資訊管理-e化企業的核心競爭能力-五版 CH6 資料倉儲、資料探勘與巨量資料分析系統 Data Warehouse、Data Mining、Big Data Analytic system

1. 資料倉儲、資料探勘與巨
量資料分析系統

2. 資料倉儲、資料探勘與巨量資料分析系統
Big Data
Analytic

3. 資料市集 DATA MART

4. 資料倉儲 Data Warehouse, DW
• 定義：藉由建立一個集中的資訊倉庫，並配合有效的資料分析工具
與快速的決策支援軟體之開發，使得這些資料可以被該企業的決策
者適時適量存取和使用，以支援其決策的制定。
• 目的：改善傳統資料庫缺點
即時支援使用者的企業管理決策
• 主要架構：多維度的資料結構
提供多角度資訊，快速分析資料，供決策使用

5. 資料倉儲 DW - 主題導向的資料組織

6. 資料倉儲 DW – 資料的整合性
• 結合了整個企業內外的資料來源
包括：
• 不同資料庫
• 各種應用程式
• 不同時間的資料

7. 資料倉儲 DW – 資料的時間差異性
• DW 通常存放
5 – 10 年不同時期的資
料
作為趨勢分析、預測
、
比較之用。

8. 資料倉儲 DW – 資料的不變動性
• 為了做趨勢分析
資料一旦存入資料倉儲中，即被保存不再更動。

9. 資料分析 - 線上即時資料分析 OLAP
• 採用多維度之資料結構 (Cube) 將資料載入，以進行多
項不同維度整合的分析，快速得到報表。

10. 資料分析 – 資料探勘 Data Mining, DM
• 定義：
利用統計、人工智慧 (AI)
或其他的分析技術，在企業
之大型資料庫內尋找與發掘
事前未知、有效且可付諸行
動的資料彼此之間所隱藏的
關係與規則。
• 主要分析類型：如右圖。

11. 資料探勘 DM - 主要分析類型
鏈結分析
Association Rule
Analysis
指出變數與變數之間的連結關係。
例：顧客會一起買那些商品 ? 據某特性的顧客會買怎樣的產品 ?
分類分析
Classification
藉由學習過去已知的分類，推論出一套最有效的分類規則來識別未來
新輸入群體的類型。
例：輸入過去 10000 個忠誠度高與忠誠度低的客戶樣本，找出特別屬
性來預測未來顧客的忠誠度。
群集分析
Clustering Analysis
對樣本的分類特性不清楚時，為了要了解有那些不同特性的消費族群
，而利用一些不同的特性來對樣本作群體分類。
例：網路使用者族群區隔分析。 ( 課本 P.211)
次序相關分析
Sequential Pattern
Analysis
由一群有次去的交易中，找出經常次序出現的交易項目組合，進而了
解顧客的長期購買行為。
預測分析
Forecasting Analysis
以歷史資料來預測未來走向

12. 巨量資料 Big Data – 基本定義
• 巨量資料：
由各種量大、流動快地異質資料來源所匯集而來，數量極為巨
大，目前的資料處理技術所無法蒐集、紀錄、儲存、分析的大
量資料謂之。
• 例子：
•全球 10 億上網人口的網路搜尋紀錄。
•2013 年 facebook 上的 400 億張照片分享紀錄。
•信用卡防盜偵測系統：處理 21 億的客戶帳號。

13. 巨量資料 Big Data – 產生背景
具量資料產生的三大動能
資料量 Volume
資料流動速度 Velocity
資料的不同來源 Varirty

14. 巨量資料分析 Big Data Analysis
• 利用強大新型的資訊科技
有效的蒐集、傳送、儲存
、處理、分析判讀巨量資
料所呈現的各種訊息，包
括資料間的關聯性、因果
關係、類型辨識、趨勢觀
測等。

15. 巨量資料分析 – 科技技術

16. 巨量資料分析 – 困難與問題