Professional Documents
Culture Documents
Praca magisterska
Krzysztof Dondajewski
Promotor:
prof. dr hab. inż. Roman Słowiński
Poznań 2004
SPIS TREŚCI
SPIS TREŚCI ............................................................................................................................................. 4
1 WSTĘP.............................................................................................................................................. 5
2 CEL I ZAKRES PRACY................................................................................................................. 8
3 PRZEGLĄD WYBRANYCH ZAGADNIEŃ ANALIZY SATYSFAKCJI KLIENTA (ASK) 10
3.1 SPOSOBY ANALIZY SATYSFAKCJI KLIENTA .............................................................................. 10
3.1.1 Badanie poziomu zadowolenia klienta............................................................................... 10
3.1.2 Indeks satysfakcji klienta ................................................................................................... 12
3.1.3 Zarządzanie relacjami z klientem....................................................................................... 13
3.2 ASK PRZY WYKORZYSTANIU REGUŁ DECYZYJNYCH ............................................................... 14
3.2.1 Elementy teorii zbiorów przybliżonych i indukcji reguł decyzyjnych................................. 14
3.2.2 Wprowadzenie do metodologii ASK w oparciu o reguły decyzyjne ................................... 22
3.2.3 Formalne przedstawienie metodologii............................................................................... 22
3.3 TECHNOLOGIA ANALIZY WIELOWYMIAROWYCH DANYCH OLAP............................................ 25
3.3.1 Terminologia i przykłady ................................................................................................... 25
3.3.2 Zastosowanie ..................................................................................................................... 27
4 PROPOZYCJE ROZSZERZEŃ METODOLOGII ASK W OPARCIU O REGUŁY
DECYZYJNE........................................................................................................................................... 28
4.1 PRZYKŁAD DANYCH WEJŚCIOWYCH DO ANALIZY SATYSFAKCJI KLIENTA ................................ 28
4.2 TESTOWANIE STRATEGII INTERWENCJI .................................................................................... 29
4.2.1 Przykład analizy danych metodą testowania strategii interwencji .................................... 29
4.2.2 Algorytm testowania strategii interwencji ......................................................................... 31
4.2.3 Możliwe zastosowania i kierunki rozwoju.......................................................................... 31
4.3 SZUKANIE STRATEGII INTERWENCJI ......................................................................................... 32
4.3.1 Przykład analizy danych metodą szukania strategii interwencji........................................ 32
4.3.2 Algorytm szukania strategii interwencji............................................................................. 33
4.3.3 Możliwe zastosowania i kierunki rozwoju.......................................................................... 34
4.4 POŁĄCZENIE OLAP I DRSA DO ANALIZY SATYSFAKCJI KLIENTA ........................................... 34
5 PROJEKT SYSTEMU I IMPLEMENTACJA............................................................................ 38
5.1 ARCHITEKTURA SYSTEMU I WYKORZYSTANE TECHNOLOGIE ................................................... 38
5.2 ELEMENTY SYSTEMU I POWIĄZANIA MIĘDZY NIMI ................................................................... 39
5.2.1 Moduł komunikacji z bazą danych ..................................................................................... 40
5.2.2 Moduły do prezentacji atrybutów i przykładów ................................................................. 41
5.2.3 Moduł do prezentacji reguł ................................................................................................ 42
5.2.4 Moduły prezentacji danych OLAP ..................................................................................... 43
