داده کاوی

ابتدا در مبحث داده کاوی ، باید بدانیم دانش با ارزش ترین دارائی هر سازمان خصوصی یا دولتی می باشد . بطوریکه می توان دانشِ در اختیار یک سازمان را عامل پیشرفت یا تمایز آن با رقبایش دانست. دانش است که سازمان ها را قادر می سازد تا بتوانند با استفاده از توانمندی هایشان به پیشرفت دست یابد یا در محیط های رقابتی با رقبایشان بصورت موثر و کارا رقابت کنند. از طرفی، اگرچه دانش در حوزه های مختلف یک سازمان وجود دارد اما شناسائی، جمع آوری و مدیریت آن اغلب دشوار و چالش برانگیز است. از این رو مباحثی همچون کشف دانش، مدیریت دانش و مهندسی دانش از عناوین حائز اهمیت برای محققین و مدیران می باشد .

از سوی دیگر پیشرفتها در تکنولوژی اطلاعات ( IT ) ، سیستمهای جمع آوری داده و تکنولوژیهای ذخیره سازی داده در کنار توسعه روشهای علمی باعث شده است محققان به سوی کشف دانش از پایگاههای داده تمایل پیداکنند. در واقع داده ها از همه ی فعالیتهای یک سازمان ثبت می شوند که این داده های ذخیره شده پتانیسل بالائی به عنوان منبعی برای کشف دانش جدید دارند. لذا استفاده از داده های جمع آوری شده به موضوعی درخور توجه تبدیل شده است. داده کاوی (DATAMINING ) یک پاسخ طبیعی به نیاز تبدیل داده های ذخیره شده به دانش مفید می باشد که از این دانش استخراج شده می توان برای مدلسازی، دسته بندی و پیش بینی در کاربردهای مختلف استفاده کرد.

داده کاوی ترکیبی از مفاهیم و الگوریتمها از آمار، هوش مصنوعی، یادگیری ماشینی و مدیریت داده است که در حوزه های مختلفی همچون امور حاکمیتی، بانکداری، مالی، توزیع و فروش، بازاریابی، بیمه، علوم، مهندسی و … برای کشف روابط و الگوهای پنهان بکار می رود. داده کاوی یک حوزه در حال گسترش بوده که هر روزه بر اهمیت و جذابیت آن افزوده می شود.

داده کاوی نیازمند شناسایی مساله، جمع آوری داده در خصوص آن مساله که در ضمن باعث شناخت بیشتر از مساله هم می شود و مدل های کامپیوتری که بوسیله آن تجزیه و تحلیل های آماری و سایر ابزارهای آنالیز قابل انجام هستند ، می باشد.

به منظور هدایت سیستماتیک تجزیه و تحلیل داده کاوی ، معمولاً از یک فرایند کلی پیروی می شود. این فرایندها، فرایندهای استانداردی هستند که به عنوان مثال می توان به فرایند داده کاوی CRISP_DM که یک فرایند استاندارد داده کاوی برای صنعت می باشد و SEMMA که بصورت ویژه برای نرم افزار SAS توسعه داده شده است اشاره کرد. گام های فرایند CRISP_DM  بصورت زیر می باشد :

1.تعریف مساله

تعریف مساله شامل تعریف هدف مساله، ارزیابی شرایط فعلی، تعریف اهداف داده کاوی و ایجاد یک برنامه زمانبندی پروژه داده کاوی است.

2.تحلیل داده ها

وقتی که هدف مساله مشخص شد و برنامه ریزی پروژه انجام گرفت، گام تحلیل داده ها نیازمندی های داده ای را مورد مطالعه قرار می دهد. این مرحله شامل تهیه مجموعه داده های اولیه، توصیف داده ها، کنکاش در داده ها و ارزیابی کیفیت داده است. کنکاش داده ها شامل مشاهده ی پارامترهای آماری، می تواند در پایان این فاز نیز اتفاق بیافتد. مدل هایی مثل خوشه بندی می تواند در طول این گام به منظور شناسایی الگوها در داده ها انجام گیرد.

3.آماده سازی داده ها

زمانی که منابع در دسترس داده مشخص شدند، بایستی داده ها از آن انتخاب، پاک و در قالب موردنظر ریخته شوند. همچنین کنکاش عمیق تر داده ها نیز در طول این فاز می تواند انجام گیرد. به علاوه ممکن است مدل های دیگری نیز بکار روند تا بتوان الگوها را براساس تعریف مسأله استخراج کرد.

