WIELOWYMIAROWA ANALIZA DANYCH

Z WYKORZYSTANIEM NARZĘDZIA

MS SQL SERVER

Warszawa 2007

Spis treści

1. Wprowadzenie

1. Wprowadzenie

W przedsiębiorstwie istnieje wiele potrzeb związanych z analizą klasyfikacyjną (opisem rzeczywistości) i predykcyjną (prognozowaniem przyszłości) gromadzonych danych. Na podstawie wyników tych analiz podejmowane są decyzje biznesowe na różnych szczeblach zarządzania. Tego typu analizy oparte na technologii OLAP i eksploracji danych (ang. data mining) są również możliwe do przeprowadzenia w MS SQL Server. Wymagają zazwyczaj innej organizacji danych niż w bazie transakcyjnej. Dlatego w celu przeprowadzenia wielowymiarowej analizy danych tworzone są bazy analityczne (zazwyczaj hurtownie danych), dla których źródłem danych są bazy transakcyjne.

2. Tworzenie hurtowni danych

1. Wprowadzenie

Hurtownia danych jest bazą przechowującą dane historyczne przedsiębiorstwa. Dane te są niezbędne do ekstrahowania wiedzy wspomagającej podejmowanie decyzji biznesowych w różnych obszarach decyzyjnych - od planowania strategicznego do wspomagania ewaluacji poszczególnych jednostek organizacyjnych.

Dane w hurtowni są zorganizowane w taki sposób, aby mogły być efektywnie wykorzystywane w zaawansowanych analizach statystycznych, ekonometrycznych i eksploracyjnych. Wiąże się to z koniecznością przekształcenia rozdrobnionej struktury bazy transakcyjnej w hierarchiczną strukturę hurtowni. Hurtownia danych zawiera zupełnie inne typy danych jak baza transakcyjna, a należą do nich:

• fakty - dane iloÅ›ciowe stanowiÄ…ce główny cel analiz przeprowadzanych w hurtowni,

• wymiary - dane okreÅ›lajÄ…ce poÅ‚ożenie poszczególnych faktów w przestrzeni danych (fakty analizowane sÄ… wzglÄ™dem poszczególnych wymiarów),

• agregaty - dane zagregowane zawierajÄ…ce fakty, które zostaÅ‚y zsumowane prostym obliczeniem matematycznym lub za pomocÄ… funkcji statystycznych (np. minimum, maksimum, Å›rednia, wariancja),

• metadane - różniÄ… siÄ™ od faktów, wymiarów i agregatów tym, że bezpoÅ›rednio nie zawierajÄ… danych, ale informacje o ich poÅ‚ożeniu, strukturze i znaczeniu, a także informacje o ich mapowaniu ( na przykÅ‚ad przy zastosowaniu aliasów w narzÄ™dziach OLAP) oraz przewodnik do algorytmów użytych w agregacjach. W zwiÄ…zku z tym metadane sÄ… czÄ™sto definiowane jako „dane o danych”.

Fakty i wymiary łączą się w modelu danych hurtowni w następujące struktury:

• strukturÄ™ gwiazdy - jedna tabela faktów Å‚Ä…czy siÄ™ z wieloma pojedynczymi tabelami wymiarów:

Rys. 1 Struktura gwiazdy

• strukturÄ™ pÅ‚atka Å›niegu - jedna tabela faktów Å‚Ä…czy siÄ™ z wieloma tabelami wymiarów, przy czym niektóre wymiary mogÄ… tworzyć hierarchie:

Rys. 2 Struktura płatka śniegu

• strukturÄ™ burzy Å›niegowej - kilka tabel faktów Å‚Ä…czy siÄ™ z wieloma wymiarami, przy czym niektóre wymiary mogÄ… być wspólne dla różnych tabel faktów (wymiary oczywiÅ›cie mogÄ… tworzyć hierarchie):

Rys. 3 Struktura burzy śniegowej

Wszystkie prezentowane struktury modelu danych pozwalają na wykorzystanie OLAP'wej technologii przetwarzania danych. Główną jej zasługą jest efektywne wykorzystywanie danych hurtowni do analiz opartych na złożonych zapytaniach iteracyjnych. Wielowymiarowe struktury OLAP'owe i narzędzia agregacji danych umożliwiają łatwe i szybkie przetwarzanie, agregowanie i podsumowywanie ogromnych zbiorów danych i udostępnianie wyników tych analiz w sposób przyjazny dla użytkownika. Informatycznym narzędziem umożliwiającym realizację tych analiz jest SQL Server Business Intelligence Studio, będące komponentem systemu MS SQL Server.

