450-101 Management Information System Decision Support System

450-101 Management Information System450-101 Management Information System

Decision Support SystemDecision Support System

ผศ.ดร. วิ�ภาดา เวิทย์ ประสิ�ทธิ์�� Office :CS320, Computer Science BuildingEmail :[email protected] :http://staff.cs.psu.ac.th/wiphadaPhone :0-7428-8596

2450-101 Management Information System Assit. Prof. Dr. Wiphada Wettayaprasit

Business Intelligence Applications

1

2

3

45

Data Warehouse


Levels of Managerial Decision Making


Decision Structure

• Structured (operational)– The procedures to follow when decision

is needed can be specified in advance

• Unstructured (strategic)– It is not possible to specify in advance

most of the decision procedures to follow

• Semi-structured (tactical)– Decision procedures can be pre-specified,

but not enough to lead to the correct decision


Information Quality

• Information products made more valuable by their attributes, characteristics, or qualities

– Information that is outdated, inaccurate, or hard to understand has much less value

• Information has three dimensions– Time

– Content

– Form


Attributes of Information Quality


Decision Support in Business

• Companies are investing in data-driven decision support application frameworks to help them respond to– Changing market conditions

– Customer needs

• This is accomplished by several types of– Management information

– Decision support

– Other information systems


1 Management Information Systems

• The original type of information system that supported managerial decision making

– Produces information products that support many day-to-day decision-making needs

– Produces reports, display, and responses

– Satisfies needs of operational and tactical decision makers who face structured decisions


2 Decision Support Systems

Management Information Systems

Decision Support Systems

Decision support provided

Provide information about the performance of the

organization

Provide information and techniques to analyze

specific problems

Information form and frequency

Periodic, exception, demand, and push reports and

responses

Interactive inquiries and responses

Information format

Prespecified, fixed format Ad hoc, flexible, and adaptable format

Information processing methodology

Information produced by extraction and manipulation of

business data

Information produced by analytical modeling of

business data


Decision Support Systems

• Decision support systems use the following to support the making of semi-structured business decisions– Analytical models

– Specialized databases

– A decision-maker’s own insights and judgments

– An interactive, computer-based modeling process

• DSS systems are designed to be ad hoc, quick-response systems that are initiated and controlled by decision makers


DSS Components


Decision Support Trends

• The emerging class of applications focuses on

– Personalized decision support

– Modeling

– Information retrieval

– Data warehousing

– What-if scenarios

– Reporting


DSS Model Base

• Model Base

– A software component that consists of models used in computational and analytical routines that mathematically express relations among variables

• Spreadsheet Examples

– Linear programming

– Multiple regression forecasting

– Capital budgeting present value


Using Decision Support Systems

• Using a decision support system involves an interactive analytical modeling process

– Decision makers are not demanding pre-specified information

– They are exploring possible alternatives

• What-If Analysis

– Observing how changes to selected variables affect other variables


Data Visualization Systems

• DVS

– Represents complex data using interactive, three-dimensional graphical forms (charts, graphs, maps)

– Helps users interactively sort, subdivide, combine, and organize data while it is in its graphical form


Analysis of Customer Demographics


Data Warehouse

• คลั�งข้�อมูลั หมูายถึ�ง .... หลั�กการหร�อวิ�ธี�การ เพื่��อรวิมูระบบ สารสเทศเพื่��อ การประมูวิลัผลัรายการข้�อมูลัท��เก�ดข้�"น ในแต่'ลัะวิ�นแต่'ลัะสายงาน มูารวิมูเป(นหน'วิยเด�ยวิก�น

เพื่��อสน�บสน)นการต่�ดส�นใจให�มู�ประส�ทธี�ภาพื่มูากย��งข้�"น

• คลั�งข้�อมูลั หมูายถึ�ง.... ข้�อมูลัในแหลั'งข้�อมูลัหลัายๆแหลั'ง เพื่��อประกอบการต่�ดส�นใจให�มู�ประส�ทธี�ภาพื่มูากย��งข้�"น

• คลั�งข้�อมูลั ไมู'ใช่'ผลั�ต่ภ�ณฑ์1 หร�อระบบส2าเร3จรป

• คลั�งข้�อมูลั มู�ควิามูเป(นส'วินต่�วิข้องแต่'ลัะองค1กร (Organization Customized System)


