Đồ án ứng dụng JMP khai phá dữ liệu dịch vụ sửa nhà Melbourne - UFM

Đồ án môn học khai phá dữ liệu ứng dụng phần mềm JMP phân tích nhu cầu sử dụng dịch vụ sửa nhà tại Melbourne Úc, cung cấp giải pháp thực tiễn hiệu quả.

• Tác giả: Nguyễn Trần Tuyết Nhi
• Người hướng dẫn: ThS. Nguyễn Thị Trần Lộc
• Trường học: Trường Đại học Tài chính – Marketing
• Chuyên ngành: Công nghệ thông tin
• Đề tài: Ứng dụng JMP trong khai phá dữ liệu sử dụng dịch vụ sửa nhà ở Melbourne (Úc)
• Loại tài liệu: Đồ án môn học
• Năm xuất bản: 2021
• Địa điểm: TP. Hồ Chí Minh

Tóm tắt

I. Tổng quan về khai phá dữ liệu và JMP trong ngành bất động sản

Khai phá dữ liệu (data mining) giúp phát hiện kiến thức ẩn trong bộ dữ liệu lớn. Trong ngành bất động sản Melbourne, JMP là công cụ mạnh mẽ để phân tích dữ liệu sửa nhà. Dữ liệu thô về 2500 khảo sát nhà ở được tiền xử lý thành 19 thuộc tính. JMP hỗ trợ xây dựng mô hình dự báo hiệu quả. Phân tích này giúp doanh nghiệp tối ưu hóa dịch vụ và tăng lợi nhuận. Kết quả phân tích cung cấp thông tin về xu hướng sử dụng dịch vụ sửa chữa. Dữ liệu được sử dụng để dự đoán hành vi khách hàng. JMP cho phép tạo ra cây quyết định và mô hình phân lớp. Các mô hình này giúp xác định yếu tố ảnh hưởng đến quyết định sử dụng dịch vụ. Phân tích này giúp doanh nghiệp Melbourne hiểu rõ hơn về thị trường dịch vụ sửa nhà. JMP cung cấp công cụ trực quan để hiển thị kết quả phân tích. Dữ liệu được sử dụng để xây dựng chiến lược marketing hiệu quả. Kết quả phân tích giúp doanh nghiệp cải thiện dịch vụ và tăng độ hài lòng khách hàng.

1.1. Vai trò của khai phá dữ liệu trong ngành bất động sản

Khai phá dữ liệu giúp ngành bất động sản Melbourne phát hiện xu hướng mới. Nó cung cấp thông tin về nhu cầu sửa chữa nhà cửa. Dữ liệu được sử dụng để dự đoán hành vi khách hàng. JMP hỗ trợ xây dựng mô hình phân lớp và cây quyết định. Các mô hình này giúp xác định yếu tố ảnh hưởng đến quyết định sử dụng dịch vụ. Phân tích dữ liệu giúp doanh nghiệp tối ưu hóa dịch vụ và tăng lợi nhuận. Nó cung cấp thông tin về xu hướng sử dụng dịch vụ sửa chữa. Kết quả phân tích giúp doanh nghiệp cải thiện dịch vụ và tăng độ hài lòng khách hàng. JMP cung cấp công cụ trực quan để hiển thị kết quả phân tích.

1.2. Tính năng chính của phần mềm JMP trong khai phá dữ liệu

JMP cung cấp công cụ mạnh mẽ để phân tích dữ liệu. Nó hỗ trợ xây dựng mô hình dự báo và phân lớp. JMP cho phép tạo ra cây quyết định và mô hình phân nhóm. Công cụ này giúp phát hiện mẫu trong dữ liệu thô. JMP cung cấp các phương pháp thống kê tiên tiến. Nó hỗ trợ tiền xử lý dữ liệu và xây dựng mô hình. JMP cho phép tạo ra biểu đồ trực quan để hiển thị kết quả. Công cụ này giúp doanh nghiệp Melbourne hiểu rõ hơn về thị trường dịch vụ sửa nhà. JMP cung cấp công cụ để đánh giá tính chính xác của mô hình.