4.مدل سازی

ابزارهای نرم افزاری داده کاوی همچون تصویرسازی (یعنی ترسیم داده ها و تشکیل رابطه ها) و تحلیل خوشه بندی (یعنی تشخیص اینکه کدام داده ها و مشاهدات بهتر در کنار هم قرار می گیرند) برای تحلیل های اولیه مفید هستند. ابزارهایی مانند شناسائی قوانین عمومی می تواند قوانین همبستگی اولیه را استخراج کند. وقتی که فهم بیشتری از داده ها به وسیله ی شناسائی الگو که با توجه به خروجی های مدل های اولیه حاصل می شود، افزایش می یابد، مدل های تخصصی تر برحسب نوع داده می تواند مورد استفاده قرار بگیرد. در این مرحله تقسیم بندی داده ها به مجموعه داده های آموزشی و مجموعه داده های آزمون لازم است .

5.ارزیابی

نتایج مدل های استفاده شده در مراحل قبلی بایستی در بستر مساله تعریف شده و اهداف تعریف شده در مراحل اولیه مورد ارزیابی قرار بگیرد. این کار منجر به شناسایی نیازهای بعدی خواهد شد. این نیاز ها اغلب شامل بازگشت به مراحل قبلی در فرایند CRISP-DM است. تعریف مساله در داده کاوی فرایند تکراری با بازگشت به عقب است که در آن نتایج اقدامات مدلسازی مختلف و تکرار آنها روابط جدید بین داده ها را به کاربر نشان می دهد که باعث درک عمیق تر از مساله برای کاربر خواهد شد.

6.توسعه

داده کاوی هم می تواند برای بررسی صحت فرضیه هایی که قبلا وجود داشته مورد استفاده قرار می گیرد و هم برای کشف دانش یعنی شناسایی روابط غیر منتظره و مفید. به کمک دانش کشف شده در فازهای قبلی فرایند CRISP-DM  مدل های درست و منطقی حاصل می شوند که می توان آن ها را برای اهداف مختلف بکار برد. این اهداف می توانند شامل پیش بینی یا شناسائی شرایط حساس و کلیدی باشند.

هرچند که تمامی گام های ذکر شده در این فرایندهای استاندارد ممکن است در یک مطالعه ی داده کاوی موردنیاز نباشد ولی این فرایند ها باعث همگرا شدن گام های داده کاوی به نتیجه ی دلخواه می شوند .

در ادامه به شرح کاربرد های داده کاوی در صنعت بصورت مختصر پرداخته می شود.

داده کاوی در طراحی مهندسی

طراحی مهندسی یک فرایند تصمیم سازی بین رشته ای، چند بعدی و غیر خطی است که طی آن پارامترها، فعالیت ها و اجزاء انتخاب می شوند.چنین انتخاب هایی معمولا بر مبنای داده، اطلاعات و دانش تاریخی می باشد . لذا طراحی مهندسی می تواند یکی از حوزه های مهم و اولیه برای کاربرد داده کاوی باشد. از جمله کاربردهای داده کاوی در طراحی مهندسی به وارد زیر اشاره نمود:

• انتخاب قطعات مناسب

• بهینه سازی ویژگی های طراحی

• تخمین هزینه محصول

• طراحی تست های فنی

• توسعه محصول

• برنامه ریزی مواد

• انتخاب طرح بهینه

داده کاوی در عملیات ساخت و تولید

جمع آوری داده در فرایند تولید ساخت بسیار معمول است اما استفاده از آنها معمولا محدود به چند کاربرد خاص است. این در حالی است که ابزارهای داده کاوی پتانسیل بسیار عالی برای استفاده در کنترل بهتر سیستم های ساخت و تولیدی دارند. این کاربرد بخصوص در سیستم های تولیدی باعث ارتقاء بازدهی خطوط می شود. در ادامه به چند کاربرد دادهه کاوی در این حوزه اشاره شده است:

• توسعه استراتژی های تولید

• کنترل کیفیت محصول

• بهینه سازی پارامترهای ماشینکاری

• پیش بینی عملکرد و بازدهی فرایندها

• تشخیص خصوصیات مواد

• تعیین خواص مکانیکی محصولات

داده کاوی در سیستم های پشتیبان تصمیم

باید توجه داشت که دانش با ارزش ترین دارائی هر سازمان است و تصمیم بر مبنای ترکیب دانش و قضاوت که از حوزه های مختلف در کنار هم جمع می شوند به وجود می آید. با دانستن این حقیقت می توان جایگاه داده کاوی در تصمیم گیری را درک کرد. در زیر کاربردهای داده کاوی در ایجاد سیستم های پشتیبان تصمیم در بخش های مختلف ذکر شده است:

• اصلاح برنامه زمانبندی

• درک داده های بدست آمده از فرایند صنعتی

• بهبود دقت و عملکرد سیستم تولیدی

• بررسی ارتباط بین پارامترهای تولید و کیفیت محصول

• کاربردی کردن شبیه سازی

• ارتقاء عملکرد سیستم های ERP

داده کاوی در چیدمان و کنترل تسهیلات (کارخانه ها)

مسائل چیدمان و کنترل کارخانه با چگونگی استفاده موثر و کار از منابع سرو کار دارند. داده های بسیار زیادی در طی عملیات در کارخانه ضبط می شوند. این داده ها می توانند برای بهینه سازی فرایندها مورد استفاده قرار گیرند. داده های تاریخی جمع آوری شده از این طریق می توانند اطلاعات بسیار قوی از عملکرد کارخانه و فرایند جاری به دست دهد.

نمونه هایی از کاربرد داده کاری در این حوزه عبارتند از:

• طراحی سلول های تولیدی

• ارزیابی طرح های چیدمان

• مهندسی همزمان

داده کاوی در شناسایی عیوب و بهبود کیفیت

شناسایی عیوب یکی از نخستین حوزه هایی است که داده کاوی در آن بکار رفته است. ایده بکار گرفته شده در داده کاوی در این خصوص مطالعه ی رفتارگذشته سیستم و فهم فرایند و سپس پیش بینی و ارتقاء عملکرد آینده سیستم است. از داده کاوی می توان برای شناسایی الگوهایی که می توانند به خرابی منجر شوند استفاده کرد. چنین شیوه هایی نه تنها در شناسایی محصولات معیوب کمک می کنند بلکه بصورت فنی پارامتر های مهم و تاثیر گذار بر کیفیت را نیز تعیین می کنند. چند نمونه از کاربردها در ادامه ذکر شده است:

• کنترل کیفیت

• تعیین طرح های کنترل کیفی

• شناسایی نوع خرابی

• شناسایی مکانیزم خرابی قطعات مکانیکی

• بهبود کیفیت

• مهندسی کیفیت

• پیش بینی احتمال خرابی

داده کاوی در نگهداری و تعمیرات

نگهداری پیشگیرانه از کلیدی ترین مباحث در مهندسی ساخت و فرایند است. پایگاه های داده شامل موارد خرابی ماشینالات و تجهیزات و رفتار آنها در زمان خرابی می تواند برای طراحی سیستم های مدیریت نگهداری و تعمیرات مورد استفاده قرار گیرند. رویکردهای مختلف استفاده از داده کاوی در نگهداری و تعمیرات عبارتند از:

• مطالعه روی داده های مربوط به زمان خرابی در گذشته و پیشنهاد برنامه ی مناسب نگهداری

• ایجاد شیوه های نگهداری بهینه

• پیش بینی خرابی بر اساس سیگنال های دریافتی از سنسورها

• شناسایی زیر سیستم های موثر بر کارکرد ضعیف سیستم

داده کاوی در مدیریت روابط مشتری

در سالهای اخیر مدل های بازاریابی از رویکرد محصول محوری به رویکرد مشتری محوری تغییر کرده است. مدیریت روابط مشتری( CRM ) در ارتباط با افزایش سود حاصل از تعامل با مشتری ها فعالیت می کند. در محیط پر رقابت کسب و کار امروزی، کاربرد داده کاوی در CRM توجه بسیاری به خود جلب کرده است.در CRM نیز همانند تولید محصول با کیفیت بالا و هزینه پایین دارای اهمیت بوده و در ارتباط با مدیریت تقاضا از مشتری نهائی (بصورت عقبگرد) تا تامین کننده ی مواد خام گسترانیده شده است. به نمونه هایی از کاربرد داده کاوی در CRM در لیست زیر اشاره شده است:

• بخش بندی مشتریان برای شناسایی تمایلات آنها و تغییرات احتمالی

• بهبود کسب و کار با هدف گذاری روی مشتریان

• طراحی محصول