Размещено на http://www.allbest.ru/

Реферат

по дисциплине

Информационные аналитические системы.

На тему: «Применение настройки «Анализ данных» и статистических функций для анализа данных»

Содержание

• Введение
• Data Mining
• Надстройка "Пакет анализа"
• Структуризация и первичная логическая обработка данных
• Статистическая обработка данных, анализ и прогнозирование
• Проведение финансово-экономических расчетов
• Поиск решения
• Диспетчер сценариев «что - если»
• Список литературы

Введение

В связи с огромными потоками информации в современном мире появляется потребность в информационных технологиях, которые помогут справиться с этим потоком разнородной информации, найти в ней тенденции и закономерности, скрытые от поверхностного взгляда. Методы традиционной математической статистки уже не могут удовлетворить потребности современных аналитиков. Общество пришло к пониманию, что многогигабайтные архивы данных могут принести значительно больше знаний, чем среднее значение по показателю.

В связи с этим широкое применение получила методика Knowledge Discovery in Databases - извлечение знаний из баз данных. KDD представляет собой последовательность действий, которые нужно выполнить для получения знаний. Ядром KDD является технология Data Mining в дословном переводе «раскопка данных».

Data Mining применяется во всех отраслях, где есть данные. Но лидером являются коммерческие предприятия. В частности, в розничной торговле решают задачи прогнозирования спроса, анализа потребительской корзины, стимулирования продаж. Банки используют технологии Data Mining для сегментации клиентов с целью проведения кредитной политики. В телекоммуникациях решают задачи выявления лояльности клиентов с целью введения новых или изменения существующих тарифных планов.

Алгоритмы Data Mining позволяют выявить из огромного количества разнородных данных специфичные знания, которые будут полезными в процессе принятия решений. Таким образом, применение современных технологий в бизнесе - это шаг вперед, это возможность повышения конкурентоспособности и эффективности вашей деятельности.

база данные статистический

Data Mining

Data Mining (русск. добыча данных) -- собирательное название, используемое для обозначения совокупности методов обнаружения в данных ранее неизвестных, нетривиальных, практически полезных и доступных интерпретации знаний, необходимых для принятия решений в различных сферах человеческой деятельности. Термин введён Григорием Пиатецким-Шапиро в 1989 году.

Английское словосочетание «Data Mining» пока не имеет устоявшегося перевода на русский язык, фигурируют термины: интеллектуальный анализ данных (а также аббревиатура ИАД), добыча данных, извлечение данных. Поэтому, в большинстве случаев, используется само английское словосочетание.

Основу методов Data Mining составляют всевозможные методы классификации, моделирования и прогнозирования, основанные на применении деревьев решений, искусственных нейронных сетей, генетических алгоритмов, эволюционного программирования, ассоциативной памяти, нечеткой логики. К методам Data Mining нередко относят статистические методы (дескриптивный анализ, корреляционный и регрессионный анализ, факторный анализ, дисперсионный анализ, компонентный анализ, дискриминантный анализ, анализ временных рядов), однако, такие методы, как правило, предполагают некоторые априорные представления, например, о наличии распределений, о форме этих распределений.

Одно из важнейших назначений методов Data Mining состоит в наглядном представлении результатов вычислений, что позволяет использовать инструментарий Data Mining людьми, не имеющих специальной математической подготовки. В тоже время, применение статистических методов анализа данных требует хорошего владения теорией вероятностей и математической статистикой.

Надстройка "Пакет анализа"

При проведении сложного статистического или инженерного анализа можно упростить процесс и сэкономить время, используя надстройку "Пакет анализа". Для анализа данных с помощью этого пакета следует указать входные данные и выбрать параметры; расчет будет выполнен с помощью подходящей статистической или инженерной макрофункции, а результат будет помещен в выходной диапазон. Некоторые инструменты позволяют представить результаты анализа в графическом виде.

К типичным экономико-математическим приложениям Excel относятся:

* структуризация и первичная логическая обработка данных;

* статистическая обработка данных, анализ и прогнозирование;

* проведение финансово-экономических расчетов;

* решение уравнений и оптимизационных задач.

Структуризация и первичная логическая обработка данных