Multi-Tiered ArchitectureMulti-Tiered Architecture

DataWarehouse

ExtractTransformLoadRefresh

OLAP Engine

AnalysisQueryReportsData mining

Monitor&

IntegratorMetadata

Data Sources Front-End Tools

Serve

Data Marts

Operational DBs

other

sources

Data Storage

OLAP Server


ค)ณลั�กษณะข้องคลั�งข้�อมูลั

1. Subject-Oriented 2. Integrated 3. Time-Variant4. Non-Volatile


ค)ณลั�กษณะข้องคลั�งข้�อมูลั 1. Subject-Oriented

ข้�อมูลัถึกจ�ดกลั)'มูให�เหมูาะสมูก�บการส�บค�น จ�ดต่ามูประเด3นหลั�กข้ององค1กร เช่'น

ลักค�า ส�นค�า ยอดข้ายข้�อมูลัจะ....ไมู'ถึกจ�ดต่ามูหน�าท��การงาน....ข้องโปรแกรมูใด

โปรแกรมูหน��ง เช่'นการควิบค)มูคลั�งส�นค�า การออกใบก2าก�บภาษ�

2. Integrated จ�ดข้�อมูลัให�อย'ในรปแบบเด�ยวิก�น จากแหลั'งข้�อมูลัหลัายแหลั'ง


ค)ณลั�กษณะข้องคลั�งข้�อมูลั

3. Time-Variantข้�อมูลัต่�องมู�ควิามูถึกต่�อง เพื่ราะเก3บไวิ�ใช่�นาน - 510 ป7

4. Non-Volatileการปร�บปร)งข้�อมูลัเป(นการเพื่��มูข้�อมูลัใหมู'เข้�าไปเร��อยๆ ไมู'ใช่'การ

แทนท��ข้�อมูลัเก'าข้�อมูลัในคลั�งข้�อมูลั....ไมู'จ2าเป(น...ต่�องท2าการ Normalize

เหมู�อนในฐานข้�อมูลั (Data based)


ข้�อด�ข้องคลั�งข้�อมูลั

1. ให�ผลัต่อบแทนในการลังท)นสง 2. ได�เปร�ยบค'แข้'ง วิ�เคราะห1ข้�อมูลัเพื่��อก2าหนดเป(นแผนกลัย)ทธี1ได�ก'อนค'แข้'ง เช่'นพื่ฤต่�กรรมูผ�บร�โภค 3. เพื่��มูประส�ทธี�ภาพื่ในการต่�ดส�นใจ มู�ข้�อมูลัครบถึ�วินจากอด�ต่จนถึ�งป:จจ)บ�น


ข้�อเส�ยข้องคลั�งข้�อมูลั

1. ข้�"นต่อนการกรองข้�อมูลัใช่�เวิลัานาน ต่�องอาศ�ยผ�ท��มู�ควิามูช่2านาญในการกรองข้�อมูลั

2. แนวิโน�มูในการกรองข้�อมูลัเพื่��มูมูากข้�"นเร��อยๆ เพื่��มูควิามูซั�บซั�อนให�กระบวินการท2างาน 3.ใช่�เวิลัานานในการพื่�ฒนาคลั�งข้�อมูลั4.ระบบคลั�งข้�อมูลัมู�ควิามูซั�บซั�อนสง


• Successful knowledge management

– Creates techniques, technologies, systems, and rewards for getting employees to share what they know

– Makes better use of accumulated workplace and enterprise knowledge

3 Knowledge Management


Knowledge Management Techniques


• Knowledge management systems– A major strategic use of IT– Manages organizational learning and know-how– Helps knowledge workers create, organize, and

make available important knowledge– Makes this knowledge available wherever and

whenever it is needed

• Knowledge includes– Processes, procedures, patents, reference works,

formulas, best practices, forecasts, and fixes

Knowledge Management Systems (KMS)

