Интеллектуальный анализ данных, который способствует поддержке маркетинга в компании
Исследование особенностей реляционной модели базы данных, которая представляет собой плоскую модель данных. Ознакомление с основными задачами отдела маркетинга. Рассмотрение диаграммы профилей кластеров. Анализ таблицы вероятностей оттока клиентов.
| Рубрика | Программирование, компьютеры и кибернетика |
| Вид | дипломная работа |
| Язык | русский |
| Дата добавления | 04.09.2016 |
| Размер файла | 3,0 M |
Отправить свою хорошую работу в базу знаний просто. Используйте форму, расположенную ниже
Студенты, аспиранты, молодые ученые, использующие базу знаний в своей учебе и работе, будут вам очень благодарны.
3. Применение методов интеллектуального анализа данных
3.1 Задача поведенческой сегментации, формирование портретов клиентов по поведению
Одними из основных задач анализа являлись: поведенческая сегментация клиентов на различные кластеры, понимание их поведения, поиск закономерности и причинно-следственной связи в поведении клиентов. Данный раздел можно отнести к задачам описательного характера, а не предсказательного. Практическим применением результата анализа являлось выявление «лучшего» или «идеального» поведения клиента, и попытка навязать данное поведение другим клиентам. Другими словами, с самого начала клиентского цикла жизни в компании на поведение клиентов будет оказываться искусственно созданное влияние.
Задаче сегментации клиентов по поведенческим характеристикам был отведен особый приоритет. Поэтому для решения этой задачи было использовано несколько методов интеллектуального анализа данных.
В рамках данной задачи было создано отдельное представление данных «ThirdTimeColPlus», описанное во второй главе. Оно представляло собой таблицу, содержащую информацию по первым трем заказам, у клиентов с 3-мя и более заказами. Представление содержало в себе непрерывные значения, а также, созданные из непрерывных, логические и дискретные значения. Например, поле, отражающее количество дней между заказами, преобразовывалось в поле, отражающее информацию следующим образом: «0-10 дней», «больше 1 месяца» и др. В анализе для получения дополнительных знаний также использовались и другие таблицы. В следующих пунктах исследования представлены основные полученные результаты.
Дерево решений
Первостепенной задачей при сегментации клиентов было определение «первых шагов» или первых действий клиента в рамках его жизненного цикла. Для этого был использован метод интеллектуального анализа данных «дерево решений». Данный метод является наиболее подходящим для описания поведения клиента, так как отражает в прозрачной очевидной форме желаемый результат. Входными данными были: количество доставок в первом заказе, тип первого заказа (WOW, Diet, Other), количество дней между первым и вторым заказом, количество доставок во втором заказе, тип второго заказа. Выходными объектами были: количество дней между вторым и третьим заказами, а также количество доставок в третьем заказе.
При использовании логических значений указанных переменных, полученный результат был неудовлетворительным. Ниже представлена диаграмма полученного дерева с выходной переменной - количество доставок в третьем заказе:
Рис 7. Диаграмма первой модели дерева решений, таблица «ThirdTimeColPlus» (см. Приложение 5).
Очевидно, что подобная диаграмма не может решить поставленную задачу, поэтому было принято решение вернуться к стандартным непрерывным значениям, после чего корректно настроить модель. Полученный результат представлен ниже:
Рис 8. Диаграмма второй модели дерева решений, таблица «ThirdTimeColPlus» (см. Приложение 1, Приложение 2).
Полученная диаграмма является наиболее наглядной, с большим уровнем детализации. Изучив полученную модель, можно сделать следующие выводы:
· Клиенты, которые берут продукт «Other», имеют, как правило, по одной доставке в заказе, или продукт «Diet» с одной доставкой в заказе. Чаще всего это ужины, рассчитанные на две порции. Данный сегмент клиентов является наибольшим (21%) и был изучен с точки зрения периодичности из заказов, так как их размер и тип заказов чаще всего не меняется. Были выявлены подсегменты клиентов, которые заказывают ужины каждый конец месяца и каждый раз перед новым годом. Как правило, женщины с отсутствием времени по причине работы. Также - подсегменты клиентов, которые заказывают в такие праздничные дни, как «8-е марта» или «14-е февраля». Клиентами из данного подсегмента оказывались в основном мужчины, которые хотели сделать приятно своей паре. Основываясь на данном результате, маркетинговый отдел разработал рекламные кампании, адаптированные именно на описанные подсегменты клиентов. «ELEMENTAREE» начала позиционироваться не только как компания, в которой можно осуществить подписку на правильное питание в течении длительного времени, но и как компания, где можно приобрести тематический романтический ужин на двоих, или ужин ресторанного уровня, не выходя из дома, по случаю праздничного дня.
