Introduzione
Aree applicative del Data Mining
Sistemi Informativi
Data Mining: Applicazioni
Yari Melzani
Universitá degli Studi di Milano
Facoltá di Scienze Matematiche, Fisiche e Naturali
Dipartimento di Tecnologie dell’Informazione
1 Giugno 2007
Yari Melzani
Data Mining: Applicazioni
Casi reali di studio
Introduzione
Aree applicative del Data Mining
Data Mining
Perché il Data Mining
Il Data Mining come strumento di Business
Accrescere la conoscenza su cui basare le decisioni
Produzione di risultati interpretabili e usufruibili
per il supporto alle decisioni aziendali (DSS).
Yari Melzani
Data Mining: Applicazioni
Casi reali di studio
Introduzione
Aree applicative del Data Mining
Casi reali di studio
Data Mining
Perche Ora?
Enormi quantitá di dati fra i quali ci sono informazioni utili
Costi, ricavi, stipendi, resoconti, inventari, ecc..
Dati economici, andamenti e previsioni, metadati (Logical Databases).
Software di calcolo economici e potenti
Strumenti presenti in commercio e aperti agli standard
(Oracle, Ingres, Informix, Sybase, Microsoft o IBM)
Possibilitá di utilizzare le potenti funzioni di replicazione dei dati comprese in
questi prodotti
Costo relativamente contenuto delle licenze software di prodotti commerciali
Performance elevate dei prodotti RDBMS
(Relational DataBase Management System)
Fondamenti teorici e matematici robusti
Machine learning, Ricerca operativa, intelligenza artificiale, inferenza logica,
tecniche statistiche
Yari Melzani
Data Mining: Applicazioni
Introduzione
Aree applicative del Data Mining
Data Mining
La catena del valore dell’informazione
Yari Melzani
Data Mining: Applicazioni
Casi reali di studio
Introduzione
Aree applicative del Data Mining
Applicazioni
Il Data Mining come supporto alle decisioni
Analisi dei dati & supporto alle decisioni
Analisi di mercato
Analisi del rischio
Fraud detection
Altre applicazioni
Text Mining (Newsgroup, documenti,...)
Web Mining e Web analysis
Intelligent query answering
Yari Melzani
Data Mining: Applicazioni
Casi reali di studio
Introduzione
Aree applicative del Data Mining
Casi reali di studio
Applicazioni
Analisi di mercato & Management
Quali sono le sorgenti di dati per l’analisi?
Transazioni di carte di credito, carte fedeltá, coupons di sconti, chiamate a
clienti accondiscendenti, studi su stili di vita.
Target marketing:
Trova raggruppamenti che modellino gli acquirenti con stesse caratteristiche:
interessi, abitudini di spesa.
Determina i pattern degli acquirenti nel tempo:
Conversione da un conto singolo a un conto congiunto, es. matrimonio.
Analisi incrociate
Associazioni/Correlazioni tra vendite di prodotti
Predizione basata sulle associazioni.
Yari Melzani
Data Mining: Applicazioni
Introduzione
Aree applicative del Data Mining
Applicazioni
Analisi di mercato & Management (2)
Customer profiling
quali acquirenti comprano cosa (clustering o classificazione)
Identificazione delle richieste dei clienti
identificare i migliori prodotti per acquirenti differenti
usa la predizione per capire quali fattori attraggono nuovi clienti
Informazioni generalizzate
summary reports multidimensionali
informazioni statistiche aggregate (tendenze e variazioni)
Yari Melzani
Data Mining: Applicazioni
Casi reali di studio
Introduzione
Aree applicative del Data Mining
Applicazioni
Analisi del rischio
Pianificazione finanziaria:
Analisi e predizione dei flussi di cassa
Valutazione dei profitti e analisi delle richieste contingenti
Analisi di serie temporali (financial-ratio, trend analysis,...)
Competitivitá
Monitoraggio dei competitori e delle direzioni di mercato
(CI: competitive intelligence).
Segmentazione dei clienti per classi di prezzi
Selezione di una strategia in un mercato competitivo
Yari Melzani
Data Mining: Applicazioni
Casi reali di studio
Introduzione
Aree applicative del Data Mining
Casi reali di studio
Applicazioni
Fraud Detection & Management
Ambiti di interesse:
Servizi legati a istituti di credito (Carte di credito, prestiti, assicurazioni),
telecomunicazioni
Approccio:
Utilizza i dati storici per costruire un modello del comportamento fraudolento e
utilizza il data mining per facilitare l’identificazione di istanze simili.
Example
Assicurazioni auto: individua un gruppo di persone che creano (artificialmente)
incidenti per ricevere il risarcimento dalle assicurazioni.
Money Laundering: individua movimenti di denaro sospetti.
Assicurazioni mediche: individua pazienti che si fingono malati.
Individuazione di frodi telefoniche (es. addebito di chiamate)
Yari Melzani
Data Mining: Applicazioni
Introduzione
Aree applicative del Data Mining
Casi reali di studio
Text Mining
Text Mining
Cosa é il Text Mining?
