دوره آنلاین کاربردی «تُندآموز دادهکاوی با رپیدماینر RapidMiner»
چند سوال مهم:
اگر شما مدیر یک فروشگاه زنجیره‌ای بزرگ، رئیس یک بانک، مدیر یک شرکت بیمه‌ای، رئیس یک موسسه اعتباری و مالی، صاحب یک بیمارستان یا کلینیک، صاحب مجموعه رستوران‌های زنجیره‌ای، صاحب یک هتل بزرگ و …. باشید، مطمئناً شما باید داده‌های زیادی را از مشتریان خود در دسترس داشته باشید. اما…
- آیا از این داده‌ها برای بهبود وضعیت کسب و کار خود استفاده می کنید؟
- آیا مشتریان بالقوه خود را می‌شناسید؟ آیا نیاز مشتریان خود را می‌دانید و این که چرا شما را انتخاب کرده‌اند؟
- آیا مشتریان ایده‌آل و ارزشمند خود را می‌شناسید؟ آنها چه ویژگی‌هایی دارند؟
- آیا می‌توانید ارزش گروه‌های مختلف مشتریان را تعیین کنید یا به همه مشتریان به یک‌چشم نگاه می‌کنید؟
- وقت و منابع کسب‌وکارتان را بیشتر صرف کدام دسته از مشتریان خود می‌کنید؟
- آیا مشتریان ایده‌آل و ارزشمند شما، در آینده هم مشتریان شما خواهند بود؟
- آیا اگر محصول جدیدی را به آنها پیشنهاد دهید، پیشنهاد شما را می‌پذیرند؟
- آیا خرید خود را تکرار می‌کنند؟
- آیا پیش از ریزش مشتری می‌توانید این موضوع را پیش‌بینی کنید که کدام مشتری را در آینده از دست خواهید داد؟
- آیا می‌توانید تشخیص دهید که بهتر است کدام مشتری را در کمپینهای بازاریابی شرکت دهید؟
- آیا می‌توانید تشخیص دهید که مشتری کدام گروه محصولات را باهم خریداری می‌کند؟
- آیا می‌توانید پیشنهادهای سفارشی به مشتریان خود ارائه کنید؟
- آیا آیا الگوهای رفتاری مشتریان خود را می‌شناسید و می‌توانید رفتار آینده مشتریان خود را پیش بینی کنید؟
برای تحلیل داده‌های مشتریان از کجا شروع کنیم؟
یکی از متداول‌ترین فرآیندهای اجرای پروژه‌های دادهکاوی فرآیند CRISP-DM نام دارد. استاندارد صنعتی کریسپ یک استاندارد غیراختصاصی، مستند شده و رایگان و همچنین یک مدل عمومی است که توانایی تطابق با ویژگی‌های خصوصی هر صنعت یا شرکتی را داراست و برای تدوین آن از تجربیات تعداد زیادی از کاربران دادهکاوی و تولید‌کنندگان و ارائه‌دهندگان خدمات ابزارهای دادهکاوی استفاده شده است. فرآیند کریسپ یک چرخه ۶ مرحله‌ای است. در این دوره نیز بر اساس این فرآیند پیش خواهیم رفت.
چرا از RapidMiner برای دادهکاوی استفاده کنیم؟
نمونه ای از فرآیند دادهکاوی که در این دوره با هم انجام می‌دهیم را در تصویر زیر مشاهده می‌کنید:
نگاهی به دوره
دوره آنلاین کاربردی «تُندآموز دادهکاوی با رپیدماینر»
مدرس: شقایق ابوالمکارم
نوع تحویل: کلاس آنلاین
مدت زمان: 20 ساعت
تاریخ آغاز دوره: 16 آبان 1402
(این دوره برای کسب و کارها و شرکت ها به صورت اختصاصی قابل اجرا است)
سرفصل دوره
آشنایی با فرآیند کریسپ
شما را با مراحل مختلف فرآیند کریسپ آشنا خواهیم کرد. در این دوره بر طبق این فرآیند پیش خواهیم رفت.
آشنایی با محیط نرم افزار و ورود داده ها به نرم افزار
بخش های مختلف نرم افزار را به شما معرفی خواهیم کرد. درحوزه دادهکاوی، توانایی تشخیص نوع داده‌ها بسیار مهم است. نوع داده‌ها اغلب تعیین کننده نوع تحلیلی است که می تواند بر روی آنها اجرا شود. بنابراین در هنگام ورود داده ها به نرم افزار باید به نکاتی همانند تعیین نوع و نقش متغیرها دقت نمایید. در این دوره در مورد انواع مختلف متغیرها و نقش های مختلف متغیرها با شما صحبت خواهیم کرد.