5.2.5 Moduły do analizy satysfakcji klienta ................................................................................ 43
6 STUDIUM PRZYPADKÓW – EKSPERYMENT I WYNIKI................................................... 45
6.1 DANE WEJŚCIOWE PRZEZNACZONE DO ANALIZY SATYSFAKCJI KLIENTA ................................. 45
6.2 PRZEBIEG EKSPERYMENTU ...................................................................................................... 46
6.2.1 Etap 1 – prezentacja danych marketingowych do analizy ................................................. 48
6.2.2 Etap 2 – analiza metodą szukania strategii interwencji..................................................... 51
6.2.3 Etap 3 – analiza metodą testowania strategii interwencji ................................................. 54
6.2.4 Etap 4 – badanie oczekiwanej efektywności strategii interwencji ..................................... 57
6.3 KOŃCOWE WNIOSKI ................................................................................................................. 61
7 PODSUMOWANIE I WNIOSKI.................................................................................................. 62
BIBLIOGRAFIA ..................................................................................................................................... 65
DODATEK A – WYKAZ TABEL I RYSUNKÓW .............................................................................. 67
DODATEK B – PRZEWODNIK INSTALACYJNY UŻYTKOWNIKA........................................... 68
DODATEK C – PRZEWODNIK INSTALACYJNY PROGRAMISTY ............................................ 70
DODATEK D – SPIS CD ........................................................................................................................ 71
5
1 Wstęp
Co tak naprawdę kryje się pod pojęciem „satysfakcja klienta” (ang. Customer
Satisfaction)? Klienci od dawna już nie płacą za produkt w sensie fizycznym, ale za to,
co w produkcie czy usłudze cenią i czego od niego/niej oczekują. W wyniku zakupu i
korzystania z produktu/usługi klient zaspokaja lub nie swoje oczekiwania. W
końcowym efekcie może on być niezadowolony (jego oczekiwania były większe),
zadowolony (oczekiwania spełniają się) lub bardzo zadowolony (oczekiwania były
mniejsze) [26]. Usatysfakcjonowani klienci są bardziej lojalni i dzielą się swoimi
korzystnymi opiniami o produkcie/usłudze z innymi, natomiast obniżenie poziomu ich
satysfakcji zmniejsza prawdopodobieństwo ponownego zakupu, a szansa na to, że nie
odejdą redukuje się do kilkunastu procent [15]. Stopień satysfakcji staje się jednym z
najlepszych wskaźników przyszłych zysków firmy oraz dużą pomocą w ustalaniu
strategii przedsiębiorstwa oraz zwiększaniu wpływów i udziału w rynku. Wszystko to
wskazuje na celowość badań ukierunkowanych na poznanie stopnia satysfakcji
klientów.
klienta (ang. American Customer Satisfaction Index) [26] oraz jego odpowiednik
szwedzki (ang. Swedish Customer Satisfaction Barometr). Wymienione indeksy oparte
są na modelu opracowanym przez C. Fornella [14], którego podstawą jest analizowanie
satysfakcji klienta w oparciu o trzy grupy czynników, tj. postrzeganą jakość,
oczekiwaną jakość i postrzeganą wartość oraz powiązania i zależności między nimi.
Otrzymywane informacje można skutecznie wykorzystać do analizy zadowolenia
odbiorców, ale są one bezwartościowe, jeśli nie są systematycznie analizowane, nie
wyciąga się z nich wniosków i nie wprowadza w życie.
• niezawodność oprogramowania,
• Analiza reklamacji
Reklamacje to cenna informacja dla firmy. W rzeczywistości reklamacje
składane przez klientów nie są dobrze odbierane przez firmy i traktowane jako
krytyka ich działań. Firma musi jednak wyciągać wnioski ze składanych skarg i
zażaleń. Z analiz wynika bowiem, że jeżeli klient zgłasza swoje niezadowolenie to
oznacza, że zależy mu na współpracy z firmą i jest do niej przywiązany. Natomiast
klient niezadowolony nie traci czasu na składanie reklamacji i woli przejść do
konkurencyjnej firmy.
każdego respondenta, natomiast miara CSI wykonywana jest dla danej firmy jak
również dla każdej firmy konkurencyjnej, co umożliwia dokonywanie
pozycjonowania firm pod względem ich atrakcyjności dla klientów.
