Earticle

Many processes in the industrial realm exhibit sstochastic and nonlinear behavior. Consequently, an intelligent system must be able to nonlinear production processes as well as probabilistic phenomena. In order for a knowledge based system to control a manufacturing processes as well as probabilistic phenomena. In order for a knowledge based system to control manufacturing process, an important capability is that of prediction : forecasting the future trajectory of a process as well as the consequences of the control action. This paper examines the robustness of data mining tools under varying levels of noise while predicting nonlinear processes, includinb chaotic behavior. The evaluated models include the perceptron neural network using backpropagation (BPN), the recurrent neural network (RNN) and case based reasoning (CBR). The concepts are crystallized through a case study in predicting a chaotic process in the presence of various patterns of noise.

Many organizations seek statistical modelling facilitated by data analytics technologies for determining the prediction models associated with M&A (Merger and Acquisition). By combining these data analytics tool alongside with data collection approaches aids organizations towards M&A decision making, followed by achieving profitable insights as well. It promotes for better visibility, overall improvements and effective negotiation strategies for post-M&A integration. This paper explores on the impact of pre and post integration of M&A in a standard organizational setting via devising a suitable statistical model via employing techniques such as Naïve Bayes, K-nearest neighbour (KNN), and Decision Tree & Support Vector Machine (SVM).

In this study, we compare the capabilities of the data mining tools of the most updated version objectively and provide the useful information in which enterprises and universities chose them. In particular, we compare the SAS/Enterprise Miner 3.0, SPSS/Clementine 5.2 and IBM/Intelligent Miner 6.1 which are well known and easily gotten.

상용 데이타 마이닝 도구에서는 기본적으로 이진 속성에 대한 연관규칙 마이닝만을 지원한다. 그러나, 일반적인 트랜잭션 데이타베이스는 이진 속성 뿐 아니라 정량적 속성을 포함한다. 이에 따라, 본 논문에서는 상용 데이타 마이닝 도구를 사용하여 정량적 연관규칙을 마이닝하는 체계적인 접근법을 제안한다. 이를 위해, 우선 상용 데이타 마이닝 도구를 사용하여 정량적 연관규칙을 찾아내기 위한 전체적인 프레임워크를 제안한다. 제안한 프레임워크는 정량적 속성을 이진 속성으로 변환하는 전처리 과정과 마이닝된 이진 연관규칙을 다시 정량적 연관규칙으로 변환하는 후처리 과정으로 구성된다. 다음으로, 전처리 과정을 위한 구간 분할의 개념을 제시하고, 기존의 평균 및 중앙치 기반 양분할 기법과 동일 너비 및 동일 깊이 기반 다분할 기법을 구간 분할의 개념으로 정형적으로 재정의한다. 그런데, 이들 기존 분할 기법은 속성 값의 분포를 고려하지 않은 문제점이 있다. 본 논문에서는 이를 해결하기 위하여 표준편차 최소화 기법을 제안한다. 표준편차 최소화 기법은 이웃한 속성 값의 표준편차 변화가 작다면 동일한 구간에 포함시키고, 표준편차 변화가 크다면 다른 구간으로 분할하는 매우 직관적인 분할 기법이다. 또한, 후처리 과정으로는 이진 연관규칙들을 통합하고 이를 다시 정량적 연관규칙으로 변환하는 방법을 제안한다. 마지막으로, 다양한 실험을 통하여 제안한 프레임워크가 바르게 동작함을 보이고, 표준편차 최소화 기법이 다른 기법에 비하여 우수함을 입증한다. 이 같은 결과를 볼 때, 제안한 프레임워크는 일반 사용자가 상용 데이타 마아닝 도구를 사용하여 정량적 연간규칙을 쉽게 마이닝 할 수 있는 매우 실용적인 접근법이라 생각한다.

Commercial data mining tools basically support binary attributes only in mining association rules, that is, they can mine binary association rules only. In general, however. transaction databases contain not only binary attributes but also quantitative attributes. Thus, in this paper we propose a systematic approach to mine quantitative association rules---association rules which contain quantitative attributes---using commercial mining tools. To achieve this goal, we first propose an overall working framework that mines quantitative association rules based on commercial mining tools. The proposed framework consists of two steps: 1) a pre-processing step which converts quantitative attributes into binary attributes and 2) a post-processing step which reconverts binary association rules into quantitative association rules. As the pre-processing step, we present the concept of domain partition, and based on the domain partition, we formally redefine the previous bipartition and multi-partition techniques, which are mean-based or median-based techniques for bipartition, and are equi-width or equi-depth techniques for multi-partition. These previous partition techniques, however, have the problem of not considering distribution characteristics of attribute values. To solve this problem, in this paper we propose an intuitive partition technique, named standard deviation minimization. In our standard deviation minimization, adjacent attributes are included in the same partition if the change of their standard deviations is small, but they are divided into different partitions if the change is large. We also propose the post-processing step that integrates binary association rules and reconverts them into the corresponding quantitative rules. Through extensive experiments, we argue that our framework works correctly, and we show that our standard deviation minimization is superior to other partition techniques. According to these results, we believe that our framework is practically applicable for naive users to mine quantitative association rules using commercial data mining tools.