Knowledge Management

การจั�ดการควิามร��

ควิามร��แบบชั�ดแจั�ง (Explicit Knowledge) 20%

ควิามร��โดย์นั�ย์/แบบซ่!อนัเร�นั (Tacit Knowledge) 80%

อธิ์�บาย์ได�แต่!ย์�งไม!ถู�กนั&าไปบ�นัท'กอธิ์�บาย์ได�แต่!ไม!อย์ากอธิ์�บาย์

อธิ์�บาย์ไม!ได�


ลังมู�อปฏิ�บ�ต่�ใช่�ต่�วิอย'าง

ทร�พื่ย1ส�น

ส��อ/ประช่)มู

เกลั�ยวิควิามูร � เกลั�ยวิควิามูร � SECI Model SECI Model

S EI C


KnowledgeSharing (KS)

KnowledgeVision (KV)

KnowledgeAssets (KA)

•สิ!วินัหั�วิ สิ!วินัต่า•มองวิ!าก&าลั�งจัะไปทางไหันั•ต่�องต่อบได�วิ!า “ท&า KM ไปเพื่+,ออะไร”

• สิ!วินักลัางลั&าต่�วิ • สิ!วินัท-,เป.นั “หั�วิใจั” • ใหั�ควิามสิ&าค�ญก�บการ

แลักเปลั-,ย์นัเร-ย์นัร�� • ชั!วิย์เหัลั+อ เก+1อก�ลัซ่',ง

ก�นัแลัะก�นั (Share & Learn)

•สิ!วินัหัาง •สิร�างคลั�งควิามร��•เชั+,อมโย์งเคร+อข่!าย์ •ประย์3กต่ ใชั� ICT “สิะบ�ดหัาง” •สิร�างพื่ลั�งจัาก CoPs

TUNA Model(Thai –UNAids)


• การบร�หัารจั�ดการ• เพื่+,อใหั�.. “ ”คนั ท-,ต่�องการใชั�ควิามร��• ได�ร�บ..ควิามร�� ท-,ต่�องการใชั�• ในัเวิลัา..ท-,ต่�องการ• เพื่+,อใหั�บรรลั3เป4าหัมาย์การท&างานั

(Source: APQC)

การจั�ดการควิามร��Right Knowledge…. Right People… Right Time…


จ�งหวิ�ด อ&าเภอ

ต่&าบลั

การบร�การช่)มูช่น


ค3ณเอ+1อ ค3ณเอ+1อ เป.นัผ��บร�หัารระด�บสิ�งท&าหันั�าท-,จั�ดการควิามร��ข่ององค กร

ค3ณอ&านัวิย์ ค3ณอ&านัวิย์ เชั+,อมโย์งคนั สิร�างควิามสิ�มพื่�นัธิ์ ต่!อก�นั

ค3ณก�จั ค3ณก�จั ผ��ท-,ร�บผ�ดชัอบต่ามหันั�าท-,ข่องต่นั ค3ณลั�ข่�ต่ ค3ณลั�ข่�ต่ ผ��ท&าหันั�าท-,จัดบ�นัท'ก สิก�ดองค

ควิามร�� ค3ณวิ�ศาสิต่ร ค3ณวิ�ศาสิต่ร ออกแบบระบบไอท-

ท-มงานัพื่�ฒนัาการจั�ดการควิามร��




4 Online Analytical Processing

• OLAP

– Enables managers and analysts to examine and manipulate large amounts of detailed and consolidated data from many perspectives

– Done interactively, in real time, with rapid response to queries


Multidimensional Data

• Sales volume as a function of product, month, and region

Pro

duct

Regio

n

Month

Dimensions: Product, Location, Time

Industry Region Year

Category Country Quarter

Product City Month Week

Office Day

Hierarchical summarization paths


A Sample Data Cube

Total annual salesof TV in U.S.A.Date

Produ

ct

Cou

ntr

y

sum

sum TV

VCRPC

1Qtr 2Qtr 3Qtr 4Qtr

U.S.A

Canada

Mexico

sum

Dimensions: Product,Date,Country


Cuboids Corresponding to the Cube

all

product date country

product,date product,country date, country

product, date, country

0-D(apex) cuboid

1-D cuboids

2-D cuboids

3-D(base) cuboid


Browsing a Data Cube• Visualization• OLAP capabilities• Interactive

manipulation


Online Analysis Processing (OLAP)• กระบวินการประมูวิลัผลัข้�อมูลัทางคอมูพื่�วิเต่อร1 ท��ช่'วิยให�วิ�เคราะห1ข้�อมูลั