II. Phân tích vấn đề và nhu cầu sử dụng dịch vụ sửa nhà Melbourne

Dữ liệu về 2500 khảo sát nhà ở Melbourne được tiền xử lý thành 19 thuộc tính. Các thuộc tính quan trọng bao gồm thu nhập, số lượng con cái và tài sản. Dữ liệu này được sử dụng để phân tích nhu cầu sử dụng dịch vụ sửa nhà. JMP hỗ trợ xây dựng mô hình phân lớp và cây quyết định. Các mô hình này giúp xác định yếu tố ảnh hưởng đến quyết định sử dụng dịch vụ. Phân tích dữ liệu cho thấy thu nhập và tài sản là yếu tố quan trọng. Dữ liệu cũng cung cấp thông tin về xu hướng sử dụng dịch vụ sửa chữa. Kết quả phân tích giúp doanh nghiệp Melbourne hiểu rõ hơn về thị trường. JMP cho phép tạo ra biểu đồ trực quan để hiển thị kết quả phân tích. Dữ liệu được sử dụng để xây dựng chiến lược marketing hiệu quả. Phân tích này giúp doanh nghiệp tối ưu hóa dịch vụ và tăng lợi nhuận.

2.1. Các thuộc tính ảnh hưởng đến quyết định sử dụng dịch vụ

Thu nhập, số lượng con cái và tài sản là các thuộc tính quan trọng. Thu nhập thấp thường dẫn đến quyết định không sử dụng dịch vụ. Số lượng con cái cũng ảnh hưởng đến quyết định sử dụng dịch vụ. Tài sản như nợ hoặc tiết kiệm cũng là yếu tố quan trọng. Dữ liệu cho thấy thu nhập cao thường dẫn đến quyết định sử dụng dịch vụ. Số lượng con cái nhiều cũng ảnh hưởng đến quyết định này. Tài sản như tiết kiệm giúp khách hàng có khả năng sử dụng dịch vụ. JMP hỗ trợ phân tích các thuộc tính này để xác định mẫu trong dữ liệu.

2.2. Xu hướng sử dụng dịch vụ sửa nhà trong thị trường Melbourne

Dữ liệu cho thấy xu hướng sử dụng dịch vụ sửa nhà ở Melbourne. Khách hàng có thu nhập cao thường sử dụng dịch vụ nhiều hơn. Số lượng con cái cũng ảnh hưởng đến quyết định sử dụng dịch vụ. Tài sản như tiết kiệm giúp khách hàng có khả năng sử dụng dịch vụ. Dữ liệu cho thấy nhu cầu sửa chữa nhà cao trong khu vực này. JMP hỗ trợ phát hiện xu hướng này trong dữ liệu. Kết quả phân tích giúp doanh nghiệp hiểu rõ hơn về thị trường. Dữ liệu được sử dụng để xây dựng chiến lược marketing hiệu quả. Phân tích này giúp doanh nghiệp tối ưu hóa dịch vụ và tăng lợi nhuận.

III. Giải pháp và phương pháp sử dụng JMP trong phân tích dữ liệu

JMP hỗ trợ xây dựng mô hình phân lớp và cây quyết định. Các mô hình này giúp dự đoán hành vi khách hàng sử dụng dịch vụ. JMP cung cấp công cụ tiền xử lý dữ liệu hiệu quả. Nó hỗ trợ loại bỏ dữ liệu thiếu và sai lệch. JMP cho phép tạo ra biểu đồ trực quan để hiển thị kết quả phân tích. Công cụ này giúp doanh nghiệp Melbourne hiểu rõ hơn về thị trường. JMP hỗ trợ đánh giá tính chính xác của mô hình. Các mô hình này được xây dựng dựa trên dữ liệu thô về 2500 khảo sát. JMP cung cấp các phương pháp thống kê tiên tiến. Nó hỗ trợ phân tích dữ liệu và phát hiện mẫu ẩn. JMP cho phép tạo ra mô hình dự báo hiệu quả. Các mô hình này giúp doanh nghiệp tối ưu hóa dịch vụ và tăng lợi nhuận.