1. Zadanie

Przygotować strukturę analitycznej bazy danych, która umożliwiałaby prowadzenie analiz OLAP i eksploracji danych. Będzie to struktura gwiazdy, zgodna ze schematem prezentowanym na

Rys. 4 Struktura hurtowni danych

2. Wykonanie zadania

• Na użytek ćwiczeÅ„ stworzymy jedynie kilka dodatkowych widoków w bazie danych Kadry, aby w wygodny sposób można byÅ‚o zdefiniować wielowymiarowÄ… kostkÄ™ OLAP.

• RealizacjÄ™ zadania należy rozpocząć od przygotowania nowych widoków w bazie danych Kadry, które zostanÄ… wykorzystane przy tworzeniu kostki OLAP'owej. Jako pierwszy utworzymy Fakty_Proj, bÄ™dzie to widok definiujÄ…cy fakty zwiÄ…zane z realizacjÄ… projektów. DefinicjÄ™ tego widoku prezentuje Rys. 5. Atrybut CzasProj jest liczony w dniach od daty rozpoczÄ™cia do daty zakoÅ„czenia projektu: Cast(DataZak-DataRoz as int.

Rys. 5 Definicja widoku Fakty_Proj

• Kolejny widok to Wymiar_Adres, który pozwoli na analizÄ™ realizacji projektów pod kÄ…tem miejsca zamieszkania osób, które braÅ‚y w nich udziaÅ‚. Jego definicjÄ™ prezentuje Rys. 6. W celu umożliwienia bardziej precyzyjnej analizy alokacji geograficznej atrybut KodMiasto zostaÅ‚ rozdzielony na dwie skÅ‚adowe: Kod i Miasto.

Rys. 6 Definicja widoku Wymiar_Adres

• Kolejny wymiar to Wymiar_Proj (Rys. 7). Jest to jednoczeÅ›nie wymiar czasu, który pozwoli na analizÄ™ realizacji projektów w zdefiniowanych przedziaÅ‚ach czasowych.

Rys. 7 Definicja widoku Wymiar_Proj

• Ostatni wymiar to Wymiar_Prac, który opiera siÄ™ na definicji widoku Lista zatrudnionych (Rys. 8). Pozwoli on na analizÄ™ realizacji projektów pod kÄ…tem miejsca zatrudnienia, stanowiska, wieku, stażu pracy oraz pÅ‚acy pracownika.

Rys. 8 Definicja widoku Wymiar_Prac

3. Analiza OLAP

1. Wprowadzenie

OLAP (ang. Online Analytical Processing) to komputerowe przetwarzanie, które umożliwia użytkownikowi łatwe i selektywne wydobywanie i oglądanie danych względem różnych wymiarów.

Analiza OLAP wykorzystuje koncepcję tzw. kostki OLAP, która posiada wymiary (ang. dimensions), zwane także perspektywami, hierarchie (ang. hierarchies) i miary (ang. measures). Przykład analizy OLAP to badanie liczby zrealizowanych projektów przez poszczególne jednostki organizacyjne w kolejnych latach działalności firmy. Jednostki organizacyjne i lata to właśnie wymiary analizy, a liczba zrealizowanych projektów - miara.

Dane zapisywane są w kostce OLAP hierarchicznie. Dzięki temu możemy je analizować na różnych poziomach szczegółowości, rozpoczynając od informacji zagregowanych (np. liczba projektów zrealizowanych w poszczególnych latach) i dochodząc do bardzo szczegółowych, obejmujących pojedyncze operacje (np. liczba projektów zrealizowanych przez konkretnego pracownika w określonym miesiącu).