Skonstruowany indeks zadowolenia klienta przedstawiany jest również w
powiązaniu z przychodami firmy. Przychody wynikające z zadowolenia klienta
opisuje się w postaci funkcji zależnej od kształtowania się tego indeksu. Funkcja
jest z założenia rosnąca, co oznacza, że im wyższy jest indeks tym przedsiębiorstwo
osiąga wyższe przychody.
dziedziny wszystkich kryteriów są liczbowe, tzn. Xq⊆R dla każdego q∈C, oraz, że są
uporządkowane w ten sposób, że preferencja rośnie z wartością, można powiedzieć, że
xDPy jest równoważne: xq≥yq dla wszystkich q∈P, P⊆C. Zauważmy, że dla każdego
x∈XP, xDPx, tzn. P-dominacja jest zwrotna. Analogiczną definicję dominacji można
sformułować dla przestrzeni atrybutów decyzyjnych XR (oznaczenie: xDRy), R⊆D.
Cl R ={y∈U: yDRx},
≥x
R-dominacji pozwala na zdefiniowanie zbiorów:
Cl R ={y∈U: xDRy}.
≤x
decyzyjne q∈D. Cl ≥Rx nazywamy złożeniem klas „w górę”, a Cl ≤Rx , złożeniem klas „w
dół”. Jeśli x∈ Cl ≥Rx , to x należy do klasy Clt q , xq=tq, lub lepszej, na każdym kryterium
decyzyjnym q∈R. Jeśli z kolei x∈ Cl ≤Rx , to x należy do klasy Clt q , xq=tq, lub gorszej, na
s ≥t s ≤t
• obiekt x należy do klasy Clt lub lepszej, lecz jest P-zdominowany przez obiekt y
należący do klasy gorszej od Clt, tzn. x∈ Cl t≥ lecz D +P ( x) ∩ Clt≤−1 ≠∅,
19
Jeśli dla danego zbioru kryteriów P⊆C, zaliczenie x∈U do Cl t≥ , t=2,…,n, jest niespójne
• zgodnie z decyzją d, x nie należy do Cl t≥ , lecz obiekt ten jest niespójny w sensie
D P ( x) ∩ Cl t ≠∅.
− ≥
tworzy P-dolne przybliżenie złożenia klas Cl t≥ , oznaczone przez P (Cl t≥) ; natomiast
gdzie dla każdego wq,zq∈Xq, “wqfqzq” oznacza, że “wq jest co najmniej tak dobry
jak zq”,
2) D≥-reguły możliwe, dla których obiektami pozytywnymi są obiekty należące do
P (Cl t≥) : Jeżeli xq1fq1rq1 oraz xq2fq2rq2 oraz … xqpfqprqp, to x być może należy do
≥
Cl t ,
gdzie dla każdego wq,zq∈Xq, “wqpqzq” oznacza, że “wq jest co najwyżej tak
dobry jak zq”,
4) D≤-reguły możliwe, dla których obiektami pozytywnymi są obiekty należące do
P (Cl t≤) : Jeżeli xq1pq1rq1 oraz xq2pq2rq2 oraz … xqppqprqp, to x być może należy do
≤
Cl t ,
21
“xqpqr'q”, gdzie rq≤r'q, dla tego samego kryterium q∈C. Ponadto, jeśli rq=r'q, to te dwa
warunki sprowadzają się do “xq∼qrq”, gdzie dla każdego wq,zq∈Xq, “wq∼qzq” oznacza, że
“wq jest nierozróżnialny z zq”.
Zakres tej miary zawiera się w przedziale <0, 1> i jeśli otrzymaną wartość pomnożymy
razy 100% to można ją interpretować jako prawdopodobieństwo przynależności
obiektów do danej klasy Ψ przy spełnionych warunkach Φ .
Inną miarą jest siła reguły definiowana przez liczbę obiektów pokrywanych
przez część warunkową reguły i należących do zalecanej klasy (spełniających jej część
decyzyjną):
strength(r , U ) = m(Φ ) ∩ m(Ψ )
22
⎡ I m ' ( ¬Φ ) ⎤ ∩ ⎡ I m ' ( Φ ) ⎤
⎢⎣i∈P i ⎥
⎦ ⎢⎣i∉P i
⎥⎦
δ P (Ψ ) = conf (r , U ) × conf (t P , U ' ) × , gdzie
U'
( ) (
t P ≡ ∧ ¬Φ i ∧ ∧ Φ i → ¬Ψ
i∈P i∉P
)
24
3.3.2 Zastosowanie
OLAP jest jedną z popularnych metod do aktywnego wykorzystywania
informacji gromadzonych w firmach. Istnieje wiele danych w przedsiębiorstwie, które
opisane są przez kilka wymiarów jednocześnie, np. czas, produkt, region, klient,
dostawca. Wartościowe informacje biznesowe powstają najczęściej dopiero po
połączeniu pojedynczych danych w wielowymiarowej strukturze. Możliwość dokładnej
analizy takich informacji pozwala na poprawę jakości procesu podejmowania decyzji,
co w konsekwencji może wpłynąć na zwiększenie stopnia satysfakcji klientów.
