ارائه مدلی جهت پیش‌بینی موضوعات مرتبط با هوشمندی کسب‌وکار

نوع مقاله: مقاله پژوهشی

نویسندگان

1 دانشجوی دکتری مدیریت فناوری اطلاعات، دانشکده مدیریت دانشگاه تهران، تهران، ایران

2 استاد گروه مدیریت فناوی اطلاعات دانشکده مدیریت دانشگاه تهران، تهران، ایران

3 دانشیار گروه مدیریت دانشکده علوم اجتماعی و اقتصاد دانشگاه الزهرا(س)، تهران، ایران

چکیده

امروزه بسیاری از کالاها ازجمله کتاب از طریق اینترنت و به‌صورت آنلاین به فروش می­رسد و به‌تبع آن لازم است اطلاعات دقیق­تری در ارتباط با کالا در اختیار مشتری قرار داده شود تا تصمیم خریدش آگاهانه و هوشمندانه­تر باشد. سایت آمازون، وب‌سایتی است که اطلاعات کتاب­ها را برای خرید آنلاین در اختیار کاربران قرار می­دهد. یکی از مشکلات در انتخاب کتاب از سایت آمازون مشخص نبودن زیرشاخه­های مربوط به موضوع اصلی است. آگاهی از این زیر موضوع‌ها خریداران را در انتخاب هوشمندانه‌تر و درنتیجه خرید بهتر یاری می­کند. در این تحقیق تلاش گردیده تا با داده­های استخراج‌شده از سایت آمازون و با استفاده از روش­های خوشه­بندی و طبقه‌بندی موضوعات و زیر حوزه­های مرتبط با هوشمندی کسب‌وکار به‌عنوان نمونه استخراج و درنهایت مدلی جهت پیش‌بینی موضوعات مرتبط با هوشمندی کسب‌وکار ارائه گردد. با استفاده از مدل پیش‌بینی، با ارائه عنوان و مقدمه کتاب­های مرتبط با هوشمندی کسب‌وکار زیر موضوع مرتبط با کتاب پیش­بینی می­گردد. نتایج تحلیل نشان می­دهد هفت خوشه مرتبط با هوشمندی کسب‌وکار به ترتیب ابزارهای هوشمندی کسب‌وکار و مصورسازی، رفتار سازمانی، مدیریت فرآیندها و دانش، سیستم‌های پشتیبانی تصمیم، رهبری، متن‌کاوی و پایگاه داده است. درنهایت درخت تصمیم و نزدیک‌ترین همسایه با دقت بالاتری مدل پیش‌بینی موضوعات مرتبط با هوشمندی کسب‌وکار را ارائه می­نمایند.

کلیدواژه‌ها


عنوان مقاله [English]

Presenting a Model to Predict Business Intelligence Domain

نویسندگان [English]

  • Fatemeh Abbasi 1
  • Babak Sohrabi 2
  • Ameneh Khadivar 3
  • Amir Manian 2
1 PhD Candidate in IT, Faculty of Management, University of Tehran, Tehran, Iran
2 Prof. in IT, Faculty of Management, University of Tehran, Tehran, Iran
3 Associate Prof., Dep. of Social and Economic, AL-Zahra University, Tehran, Iran
چکیده [English]

In recent years, the volume of data and information exchanged over web pages, social networks, emails, and blogs is increasing. Most of the information that is exchanged and stored is in text format, which is very valuable given the huge amount of text data that is analyzed and discovered from these data. Text mining is one of the most important methods to extract knowledge from structured data which help organizations to achieve their goals. These days most of products like books purchased via internet or online. So that customers need dedicated information to make the decision to buy products more intelligently and smartly. Amazon is one of trading website which give related information to their customer for online buying. One of problem for these method for buying books is subcategory of books is not cleared which customer may buy unwanted books. In this research we tried to present predicting model to predict topic related to Business Intelligence by using text mining methods. Results show that Business Intelligence tools and visualization, behavioral organization, process management, decision support system, leadership, text mining and database are seven clusters which related to Business Intelligence.

کلیدواژه‌ها [English]

  • Business Intelligence
  • Text Mining
  • Clustering
  • Classification
  • Structured Data

پرئی، اعظم السادات و حجت اله حمیدی. 1395. "ارائه رویکردی برای مدیریت و سازماندهی اسناد متنی با استفاده از تجزیه وتحلیل هوشمند متن." پردازش و مدیریت اطلاعات.

لطفی آذری داریان، سولماز و رضا جاویدان. 1395. "استفاده از روشهای داده‌کاوی به منظور تسهیل جستجو در موتورهای جستجوگر متنی." بیست و چهارمین کنفرانس برق ایران. شیراز. 2809-2817.

Aggarwal, Charu C and Zhai, ChengXiang. 2012. Mining text data. Springer.

Bouldin, Davies D.L. 1979. “A cluster separation measure.” IEEE Transactions on Pattern Analysis and Machine Intelligence 224-227.

Chakraborty , Rakhi . 2013. “Domain Keyword Extraction Technique: A New Weighting Method Based on Frequency Analysis.” Computer Science & Information Technology 109-118.

Chapman, Pete . 2000. CRISP-DM 1.0 Step-by-step data mining guide. USA and Denmark: CRISP consortium.

Chen, Hsinchun , Roger H. L. Chiang, و Veda C. Storey. 2012. “Business Intelligence and Analysis:from Big Data to Big Impact.” MIS Quarterly 1165-1188.