3.1. Xây dựng mô hình phân lớp và cây quyết định trong JMP

JMP hỗ trợ xây dựng mô hình phân lớp và cây quyết định. Các mô hình này giúp dự đoán hành vi khách hàng sử dụng dịch vụ. JMP cung cấp công cụ trực quan để tạo ra cây quyết định. Nó hỗ trợ phân tích các thuộc tính như thu nhập và tài sản. JMP cho phép đánh giá tính chính xác của mô hình. Các mô hình này được xây dựng dựa trên dữ liệu thô. JMP hỗ trợ loại bỏ dữ liệu thiếu và sai lệch. Công cụ này giúp doanh nghiệp hiểu rõ hơn về thị trường. JMP cung cấp các phương pháp thống kê tiên tiến để phân tích dữ liệu.

3.2. Ứng dụng của JMP trong việc tối ưu hóa dịch vụ sửa nhà

JMP hỗ trợ tối ưu hóa dịch vụ sửa nhà Melbourne. Nó cung cấp thông tin về xu hướng sử dụng dịch vụ. JMP cho phép tạo ra biểu đồ trực quan để hiển thị kết quả phân tích. Công cụ này giúp doanh nghiệp hiểu rõ hơn về nhu cầu khách hàng. JMP hỗ trợ xây dựng chiến lược marketing hiệu quả. Nó cung cấp thông tin về yếu tố ảnh hưởng đến quyết định sử dụng dịch vụ. JMP cho phép đánh giá tính chính xác của mô hình dự báo. Các mô hình này giúp doanh nghiệp tối ưu hóa dịch vụ và tăng lợi nhuận. JMP hỗ trợ phát hiện mẫu trong dữ liệu thô.

IV. Kết luận và ứng dụng thực tế của nghiên cứu

Nghiên cứu sử dụng JMP trong khai phá dữ liệu dịch vụ sửa nhà Melbourne cho kết quả tích cực. Thu nhập, số lượng con cái và tài sản là các yếu tố quan trọng ảnh hưởng đến quyết định sử dụng dịch vụ. JMP hỗ trợ xây dựng mô hình dự báo hiệu quả. Các mô hình này giúp doanh nghiệp tối ưu hóa dịch vụ và tăng lợi nhuận. Kết quả phân tích cung cấp thông tin về xu hướng sử dụng dịch vụ sửa chữa. JMP cung cấp công cụ trực quan để hiển thị kết quả. Nghiên cứu này giúp doanh nghiệp hiểu rõ hơn về thị trường Melbourne. JMP hỗ trợ phát hiện mẫu trong dữ liệu thô. Các mô hình dự báo giúp doanh nghiệp xây dựng chiến lược marketing hiệu quả. Kết quả nghiên cứu có thể áp dụng vào các ngành khác trong lĩnh vực bất động sản.

4.1. Kết quả chính từ phân tích dữ liệu sử dụng JMP

Thu nhập cao và tài sản như tiết kiệm là yếu tố quyết định sử dụng dịch vụ. JMP phát hiện mẫu trong dữ liệu về nhu cầu sửa chữa nhà. Các mô hình dự báo hiệu quả giúp doanh nghiệp tối ưu hóa dịch vụ. Kết quả phân tích cung cấp thông tin về xu hướng thị trường. JMP hỗ trợ đánh giá tính chính xác của mô hình. Các mô hình này giúp doanh nghiệp hiểu rõ hơn về nhu cầu khách hàng. Kết quả nghiên cứu có thể áp dụng vào các dự án tương tự trong ngành bất động sản.

4.2. Ứng dụng thực tế của nghiên cứu trong ngành bất động sản

Doanh nghiệp Melbourne có thể sử dụng kết quả nghiên cứu để tối ưu hóa dịch vụ. JMP hỗ trợ xây dựng chiến lược marketing hiệu quả. Các mô hình dự báo giúp doanh nghiệp hiểu rõ hơn về thị trường. Nghiên cứu này có thể áp dụng vào các ngành khác trong lĩnh vực bất động sản. JMP cung cấp công cụ phân tích dữ liệu mạnh mẽ. Kết quả nghiên cứu giúp doanh nghiệp tăng lợi nhuận và cải thiện dịch vụ. Các mô hình dự báo hiệu quả hỗ trợ quyết định kinh doanh.

