 Signifikanstester

6.2 Signifikanstester 6.2 Signifikanstester Konfidensintervaller er nyttige når vi ønsker å estimere en populasjonsparameter Signifikanstester er nyttige dersom vi ønsker å teste en hypotese om en parameter i en populasjon

Detaljer

1. SQL server. Beskrivelse og forberedelse til installasjon

1. SQL server. Beskrivelse og forberedelse til installasjon Avdeling for informatikk og e-læring, Høgskolen i Sør-Trøndelag SQL server. Beskrivelse og forberedelse til installasjon Stein Meisingseth 15.10.2014 Lærestoffet er utviklet for faget IDRI2001 Drift av

Detaljer

Nasjonal DNA sekvensdata IT plattform for helsevesenet- genap. Store data møter medisinen 1. september 2015

Nasjonal DNA sekvensdata IT plattform for helsevesenet- genap. Store data møter medisinen 1. september 2015 Nasjonal DNA sekvensdata IT plattform for helsevesenet- genap Store data møter medisinen 1. september 2015 1 Målsetning med prosjektet Prosjektets målsetning er å utvikle en IKT infrastruktur for sentral,

Detaljer

UiB :: INF111 :: Øving 2

UiB :: INF111 :: Øving 2 UiB :: INF111 :: Øving 2 En øving skrevet av Martin Kolbeinsvik Innholdsfortegnelse 1 Sjakk og språkoversettelse...2 Omfang og verdensbilde...3 Gyldighet og dens relevans...3 Gyldighetsbetont omfang...4

Detaljer

Nyheter i Office 2016 NYHETER, FUNKSJONER, FORKLARING

Nyheter i Office 2016 NYHETER, FUNKSJONER, FORKLARING Nyheter i Office 2016 NYHETER, FUNKSJONER, FORKLARING 1 Word 1.1 Gjør ting raskt med Fortell meg det Du vil legge merke til en tekstboks på båndet i Word 2016 med teksten Fortell meg hva du vil gjøre.

Detaljer

Hvordan analysere måledata vha statistisk prosesskontroll? 14.02.2013 - www.pasientsikkerhetskampanjen.no Side 2

Hvordan analysere måledata vha statistisk prosesskontroll? 14.02.2013 - www.pasientsikkerhetskampanjen.no Side 2 Hvordan analysere måledata vha statistisk prosesskontroll? 14.02.2013 - www.pasientsikkerhetskampanjen.no Side 2 Hvordan vet vi at en endring er en forbedring? Dødelighet ved coronar by-pass kirurgi før

Detaljer

GETINGE ONLINE FÅ TILGANG TIL INFORMASJON UANSETT HVOR DU ER. Always with you

GETINGE ONLINE FÅ TILGANG TIL INFORMASJON UANSETT HVOR DU ER. Always with you GETINGE ONLINE FÅ TILGANG TIL INFORMASJON UANSETT HVOR DU ER Always with you 2 Getinge Online ARBEID SMARTERE OG FÅ MER DRIFTSTID Tradisjonelt blir status for sterilt reprosesseringsutstyr overvåket manuelt

Detaljer

Workshop NGIS API. Lars Eggan, Norconsult Informasjonssystemer desember 2014

Workshop NGIS API. Lars Eggan, Norconsult Informasjonssystemer desember 2014 Workshop NGIS API Lars Eggan, Norconsult Informasjonssystemer desember 2014 1 NGIS i WinMap NGIS-klient Hente datasett fra en NGIS portal Oppdatere portalen med endringer gjort lokalt Spesiallaget funksjonalitet

Detaljer

GAME CHANGERS APPLICATION GUIDE

GAME CHANGERS APPLICATION GUIDE STEG 1: SØKNAD GAME CHANGERS APPLICATION GUIDE 1.1. Vennligst beskriv det sosiale problemet og utfordringene, for barn i ditt samfunn, som du ønsker å løse. Beskriv problemets omfang og bruk statistikk

Detaljer

NA Dok. nr. 51 Kvalitetssikring av IT-systemer på akkrediterte laboratorier

NA Dok. nr. 51 Kvalitetssikring av IT-systemer på akkrediterte laboratorier Side: 1 av 7 Norsk akkreditering NA Dok. nr. 51: Kvalitetssikring av IT-systemer på akkrediterte Utarbeidet av: Saeed Behdad Godkjent av: ICL Versjon: 1.00 Guideline/Veiledning Gjelder fra: 01.01.2004

Detaljer

Hvorfor leverer fortsatt så mange selvangivelsen på papir?

Hvorfor leverer fortsatt så mange selvangivelsen på papir? 30 Analysenytt 01I2015 Hvorfor leverer fortsatt så mange selvangivelsen på papir? Selv om andelen som leverer selvangivelsen på papir har gått ned de siste årene, var det i 2013 fortsatt nesten 300 000

Detaljer

PSY2012 Forskningsmetodologi III: Statistisk analyse, design og måling Eksamen vår 2014

PSY2012 Forskningsmetodologi III: Statistisk analyse, design og måling Eksamen vår 2014 Psykologisk institutt PSY2012 Forskningsmetodologi III: Statistisk analyse, design og måling Eksamen vår 2014 Skriftlig skoleeksamen fredag 2. mai, 09:00 (4 timer). Kalkulator uten grafisk display og tekstlagringsfunksjon

Detaljer

TDT4171 Metoder i kunstig intelligens

TDT4171 Metoder i kunstig intelligens Eksamensoppgave i TDT4171 Metoder i kunstig intelligens XX. Aug 2011, kl. 09:00-13:00 Oppgaven er utarbeidet av faglærer Keith Downing og kvalitetssikrer Pauline Haddow. Kontaktperson under eksamen er

Detaljer

UiS-IKT Kompetanse 2010. Word 2007. Adresselister og fletting

UiS-IKT Kompetanse 2010. Word 2007. Adresselister og fletting UiS-IKT Kompetanse 2010 Adresselister og fletting Forord Om dette heftet Dette heftet inneholder nyttige tips og triks i Microsoft når du vil flette sammen standard dokumenter med en adresseliste. Forklaringene

Detaljer