· Клиенты, которые берут подписку на «WOW». Таковых оказалось около 30% от общего числа анализируемых клиентов. Чаще всего клиенты берут сначала подписку на 1 неделю. Данный вариант подписки - 1 неделя - предполагает знакомство клиентов с форматом питания и с продукцией компании ELEMENTAREE. Из диаграммы дерева принятия решений можно выявить, что среди клиентов, у которых первым заказом является недельная подписка на «WOW», нет никакой закономерности в последующих заказах. Однако, подсегмент клиентов, которые берут сразу месячную подписку, демонстрирует, что большинство из них становится лояльным клиентами, которые продляют программу питания из месяца в месяц. На основании полученного результата была выдвинута гипотеза, которая в настоящий момент ещё тестируется: за первую неделю клиенты испытывают больше дискомфорта, чем удовольствия, по сравнению со старым привычным форматом питания. Не успевая сформировать новые привычки и войти в режим нового формата питания, клиенты не приобретают нужную лояльность и не имеют в своем большинстве определённого типа поведения. На данный момент для проверки гипотезы искусственно повышается лояльность клиентов, путем формирования выгодных акций и скидок при первом заказе на 2 недели питания, за которые у клиента должна выработаться привычка, а новый формат питания стать для них более эффективным. На текущий момент реконверсия во второй заказ среди клиентов, у которых в первом было 2 недели питания, по сравнению с клиентами, у которых была 1 неделя питания - выше приблизительно на 30%, что говорит о высоком первоначальном результате.
· Клиенты, которые берут подписку «Diet» с двумя доставками в первом заказе (недельная подписка). Как и в случае с подпиской на «WOW», большинство клиентов берет «пробную неделю». После клиенты начинают лояльно брать «Diet» подписку на месячное питание. Данный тип клиентов уже был знаком отделу маркетинга, так как это поведение уже успешно навязывалось клиентам. Однако, было обнаружен сегмент клиентов, которые после первого заказа на две доставки берут еще один такой же заказ, и только в третий заказ приобретают месячную подписку на питание. Конверсия среди подобных клиентов в лояльных клиентов, которые начинают заказывать месячные подписки оказалась выше почти на 20%. Была построена аналогичная гипотеза: за одну неделю клиенты не успевают привыкнуть к новому формату питания, от чего испытывают больше дискомфорта, чем удовольствия. Было принято решение предоставить клиентам первоначально две недели со скидками, после чего реализовать до полного месяца оставшиеся две недели. В итоге клиент получал 3 отдельных заказа (неделя за 8 000 руб., неделя за 8 000 руб., 2 недели за 16 000 руб. питания) по цене одного (месяц питания 27 000 руб.), на конечную цену также накладывалась скидка (итоговая цена составляла 25 000 руб. вместо 32 000). Подобная маркетинговая кампания оказалось успешной при тестировании и была внедрена на постоянную основу. Коэффициент последующей реконверсии в повторные заказы по 8 доставок (месячная подписка) был увеличен, однако имеет переменный характер. Среднее значение составляет 18%.
· Клиенты, которые берут подписку «Diet» с восьмью доставками в первом заказе. Этот сегмент составляет порядка 8% от общего числа изучаемых клиентов. Оказалось, что в своем большинстве данный сегмент клиентов узнал об «ELEMENTAREE» благодаря «сарафанному радио». Поэтому данный способ привлечения клиентов в связи со своей эффективностью был пересмотрен заново: были разработаны новые программы бонусов при привлечении, а также сформировано такое понятие, как «продукция ELEMENTAREE». Туда входили наклейки, брелоки, подвески и украшения с логотипами компании, которые упаковывались вместе с ингредиентами. Результат находится в состоянии мониторинга.