Narzędzia OLAP mogą być również integrowane z systemami baz danych
(korporacyjnymi) tworząc magazyny danych [29] i umożliwiając analitykom i
menedżerom śledzenie wydajności przedsiębiorstwa (np. różnych aspektów procesu
produkcyjnego lub ilości i rodzajów transakcji przeprowadzanych w różnych
oddziałach) lub rynku. Wynikiem analizy może być dotarcie do tak niezbędnych
informacji jak trendy, relacje czy wartości charakterystyczne. W ten sposób otrzymuje
się natychmiastowe odpowiedzi na najistotniejsze pytania biznesowe oraz wsparcie w
podejmowaniu decyzji krótko i długookresowych.
28
• Skala ocen kryteriów: bardzo źle (1), źle (2), dostatecznie (3), dobrze (4), bardzo
dobrze(5)
• Ponieważ analizowana reguła nie jest jedyną w zbiorze reguł, dlatego trzeba też
mieć wzgląd na możliwe niezgodności występujące w zbiorze. Dla danej reguły
za takie niezgodności uznaje się wszystkie takie reguły, których część decyzyjna
jest negacją decyzji wybranej reguły – dla relacji „co najmniej” oznaczać będzie
to relację „co najwyżej” klasa o jeden niższa (np. dla Klasa>=2 zaprzeczeniem
będzie Klasa<=1) i odwrotnie, dla „co najwyżej” będzie to „co najmniej” klasa
o jeden wyższa. Ponadto reguły niezgodne to takie, które będą nadal pokrywać
wybrane przykłady po hipotetycznej zmianie ich oceny na danych kryteriach.
• Dla każdego przykładu z osobna przeglądaj zbiór tych reguł i sprawdzaj, czy nie
jest pokrywany przez którąś z nich,
• Jeśli tak jest (reguła niezgodna) to dodaj dodatkowy wymóg, jaki musi być
spełniony dla tego przykładu taki, żeby reguła go nie pokrywała (np. negacja
pierwszego warunku w regule),
• Interesuje nas strategia interwencji mająca na celu zmianę przydziału PKP tego
klienta do Klasy co najmniej 2. Chcemy wiedzieć, co musimy zrobić, aby tak się
stało.
• Należy w tym celu przeanalizować zbiór reguł i wybrać takie, których decyzja
odpowiada określonej strategii; w tym przypadku będą to wszystkie reguły z
decyzją Klasa>=2 (nr 5, 6 i 7). Każda z takich reguł jest jednym z możliwych
rozwiązań.
33
• Analizując regułę nr 6 tak samo jak nr 5 okazuje się, że trzeba zmienić ocenę
Ceny i Czystości z 1 na co najmniej 3. Po tych hipotetycznych zmianach klient
nie będzie już pokrywany przez żadną ze niezgodnych reguł.