Analiza OLAP pozwala na odpowiadanie na pytania: "kto?", "co?", "kiedy?", "jak?", "dlaczego?", a także na wszechstronną analizę scenariuszową ("co jeśli?"). Umożliwia prognozowanie przyszłych trendów kształtowania się zjawiska na podstawie danych historycznych. Przykładowe pytania, na które odpowiedzi dostarczają narzędzia OLAP:

• Jak ksztaÅ‚tuje siÄ™ liczba zrealizowanych projektów w okreÅ›lonych jednostkach organizacyjnych w okreÅ›lonych miesiÄ…cach roku?

• Którzy pracownicy sÄ… najbardziej efektywni - biorÄ… udziaÅ‚ w najwiÄ™kszej liczbie realizowanych projektów?

• Jak dÅ‚ugo realizowane sÄ… projekty przez poszczególne jednostki organizacyjne w okreÅ›lonych kwartaÅ‚ach roku?

• Gdzie szukać pracowników najbardziej efektywnych (realizujÄ…cych najwiÄ™kszÄ… liczbÄ™ projektów w najkrótszym czasie)?

2. Zadanie

Należy przygotować kostkę OLAP, która pozwoli analizować dane z tabeli Fakty_Proj względem wymiarów: Wymiar_Proj, Wymiar_Prac, Wymiar_Adres.

3. Wykonanie zadania

• Elementy strukturalne kostki OLAP'owej sÄ… już gotowe, wiÄ™c można przystÄ…pić do jej tworzenia. Pierwszym krokiem jest uruchomienie aplikacji SQL Server Business Intelligence Development Studio. WczeÅ›niej wykorzystaliÅ›my jÄ… do importu danych z systemu MS Access do MS SQL Server. Teraz wykorzystamy ja do tworzenia i uruchamiania projektów analitycznych.

• W oknie startowym należy wybrać Create Project. Tworzymy nowy projekt w narzÄ™dziu Analysis Services o nazwie AnalizaOLAP, zapisywany na Pulpicie w folderze Instrukcje BD - Ćwiczenie 13-14 - Wykonanie ćw 13-14 (Rys. 9).

Rys. 9 Analysis Services Project

• Pierwszym krokiem tworzenia nowego projektu jest ustalenie poÅ‚Ä…czenia ze źródÅ‚owÄ… bazÄ… danych (Rys. 10). Należy w eksploratorze projektu wybrać na folderze Data Sources opcjÄ™ New Data Source.

Rys. 10 Nowe źródło danych

• ZgÅ‚asza siÄ™ Data Source Wizard, który przeprowadzi użytkownika przez proces tworzenie źródÅ‚a danych na potrzeby analizy. W pierwszym kroku (po przejÅ›ciu przez ekran powitalny) należy wybrać przycisk New. Otworzy siÄ™ okno Connection Manager, w którym należy wybrać z listy typ poÅ‚Ä…czenia (Provider: Native OLE DB\Microsoft OLE DB Provider for SQl Server), wpisać nazwÄ™ serwera (Server name) oraz wybrać z listy bazÄ™ danych (Select or enter database name). Na koniec należy przetestować istnienie poÅ‚Ä…czenia (przycisk Test connection). PrawidÅ‚owe parametry dla tego okna prezentuje Rys. 11.

Rys. 11 Tworzenie połączenia ze źródłem danych

• W kroku drugim należy zalogować siÄ™ poprawnie do źródÅ‚a danych, podajÄ…c nazwÄ™ użytkownika i hasÅ‚o takie jak przy logowaniu do bazy danych Kadry.

Rys. 12 Logowanie do źródła danych

• W ostatnim oknie nastÄ™puje ostateczne zatwierdzenie poÅ‚Ä…czenia i po wybraniu przycisku Finish nowe źródÅ‚o danych jest gotowe do użycia.

Rys. 13 Źródło danych Kadry

• Teraz należy ograniczyć caÅ‚Ä… strukturÄ™ bazy danych Kadry tylko do tych elementów, które bÄ™dÄ… wykorzystywane w projekcie. W tym celu wybieramy New Data Source View na folderze Data Source Views (Rys. 14).