Кластеризация
Другим методом интеллектуального анализа данных для сегментации клиентов по поведению была выбрана кластеризация. При анализе были использованы логические дискретные значения интересующих объектов. Полученный результат принес меньше изменений и реакции со стороны маркетингового отдела компании чем результат анализа с помощью алгоритма дерева решений. Однако полученные знания являются не менее важными, так как формируют более полное понимание типов клиентов, а полученные кластеры можно считать отдельными сегментами клиентов. Результат кластеризации показывает самые большие сегменты клиентов по их поведению среди клиентов, которые совершили три или более заказа. Ниже представлены профили кластеров:
Рис 9. Диаграмма профилей кластеров (см. Приложение 6)
Описание первых 6-ти кластеров:
1. Кластер 2. Данный кластер состоит из клиентов, у которых 1-й, 2-й и 3-й заказы в основном на 2-3 доставки (недельная подписка). У 18% клиентов в 3-м заказе 4-5 доставок (подписка на 2 недели). Между заказами в основном меньше 10-ти дней. Во всех трех случаях тип подписки «Diet».
2. Кластер 1. Равный по размеру предыдущему, Кластер 1 отличается типом подписки - подписка на «WOW». Равный размер кластеров говорит об успешном внедрении нового продукта. Временные промежутки между заказами находятся в диапазоне до 1 месяца. В основном, все заказы на 1 доставку (недельная подписка), у 22% клиентов из данного сегмента в 3-м заказе 2-3 доставки (подписка на две недели).
3. Кластер 4. Данный кластер напрямую отражает клиентов с поведением, которое было описано в предыдущей подглаве: 2 доставки в первом заказе (ознакомительная неделя), по восемь доставок в последующих заказах (переход на месячную подписку). Тип подписки у всех клиентов «Diet». Количество дней между заказами, как правило, меньше 10-ти дней.
4. Кластер 3. Данный кластер состоит из клиентов, которые заказывают ужины (1 доставка) с типом подписки «Other» (в БД этот тип отражен как «NobodyKnows»). 30% клиентов из Кластера 3 с 3-го заказа переходят на подписку «WOW», 33% из них (около 10% от Кластера 3) заказывает 1 доставку (ознакомительная неделя), 50% от перешедших (около 15% от Кластера 3) заказывает 2-3 доставки (подписка на 2 недели), 16% (около 5% от Кластера 3) оформляют 4-5 доставок (месячная подписка).
5. Кластер 5. Очень похож на Кластер 4, но отличается типом продукта - в Кластере 5 продуктом является подписка на «WOW». Клиенты заказывают одну доставку в 1-м заказе (недельная подписка) и 4-5 доставок в последующих (месячная подписка). Около 75% клиентов делает повторный заказ в течение 10-ти дней с момента последней доставки.
6. Кластер 6. В данном кластере присутствуют клиенты, которые с самого первого раза заказывают по 8 доставок (месячные подписки). Тип подписки у всех клиентов «Diet». Между заказами в основном меньше 10-ти дней.
Полученные результаты анализа, относящегося к задачам поведенческой сегментации и формированию портретов клиентов по поведению, были проверены на соответствии с реальными данными. Также результаты анализа не противоречят логике здравого смысла, что означает достоверность и правдивость знаний, которые были получены с помощью моделей Data Mining. В результате выделены основные сегменты клиентов по их поведению:
· Клиенты, которые с определенной периодичностью заказывают ужины или недели питания с «ELEMENTAREE»
· Клиенты, которые берут пробную неделю (недели) питания, после чего начинают заказывать месячные подписки на постоянной основе
· Клиенты, которые с первого заказа оформляют месячные подписки на питание
Маркетинговым отделом компании был произведен глубокий анализ каждого из полученных сегментов клиентов. Были вынесены следующие рекомендации для компании:
· Компании следует изменить свое позиционирование и позиционирование своей продукции на рынке. На текущий момент компания «ELEMENTAREE» позиционирует свою продукцию, как эффективное питание на каждый день. Однако, один из основных сегментов клиентов, который заказывает разовые доставки с определенной периодичностью, воспринимает продукцию компании в качестве блюд ресторанного уровня, которые предназначены для особого ужина
· Компании следует навязывать клиентам другое поведение. Результаты исследования показывают, что клиентам необходимо некоторое время для того, чтобы адоптироваться к новому формату питания. Необходимо увеличить этот временной промежуток до 2-х недель путем проведения различных акций и влияния на систему мотивации клиентов
· Компании следует увеличить эффект от «сарафанного радио». Практически весь сегмент клиентов, которые в своем первом заказе оформляют 8 доставок, а после продолжает регулярно питаться, узнает о компании «ELEMENTAREE» через своих знакомых
Были изменены маркетинговые кампании для увеличения ориентированности на потенциального клиента. Условия акций и скидок были изменены, для достижения желаемого поведения клиентов. Был проведен ряд мероприятий по увеличению узнаваемости компании, а также для увеличения эффекта «сарафанного радио». В настоящее время происходит мониторинг эффектов от описанных изменений.