• Jeśli tak jest (reguła niezgodna) to dodaj dodatkowy wymóg, jaki musi być
spełniony dla tego przykładu taki, żeby reguła go nie pokrywała (np. negacja
pierwszego warunku w regule),
• decyzja
„Liczność” pozwala zliczać w danej komórce liczbę przykładów z tablicy
decyzyjnej, które przyjmują odpowiednie wartości na kryteriach (atrybutach)
zdefiniowanych jako wymiary w tabeli dla tej komórki. Poniżej znajduje się
przykład tabeli wielowymiarowej (Tabela 3), stworzonej na podstawie tablicy
decyzyjnej PKP (Tabela 1), dla której zostały określone trzy wymiary: Cena,
Punktualność i Wygoda oraz wartość co najmniej:
Tabela 3 Przykład połączenia OLAP i DRSA - liczność
Punktualność
>= 2 >= 3 >= 4
Wygoda Wygoda Wygoda
Cena >=1 >=2 >=3 >=4 >=5 >=1 >=2 >=3 >=4 >=5 >=1 >=2 >=3 >=4 >=5
>= 1 7
>= 2 3
>= 3 7 5 2
>= 4 1 1
>= 5
36
Dla dalszych rozważań przyjmuje się L ≡ min dec( D P+ ) oraz R ≡ min dec( D P− ) .
Do wyboru jest 8 podejść uwzględniając różne wartości wymiarów (Tabela 4).
Tabela 4 Podejścia dla miary - decyzja
Podejście Typ reguł Wartość wymiaru Miara w komórce
pewne co najmniej >= min ∀ Li
pewne co najwyżej <= i∈N
w górę (ang. upward
decision) możliwe co najmniej >= min ∀ Ri
możliwe co najwyżej <= i∈N
Centrum całego systemu jest baza danych, która stanowi pewien pomost między
dwoma systemami i umożliwia wymianę między nimi danych. Ze względu na
początkowe założenia co do systemu: otwartość i przenośność, a także na fakt, że miał
on współpracować z platformą GoalProject, wybrano łatwy w obsłudze i szybki system
zarządzania bazą danych MySQL [18]. Jest to bardzo popularna, dynamicznie się
39
Jedną z takich aplikacji jest stworzony w ramach tej pracy magisterskiej OLSA
System. Aby spełnić założenia do jej stworzenia wykorzystano język JAVA [11][22],
który obecnie jest najbardziej rozwijającym się środowiskiem do tworzenia aplikacji (w
większości JAVA Swing do tworzenia interfejsów [3][27]). Należy zaznaczyć, że
główną jego cechą jest fakt, że to język interpretowany a nie kompilowany – oznacza
to, że do uruchomienia programów w nim napisanych wymagana jest maszyna
wirtualna (JavaVM) pracująca w danym środowisku, jednak dzięki temu nie ważne jest
na jakim sprzęcie będzie uruchamiana aplikacja.
System do komunikacji z bazą danych MySQL korzysta ze specjalnej do tego celu
biblioteki napisanej w Javie – MySQL Connector/J [17], która dostarcza odpowiedni
interfejs i funkcje do zapisu i odczytu danych. Dodatkowo do systemu OLSA dołączone
są dwie inne biblioteki odpowiedzialne za wizualizację danych w postaci wykresów:
JFreeChart [13] oraz JCharts [12]. Wszystkie wymienione biblioteki są oczywiście w
pełni darmowe.
Schemat tabel w bazie danych zależny jest od systemu GoalProject, dlatego nie
uległ zmianom, a dostosowany do niego został system OLSA. Aby ułatwić i uprościć
zarządzanie danymi struktury do ich przechowywania w Javie swoim „wyglądem”,
możliwościami i udostępnionymi funkcjami odpowiadają tym z GoalProject
(funkcjonalność funkcji jest praktycznie identyczna łącznie z nazwami). Jedynie na
41
stworzenia filtra dla reguł m.in. w celu ograniczenia ich liczby. Można ustawić
maksymalną długość reguły, tzn. maksymalną liczbę warunków elementarnych oraz jej
minimalne wsparcie (Rys. 12). Dodanie nowych metod filtracji reguł jest kolejnym ze
sposobów na rozszerzenie aplikacji i większe możliwości przy ich wyświetlaniu.
W module do analizy metodą szukania strategii (Rys. 15) dla danego przykładu
wskazuje się decyzję, którą miałby on uzyskać. W wyniku obliczeń otrzymuje się
proponowane strategie interwencji w postaci reguł decyzyjnych. Po wybraniu
konkretnego sposobu działania (reguły) pojawia się informacja o dodatkowych
wymogach, jakie muszą zostać dla niego spełnione, aby dany przykład zmienił decyzję
w pożądany sposób.