اکتشاف در داده ها و مصورسازی داده ها
در این دوره در مورد رسم نمودارهای مختلف و تحلیل اکتشافی داده ها با شما صحبت خواهیم کرد.
آشنایی با انواع روش های پاکسازی داده ها
در این دوره به حل مشکلاتی هم چون داده های دورافتاده، داده های از دست رفته و رکوردهای تکراری پرداخته می شود. در نرم افزار رپیدماینر اپراتورهای قوی و کاربردی برای پاکسازی وجود دارد. شما را با مهم ترین اپراتورهای مورد نیاز برای پاکسازی داده ها آشنا خواهیم کرد.
آشنایی با انواع روش های پیش پردازش داده ها
یکپارچه سازی داده‌ها، تجمیع داده‌ها، انتخاب زیرمجموعه‌ای از ویژگی‌ها، نمونه‌گیری، نرمال‌سازی، گسسته سازی، خلق ویژگی
با مدلسازی نظارت شده (رده بندی و پیش بینی) آشنا خواهیم شد.
در این دوره نحوه انجام مدلسازی رده بندی و پیش بینی را فرا خواهید گرفت و شما را با مهم ترین الگوریتم های نظارت شده آشنا خواهیم کرد. برخی از الگوریتم های رده بندی و پیش بینی که در این دوره یاد خواهیم گرفت:
- انواع درخت های تصمیم، ID3، CHAID، Random forest، شبکه های عصبی مصنوعی، کا-نزدیک ترین همسایگی، نیوبیز، ماشین‌های بردار پشتیبان
- در بخش مربوط به مدلسازی رده بندی و پیش بینی با نحوه اعتبارسنجی مدل‌ها (k-fold و Split Validation )و همچنین ارزیابی مدل‌ها و محاسبه دقت مدل‌ها آشنا خواهید شد.
با مدلسازی بدون نظارت (خوشه بندی) آشنا خواهیم شد.
- شما را با مهم ترین الگوریتم های خوشه بندی آشنا خواهیم کرد. برخی از این الگوریتم ها عبارتند از: k-means، k-medoids، X-means
- مثالی در ارتباط با خوشه بندی RFM برای شما ارائه خواهد شد. پیش پردازش های لازم و نحوه خلق ویژگی های Recency، Frequency و Monetary در مجموعه داده مشتریان برای شما تشریح خواهد شد.
با مدل های کشف قوانین انجمنی آشنا خواهیم شد.
در این دوره به استفاده از الگوریتم کشف قوانین انجمنی FP-growth در قالب مثالی کاربردی پرداخته می شود و مدل استخراج قواعد اگر و آنگاه از پایگاه داده مشتری انجام خواهد شد.
Case Study 1: اجرای یک پروژه داده کاوی در Rapidmine
- در این بخش با ایده هایی به منظور استفاده از تکنیک های مختلف انتخاب ویژگی آشنا خواهید شد و یک روش ابتکاری و ترکیبی انتخاب ویژگی پیاده سازی خواهد شد.
Case Study 2: اجرای یک پروژه داده کاوی در Rapidmine
آشنایی با مدل های دو مرحله ای: ترکیب روش های خوشه بندی و رده بندی. در این بخش یک مدل دو مرحله ای خوشه بندی- رده بندی با استفاده از یک مجموعه داده پیاده سازی خواهد شد.
Case Study 3: اجرای یک پروژه داده کاوی در Rapidmine
آشنایی با مدل های دو مرحله ای: ترکیب روش های خوشه بندی و استخراج قوانین rule mining. در این بخش یک مدل دو مرحله ای خوشه بندی- استخراج قانون با استفاده از یک مجموعه داده پیاده سازی خواهد شد.
مخاطبان دوره
- پژوهشگران و افرادی که با داده‌ها سروکار دارند و در پی یادگیری روشهای تحلیل داده‌های مشتریان هستند
- مدیران، کارشناسان و صاحبان کسب‌وکارهایی که می‌خواهند از طریق جمع‌آوری داده‌های مشتریان و تحلیل آن، به فروش بیشتر دست‌یابند
- دانشجویان و فارغ‌التحصیلانی که می‌خواهند با دانش روز دادهکاوی کاربردی آشنا شوند و خود را برای یافتن شغل درزمینه‌ی دانش داده‌ها آماده سازند
شرکت در این دوره چه مزایایی دارد؟
- دسترسی به فیلم دوره
- هدیه کتاب تُندآموز رپیدماینر
- ارائه تمرین و پاسخ گویی به سوالات توسط مدرس مربوطه
- تحلیل داده ها بدون نیاز به برنامه نویسی
- آشنایی با داده کاوی بدون نیاز به آمار و ریاضیات سنگین
- تحلیل سریع و کارآمد داده ها با تمرکز بر داده های مشتریان
- اجرا و پیاده سازی سه مطالعه موردی در محیط نرم افزار
سوالات متداول
- این نرم‌افزار محیط گرافیکی زیبا و کاربرپسندی دارد که موجب تسهیل اجرای مراحل دادهکاوی میشود.