3.2 Прогнозирование оттока клиентов и поиск ассоциативных правил
Прогнозирование оттока клиентов
Отделом маркетинга компании ELEMENTAREE было выявлено, что практически все клиенты, у которых отсутствовали заказы в течение последних 5-ти месяцев, далее не совершали покупок в будущих периодах. Попытки вернуть таких клиентов являлись крайне неэффективными, так как за пройденное время клиент успевал забыть о компании и находился в состоянии оттока. Отделом маркетинга была поставлена задача выявления склонных к оттоку клиентов для попытки их вернуть в статус текущих клиентов компании ещё до перехода в статус клиентов в оттоке.
Задача прогнозирования оттока клиентов сводится к задаче прогнозирования одного параметра (прогнозируемого) на основании других (прогнозирующих). Параметр «отток» отражал событие. За событие была взята логическая переменная, которая основывалась на количестве прошедших дней с даты последней доставки. Если клиент не заказывал уже более 160 дней, то клиент считался в оттоке.
В качестве выходного результата исследования, в рамках данной задачи требовалось создать таблицу, где будет отражаться идентификационные номера клиентов и вероятность их оттока.
Для выбора наилучшего метода интеллектуального анализа данных было проанализировано 3 метода: алгоритм дерева принятия решений, алгоритм логистической регрессии и правила взаимосвязей. Выбор основывался на релевантности данных алгоритмов для данной задачи, их простоте, а также прозрачности полученных результатов.
· Алгоритм дерева принятия решений. Данный алгоритм продемонстрировал сравнительно низкий результат. Также была выявлена сложность построения устойчивой модели, отражающей веса (важность параметра) и вероятность события. Таким образом, создание таблицы, отражающей идентификационный номер клиента и процентную вероятность его оттока, вызвало сложности. Данный алгоритм был исключен из перечня релевантных алгоритмов для прогнозирования оттока клиентов.
· Алгоритм логистической регрессии. Данный алгоритм представляет собой особую конфигурацию алгоритма нейронной сети. Логистическая регрессия была использована вместо линейной, так как поддерживает не только непрерывные параметры входных и выходных полей, но и дискретные и логические значения.
· Правила взаимосвязей. Данный алгоритм является также подходящим и уместным для решения текущей задачи прогнозирования оттока клиентов. Он также, как и алгоритм логистической регрессии, дает возможность присваивать полям их вес и вероятностную зависимость. Построенная модель с помощью метода правил взаимосвязей оказалась более сложной, а следовательно - менее стабильной.
Таким образом, для выбора наилучшего алгоритма были представлены алгоритм логистической регрессии и правила взаимосвязей. Лучший алгоритм определялся путем сравнения точностей вероятностей.