Trích đoạn nội dung tài liệu

CHƯƠNG 1: TỔNG QUAN 1. Lý do hình thành đồ án Để giúp các nhà đầu tư có thêm thông tin để phát triển các dịch vụ sửa chữa nhà và mua bán xe thì nhóm chúng em dùng JMP khai phá bộ dữ liệu dùng dịch vụ sửa nhà và mua xe để đưa ra các quyết định cho doanh nghiệp. Khai phá dữ liệu đồng thời cũng giúp doanh nghiệp phát hiện ra những sai sót, hỗ trợ phát triển các dự đoán trong tương lai, tìm thấy những điểm mạnh và yếu để từ đó sửa chữa và phát triển. Mục tiêu đồ án Đề tài “Ứng dụng JMP Pro khai phá sử dụng dịch vụ sửa nhà ở Úc ” hướng đến các mục tiêu cơ bản sau: - Sử dụng công cụ JMP để phân tích dữ liệu, trực quan hóa dữ liệu để chủ doanh nghiệp xem xét , đánh giá và đưa ra những quyết định.

- Khai thác có hiệu quả với bộ dữ liệu mà nhóm đã tiền xử lý. - Giúp doanh nghiệp đưa ra các quyết định nhanh chóng, cũng như khả năng thấu hiểu khối lượng dữ liệu khổng lồ. - Hỗ trợ phân tích trực tuyến một cách thực tế. Dự kiến kết quả đạt được ● Biết cách tiền xử lý dữ liệu ● Dùng phần mềm JMP thực hiện các phương pháp khai phá đã học để khai phá dữ liệu.

● Ứng dụng kiến thức đã học tiến hành làm cây ra quyết định, gom cụm, luật kết hợp. 1 Ứng dụng JMP trong khai phá dữ liệu sử dụng dịch vụ sửa nhà ở Melbourne (Úc) CHƯƠNG 2: CƠ SỞ LÝ THUYẾT 2. Giới thiệu về khai phá dữ liệu 2.1 Khái niệm Khai phá dữ liệu như là một quy trình phân tích được thiết kế để thăm dò một lượng cực lớn các dữ liệu nhằm phát hiện ra các mẫu thích hợp hoặc các mối quan hệ mang tính hệ thống giữa các biến và sau đó sẽ hợp thức hoá các kết quả tìm được bằng cách áp dụng các mẫu đã phát hiện được cho các tập con mới của dữ liệu. Quy trình này bao gồm ba giai đoạn cơ bản: thăm dò, xây dựng mô hình hoặc định nghĩa mẫu, hợp thức/kiểm chứng.2 Vai trò của khai phá dữ liệu trong kinh doanh Vai trò của khai phá dữ liệu: ● Phân tích và quản lý thị trường ● Phân tích doanh nghiệp và quản lý rủi ro ● Phát hiện gian lận ● Phát hiện xâm nhập bất hợp pháp Khi các kho dữ liệu lần đầu tiên xuất hiện vào cuối những năm 1980, mục đích của chúng là giúp dữ liệu chuyển từ các hệ thống vận hành sang các hệ thống hỗ trợ quyết định DSS.

Những kho dữ liệu ban đầu này đòi hỏi một lượng lớn dự phòng. Hầu hết các tổ chức có nhiều môi trường DSS phục vụ những người dùng khác nhau. Mặc dù các môi trường DSS sử dụng nhiều dữ liệu giống nhau, việc thu thập, làm sạch và tích hợp dữ liệu thường được sao chép cho từng môi trường. Khi các kho dữ liệu trở nên hiệu quả hơn, chúng đã phát triển từ các kho thông tin hỗ trợ nền tảng BI truyền thống thành các cơ sở hạ tầng phân tích rộng rãi hỗ trợ nhiều loại ứng dụng, chẳng hạn như phân tích hoạt động và quản lý hiệu suất.