- این نرم‌افزار قوی و درعین‌حال ساده است و در بسیاری از صنایع و حوزه‌ها برای تحلیل داده‌ها مورد استفاده قرار می‌گیرد.
- برای دادهکاوی با این نرم‌افزار، نیازی به دانش برنامه نویسی نیست. به همین دلیل این نرم‌افزار طرفداران زیادی دارد.
- این نرم‌افزار برای افرادی که به‌تازگی قصد آموزش دادهکاوی را دارند، به دلیل سادگی یادگیری بسیار مفید است.
- این نرم‌افزار مجموعه مناسبی از ابزارهای اکتشاف داده‌ها، مصورسازی داده‌ها، مدلسازی و ارزیابی مدل را در برمی‌گیرد.
- این نرم‌افزار شامل مجموعه‌ای مناسبی از ابزارها و بیش از ۱۵۰۰ اپراتور برای اجرای تمام مراحل تبدیل و تجزیه‌وتحلیل داده‌ها است.
- این نرم‌افزار متن‌باز بوده و قابل توسعه است.
- برای شرکت هایی با اندازه بزرگ قابل استفاده است.
داده کاوی با رپیدماینر نسبت به زبان هایی مانند R و Python بسیار ساده تر بوده و در نتیجه اگر به تازگی یادگیری داده کاوی را آغاز کرده اید رپیدماینر می تواند انتخاب مناسبی برای شما باشد. رپیدماینر محیط ساده ای دارد و فرآیند یادگیری را تسهیل می کند. بسیاری از مدل هایی که در زبان های برنامه نویسی احتیاج به نوشتن کدهای زیادی دارد در نرم افزار رپیدماینر به راحتی و با استفاده از اپراتورهای مربوطه قابل اجرا است.
همچنین اگر در صنایع و سازمان های خود قصد انجام تحلیل های سریع از داده های خود را دارید می توانید به راحتی از این نرم افزار استفاده کنید چرا که در سایت رپیدماینر نیز ذکر شده است که ۳۰۰۰۰ شرکت در جهان از این نرم افزار به منظور تحلیل داده های مشتریان خود استفاده می کنند و این امر تأثیر سریع و قابل‌توجهی بر عملکرد آنها داشته و منجر به افزایش درآمد و کاهش هزینه‌ها و ریسک شده است
خیر، شرکت در این دوره پیش نیازی ندارد.
خیر نیازی نیست که پیش از دوره با الگوریتم های داده کاوی آشنا باشید. زمان بیشتری از این دوره به نرم افزار اختصاص خواهد داشت. ولی در حد آشنایی کلی شرکت کنندگان به توضیح نحوه کارکرد الگوریتم های رده بندی و پیش بینی، خوشه بندی و قواعد انجمنی پرداخته میشود.
بله. دسترسی به فیلم دوره امکان پذیر است.
بله این دوره برای افراد تازه کار بسیار مفید خواهد بود و در این دوره با داده کاوی و اجرای فرآیند تحلیل داده در نرم افزار رپیدماینر آشنا خواهند شد.
بعد از طی این دوره شما به طور کلی با فرآیند اجرای پروژه های داده کاوی آشنا خواهید شد و همچنین با مجموعه ای از پرکاربردترین اپراتورها در نرم افزار رپیدماینر آشنا می شوید. با استفاده از اپراتورهای معرفی شده در دوره می توانید پاکسازی و پیش پردازش داده ها، مدلسازی رده بندی و پیش بینی، مدل سازی خوشه بندی، مدلسازی کشف قوانین انجمنی، ارزیابی و اعتبار سنجی مدل ها را به راحتی انجام دهید. سه جلسه از این دوره به اجرا و پیاده سازی سه مطالعه موردی اختصاص دارد و در این جلسات مثال های عملی ارائه خواهد شد که می تواند ایده های عملی به منظور تحلیل داده ها در اختیار شما قرار دهد.