Rys. 14 Przygotowywanie nowego widoku danych źródłowych

• Ponownie uruchomi siÄ™ kreator, gdzie w oknie Select a Data Source należy wybrać przycisk Next na poÅ‚Ä…czeniu z bazÄ… Kadry (Rys. 15).

Rys. 15 Tworzenie widoku danych dla projektu

• Otworzy siÄ™ okno, w którym ze wszystkich elementów bazy danych Kadry wybieramy tylko te, które sÄ… niezbÄ™dne dla projektu. Należy wskazać widoki zawierajÄ…ce fakty i wymiary kostki (Rys. 16).

Rys. 16 Wybór elementów struktury kostki

• Po zakoÅ„czeniu selekcji w kolejnym oknie nastÄ…pi otwarcie panelu o nazwie Kadry.dsv Design, w którym zostanÄ… umieszczone wszystkie doÅ‚Ä…czone elementy. PomiÄ™dzy wymiarami i faktami należy utworzyć rÄ™cznie relacje zgodnie z Rys. 17.

Rys. 17 Struktura relacji pomiędzy widokami

• W ten sposób powstaÅ‚ model danych o strukturze gwiazdy, gdzie tabelÄ… faktów jest widok Fakty_Proj, a wymiarami sÄ… widoki Wymiar_Proj, Wymiar_Prac i Wymiar_Adres. W kolejnym etapie zadania wygenerujemy kostkÄ™ OLAP'owÄ… (Cube) w oparciu o utworzonÄ… strukturÄ™ gwiazdy.

• W eksploratorze projektu na folderze Cubes należy wybrać z menu podrÄ™cznego opcjÄ™ New Cube (Rys. 18)

Rys. 18 Tworzenie nowej kostki OLAP

• Ponieważ struktura danych zostaÅ‚a dobrze przygotowana, wiÄ™c w kreatorze można wybrać automatyczne generowanie kostki (Rys. 19).

Rys. 19 Automatyczne generowanie struktury kostki

• Jako źródÅ‚o danych należy wskazać utworzone poÅ‚Ä…czenie z bazÄ… Kadry (Rys. 20).

Rys. 20 Wybór źródła danych dla kostki

• Aplikacja automatycznie wykrywa i definiuje fakty i wymiary w kostce, a nastÄ™pnie wyÅ›wietla wyniki na kolejnym ekranie (Rys. 21). Jeżeli automatyczne propozycje sÄ… różne od Rys. 21 to należy dostosować je do wzorca.

Rys. 21 Fakty i wymiary w strukturze kostki

• Proponowane sÄ… też miary obliczane w oparciu o dane liczbowe zawarte w tabeli faktów (Rys. 22). Można też dokonać zmiany nazw poszczególnych wartoÅ›ci obliczanych (pp. Rys. 22).

Rys. 22 Miary obliczane dla kostki

• Kolejne okna kreatora to akceptacja atrybutów dla poszczególnych wymiarów i zakoÅ„czenie tworzenia struktury kostki. W ostatnim oknie należy wybrać przycisk Finisz, aby przejść do Kadry.Cube (Design).

• Kostka OLAP jest już gotowa (Rys. 23). Na żółto zaznaczone sÄ… fakty w strukturze kostki. Niebieskie sÄ… poszczególne wymiary.

Rys. 23 Okno projektowe kostki OLAP

• Aby zacząć korzystać z kostki należy jÄ… wygenerować poprzez wybranie opcji Process z menu podrÄ™cznego folderu Kadry.Cube (Rys. 24).