Việc lặp lại kho dữ liệu đã tiến triển theo thời gian để mang lại giá trị gia tăng gia tăng cho doanh nghiệp. 2 Ứng dụng JMP trong khai phá dữ liệu sử dụng dịch vụ sửa nhà ở Melbourne (Úc) Ngày nay, AI và máy học đang biến đổi hầu hết mọi ngành, dịch vụ và tài sản doanh nghiệp và Data Warehouse cũng không ngoại lệ. Việc mở rộng dữ liệu lớn và ứng dụng các công nghệ kỹ thuật số mới đang thúc đẩy sự thay đổi về các yêu cầu và khả năng của kho dữ liệu. Các kho dữ liệu độc lập là bước đi mới nhất trong quá trình nâng cấp này, cung cấp các doanh nghiệp khả năng trích xuất giá trị lớn hơn từ dữ liệu trong khi giảm chi phí và cải thiện độ tin cậy và hiệu suất kho dữ liệu.3 Quy trình khai phá dữ liệu Quy trình khai phá dữ liệu thông thường gồm 10 bước: Bước 1: Nghiên cứu lĩnh vực Ta cần nghiên cứu lĩnh vực cần sử dụng Data mining để xác định được những tri thức ta cần chắt lọc, từ đó định hướng để tránh tốn thời gian cho những tri thức không cần thiết.

Bước 2: Tạo tập tin dữ liệu đầu vào Ta xây dựng tập tin để lưu trữ các dữ liệu đầu vào để máy tính có thể lưu trữ và xử lý. Bước 3: Tiền xử lý Ở bước này ta tiến hành bỏ bớt những dữ liệu rườm rà, không cần thiết, tinh chỉnh lại cấu trúc của dữ liệu và mã hóa chúng để tiện cho quá trình xử lý. Bước 4: Rút gọn chiều Thông thường một tập dữ liệu có chiều khá lớn sẽ sinh ra một lượng dữ liệu khổng lồ, ví dụ với n chiều ta sẽ có 2^n tổ hợp. Do đó, đây là một bước quan trọng giúp giảm đáng kể hao tổn về tài nguyên trong quá trình xử lý tri thức.

Bước 5: Chọn tác vụ khai thác dữ liệu Để đạt được mục đích ta cần, ta cần chọn được tác vụ khai thác dữ liệu sao cho phù hợp. Thông thường có các tác vụ sau: * Đặc trưng (feature) 3 Ứng dụng JMP trong khai phá dữ liệu sử dụng dịch vụ sửa nhà ở Melbourne (Úc) * Phân biệt (discrimination) * Kết hợp (association) * Phân lớp (classification) * Gom cụm (clusterity) * Xu thế (trend analysis) * Phân tích độ lệch * Phân tích hiếm Bước 6: Chọn các thuật giải khai thác dữ liệu Bước 7: Khai thác dữ liệu: Tìm kiếm tri thức Sau khi tiến hành các bước trên thì đây là bước chính của cả quá trình, ta sẽ tiến hành khai thác và tìm kiếm tri thức. Bước 8: Đánh giá mẫu tìm được Ta cần đánh giá lại xem trong các tri thức tìm được, ta sẽ sử dụng được những tri thức nào, những tri thức nào dư thừa, không cần thiết Bước 9: Biểu diễn tri thức Ta biểu diễn tri thức vừa thu thập được dưới dạng ngôn ngữ tự nhiên và hình thức sao cho người dùng có thể hiểu được những tri thức đó. Bước 10: Sử dụng các tri thức vừa khám phá Ta có thể tham khảo tiến trình KDD (Knowledge Discovery in Databases) để hiểu rõ hơn về Khai thác dữ liệu: 2.2 Kho dữ liệu 2.1 Kiến trúc luồng dữ liệu Đơn giản nhất: gồm một kho dữ liệu đầu cuối 4 Ứng dụng JMP trong khai phá dữ liệu sử dụng dịch vụ sửa nhà ở Melbourne (Úc) Rất phức tạp: gồm nhiều kho dữ liệu trung gian, được sử dụng trong những hệ thống lớn Tuy nhiên, hầu hết các kiến trúc được sử dụng phổ biến gồm 3 kiến trúc sau: ● Kiến trúc DDS đơn ● Kiến trúc NDS+DDS ● Kiến trúc ODS+DDS Kiến trúc DDS ĐƠN Kiến trúc NDS+DDS Kiến trúc ODS+DDS - Kiến trúc có thành phần chính - Kiến trúc khá phổ - Tương tự như kiến là một kho dữ liệu trung tâm, là biến, tương tự với trúc NDS+DDS vùng kiến trúc đơn giản nhất của kho kiến trúc DDS đơn, dữ liệu hoạt động này dữ liệu.