Для тестового множества было представлено 200 клиентов с вероятностями их оттока по двум методам анализа. Менеджерами сопровождения клиентов была осуществлена связь с каждым из клиентов. Модель, построенная с использованием алгоритма логистической регрессии, продемонстрировала приблизительно одинаковый результат с моделью, построенной с помощью правил взаимосвязей. Однако, модель логистической регрессии является более простой, а следовательно - более стабильной. По этой причине, выбор был сделан в пользу построения модели с помощью алгоритма логистической регрессии. Ниже представлена визуальное представление модели:
Рис 10. Модель прогнозирования оттока с помощью метода логистической регрессии (см. Приложение 8)
Как упоминалось ранее, конечным результатом прогнозирования оттока должна быть таблица. Для формирования такой таблицы в привычном для менеджеров кол-центра формате были выбраны таблицы формата XLSX. Веса и вероятности были размещены на одном листе, входные данные на втором, результирующая конечная таблица была размещена на третьем. Она имела следующий вид:
Рис 11. Таблица вероятностей оттока клиента
В рамках задачи прогнозирования оттока клиентов была создана рабочая модель, в которой приписаны веса объектов и вероятности. На вспомогательном листе пользователи могут вводить выгрузку, содержащую прогнозирующие поля. Результативный лист содержит идентификационный номер клиента, вероятность его оттока и вспомогательные столбцы (например, номер телефона). В рамках тестирования модели была осуществлена связь с 50-ю клиентами, у которых высокая вероятность оттока (>75%). 43 клиента подтвердили то, что больше не собираются пользоваться услугами компании ELEMENTAREE. Оставшиеся 7 клиентов имели определенные причины, по которым временно прервали свое питание с ELEMENTAREE. После общения с клиентами и предложения им скидки в размере 1 500 рублей на подписку Diet на 2 недели 16 клиентов совершили заказ. 11 из них далее оформили подписку еще на 2 недели и возобновили регулярное питание с ELEMENTAREE. На данный момент проводится тестирование среди клиентов с меньшей вероятностью оттока, и решается задача формирования функции зависимости размера скидки от вероятности оттока.
3.3 Прочие практически полезные знания
Увеличение эффективности деятельности отделов
В рамках данной задачи производился анализ данных с целью выявления любых знаний, на базе которых можно изменить текущий алгоритм работы отделов компании для увеличения эффективности деятельности отделов. Был произведен анализ таблицы «Задач» с помощью алгоритма дерева решений. Полученная диаграмма имеет следующий вид:
Рис 12. Диаграмма дерева решений, таблица «Задачи» (см. Приложение 9, Приложение10)
На диаграмме видно, что наиболее часто повторяющейся задачей является «First call 1», что означает первый звонок в первый временной промежуток. При более детальном изучении было обнаружено, что большая часть звонков является первой попыткой связи с лидом. Однако, иногда лиды не поднимают трубку телефона. На подобный исход существует определенный алгоритм действий:
Первый временной промежуток
a. Первый звонок
b. Второй звонок
c. Третий звонок. Если нет ответа, то сразу отправка СМС 1
Второй временной промежуток
d. Первый звонок
e. Отправка электронного письма
f. СМС 2
Третий временной промежуток
g. Бездействие
h. Бездействие
i. Бездействие
Четвертый временной промежуток
j. Бездействие
k. Первый звонок
l. Отправка электронного письма
Далее попытки связи с лидо прекращаются. Было выявлено, что около 80% лидов не поднимают трубку телефона в течение всего первого временного промежутка, если они не ответили на самый первый звонок. Таким образом, не эффективно осуществлять 3 звонка в течение первого временного промежутка. Подобный алгоритм действий создает лишь дополнительную нагрузку на менеджеров колл-цетра и снижает эффективность работы отдела прямых продаж. Руководством компании ELEMENTAREE было принято решение изменить алгоритм попыток связи с лидом, не ответившим на первый звонок. В частности, был изменен алгоритм действий в первом временном промежутке на следующий:
I. Первый временной промежуток
a. Первый звонок. Если нет ответа, то сразу отправка СМС 1
b. Бездействие
c. Отправка СМС 2
На данный момент производится выявление эффекта от изменения алгоритма действий. Наблюдение в течение 2-х недель показали, что количество задач в очереди у менеджеров колл-цетра снизилось на 18%. В совокупности со внутренней оптимизацией бизнес-процессов осуществления трудовой деятельности менеджеров колл-центра количество успешных продуктивных звонков выросло на 11%.