Rys. 24 Generowanie kostki

• Kostka jest już dostÄ™pna w postaci tabeli przestawnej w zakÅ‚adce Browser panelu Kadry.Cube (Design). Wymiary oraz miary można przeciÄ…gać myszkÄ… w wybrane obszary tabeli - wymiary mogÄ… tworzyć hierarchicznie powiÄ…zane nagłówki wierszy i kolumn, a miary stanowiÄ… analizowane wnÄ™trze tabeli. Analityk może wygenerować raport prezentujÄ…cy takie zestawienia analityczne, które sÄ… potrzebne do podejmowania decyzji biznesowych. PrzykÅ‚adowo, Rys. 25 prezentuje liczbÄ™ zrealizowanych projektów oraz sumaryczny czas poÅ›wiÄ™cony na realizacjÄ™ tych projektów (w dniach) w podziale na miejsce zatrudnienia (jednostki organizacyjne) oraz stanowiska pracowników (pracujÄ…cych w zespoÅ‚ach projektowych) w pierwszym kwartale (1-3 miesiÄ…c) każdego roku.

Rys. 25 Tabela przestawna

4. Analiza eksploracyjna danych

1. Wprowadzenie

Eksploracja danych (ang data mining) to metody statystyczne i metody sztucznej inteligencji, które umożliwiają odkrywanie nieznanych jeszcze zależności (prawidłowości) między danymi w nagromadzonych zbiorach danych. Są to takie metody, które pozwalają z danych tworzyć wiedzę (znajdywać zależności, wzorce, trendy).

Możemy wyróżnić dwa podstawowe rodzaje eksploracji danych:

• weryfikacja hipotez - stosowana jest w sytuacji, gdy mamy pewne przypuszczenie co do istotnej zależnoÅ›ci miÄ™dzy pewnymi danymi i chcemy zweryfikować ten poglÄ…d,

• odkrywanie wiedzy - stosowane jest wówczas, gdy chcemy sprawdzić czy miÄ™dzy danymi majÄ… miejsce zwiÄ…zki, których czÅ‚owiek sam nie jest w stanie wychwycić.

Uruchomienie procesów eksploracji danych wymaga danych dobrej jakości, zintegrowanych, prawdziwych i stanowiących reprezentatywną próbę. W przeciwnym wypadku możemy otrzymać wyniki o mniejszej dokładności lub po prostu nieprawdziwe. Z wykorzystaniem różnych metod statystycznych, ekonometrycznych czy metod sztucznej inteligencji (np. analiza dyskryminacyjna, regresja logistyczna, drzewa klasyfikacyjne, generowanie reguł rozmytych, analiza skupień, analiza korespondencji, sieci neuronowe) tworzone są modele, które wykorzystuje się do analizy danych, celem sprawdzenia czy występują w nich ukryte relacje, prawidłowości czy też inne związki.

Częstym zastosowaniem metod eksploracji danych jest segmentacja klientów, pracowników i produktów. W naszych ćwiczeniach wykonamy modele poszukujące opisu pracownika efektywnego, czyli takiego, który realizuje dużą liczbę projektów przy wysokim udziale własnym w realizacji tych projektów.

2. Zadanie

Przygotować analizę eksploracyjną danych, która umożliwi zbadanie, jakie cechy mają wpływ na zaangażowanie pracowników w realizację projektów. Firma zatrudnia ponad 450 osób, ale tylko niecałe 60 osób bierze udział w realizacji projektów. Zarząd firmy chce zaktywować swoich pracowników (ewentualnie doprowadzić do zmian w strukturze zatrudnienia), ale chce też wiedzieć na jakie cechy swoich obecnych lub przyszłych pracowników powinien zwracać szczególną uwagę.

3. Wykonanie zadania

• RealizacjÄ™ zadania rozpoczniemy od utworzenia kilku kolejnych widoków w bazie danych Kadry. Pierwszy to AktywnoscPrac (Rys. 26) - okreÅ›lajÄ…cy liczbÄ™ zrealizowanych projektów oraz najwyższy udziaÅ‚ przy realizacji dla każdego pracownika. PoÅ‚Ä…czenie pomiÄ™dzy tabelami należy tak zdefiniować, aby w wyniku wyÅ›wietlani byli wszyscy pracownicy.

Rys. 26 Definicja widoku AktywnoscPrac

• Kolejny widok to Liczba dzieci (Rys. 27). Tutaj też poÅ‚Ä…czenie pomiÄ™dzy tabelami należy zmienić na takie, które pokazuje wszystkie rekordy z tabeli Pracownicy.