Przy bardzo dużej liczbie reguł sensowna analiza jest mocno utrudniona lub wręcz
niemożliwa. Aby strategie interwencji wywiedzione z reguł decyzyjnych były jak
najbardziej wiarygodne można dokonać filtracji reguł wg dwóch kryteriów:
minimalnego wsparcia reguły oraz maksymalnej liczby warunków elementarnych
(długości reguły) [opcja Filter Options] (Rys. 12):
Ponieważ dla czasopisma „Anna” ważne jest osiągnięcie celu jak najmniejszym
wysiłkiem i kosztem ustalono, że pod uwagę będą brane reguły o minimalnej liczbie
warunków elementarnych. Takie postępowanie jest zrozumiałe, gdyż w konsekwencji
będzie to równoważne małym zmianom na kryteriach przy zastosowaniu strategii
wywiedzionej z takich reguł. Wśród otrzymanych rezultatów znajduje się 8 reguł
(propozycji strategii interwencji) posiadających tylko jeden warunek elementarny.
Dla przykładu strategia wywiedziona z reguły nr 26 mówi, że wybrany przez nas
czytelnik będzie oceniał zawartość czasopisma na 5, jeśli jego ocena na kryterium
Praca będzie wynosić co najmniej 5 – aktualnie ocenia on je tylko na 3. Dla magazynu
oznacza to, że jeśli chce on, aby ten właśnie respondent zmienił ogólną ocenę
zawartości magazynu, musi spowodować podwyższenie jego oceny z 3 na 5 na
kryterium Praca.
Aby powyższa analiza miała sens należy założyć, że magazyn „Anna” wie jak
nakłonić czytelników do zmiany ich oceny na poszczególnych kryteriach. Gdyby z
każdym kryterium i określoną zmianą na nim powiązać koszt to otrzymane 43 strategie
można by było posortować po koszcie od najmniej kosztownej do najbardziej.
Zastosowana strategia daje odpowiedzi na pytania tylko dla konkretnego jednego
przykładu. Docelowo jej stosowanie powinno dotyczyć pewnej grupy obiektów
pogrupowanych według określonych zasad (np. ogólną oceną zawartości magazynu
54
Rozkład wartości pokazuje, że przypuszczenie się potwierdza, ale nie w całości. Oceny
zawartości tematycznej na tych kryteriach są bardzo zbliżone, ale praktycznie w
większości przypadków istnieje różnica w wartości oceny na jednym z trzech
kryterium, a dla dwóch pozostałych jest identyczna.
Powyższa analiza może być wyjściem do metody testowania strategii [opcja Test
of strategy pod prawym przyciskiem myszki]. Cel jest taki sam – zmiana ogólnej oceny
zawartości tematycznej magazynu przez czytelników z 4 na 5 przy jak najmniejszej
ilości działań z tym związanych. Kierując się ponownie jak najwyższą oceną na jak
największej liczbie kryteriów zastosujemy metodologię dla komórki określonej
wymiarami: Sztuka i Kultura, Kino oraz Muzyka co najmniej 4 (wartości wymiarów,
tzn. część warunkową reguły spełnia przykład nr 10). Następnie należy określić cel
strategii (część decyzyjną) – dla danego wyboru obliczany jest współczynnik
wiarygodności reguły. Dla decyzji co najmniej 5 otrzymujemy końcową postać reguły:
(b11>=3)&(b12>=4)&(b13>=4) => (c>=5) i współczynnik równy 0% (Rys. 18).
Oznacza to, że strategie wywiedzione z takiej reguły będą miały zerową wiarygodność.
56
Należy więc poszukać takiej reguły która będzie miała dodatkowo, oprócz przyjętej
wyżej zasady, jak największy współczynnik wiarygodności (najlepiej 100%). Jako
kompromis przyjmijmy regułę postaci: (b11>=4)&(b12>=1)&(b13>=4) => (c>=5) ze
współczynnikiem równym 50%, która pokrywa przykłady: nr 10 oraz nr 11 (ocenia już
magazyn najwyżej).
