НАУЧНЫЙ ВЕСТНИК


НОВОСИБИРСКОГО ГОСУДАРСТВЕННОГО ТЕХНИЧЕСКОГО УНИВЕРСИТЕТА

ISSN (печатн.): 1814-1196          ISSN (онлайн): 2658-3275
English | Русский

Последний выпуск
№3(72) Июль - Сентябрь 2018

Применение ассоциативных правил в информационно-аналитической системе оценки качества предоставления телекоммуникационных услуг

Выпуск № 2 (59) Апрель - Июнь 2015
Авторы:

ФАМ КУАНГ ХИЕП,
И.Ю. КВЯТКОВСКАЯ
DOI: http://dx.doi.org/10.17212/1814-1196-2015-2-33-42
Аннотация
Современные процессы обработки данных на предприятиях характеризуются значительным увеличением объемов информации, в том числечисловой и нечисловой природы. В телекоммуникационных компаниях это базы данных, информация о клиентах, история транзакций данных, данные о продажах, данные ссудного счета, данные об использовании капитала, оценка качества предоставления услуг и др. Использования традиционных методов прикладной статистики и статистических пакетов недостаточно для принятия управленческих решений, основанных на обработке «живых» данных. Обработка больших объемов данных для нахождения скрытых данных характерна для задач оценки качества предоставления телекоммуникационных услуг, являющейся актуальной для корпоративных менеджеров в целях достижения преимущества бизнес-процессов. При обработке значительных объемов информации необходимо обнаруживать скрытые данные, используя алгоритмы интеллектуального анализа данных. В данной работе рассмотрен подход, использующий применение ассоциативных правил в информационно-аналитической системе процесса управления качеством предоставления услуг в телекоммуникационных компаниях. Дано определение ассоциативного правила, включающее значение поддержки и достоверности правил. Разработан метод, выполняющий поиск ассоциативных правил по алгоритму Аpriori. Приведена реализация алгоритма на примере оценки качества предоставления телекоммуникационных услуг в компании «VinaPhone» (Социалистическая Республика Вьетнам). Использованы данные оценки состояния качества предоставления услуг телекоммуникационной компании, полученные ежеквартально в течение 2014 года по семи показателям. Предложенный подход может быть использован при разработке программ повышения эффективности деятельности телекоммуникационных компаний, например, для формирования управляющих воздействий в задачах оценки качества организации на основе интеллектуального анализа многомерных данных.
Ключевые слова: знание, ассоциативное правило, элемент, транзакция, импликация, множество кандидатов, минимальная поддержка, минимальная достоверность, интеллектуальный анализ данных, Apriori, нахождение

Список литературы
1. Калачев Г.А., Стасюк О.Н. Информационно-аналитические системы: учебноепосо-бие. – Омск: Изд-во СибАДИ, 2010. – 101 с.

2. Саблина И.В. Методические основы мониторинга факторов конкурентоспособности продукции // Вестник Астраханского государственного технического университета. Серия: Экономика. – 2010. – № 1. – С. 188–192.

3. Методы и модели анализа данных: OLAP и DataMining / А.А. Барсегян, М.С. Куприянов, В.В. Степаненко, И.И. Холод. – СПб.: БХВ-Петербург, 2004. – 336 с.

4. Кричевский М.Л. Интеллектуальный анализ данных в менеджменте: учебноепосо-бие. – СПб.: СПбГУАП, 2005. – 208 с.

5. Мусаев А.А., Барласов И.А. Алгоритмы DataMining в задачах управления динамическими процессами // Труды СПИИРАН. – 2007. – Вып. 5. – С. 300–313.

6. Han J., Kamber M. Data Mining: concepts and techniques. – Amsterdam: Elsewier: Morgan Kaufmann Publ., 2001. – 550 p.

7. Liu C-Y., Sun Y.-F. Application of Data Mining in production quality management // IEEE Third International Symposium on Intelligent Information Technology Application, IITA 2009, Nanchang, 2122 November 2009. – Piscataway, New Jersey: IEEE, 2009. – Vol. 2. – P. 284–287. – doi: 10.1109/IITA.2009.81.

8. Weikum G., Theobald M. From information to knowledge: harvesting entities and relationships from web sources // Proceedings of the Twenty-Ninth ACM SIGMOD-SIGACTSIGART Symposium on Principles of Database Systems, PODS’10, June 6–11, 2010, Indianapolis, Indiana, USA. – New York: ACM Press, 2010. – P. 65–76. – doi: 10.1145/1807085.1807097.

9. Воронцов К.В. Методы поиска ассоциативных правил [Электронный ресурс]: курс лекций. – [Б. м.], 2014. – 29 с. – URL: http://www.machinelearning.ru/wiki/images/7/7c/Voron-ML-AssocRules-slides.pdf (дата обращения: 20.02.2015).

10. ДюкВ.А., Самойленко А.П. DataMining: учебный курс. – СПб.: Питер, 2001. – 368 с.

11. Шахиди А.Apriori– масштабируемый алгоритм поиска ассоциативных правил [Электронный ресурс] // BaseGroupLabs: технологии анализа данных: библиотека. – URL: http://www.basegroup.ru/library/analysis/association_rules/apriori/ (дата обращения: 10.03.2015).

12. Chen R.S., Wu R.C., Chen J.Y. Data Mining application in customer relationship management of credit card business // Proceedings of the 29th Annual International Computer Software and Applications Conference, COMPSAC 2005, Edinburgh, 26–28 July 2005. – Piscataway, New Jersey: IEEE, 2005. – Vol. 2. – P. 39–40. – doi: 10.1109/COMPSAC.2005.67.

13. Gkoulalas-Divanis A., Verykios V.S. Association rule hiding for Data Mining. – Heidelberg: Springer; New York: Business Media, 2010. – 150 p. – (Advances in Database Systems; vol. 41). –doi: 10.1007/978-1-4419-6569-1.

14. AgrawalR., Imielinski T., Swami A. Mining association rules between sets of items in large databases // Proceedings of the 1993 ACM SIGMOD International Conference on Management of Data (SIGMOD'93). – New York: ACM Press, 1993. – P. 207–216. – doi: 10.1145/170035.170072.

15. Zhang C., Zhang S. Association rule mining: models and algorithms. – Berlin; Heidelberg: Springer-Verlag, 2002. – 238 p. – (Lecture Notes in Artificial Intelligence; 2307). – doi: 10.1007/3-540-46027-6.

 
Просмотров: 1138