Rys. 27 Definicja widoku Liczba dzieci

• Ostatnim widokiem jest AnalizaDM (Rys. 28), który zawiera wszystkie cechy pracownika mogÄ…ce mieć wpÅ‚yw na jego aktywność zawodowÄ…. Dodatkowy atrybut - Efektywnosc wyznacza wartość zmiennej predykcyjnej badania eksploracyjnego, przyjmujÄ…c wartość 1 dla pracowników aktywnych (liczba zrealizowanych projektów > 10, najwyższy udziaÅ‚ przy realizacji projektu > 30) i wartość 0 dla pozostaÅ‚ych pracowników: CASE WHEN LiczbaProj>10 and MaxUdzial>30 THEN 1 ELSE 0 END.

Rys. 28 Definicja widoku AnalizaDM

• Teraz należy przejść do aplikacji SQL Server Business Intelligence Development Studio i utworzyć nowy projekt analityczny o nazwie AnalizaDM (Rys. 29).

Rys. 29 Tworzenie projektu AnalizaDM

• Najpierw trzeba udostÄ™pnić widok AnalizaDM i w tym celu tworzymy nowy Data Source View, poÅ‚Ä…czony z widokiem AnalizaDM w bazie danych Kadry (Rys. 30).

Rys. 30 Udostępnianie widoku AnalizaDM

• Teraz tworzymy nowÄ… strukturÄ™ eksploracyjnÄ… (Rys. 31).

Rys. 31 Tworzenie nowej struktury eksploracji danych

• Uruchomiony zostanie kreator, w którym na poczÄ…tku trzeba zdecydować czy struktura bÄ™dzie tworzona w oparciu o zdefiniowany dostÄ™p do bazy danych czy też w oparciu o utworzone kostki wielowymiarowe. Wybieramy pierwszÄ… możliwość (Rys. 32)

Rys. 32 Tworzenie struktury eksploracyjnej na podstawie bazy danych

• W nastÄ™pnym oknie kreatora należy dokonać wyboru techniki eksploracyjnej. Zacznijmy od modelu drzewa decyzyjnego ().

Rys. 33 Eksploracja technikÄ… drzew decyzyjnych

• NastÄ™pny krok to wybór widoku źródÅ‚a danych, które bÄ™dzie wykorzystane do modelowania struktury eksploracyjnej - bÄ™dzie to widok AnalizaDM (Rys. 34).

Rys. 34 Wybór źródła danych

• Teraz trzeba wyspecyfikować tabelÄ™, która zostanie użyta do analizy - jest to nadal widok AnalizaDM (Rys. 35).

Rys. 35 Wybór tabeli do analizy

• Kolejny etap to specyfikacja ról, jakie bÄ™dÄ… speÅ‚niaÅ‚y poszczególne atrybuty podczas analizy (Rys. 36). Efektywność to zmienna predykcyjna, która stanowi cel badania. Wszystkie atrybuty typu Input to zmienne, których wpÅ‚yw na zmiennÄ… predykcyjnÄ… jest badany. IdPrac to identyfikator rekordów w tabeli AnalizaDM - oczywiÅ›cie nie podlega badaniu.

Rys. 36 Lista atrybutów i ich role w analizie

• NastÄ™pny krok to automatyczne wykrywanie atrybutów, które przyjmujÄ… skoÅ„czonÄ… listÄ™ wartoÅ›ci - sÄ… atrybutami dyskretnymi (w przeciwieÅ„stwie do pozostaÅ‚ych, które sÄ… atrybutami ciÄ…gÅ‚ymi). Atrybuty dyskretne sÄ… wykorzystywane do uszczegóławiania analizy eksploracyjnej i opisu jej wyników. Wykrywanie zmiennych dyskretnych uruchamia siÄ™ przyciskiem Detect w oknie Specify Columns' Content and Data Type (Rys. 37).

