|
|
Web Analytics: Identifikace nových trendů
Slavík, Michal ; Kliegr, Tomáš (vedoucí práce) ; Nekvasil, Marek (oponent)
Tématem práce jsou nástroje pro analýzu návštěvnosti webových stránek a cílem je identifikace trendů v tomto tržním odvětví i předmětu vědeckého zájmu. V oblasti teorie je cíle dosaženo analýzou dostupné literatury, znalosti z praxe jsou zjišťovány terénním výzkumem, jehož účastníky jsou zástupci tří firem působících v oblasti SEO. Identifikovány jsou tyto trendy: nárůst poptávky po aplikacích Web Analytics, zvyšování zájmu o vzdělávací kurzy, rozšiřování záběru aplikací na měření sociálních sítí a Webu 2.0 a ve sféře výzkumu využití sémantických informací. Práce také nastiňuje principy technik zkoumaných v oblasti Web Usage Miningu: asociačních pravidel, shlukování, sekvenčních vzorů a zobecňování dotazů. Dle výsledků terénního výzkumu projevila praxe největší zájem o techniku shlukování. První dvě kapitoly seznamují čtenáře s oblastí Web Analytics a současnými aplikacemi. Třetí kapitola rozebírá oblasti teoretického zkoumání, pátá kapitola podává výsledky terénního výzkumu. Čtvrtá kapitola upozorňuje na terminologickou nejednotnost v oblasti.
|
|
|
Dobývání znalostí z makroekonomických dat
Lang, Lukáš ; Berka, Petr (vedoucí práce) ; Marek, Luboš (oponent)
Tématem mé práce je Dobývání znalostí z makroekonomických dat. Cílem práce je použít metody dobývání znalostí pro analýzu vztahu základních makroekonomických velicin daných ekonomik západní Evropy a USA v období let 1961--1989 a srovnat použití dobývání znalostí s použitím statistických metod. Statistickou analýzu jsem provádel v programech EViews a MS-Office Excel, dobývání znalostí pak v programu LISp-Miner. Struktura práce je následující -- v teoretické cásti nejprve definuji zkoumané ekonomické veliciny, popisuji jejich vztahy a zabývám se ekonomickou historií daného casového období. Následuje popis vybraných statistických metod a duvody, proc jsem je pri analýze použil. Teoretická cást je zakoncena seznámením se s problematikou dobývání znalostí a výberem vhodných prostredku. V praktické cásti popisuji, jaké konkrétní úlohy jsem rešil, následuje popis procesu sberu a prípravy dat, použití konkrétních statistických metod i metod dobývání znalostí a výsledky, k nimž jsem dospel. Poucení z analýzy i srovnání statistických metod a prostredku dobývání znalostí je obsaženo v záveru. Dekuji vedoucímu své práce Prof. Ing. Petru Berkovi, CSc. za konzultace dobývání znalostí a duležité pripomínky ke strukture práce. Dekuji svým kolegum ze zamestnání Ing. Vojtechu Menzlovi, MSc a Mgr. Jane Závacké za kritiku použitých statistických metod. Dekuji zbylým clenum své rodiny za trpelivost.
|
|
|
Clickstream Analysis
Kliegr, Tomáš ; Rauch, Jan (vedoucí práce) ; Berka, Petr (oponent)
Thesis introduces current research trends in clickstream analysis and proposes a new heuristic that could be used for dimensionality reduction of semantically enriched data in Web Usage Mining (WUM). Click-fraud and conversion fraud are identified as key prospective application areas for WUM. Thesis documents a conversion fraud vulnerability of Google Analytics and proposes defense - a new clickstream acquisition software, which collects data in sufficient granularity and structure to allow for data mining approaches to fraud detection. Three variants of K-means clustering algorithms and three association rule data mining systems are evaluated and compared on real-world web usage data.
|
|
|
Model pro ohodnocení bonity klienta v pojišťovně
Píška, Vladimír ; Novotný, Ota (vedoucí práce) ; Slánský, David (oponent)
Diplomová práce se zabývá problematikou hodnocení bonity klienta v české komerční pojišťovně. Skládá se ze dvou hlavních logických celků ? přípravy teoretického modelu bonity klienta a jeho praktického ověření na reálných datech jedné české pojišťovny. Příprava modelu bonity klienta se přidržuje postupu popsaného v metodice CRISP-DM. Postupně jsou prozkoumány současné způsoby sledování bonity klientů v českém bankovním i nebankovním sektoru a je rozebrán způsob určování bonity klienta v amerických pojišťovnách. Následuje samotné sestavování modelu bonity klienta v pojišťovně. Nejdříve jsou nalezeny oblasti ke sledování a z těchto oblastí jsou vybrány vhodné ukazatele bonity klienta. Přípravu modelu uzavírá nastavení vah u jednotlivých ukazatelů a popis sledovaných kategorií bonity klienta. Druhý logický celek se zabývá aplikací připraveného modelu bonity klienta v praxi. Popsána je fyzická architektura řešení, příprava datové základny, použitá skóringová aplikace a převedení modelu bonity klienta do této aplikace. Dalšími popsanými kroky jsou testování modelu na vzorku dat a na kompletním portfoliu klientů spolupracující pojišťovny. Výsledky jsou analyzovány a zobrazeny v grafech. Poté jsou obdržené výsledky porovnávány s očekávanými výsledky. Diplomová práce končí diskuzí k využití bonity klienta v reálných procesech pojišťovny.
|
host ::
RSS.