ในมู�ต่�ต่'างๆ (Multidimensional Data Analysis)

• การด2าเน�นการก�บ OLAP

1. Roll up 2. Drill Down3. Slice4. Dice


Typical OLAP (on-line analytical processing) Operations

• 1 Roll up (drill-up): summarize data

– by climbing up hierarchy or by dimension reduction

– มู�การรวิมูหร�อสร)ปค'า• 2 Drill down (roll down): reverse of roll-up

– from higher level summary to lower level summary or detailed data, or introducing new dimensions

– มู�การกระจายค'าในรายลัะเอ�ยดมูากข้�"น ต่ามูช่น�ดข้�อมูลั


Fact Table


Roll Up and Drill Down


Typical OLAP Operations

3 Slice เลั�อกพื่�จารณา...ผลัลั�พื่ธี1...บางส'วินท��เราสนใจต่�ดค'าต่ามู Dimension

4 Diceเลั�อกพื่�จารณา...พื่ลั�ก Dimension... ให�ต่รงต่ามูควิามู

ต่�องการข้องผ�ใช่�เช่'น จากมู)มูมูอง Shop-Product-Type ไปเป(น

Date-Product-Type


Dimension


5 Data Mining

• Provides decision support through knowledge discovery– Analyzes vast stores of historical business

data– Looks for patterns, trends, and correlations– Goal is to improve business performance


Data Mining (เหมู�องข้�อมูลั)

• เหมู�องข้�อมูลั เป(นเคร��องมู�อท��ช่'วิยให�ผ�ใช่�เข้�าถึ�งข้�อมูลัได�โดยต่รงจากฐานข้�อมูลัข้นาดใหญ'

• เหมู�องข้�อมูลั เป(นเคร��องมู�อ แลัะ Application ท��สามูารถึแสดงผลัการวิ�เคราะห1ข้�อมูลัทางสถึ�ต่�ได�

• เหมู�องข้�อมูลั หมูายถึ�งการวิ�เคราะห1ข้�อมูลั เพื่��อแยกประเภท จ2าแนกรปแบบแลัะควิามูส�มูพื่�นธี1ข้องข้�อมูลัจากคลั�งข้�อมูลัหร�อฐานข้�อมูลัข้นาดใหญ' น2าสารสนเทศไปใช่�ในการต่�ดส�นใจธี)รก�จ

• ได�องค1ควิามูร �ใหมู' (Knowledge Discovery)

• อาจอย'ในรปแบบข้องกฎเกณฑ์1 (Rule)


Data Mining Process


ค)ณลั�กษณะข้องเหมู�องข้�อมูลั1. ช่�"แนวิทางการต่�ดส�นใจแลัะคาดการณ1ผลัลั�พื่ธี12. เพื่��มูควิามูเร3วิในการวิ�เคราะห1ข้�อมูลั จากฐานข้�อมูลัข้นาดใหญ'3. ค�นหาส'วินประกอบท��ซั'อนอย'ในเอกสาร รวิมูถึ�งควิามูส�มูพื่�นธี1

ระหวิ'างส'วินประกอบต่'างๆ4. จ�ดกลั)'มูเอกสารต่ามูห�วิข้�อต่'างๆต่ามูนโยบายบร�ษ�ท


เทคน�คการท2าเหมู�องข้�อมูลั

5.1. Classification

5.2. Clustering

5.3. Association

5.4. Visualization


เทคน�คการท2าเหมู�องข้�อมูลั5.1. Classification : เทคน�คในการจ2าแนกกลั)'มูข้�อมูลัด�วิย

ค)ณลั�กษณะต่'างๆท��ได�มู�การก2าหนดไวิ�แลั�วิสร�างแบบจ2าลัองเพื่��อการพื่ยากรณ1ค'าข้�อมูลั (Predictive

Model) ในอนาคต่ เร�ยกวิ'า ......Supervised Learning

มู� 2 รปแบบTree Induction

Neural Network

5.2. Clustering : เทคน�คในการจ2าแนกกลั)'มูข้�อมูลัใหมู'ท��มู�ลั�กษณะคลั�ายก�นไวิ�กลั)'มูเด�ยวิก�น โดยไมู'มู�การจ�ดกลั)'มูข้�อมูลัต่�วิอย'างไวิ�ลั'วิงหน�า เร�ยกวิ'า .......Unsupervised Learning


