資料來源：Visual Numerics

主題：威能信息的產品信息

PV-WAVE 產品家族：PV-WAVE、TS-WAVE 以及 JWAVE！

主要的運算 Function 來自 IMSL (International Mathematics and Statistics Library)

我們可以在 Wikipedia 找到更詳細的說明：Click Here!

Regards, 工頭 George

資料來源：睿商在線 – 新聞中心

主題：危機下 BI 迎來新契機

人物：SAP 子公司 Business Objectives 中國區首席顧問 魯百年博士

2008 年的突破

• 應用內容的增加
• 行業應用的增加 (從電信、金融為主，擴大到其他行業)
• 內容方面 “質” 的提昇 (從 75% 報表 + 20% 多維分析 + 5% 數據挖掘 到 “更多的數據分析”)
• 由部門級的應用 (銷售、績效分析) 提昇到企業級的應用 (財務獲利分析、ERP、整體企業績效管理、等)

2009 年的熱點應用

• G (公司治理)
• R (風險管理)
• C (合規？)

Said:

1. SI 公司的 Solution 主要還是落在平台與軟件上，訣竅在公司治理、風險管理的制度規劃與策略選擇，S/W 只是實現這些 concept 、 construct 與 Measure 的工具。
2. SI 公司為了協助客戶解決這些問題、either 是自己培養行業的顧問 or 將這部份高端的諮詢委外。
3. 隨著 BI 在業界的使用越來越普遍、簡易型的 BI Solution 將由企業自行解決。
4. 對外部的 consultant 而言，往高端走、專注於某些行業，應該是比較 OK 的發展與成長策略。

Regards, 工頭 George

資料內容：Datamining.com.tw – Traffic Details from Alexa

透過 Alexa 追蹤 DataMining.Com.Tw 的 Ranking；
全世界來看，約莫落在 400 多萬左右 … 慢慢努力吧！

Regards, 工頭 George

維基百科：笛卡兒 (René Descartes) 於 1637 年出版的哲學著作 (Discours de la méthode) 指出，研究問題的方法分四個步驟：

1. 只要沒有經過自己切身體會的問題，不管有什麼權威的結論，都可以懷疑。就是著名的「懷疑一切」理論。
2. 可以將要研究的複雜問題，盡量分解為多個比較簡單的小問題，一個一個地分開解決。
3. 將這些小問題從簡單到複雜排列，先從容易解決的問題著手。
4. 將所有問題解決後，再綜合起來檢驗，看是否完全，是否將問題徹底解決了。

方法論：研究 “研究方法” 的方法！

Data Mining 這個 Domain 的廠商都各自有提出所謂的方法論，其中 SPSS 的 CRISP-DM 算是 awareness 比較高的一個吧！其中 Clementine 的普及，應該有不小的功勞。

Regards, 工頭 George

資料來源：IT 商業新聞網 – 信息化

主題：數據問題掣肘零售業 CIO 探討數據分析

文章先將 CIO 與 Analyst 的 責任 區隔為

1. CIO 是要從戰略層面上規劃企業的商業智能架構、而
2. Analyst 則是從邏輯層面上將 “數據分析主題” 推導出有實用價值的 Model 與算法

對於 CIO 的責任、值得關注的有兩項：

• 數據倉庫平台的選擇
• 商業智能項目的階段特徵 (導入前後角色的轉換)

對於 Analyst 的 Demo and/or Example：

• 客戶價值矩陣分析
• RFV 三維分類模型 (即 RFM 模型)
• 客戶生命周期分析
• 啤酒與尿布 (Basket Analysis)

Said:

首先想要討論的是 Analysis 這一塊 Outsourcing 的問題

1. 從工具的 Distribution 趨勢看：隨著 BI 工具的功能越來越多，對參與分析人員的 Skill 要求將會越來越低，Entry Level 的分析將會類似 Office 套件般的日益普及。
2. 從分析人員的培養與需求看：一般 Analyst 的培養在 3~5 間會是較成熟的程度，但很少能夠持續停留在純 Analyst 的 Career 上，不是離開企業成為獨立的 SOHO、就是轉為管理者的角色。
3. 所以探討 CIO vs. Analyst 的責任，不若討論 Client vs. Agent 的關係。

至於 Analysis 的課題？ Depends on 分析的目的 and 架構：

• 跟 Acquisition 有關的分析：如何找到 “對” 的 Prospects，所以 Classification、Segmentation、Probability of Acquired、等 
• 跟 Penetration 有關的分析：如何 “增加” Customer 的 Spending？所以需要 Basket Analysis、Probability of Cross Sell、RFM、SOW、等
• 跟 Retention 有關的分析：Attrition Analysis、生命周期分析、Markov Chain Migration 分析、等
• 跟 Efficiency 有關的分析：ROI Analysis、組合模型的最佳化、等

解決方案的設計還要看 Marketing Model 的假說 (Hypothesis)，依 Hypothesis 解釋 Customer 的行為與需求！所以除了上面的一些 example 外，其實還有許多其他的 ideas 有待我們去 explore 的。

AND 其次；對 customer 需求的探索經常需要結合 Database 與 Research 的資料，所以這個時候，類似 Conjoint Analysis 與 Hierarchical Bayesian 這樣的 technology 就必須要考慮進來了。

資料來源：世界日報

Data Mining 在 醫療、保險 的 Fraud 是相當普遍的應用，一般多是透過 outliers 的分析，找異常的狀況，或是透過 Predictive Model 找 Fraud 的 probability …

這個是 2007/12/27 quote 的文章，當時接 BLI 的項目，所以對這方面的資料也比較留意一些，總的來說，跟 Financial 相關的行業，對 Fraud 都相對比較重視，只是 Fraud 主要是在節流與防弊，對行銷來說，似乎開源會比較重要吧 ???

找時間再把這方面的 paper 整理一下 …

Regards, 工頭 George

資料來源：IT 商業新聞網

主題：從營銷角度認識 CRM 與數據庫營銷體系

Said:

1. 大陸 said “數據庫營銷”，這邊說 “資料庫行銷”、就是 “Database Marketing” 啦，並不是個新的 Term，只是這個 term 通常不像它的應用 (例如：CRM, Direct Marketing, Data Mining, etc.) 那樣被提及，但這些東西的核心其實是差異不大的。

2. 從 Business 的角度來看，能解決 Bottom Line 的才是正道理，不管是什麼 Term，要處理的就是 Customer Needs and/or Corporate Profitability … “We Sell, or Else!”

3. 個人覺得：在這個 Domain 要有些成就的話 (不談 SI 方面的發展)，可能需要在 Database (SQL, Data Preparation, etc.)、Statistics (特別是多變量分析, HB, etc.)、以及 Domain Knowledge (行業知識) 等三個方面要有些經驗與能力才是。

Regards, 工頭 George

資料來源：技術開發 @ IT168

To be Followed, this February …

Regards, 工頭 George