Rys. 37 Dyskretyzacja zmiennych

• StrukturÄ™ eksploracyjnÄ… należy nazwać Analiza DM, a zbudowany model Drzewo Decyzyjne (Rys. 38). Na tym koÅ„czy siÄ™ praca kreatora struktury eksploracyjnej.

Rys. 38 Zakończenie tworzenia struktury eksploracyjnej

• Pierwszy model eksploracyjny jest już gotowy i można go uruchomić (Rys. 39).

Rys. 39 Uruchamianie struktury eksploracyjnej

• Wyniki modelu można obejrzeć w oknie Analiza DM.dmm (Design) w zakÅ‚adce Mining Model Viewer (Rys. 40).

Rys. 40 Wyniki modelu Drzewo Decyzyjne

• Wynika z tego modelu, że jedyna cechÄ… majÄ…cÄ… wpÅ‚yw na efektywność pracowników jest ich staż pracy. Od 4 roku pracy obserwowany jest wysoki wzrost zaangażowania w realizacjÄ™ projektów.

• Model drzew decyzyjnych nie daÅ‚ zbyt wyczerpujÄ…cego opisu, dlatego zbudujemy jeszcze dwa modele (w oparciu o ten sam zbiór danych) - model regresji logistycznej i model sieci neuronowych. W tym celu należy w zakÅ‚adce Mining Models wybrać przycisk Create Related Mining Models (Rys. 41) i utworzyć model o nazwie Regresja (wykorzystujÄ…cy technikÄ™ regresji logistycznej) oraz SiecNeuronowa (wykorzystujÄ…cy technikÄ™ sieci neuronowych).

Rys. 41 Tworzenie nowego modelu eksploracyjnego

• Struktura tych modeli jest dostÄ™pna w zakÅ‚adce Mining Models (Rys. 42).

Rys. 42 Różne modele tej samej struktury eksploracyjnej

• Trzeba ponownie uruchomić proces dla struktury Analiza DM (Rys. 39) i wyniki modeli znowu bÄ™dÄ… dostÄ™pne w zakÅ‚adce Data Mining Viewer (Rys. 43). Na liÅ›cie Mining Model można wskazać model eksploracyjny, którego wyniki chcemy obejrzeć.

Rys. 43 Wyniki modelu Regresja

• Na Rys. 43 prezentowane sÄ… wyniki regresji logistycznej, które wskazujÄ… na nastÄ™pujÄ…ce cechy podnoszÄ…ce efektywność pracowników:

• 4 dzieci w rodzinie,

• pÅ‚aca rzÄ™du 5 tys. zÅ‚ i wiÄ™cej,

• wziÄ™ta pożyczka rzÄ™du 20 tys. zÅ‚,

• staż pracy od 4 do 8 lat.

• Model sieci neuronowej (Rys. 44) wskazuje na nastÄ™pujÄ…ce istotne cechy pracownika:

• pÅ‚aca rzÄ™du 5 tys. zÅ‚ i wiÄ™cej,

• wziÄ™ta pożyczka rzÄ™du 20 tys. zÅ‚,

• wiek pracownika od 32 do 44 lat.

Rys. 44 Wyniki modelu SiecNeuronowa

• Na podstawie wyników tych trzech modeli analityk sporzÄ…dzi profil pracownika efektywnego (np. jest to pracownik w Å›rednim wieku, posiadajÄ…cy licznÄ… rodzinÄ™, z doÅ›wiadczeniem zawodowym, dobrze zarabiajÄ…cy i zwiÄ…zany z firmÄ… przez wysokÄ… pożyczkÄ™) i nieefektywnego, a nastÄ™pnie przekaże go do osób podejmujÄ…cych decyzje w sprawach polityki personalnej.

5. Zadanie do wykonania

Przeprowadzić wielowymiarową analizę danych w oparciu o utworzoną kostkę OLAP i widok DM, zaprojektowane dla swojego projektu. Zadanie stanowi element oceniany.

dr inż. T. Ostrowska, dr inż. K. Rostek Zakład Systemów Informatycznych

IOSP PW Bazy Danych - laboratorium

cw 13-14 Analiza danych, 2007-06-24

---