เทคน�คการท2าเหมู�องข้�อมูลั5.3. Association : เทคน�คในการค�นพื่บองค1ควิามูร �ใหมู'

ด�วิยการเช่��อมูโยงกลั)'มูข้องข้�อมูลัท��เก�ดข้�"นในเหต่)การณ1เด�ยวิก�นไวิ�ด�วิยก�น

5.4. Visualization :เทคน�คท��ใช่�ในการแสดงผลัในรปแบบกราฟิAกหร�อ ข้�อมูลัหลัายมู�ต่�


• Classification: – predicts categorical class labels– classifies data (constructs a model)

based on the training set and the values (class labels) in a classifying attribute and ....uses it in classifying new data

• Prediction: – models continuous-valued functions, i.e.,

predicts unknown or missing values

Classification vs. Prediction


Classification Process

1. Model construction: 2. Model usage:



1. Model construction: describing a set of predetermined classes• Each tuple/sample is assumed to belong to a

predefined class, as determined by the class label attribute

• The set of tuples used for model construction: training set

• The model is represented as classification rules, decision trees, or mathematical formulae


1. Model Construction

TrainingData

NAME RANK YEARS TENUREDMike Assistant Prof 3 noMary Assistant Prof 7 yesBill Professor 2 yesJim Associate Prof 7 yesDave Assistant Prof 6 noAnne Associate Prof 3 no

ClassificationAlgorithms

IF rank = ‘professor’OR years > 6THEN tenured = ‘yes’

Classifier(Model)


2. Model usage: for classifying future or unknown objectsEstimate accuracy of the model

• The known label of test sample is compared with the classified result from the model

• Accuracy rate is the percentage of test set samples that are correctly classified by the model

• Test set is independent of training set



2. Use the Model in Prediction

Classifier

TestingData

NAME RANK YEARS TENUREDTom Assistant Prof 2 noMerlisa Associate Prof 7 noGeorge Professor 5 yesJoseph Assistant Prof 7 yes

Unseen Data

(Jeff, Professor, 4)

Tenured?


What Is Prediction?

• Prediction is similar to classification– 1. Construct a model

– 2. Use model to predict unknown value

• Major method for prediction is regression

– Linear and multiple regression

– Non-linear regression

• Prediction is different from classification– Classification refers to predict categorical class

label

– Prediction models continuous-valued functions


Data Mining Process

1. Data Preparation

2. Evaluating Classification Methods


1. Data Preparation

• Data cleaning– Preprocess data in order to reduce noise and

handle missing values

• Relevance analysis (feature selection)– Remove the irrelevant or redundant attributes

• Data transformation– Generalize and/or normalize data


2. Evaluating Classification Methods• Predictive accuracy• Speed and scalability

– time to construct the model– time to use the model

• Robustness– handling noise and missing values

• Scalability– efficiency in disk-resident databases

• Interpretability: – understanding and insight proved by the model

• Goodness of rules– decision tree size– compactness of classification rules


Supervised vs. Unsupervised Learning

• Supervised learning (classification)– Supervision: The training data (observations,

measurements, etc.) are accompanied by labels indicating the class of the observations

– New data is classified based on the training set

• Unsupervised learning (clustering)– The class labels of training data is unknown

– Given a set of measurements, observations, etc. with the aim of establishing the existence of classes or clusters in the data


Supervised Learning


Unsupervised Learning


Supervised Data Mining TechniquesSupervised Data Mining TechniquesSupervised Data Mining TechniquesSupervised Data Mining Techniques


Decision Tree


Decision Tree

• Decision tree – A flow-chart-like tree structure– Internal node denotes a test on an attribute– Branch represents an outcome of the test– Leaf nodes represent class labels or class

distribution• Use of decision tree: Classifying an unknown sample

– Test the attribute values of the sample against the decision tree


Classification by Decision Tree• Decision tree generation consists of two

phases1. Tree construction

•At start, all the training examples are at the root

•Partition examples recursively based on selected attributes

2. Tree pruning•Identify and remove branches that reflect noise or outliers


Training Dataset

age income student credit_rating buys_computer<=30 high no fair no<=30 high no excellent no30…40 high no fair yes>40 medium no fair yes>40 low yes fair yes>40 low yes excellent no31…40 low yes excellent yes<=30 medium no fair no<=30 low yes fair yes>40 medium yes fair yes<=30 medium yes excellent yes31…40 medium no excellent yes31…40 high yes fair yes>40 medium no excellent no

This follows an example from Quinlan’s ID3


Output: A Decision Tree for “buys_computer”

age?

overcast

student? credit rating?

no yes fairexcellent

<=30 >40

no noyes yes

yes

30..40








What Is Association Mining?