교차판매는 효과적인 CRM 활동의 하나로 어떤 제품이나 서비스를 구매하려는 고객에게 관련되는 제품을 추가로 판매하는 활동을 말한다. 통상적으로 기존고객을 대상으로 하기 때문에 신규고객유치에 큰 비용과 노력이 소요되는 오늘날의 마케팅 환경에서는 매우 효과적인 마케팅 방법이 되고 있다. 본 연구는 국내 A금융사의 고객 데이터베이스에 기반하여 교차판매를 위한 스코어링 모형을 개발을 위한 방법론을 탐구하는데 목적을 두고 있다. 모형개발을 위한 데이터마이닝 기법으로는 로지스틱 회귀모형, 의사결정나무모형, 신경망모형과 복합모형 등을 활용했는데, 모형평가 결과 로지스틱 회귀모형이 상대적으로 우수하게 나타나고 있어 이에 기반하여 교차판매 스코어링 모형을 개발하였다. 최종 모형에 의한 교차판매에 대한 이익을 살펴보면 전체고객의 반응률은 4.9%에 불과하였으나 개발된 모형을 적용하여 재가입 가능성이 높은 상위 10% 고객에게 캠페인을 실행하였을 경우 예상 반응률은 약 30%로 매우 향상된 결과를 나타내었다.

Cross-Sell, which is one of effective tools for CRM, is a marketing term for the practice of suggesting related products or services to a customer who is considering buying something. Usually Cross-Sell is applied to existing customers. Therefore it is very cost effective tool because customer acquisition brings more cost and effort than customer retention. This study is about developing of scoring model for cross-sell based on customer database of A capital company. We use several data mining tools for developing scoring model, those are logistic regression, decision tree, neural network and ensemble model. According to model assesment results, we chose logistic regression model as the final scoring model for cross selling. It gave us 30% response rate for the highest 10% potential customers, on the other hand 4.9% for the data mart.

반도체 및 LCD(liquid-crystal display) 제조시스템에서의 수율(yield)은 많은 요인(factor)들이 비선형적으로 상호 작용하면서 영향을 주기 때문에 예측과 통제가 어렵다. 이러한 수율을 효과적으로 예측하고 관리하기 위해서는 복잡한 관계를 가지는 다수 요인을 효과적으로 분석할 수 있는 지능적인 분석도구의 활용이 필수적이다. 본 연구는 C4.5/5.0과 같은 Inductive learning, BPN(Back- Propagation Network), SOM(Self-Organizing Map), CBR(Case-Based Reasoning)과 같은 데이터 마이닝 도구들의 혼합적용(hybrid application)을 통해 반도체 수율같은 복잡한 특성치를 보다 정확히 예측할 수 있는 방법을 제시하였다. 본 연구에서는 기존에 제시된 혼합적용 방법인 BPN->CBR 혼합적용 방법을 수율 예측 상황으로 구체화하고 아울러 수율 예측에 활용 가능한 Inductive learning->SOM->Inductive learning의 새로운 혼합적용 방법을 제안하였다. 본 연구에서 제시한 혼합적용 방법을 국내 반도체 제조기업의 수율 및 공정변수 데이터에 적용하여 수율 예측 성능을 평가하였다. 성능 평가결과, CBR 및 Inductive learning의 개별 적용보다는 BPN->CBR 및 Inductive learning->SOM->Inductive learning의 혼합적용 방법의 수율 예측 정확도가 높았고 특별히 BPN-> CBR 혼합적용 방법의 수율 예측 정확도가 가장 높았다. 본 연구는 반도체 및 LCD 제조공정 단계에서 사전에 수율을 예측하여 저수율(low-yield) 발생을 예방할 수 있는 효과적인 방법을 제시하였다는 점에서 의의가 있고 후속 연구로 실무 현장에서 요구하는 90% 이상의 예측 정확도를 가지는 방안을 제시하고자 한다.

The complex system such as yield in the semiconductor/liquid-crystal display manufacturing company has many input factors with nonlinear relationships and consequently is hard to be predicted and controlled. Data mining tools such as C4.5/5.0, back-propagation neural network (BPN), case-based reasoning (CBR) and self-organizing map (SOM) can be used for analyzing large amount of data such as yield and process parameters data. This study considers the hybrid application methods of those mining tools for improving yield prediction accuracy and compares their performance in the prediction accuracy. In this study, we present two hybrid application methods, BPN->CBR hybrid application and inductive learning-> SOM->inductive learning hybrid application method. We compare the prediction performance of those hybrid application methods through their applications to real yield and process parameters data of a semiconductor company. The comparison result shows that the BPN->CBR hybrid application method predicts yield-level with relatively high accuracy.