Aby wymieniony przykład nr 10 był pokrywany przez tą regułę, tzn. dany czytelnik
zmienił swoją ogólną ocenę na najwyższą, należy jeszcze sprawdzić czy w zbiorze
wszystkich reguł nie ma niezgodności. Okazuje się, że takie są i żeby się ich pozbyć
należy dodatkowo wymóc u niego zmianę oceny na wielu innych kryteriach (Rys. 19).
Zgodnie z tą regułą wywiedziona z niej strategia interwencji o wiarygodności 50%
mówi, że czytelnik nr 10 może zmienić ogólną ocenę zawartości czasopisma „Anna”
pod warunkiem jego zmian oceny na wskazanych dodatkowych kryteriach.
7 Podsumowanie i wnioski
W ramach pracy magisterskiej powstał zaawansowany system wspomagania
decyzji – OLSA System, który reprezentuje nowoczesne podejście do analizy
satysfakcji klienta. Do tego celu została w nim wykorzystana teoria zbiorów
przybliżonych, a w szczególności reguły decyzyjne. W systemie zaproponowano
następujące trzy warianty analizy: badanie oczekiwanej efektywności strategii
interwencji, poszukiwanie strategii interwencji oraz testowanie strategii interwencji.
BIBLIOGRAFIA
[1] Biedziński J., Biedziński M., Boński P., Lepkowski L., Praca inżynierska:
Otwarta platforma programowa dla systemów eksploracji danych, Politechnika
Poznańska, Poznań 2003
[2] Błaszczyński J., Dembczynski K., Otwarta platforma programistyczna dla
systemów analizy danych, Raport Politechniki Poznańskiej RB-034/03, 2003
[3] CodeGuru, http://www.codeguru.com/java/Swing/JTable/index.shtml
[4] CRM, Customer Relationship Management, http://www.e-crm.int.pl
[5] Date C.J., An Introduction to Database Systems, Addison Wesley Longman,
Massachusetts 2000
[6] Dejnak A., Psychologia kontaktu z klientem - zadowolenie klienta i lojalność,
Psychologia i Rzeczywistość nr 4/2002
http://www.psycholog.alleluja.pl/tekst.php?numer=465
[7] Greco S., Matarazzo B., Pappalardo N., Słowiński R., Measuring expected effects
of interventions based on decision rules, Journal of Experimental and Theoretical
Artificial Intelligence, 2004 (w druku)
[8] Greco S., Matarazzo B., Słowiński R., Rough Set Analysis of Preference-Ordered
Data, [In]: J.J. Alpigini, J.F. Peters, A. Skowron, N. Zhong (eds.), Rough Sets and
Current Trends in Computing. LNAI 2475, Springer-Verlag, Berlin, 2002, 44-59
[9] Greco S., Matarazzo B., Slowinski R., Stefanowski J., Variable consistency model
of dominance based rough set approach, [In]: W.Ziarko, Y.Yao: Rough Sets and
Current Trends in Computing, LNAI 2005, Springer-Verlag, Berlin, 2001, pp.