Заключение
В рамках проведенного исследования была проделана работа по разработке системы интеллектуального анализа данных для поддержки маркетинга производственной компании «ELEMENTAREE». В первой главе представлены теоретические предпосылки исследования, где разобраны все системы, концепции и методы, которые были задействованы в ходе исследования. Также присутствует описание объекта и предмета исследования, сформулированы цель и задачи исследования. Во второй главе описывается предложенный подход к решению задач исследования, а также процесс подготовки данных для анализа: работа с исходными данными, описание выбранных для анализа алгоритмов интеллектуального анализа данных, разработка базы данных отдела маркетинга и предварительная обработка данных. Результаты исследования отражены в третьей главе, в рамках которой решается задача формирования сегментов и портретов клиентов по поведению, предсказательной модели оттока клиентов и поиск практически полезных знаний в данных. Также в ней отображены результаты, выводы и рекомендации для компании.
Полученные новые знания, которые подробно описаны в третьей главе, представляют значительный интерес для отдела маркетинга компании «ELEMENTAREE». На их основании были изменены и адаптированы маркетинговые кампании, условия акций и скидок, а также был проведен ряд мероприятий для увеличения узнаваемости компании и увеличения эффекта «сарафанного радио». На основании модели прогнозирования оттока, были найдены клиенты, которые наиболее склонны к прекращению использования услуг компании «ELEMENTAREE». На текущий момент проводится тестирование полученных результатов с целью определения наиболее эффективных методов для однозначного выявления клиентов, которые решили прекратить пользоваться услугами компании, и возвращение этих клиентов в статус текущих. Также были найдены знания, которые непосредственно не влияют на эффективность работы отдела маркетинга, но благодаря которым была повышена эффективность работы отдела прямых продаж.
В ходе проведения исследования каждая из задач исследования была реализована. Полученную систему поддержки принятия решений, основанную на системе интеллектуального анализа данных, планируется развивать, а также адаптировать для финансового отдела компании. Это будет осуществляться путем добавления дополнительных полезных данных для анализа в базу данных, с использованием других методов анализа. Также планируется создать единый полноценный пользовательский интерфейс с возможностью обновления исходных данных.
Список использованных источников
1. Барсегян А. А., Куприянов М. С., Холод И. И., Тесс М. Д., Елизаров С. И. Анализ данных и процессов: учеб. Пособие .3-е изд., перераб, и доп. -- СПб.: БХВ-Петербург, 2009. 512 с
2. Елманова Н, Федоров А. Введение в OLAP-технологии Microsoft. -- Диалог-Мифи. 2002.
3. Кириллов В. В., Громов Г. Ю. Введение в реляционные базы данных. -- СПб.: БХВ-Петербург, 2009. 464 с.
4. Макленнен Д. Microsoft SQL Server 2008: Data Mining -- интеллектуальный анализ данных. -- BHV. 2009.
5. Паклин Н.Б., Орешков В.И. Бизнес-аналитика: от данных к знаниям. -- СПб.: Питер, 2009.
6. Филиппов В. Интеллектуальный анализ данных: методы и средства. -- Едиториал УРСС. 2001.
7. Чубукова И.А. Data Mining. -- Бином: лаборатория знаний. 2006
8. Alter S. L. Decision support systems: current practice and continuing challenges. -- Reading, Mass.: Addison-Wesley Pub., 1980.
9. Hastie. T., Tibshirani, R., Friedman, J. The Elements of Statistical Learning: Data Mining, Inference, and Prediction, Second Edition (Springer Series in Statistics). -- Springer Science+Business Media, LLC, New York, NY, 10013, USA. 2013. pp. 43-415.
10. Holsapple C.W., Whinston A.B. Decision Support Systems: A Knowledge-based Approach. -- Minneapolis: West Publishing Co., 1996.
11. Kimball. R., Ross. M. The Data Warehouse Toolkit: The Definitive Guide to Dimensional Modeling 3rd Edition. -- John Wiley & Sons, Inc,. Indianapolis, Indiana, USA, 2013, .pp. 18-68.
12. Myatt G. J. Making Sense of Data: A Practical Guide to Exploratory Data Analysis and Data Mining. -- Wiley-Blackwell. 2006.
13. Provost. F. & Fawcett. T. Data Science for Business: What you need to know about data mining and data-analytic thinking. -- O'Reilly Media Inc, Sebastopol, CA, USA. 2013. pp. 26-186.