Si tratta di un processo automatico di estrazione di informazione utile, espressiva, da
un repository testuale.
Dati
Una sorgente di documenti testuali
Query testuale ben definita
Otteniamo
Frasi contenenti informazione rilevante
Estrazione dell’informazione ignorando quella non importante
Aggregazione l’informazione trovata per essere mostrata in un formato
predeterminato.
Yari Melzani
Data Mining: Applicazioni
Introduzione
Aree applicative del Data Mining
Text Mining
Un esempio di Text Mining
Input
Un annuncio
Un template con le
informazioni interessate
Output
Una parte del documento
che che aderisce al template
fornito
Yari Melzani
Data Mining: Applicazioni
Casi reali di studio
Introduzione
Aree applicative del Data Mining
Casi reali di studio
Text Mining
Applicazioni reali Text Mining
Example
Page Rank di Google
Ordina il risultato delle ricerche rispetto alla prioritá
L’importanza di un risultato dipende (in parte) dalle pagine che vi puntano
(Backlinks)
Il peso dei Backlinks dipende dalla pagina da cui provviene il link.
Example
ECHELON
Rete informatica, segreta fino al 1997, capace di controllare l’intero globo e di
intercettare, selezionare e registrare ogni forma di comunicazione elettronica.
Ogni stazione raccoglie informazioni in modo automatico.
Le stazioni utilizzano tecniche avanzate di intelligenza artificiale per il
riconoscere ed estrarre le informazioni interessanti
Yari Melzani
Data Mining: Applicazioni
Introduzione
Aree applicative del Data Mining
Casi reali di studio
Casi reali di studio
La catena WalMart
Il DM per ottimizzare il rapporto con i fornitori
La catena di vendita al dettaglio WalMart si appoggia ad una gigantesca data
warehouse per ottimizzare i rapporti con i propri fornitori.
Data Warehouse
WalMart colleziona le transazioni provenienti dagli oltre 2900 punti vendita sparsi in
6 paesi in una Data Warehouse di 7.5 terabyte.
Il beneficio dei fornitori
Gli oltre 3500 fornitori che cooperano nella gestione degli ordini hanno la possibilitá
di estrapolare conoscenza dalla base di dati per ottimizzare l’efficienza nella
distribuzione dei prodotti nei magazzini ed eventualmente studiare la disposizione
dei propri magazzini sul territorio.
Yari Melzani
Data Mining: Applicazioni
Introduzione
Aree applicative del Data Mining
Casi reali di studio
Casi reali di studio
Advanced Scout NBA
Advanced Scout NBA
L’allenatore dell’associazione NBA (National Basketball Association) utilizza
tecniche di DM per orchestrare il gioco e stabilire le strategie durante le partite di
basketball. Il DM si concretizza in un programma software in grado di elaborare
l’acquisizione video delle partite per analizzare i movimenti dei giocatori al fine di
estrapolare informazione utile all’allenatore della squadra.
I risultati
Si é scoperto analizzando la partita disputata tra i New York Knicks e Cleveland
Cavaliers nel Gennaio 1995 che mentre il giocatore Mark Price copriva il ruolo
di difensore, John Williams é riuscito a realizzare 4 salti, tutti conclusi con la
messa a segno.
Il software Advanced Scout non solo é stato in grado di riconoscere questo
pattern di gioco ma ha riconosciuto che il comportamento rilevato si discosta
significativamente dalla media dei tiri con successo messi a segno dalla squadra
Cleveland Cavaliers.
Yari Melzani
Data Mining: Applicazioni
Introduzione
Aree applicative del Data Mining
Casi reali di studio
Casi reali di studio
Midwest chain
La catena commerciale Midwest ha fruttato tecniche di DM offerte dalla piattaforma
Oracle per analizzare pattern di acquisto nei singoli negozi di vendita al dettaglio.
Sulla base dei comportamenti osservati durante l’acquisto settimanale é stato
possibile delineare alcune strategie di vendita .
Cosa si è scoperto?
Le tecniche di DM utilizzate hanno evidenziato che quando i clienti (in prevalenza
uomini) acquistavano pannolini il giovedì e il sabato erano propensi ad acquistare
anche birra.
Un’analisi piú accurata mostró che questi acquirenti concentravano i loro acquisti
maggiormente il sabato e marginalmente il giovedí. Si concluse che la birra veniva
probabilmente acquistata per il weekend che stava per arrivare.
Come sfruttare il risultato?
La catena Midwest ha sfruttato scoperte di questo tipo, per attuare alcune strategie di
vendita, al fine di aumentare l’incasso.
Nel caso precedente la decisione ha comportato lo spostamento del cartello delle
birre vicino a quello dei pannolini assicurandosi di non applicare sconti su quei
prodotti il giovedì e il sabato.
Yari Melzani
Data Mining: Applicazioni