البته لازم به ذکر است که برای یادگیری بهتر و قوی تر نیاز است که فیلم های دوره را مجددا مشاهده نمایید و برای انجام تحلیل های حرفه ای تر از داده ها در دوره های آموزش زبان هایی مانند R و Python شرکت کنید.
مدرک دوره
ارائه مدرک مرکز دانش مدیریت ارتباط با مشتری به شرکت کنندگان در دوره
- گواهینامه آموزشی pin co تهران بدون هولوگرام (هزینه صدور 350 هزار تومان)
- گواهینامه آموزشی pin co تهران با هولوگرام (هزینه صدور 450 هزار تومان)
- گواهینامه آموزشی pin co بلغارستان با هولوگرام هزینه صدور 570 هزار تومان)
مدرس دوره
شقایق ابوالمکارم
- مشاور و مدرس داده کاوی- دانشجوی دکتری مهندسی صنایع
سوابق کاری و تدریس
- مدرس دوره های داده کاوی با استفاده از نرم افزار RapidMiner به مدت ۶ سال
- مدرس دوره های داده کاوی با استفاده از زبان R- به مدت ۴ سال
- ارائه خدمات مشاوره داده کاوی
- مشاور و مدرس داده کاوی در مرکز دانش مدیریت ارتباط با مشتری (مُدام)
پروژه ها و کارهای تحقیقاتی
- دسته بندی مشتریان شرکت پخش و توزیع موادغذایی و بررسی عوامل موثر بر هر دسته با استفاده از تکنیکهای داده کاوی
- مدل ارائه پیشنهاد پوشش بیمه ای بر اساس مشخصات مشتریان با استفاده از ترکیب روش های رده بندی و خوشه بندی
- مدل پیش بینی خرید پوشش بیمه ای توسط مشتریان با استفاده از روش های رده بندی
- مدل امتیازدهی رفتاری مشتریان بهمنظور بهبود نتایج کمپینهای بازاریابی با استفاده از تکنیکهای داده کاوی در فروشگاه خرده فروشی
- مدل پیش بینی ریسک اعتباری مشتریان بانکی با استفاده از ترکیب روش های داده کاوی و سیستم میشیگان فازی
- پیش بینی تمایل به بازگشت بیماران بر اساس امتیازات رضایتمندی و ویژگی های آن ها با استفاده از روشهای داده کاوی
- شناسایی گروه های محتلف مشتریان بانکی با استفاده از تکنیک های دادهکاوی و مدل LRFM
- مدل پیش بینی مدت زمان مورد نیاز برای فروش واحدهای مسکونی با استفاده از روش های انتخاب ویژگی دادهکاوی و رگرسیون
- استخراج قوانین اگر و آنگاه به منظور پیش بینی زمان انتظار فروش واحد های مسکونی با استفاده از الگوریتمهای کشف قوانین انجمنی
کتابها
- گنج پنهان- چگونه شرکت ها به کمک داده کاوی اطلاعات مشتریان، فروش خود را افزایش می دهند؟ نویسندگان: دکتر فرشید عبدی- شقایق ابوالمکارم، انتشارات چالش، ۱۳۹۸
- تُندآموز RapidMiner- کتاب راهنمای دادهکاوی و تحلیل اطلاعات مشتریان، نویسندگان: دکتر فرشید عبدی- شقایق ابوالمکارم، موسسه فرهنگی داده های طلایی خلیج فارس ایرانیان، ۱۳۹۸.