170-181
[10] Grigoroudis E., Siskos Y., A survey of customer satisfaction barometers: Some
result from the transportation-communications sector, European Journal of
Operational Research 152 (2004), 334-353
[11] Java Sun Microsystems, http://java.sun.com
[12] JCharts, A free Java chart library, http://jcharts.krysalis.org/,
http://sourceforge.net/projects/jcharts/
[13] JFreeChart, A free Java chart library, http://www.jfree.org/jfreechart/
[14] Johnson M.D., Fornell C., A framework for comparing customer satisfaction
across individuals and product categories, Journal of Economic Psychology 12
(1991), 267-286
[15] Kessler S., Measuring And Managing Customer Satisfaction, ASQ Quality Press,
Wisconsin 1996
[16] Letrix, http://www-idss.cs.put.poznan.pl/~goalproject/letrixII-webpage/index.html
[17] MySQL Connector/J, http://dev.mysql.com/
[18] MySQL, http://www.mysql.com
[19] Otwarta Platforma Programowa Dla Eksploracji Danych,
http://www-idss.cs.put.poznan.pl/~goalproject/
[20] Pawlak Z., Rough Sets, International Journal of Information and Computer
Sciences 11 (1982), 341-356
[21] Roy B., Wielokryterialne wspomaganie decyzji, WNT Warszawa 1990
[22] Rumiński J., Język Java – podstawy programowania, 1999
[23] Słowiński R., Greco S., Matarazzo B., Induction of decision rules for explanation
and support of multicriteria choice and ranking, DSTIS, Warszawa 2001
[24] Słowiński R., Greco S., Matarazzo B., Rough set based decision support. Chapter
16 in: Burke E., Kendall G., eds: Introductory Tutorials on Optimization, Search
and Decision Support Methodologies. Kluwer Academic Publishers, Boston, 2004
66
[25] Słowiński R., Greco S., Matarazzo B., Rough sets theory for multicriteria decision
analysis, European Journal of Operational Research 129 (2001), 1-47
[26] Sydra E., Góreczka M., Indeks Satysfakcji Klienta (CSI) jako jeden z elementów
wpływających na kreowanie strategii przedsiębiorstwa, Strategie.info.pl
http://ww.strategie.info.pl/artykuly/1023.htm, 2004
[27] The Java Developers Almanac 1.4, http://javaalmanac.com/egs/index.html
[28] W3 Schools, SQL Tutorial, http://www.w3schools.com/sql/default.asp
[29] Wrembel R., Królikowski Z., Morzy M., Pro Dialog 10: Magazyny danych – stan
obecny i kierunki rozwoju, Wydawnictwo NAKOM, Poznań 2000, 75-93
67
RYSUNKI
Rys. 1 Struktura danych wielowymiarowych z wykorzystaniem agregacji ................... 26
Rys. 2 Przykładowa kostka danych OLAP..................................................................... 26
Rys. 3 Architektura systemu OLSA i wykorzystane technologie .................................. 38
Rys. 4 Elementy systemu OLSA i ich powiązania ......................................................... 40
Rys. 5 Moduł komunikacji z bazą danych...................................................................... 46
Rys. 6 Moduł do wczytywania danych wejściowych ..................................................... 47
Rys. 7 Aplikacja OLSA System 1.0 ............................................................................... 47
Rys. 8 Wybór z klasy c=4............................................................................................... 48
Rys. 9 Prezentacja przykładów dla klasy c=4................................................................. 48
Rys. 10 Moduł prezentacji atrybutów............................................................................. 49
Rys. 11 Moduł prezentacji reguł..................................................................................... 50
Rys. 12 Moduł do filtrowania reguł................................................................................ 50
Rys. 13 Moduł wykresu liniowego ................................................................................. 51
Rys. 14 Wykres liniowy dla przykładów: __ex7, __ex11, __ex22 ................................ 52
Rys. 15 Moduł szukania strategii interwencji................................................................. 53
Rys. 16 Moduł definiowania wymiarów i miary dla OLAP........................................... 54
Rys. 17 Moduł prezentacji danych wielowymiarowych OLAP ..................................... 55
Rys. 18 Wybór celu strategii (części decyzyjnej reguły)................................................ 56
Rys. 19 Moduł testowania strategii interwencji.............................................................. 56
Rys. 20 Moduł badania efektywności strategii interwencji wywiedzionej z reguł ........ 58
Rys. 21 Graficzna reprezentacja reguły i wywiedzionych z niej strategii interwencji... 60
68
Dodatek D – Spis CD
Płyta CD-ROM dołączona do pracy magisterskiej zawiera:
1) gotową do uruchomienia aplikację OLSA System 1.0 w postaci pliku JAR z
wymaganymi bibliotekami oraz plikiem uruchamiającym,
2) dokumentację aplikacji OLSA System 1.0 w postaci HTML (wygenerowaną
przy pomocy JavaDoc) oraz inne dokumenty:
• podręcznik użytkownika,