Chibelushi, Caroline , و Mike Thelwall . 2009. “Text Mining for Meeting Transcript Analysis to Extract Key Decision Elements.” International MultiConference of Engineers and Computer Scientists 710-715.

Chowdary, N Sunil , D Sri Lakshmi Prasanna, و P Sudhakar. 2014. “Evaluating and Analyzing Clusters in DataMining using Different Algorithms.” International Journal of Computer Science and Mobile Computing 86-99.

Gupta , V, و G.S Lehal . 2009. “A Survey of Text Mining Techniques and Applications Emerging Technologies in Web Intelligence,.” Academy Publisher 60-76.

Gurusamy, Vairaprakash, و Subbu Kannan. 2014. “Preprocessing Techniques for Text Mining.” RTRICS. Podi.

Hofmann, Markus , و Andrew Chisholm. 2016. Text Mining and Visualization Case Studies Using Open-Source Tools. Broken Sound Parkway NewYork: Taylor & Francis Group.

JALIL, Abdennour Mohamed , Imad HAFIDI, Lamiae ALAMI, و ENSA Khouribga. 2016. “Comparative Study of Clustering Algorithms in Text Mining Context.” International Journal of Interactive Multimedia and Artificial Intelligence 42-45.

Katariya, Nikita P, و M S Chaudhari. 2015. “Text Preprocessing for Text Mining Using Side Information.” International Journal of Computer Science and Mobile Applications 1-5.

Korde, Vandana , و C Namrata Mahender. 2012. “Text Classification and Classifiers:A Survey.” International Journal of Artificial Intelligence & Applications (IJAIA) 85-99.

Kumar B, Sathees, و Karthika R. 2014. “A Survey on Text Mining Process and Techniques.” International Journal of Advanced Research in Computer Engineering & Technology (IJARCET) 2279-2284.

Kumar, B Shravan and Ravi, Vadlamani. 2016. “A survey of the applications of text mining in financial domain.” Knowledge-Based Systems 128-147.

Kuo.R.J. An.Y. L., Wang .H .S., و Chung .W . J. 2006. “Integration of self-organizing feature maps neural network and genetic K-means algorithm for market segmentation.” Expert Systems with Application 331-324.

Liao, S H, P H Chu, و P Y Hsiao. 2012. “Data mining techniques and applications–a decade review from 2000 to 2011.” Expert Systems with Applications 11 303–11 311.

LIM, EE-PENG , HSINCHUN CHEN, و GUOQING CHEN. 2013. “Business Intelligence and Analytics: Research Directions.” ACM Transactions on Management Information Systems 17:1-17:10.

Miner, Gary, Dursun Delen, John Elder, Andrew Fast, Thomas Hill, و Robert A. Nisbet. 2012. Practical Text Mining and Statistical Analysis for Non-structured Text Data Applications. Waltham,USA: Academic Press.

Moro, Sérgio , Paulo Cortez, و Paulo Rita. 2015. “Business intelligence in banking: A literature analysis from 2002 to 2013 using text mining and latent Dirichlet allocation.” Expert Systems with Applications 1314–1324.

Nayak, Arjun Srinivas, Ananthu P Kanive, Naveen Chandavekar, و Balasubramani R. 2016. “Survey on Pre-Processing Techniques for Text Mining.” International Journal Of Engineering And Computer Science 5 (6): 16875-16879.

Negash, Solomon . 2004. “Business Intelligence.” Communications of the Association for Information Systems 176-196.

Obeidat, Muhammad , Sarah North, Max North, و Vebol Rattanak. 2014. “Business Intelligence Domain and Beyond.” Universal Journal of Industrial and Business Management 127-134.

Olorisade, Babatunde Kazeem , Pearl Brereton, و Peter Andras. 2017. “Reproducibility of studies on text mining for citation screening in systematic reviews: Evaluation and checklist.” Journal of Biomedical Informatics 1-13.

Ramasubramanian, C, و R Ramya. 2013. “Effective Pre-Processing Activities in Text Mining using Improved Porter’s Stemming Algorithm.” International Journal of Advanced Research in Computer and Communication Engineering 4536-4538.

Ranjan, Jayanthi. 2009. “Business Intelligence: Concepts, Components, Techniques and Benefits.” Journal of Theoretical and Applied Information Technology 60-70.

Sagayam, R. 2012. “survey of text mining: Retrieval, extraction and indexing techniques.” International Journal of Computational Engineering Research 1443-1446.

Singh, Hardeep. 2016. “Clustering of text documents by implementation of K-means algorithms.” Streamed Info-Ocean 53-63.

Talib, Ramzan, Muhammad Kashif Hanif, Shaeela Ayesha, و Fakeeha Fatima. 2016. “Text Mining: Techniques, Applications and Issues.” International Journal of Advanced Computer Science and Applications 414-418.

Truyens, Maarten and Van Eecke, Patrick. 2014. “Legal aspects of text mining.” Computer law & security review 153--170.

Weiss, S M, N Indurkhya, T Zhang, و F Damerau. 2010. “Text mining:predictive methods for analyzing unstructured information.” Springer Science and Business Media.

Weng, S, و Y Lin . 2003. “A study on searching for similar documents based on multiple concepts and distribution of concepts.” Expert Systems with Applications, 355-368.