مقالات
- رویکرد جدید استفاده از نمودار ایشیکاوا برای تبیین ساختار علیت مدیریت دانش، یادگیری سازمانی و نوآوری- یازدهمین کنفرانس بین المللی مهندسی صنایع- ۱۷ و ۱۸ دی ماه ۱۳۹۳
- گروه بندی مشتریان شرکت بیمه ای با استفاده از تکنیک های داده کاوی- دوازدهمین کنفرانس بین المللی مهندسی صنایع- ۵ و ۶ بهمن ۱۳۹۴
- مدل امتیازدهی رفتاری مشتریان بهمنظور بهبود نتایج کمپینهای بازاریابی با استفاده از تکنیکهای دادهکاوی- شانزدهمین کنفرانس بین المللی مهندسی صنایع- ۲ و ۳ بهمن ۱۳۹۸
Kaveh Khalili-Damghani, Farshid Abdi, Shaghayegh Abolmakarem, Hybrid soft computing approach based on clustering, rule mining, and decision tree analysis for customer segmentation problem: Real case of customer-centric industries, Applied Soft Computing, 2018
Farshid Abdi, Kaveh Khalili-Damghani, Shaghayegh Abolmakarem , Solving customer insurance coverage sales plan problem using a multi-stage data mining approach, Kybernetes, 2018
Kaveh Khalili-Damghani, Farshid Abdi, Shaghayegh Abolmakarem, Solving customer insurance coverage recommendation problem using a two-stage clustering-classification model, International Journal of Management Science and Engineering Management, 2018
Farshid Abdi, Shaghayegh Abolmakarem, Customer Behavior Mining Framework (CBMF) using clustering and classification techniques, Journal of Industrial Engineering International, 2018
Shaghayegh Abolmakarem, Farshid Abdi, Kaveh Khalili-Damghani, Insurance customer segmentation using clustering approach, International Journal of Knowledge Engineering and Data Mining, 2016
Kaveh Khalili-Damghani, Farshid Abdi, Shaghayegh Abolmakarem, Profiling of Customers based on Clustering and Fuzzy Inference System- SUBMITTED
Kaveh Khalili-Damghani, Farshid Abdi, Shaghayegh Abolmakarem, A Hybrid Genetic Based Machine Learning Approach for Bank Customers Credit Scoring Assessment- SUBMITTE
نظرات برخی از شرکت‌کنندگان در دوره‌های قبلی
- جناب آقای مختاری: برگزاری این دوره بسیار کاربردی که قطعاً نمونه مشابه ندارد، باعث خوشحالی و امیدواری بنده بود. کیفیت برگزاری دوره و مدرس محترم از سطح بالایی برخوردار هستند که موجب جذب مخاطبان شده و حتما منتظر برگزاری دوره های بیشتر از سوی این مجموعه هستیم.
- جناب آقای نیما مومنی: ضمن تشکر از همه اساتید و کارشناسان محترم تیم مدام و ضمن تشکر از سرکار خانم دکتر ابوالمکارم دوره، دوره ی خوبی بود برای آشنایی بهتر دانش پژوهان پیشنهاد می گردد طول دوره به میزان یک یا دو جلسه اضافه شود. برای انجام یک کار پروژه ای کامل از پیش پردازش تا مدلسازی با تعیین هدف مشخص برای کسب و کار مشخص مثلا می توان هر یک از دانش پژوهان پروژه ها و بانک داده های خود را مطرح فرمایند و استاد نسبت به راهنمایی برای تهیه مدل مورد نظر هر دانش پژوه اقدام نماید.
- سرکار خانم مریم امیری: دوره برگزار شده رپیدماینر بسیار مفید و کاربردی بود. حوصله و صبر استاد در پاسخگویی سوالات در همه سطوح، ستودنی است. با سپاس از همه زحمات و لطف شما.
- جناب آقای عابدی: با توجه به اینکه مدرس کلاس خانم دکتر ابوالمکارم پروژه های عملی انجام داده بودند کلاس خیلی مفید بود و بسیاری از تجربیات و مشکلات در پاکسازی داده ها و یا استفاده از توابع مطرح شد که بسیار سودمند بود.
- جناب آقای حسین محمدی: من به شخصه از شرکت در کلاس داده کاوی لذت بردم. خانم دکتر مکارم علاوه بر دانش بالا و تجربه کاری مفید، بیان و لحن زیبایی دارند که فضای کلاس را دلنشین تر برای شرکت کنندگان کرده است.
- جناب آقای خشایار دماوندی: نظر به برگزاری دوره برای ۲ قشر علاقمندان به یادگیری نرم افزار و محتوی دوره به منظور استفاده در مبانی آکادمیک و یا مباحث کاربردی در صنایع مختلف، پیشنهاد می گردد که دوره در ۲ قالب آموزش برای دانشجویان و کارکنان صنایع ارائه گردد. پیشنهاد دوم در خصوص برگزاری دوره در نوبت دوم بر اساس اطلاعات هر یک از دانش پذیران در صنعت خود و یا مطالعات خود به صورت کارگاهی یا حتی مشاوره ای محتوی را اخذ نموده و به ایشان ارائه گردد. از صبر و تسلط استاد این دوره کمال تشکر را دارم.
مرکز دانش مدیریت ارتباط با مشتری(مُدام) تضمین می کند که در صورت نارضایتی، کل وجه پرداختی شما عودت داده شود.
فرم پیش ثبت نام در دوره
در صورت تمایل به شرکت در دوره می توانید فرم پیش ثبت نام در دوره را تکمیل نمایید.