14. Turban, E. Decision support and expert systems: management support systems. -- Englewood Cliffs, N.J.: Prentice Hall, 1995.
15. Venables W. N., Ripley B.D. Statistics Complements to Modern Applied Statistics with S. -- Springer. 2002.
Приложения
Приложение 1
Диаграмма второй модели дерева решений (используются непреобразованные входные и выходные данные). Раскрытие до 3-го уровня
Приложение 2
Диаграмма второй модели дерева решений (используются непреобразованные входные и выходные данные). Раскрытие всех уровней
Приложение 3
Таблица исходных данных. Лист «Customers»
Приложение 4
Сгенерированная таблица заказов. Каждая строка соответствует одному заказу клиента
Приложение 5
Диаграмма первой модели дерева решений (входными и выходными данными являются сгенерированные логические дискретные значения)
Приложение 6
Диаграмма профилей кластеров
Приложение 7
Формат и пример отчета для директора отдела маркетинга
Приложение 8
Модель прогнозирования оттока с помощью метода логистической регрессии
Приложение 9
Диаграмма дерева решений, таблица «Задачи». Раскрытие до 3-го уровня
Приложение 10
Диаграмма дерева решений, таблица «Задачи». Раскрытие всех уровней
Размещено на Allbest.ru
Подобные документы
Описание предметной области, определение функциональных требований к системе и построение диаграммы потока данных. Построение модели "сущность-связь", описание сущностей и атрибутов модели. Построение реляционной базы данных и описание ее таблицы.
курсовая работа [624,5 K], добавлен 30.05.2019Системный анализ и анализ требований. Концептуальная модель данных. Проектирование логической структуры реляционной базы данных. Даталогическая модель базы данных. Алгоритмы реализации модулей и их реализация (запросы, таблицы, формы, отчеты, макросы).
курсовая работа [1,6 M], добавлен 17.12.2015Базы данных с двумерными файлами и реляционные системы управления базами данных (СУБД). Создание базы данных и обработка запросов к ним с помощью СУБД. Основные типы баз данных. Базовые понятия реляционных баз данных. Фундаментальные свойства отношений.
реферат [57,1 K], добавлен 20.12.2010Определенная логическая структура данных, которые хранятся в базе данных. Основные модели данных. Элементы реляционной модели данных. Пример использования внешних ключей. Основные требования, предъявляемые к отношениям реляционной модели данных.
презентация [11,7 K], добавлен 14.10.2013Рассмотрение особенностей структурной и целостной частей реляционной модели базы данных, их функции. Знакомство с основными этапами разработки стратегии поддержания ссылочной целостности. Общая характеристика способов манипулирования реляционными данными.
курсовая работа [565,8 K], добавлен 25.04.2013Сущность и характеристика типов моделей данных: иерархическая, сетевая и реляционная. Базовые понятия реляционной модели данных. Атрибуты, схема отношения базы данных. Условия целостности данных. Связи между таблицами. Общие представления о модели данных.
курсовая работа [36,1 K], добавлен 29.01.2011Основные понятия реляционной модели данных. Отношение атрибутов внутри модели. Контроль ссылочной целостности (анализ содержимого ключевых полей связанных таблиц). Нормализация отношений реляционной базы данных. Теоретико-множественные операции.
реферат [69,8 K], добавлен 19.12.2011Сущности и функциональные зависимости базы данных. Атрибуты и связи. Таблицы базы данных. Построение ER-диаграммы. Организация ввода и корректировки данных. Реляционная схема базы данных. Реализация запросов, получение отчетов. Защита базы данных.
курсовая работа [2,4 M], добавлен 06.02.2016Особенности разработки инфологической модели и создание структуры реляционной базы данных. Основы проектирования базы данных. Разработка таблиц, форм, запросов для вывода информации о соответствующей модели. Работа с базами данных и их объектами.
курсовая работа [981,4 K], добавлен 05.11.2011Построение концептуальной модели, процесс моделирования смыслового наполнения базы данных. Основные компоненты концептуальной модели. Построение реляционной модели. Целостность данных в реляционной базе. Нормализация. Проектирование базы данных в ACCESS.
курсовая работа [1,8 M], добавлен 29.10.2008