nhưng có thêm một cũng là một cơ sở vùng chứa dữ liệu dạng chuẩn hoá cao. - Chỉ bao gồm kho dữ liệu đầu trung gian là vùng cuối và một vùng xử lý. - Nó không lưu dữ chứa dữ liệu chuẩn liệu lịch sử. - Dữ liệu chỉ được sử dụng 1 hoá NDS.

- Vùng dữ liệu hoạt - Là kiến trúc bao động có cấu trúc - Không hỗ trợ việc tạo ra gồm vùng xử lý, vùng nghiêng về dạng cơ sở nhiều kho dữ liệu phục vụ cho dữ liệu chuẩn hoá, và dữ liệu phục vụ giao nhiều mục đích khác nhau dựa kho dữ liệu đầu cuối. trên dữ liệu sẵn có. - Dữ liệu có thể tái sử -Đóng vai trò như là - Kiến trúc đơn giản, ít công dụng. một csdl tập trung mà đoạn xử lý, thuận lợi khi xây - Thời gian thực hiện ở đó, ứng dụng đầu dựng những kho dữ liệu nhỏ.

một chu kì nạp dữ liệu cuối cho phép khai lâu hơn so với kiến thác trên nó. - Kiến trúc phức tạp, tốn - Không thể tái sử thêm không gian lưu 5 Ứng dụng JMP trong khai phá dữ liệu sử dụng dịch vụ sửa nhà ở Melbourne (Úc) trữ, vùng chứa dữ liệu dụng dữ liệu. trung gian không - Tận dụng làm cơ sở được tận dụng vào dữ liệu tập trung phục mục đích khác. vụ giao tác cho ứng dụng đầu cuối.

- Các gói ETL để đưa dữ liệu từ vùng dữ liệu hoạt động vào kho dữ liệu đầu cuối phức tạp hơn. Vùng dữ liệu hoạt động có thể bị gián đoạn khi nạp kho dữ liệu.2 Kho dữ liệu và khai phá dữ liệu trong BI Có 3 loại kho dữ liệu: -Xử lý thông tin: hỗ trợ truy vấn, phân tích thống kê cơ bản và báo cáo sử dụng crosstab, bảng, biểu đồ hoặc đồ thị. - Xử lý phân tích: hoạt động trên dữ liệu lịch sử, phân tích số liệu dữ liệu kho dữ liệu theo chiều sâu. - Khai thác dữ liệu: hỗ trợ khám phá kiến thức bằng cách tìm kiếm các mẫu ẩn và các hiệp hội, xây dựng các mô hình phân tích, thực hiện phân loại và dự đoán, trình bày các kết quả khai thác bằng các công cụ trực quan.3 Các phương pháp trong khai phá dữ liệu 6 Ứng dụng JMP trong khai phá dữ liệu sử dụng dịch vụ sửa nhà ở Melbourne (Úc) 2.1 Phương pháp phân lớp Phân lớp là một hình thức học được giám sát tức là: tập dữ liệu huấn luyện (quan sát, thẩm định) đi đôi với những nhãn chỉ định lớp quan sát , những dữ liệu mới được phân lớp dựa trên tập huấn luyện.

Kỹ thuật phân lớp được tiến hành bao gồm 2 bước: Xây dựng mô hình và sử dụng mô hình. Xây dựng mô hình: là mô tả một tập những lớp được định nghĩa trước trong đó : mỗi bộ hoặc mẫu được gán thuộc về một lớp được định nghĩa trước như là được xác định bởi thuộc tính nhãn lớp , tập hợp của những bộ được sử dụng trong việc sử dụng mô hình được gọi là tập huấn luyện. Mô hình được biểu diễn là những luật phân lớp, cây quyết định và những công thức toán học. Sử dụng mô hình : Việc sử dụng mô hình phục vụ cho mục đích phân lớp dữ liệu trong tương lai hoặc phân lớp cho những đối tượng chưa biết đến .