• Association rule mining:– Finding frequent patterns, associations,

correlations, or causal structures among sets of items or objects in transaction databases, relational databases, and other information repositories.

• Applications:– Basket data analysis, cross-marketing,

catalog design, loss-leader analysis, clustering, classification, etc.


Market Basket Analysis

• One of the most common uses for data mining– Determines what products customers purchase

together with other products

• Results affect how companies– Market products

– Place merchandise in the store

– Lay out catalogs and order forms

– Determine what new products to offer

– Customize solicitation phone calls


Association RulesAssociation RulesAssociation RulesAssociation Rules


Generating Association RulesGenerating Association RulesConfidence and Support

Generating Association RulesGenerating Association RulesConfidence and Support

-Milk -Cheese

-Bread -Eggs

Possible associations include the following:

1. If customers purchase milk they also purchase bread.

2. If customers purchase bread they also purchase milk.

3. If customers purchase milk and eggs they also purchase cheese and bread.

4. If customers purchase milk, cheese, and eggs they also purchase bread.


Generating Association RulesGenerating Association RulesMining Association Rules: An Example











Here are three of several possible three-item set rules:


The K-Means AlgorithmThe K-Means AlgorithmThe K-Means AlgorithmThe K-Means Algorithm


The K-Means AlgorithmThe K-Means AlgorithmThe K-Means AlgorithmThe K-Means Algorithm


The K-Means AlgorithmThe K-Means AlgorithmGeneral Considerations






Clustering TechniquesClustering TechniquesClustering TechniquesClustering Techniques


Clustering TechniquesClustering TechniquesClustering TechniquesClustering Techniques


ต่�วิอย'างการน2าเหมู�องข้�อมูลัมูาใช่�งาน1. การต่ลัาด

ท2านายยอดข้ายเมู��อมู�การลัดจ2านวินส�นค�าลัง2. การเง�นการธีนาคาร

คาดการณ1โอกาสในการช่2าระหน�"ข้องลักค�า3. การค�าข้าย4. โรงงาน การผลั�ต่5. ต่ลัาดหลั�กทร�พื่ย16. ธี)รก�จการประก�น7. H/W S/W คอมูพื่�วิเต่อร18. กระทรวิงกลัาโหมู9. โรงพื่ยาบาลั


ประโยช่น1ข้องเหมู�องข้�อมูลั1. ค�นหาข้�อมูลัโดยอาศ�ยเทคโนโลัย�ข้องเหมู�องข้�อมูลั2. ใช่�สถึาป:ต่ยกรรมูแบบ Client/Server

3. ผ�ใช่�ระบบไมู'จ2าเป(นต่�องท�กษะในการเข้�ยนโปรแกรมู4. ผ�ใช่�ต่�องก2าหนดข้อบเข้ต่แลัะเปBาหมูายข้องระบบให�ช่�ดเจน เพื่��อ

ควิามูรวิดเร3วิแลัะถึกต่�องต่ามูควิามูต่�องการ5. การประมูวิลัผลัแบบข้นานจะช่'วิยเพื่��มูประส�ทธี�ภาพื่แลัะควิามูเร3วิ

ในการค�นหาข้�อมูลั


Geographic Information Systems

• GIS

– DSS uses geographic databases to construct

and display maps and other graphic displays

– Supports decisions affecting the geographic distribution of people and other resources

– Often used with Global Positioning Systems (GPS) devices


Dashboard Example


Executive Information Systems

• EIS

– Combines many features of MIS and DSS

– Provide top executives with immediate and easy access to information

– Identify factors that are critical to accomplishing strategic objectives (critical success factors)

– So popular that it has been expanded to managers, analysis, and other knowledge workers


Enterprise Information Portals

• An EIP is a Web-based interface and integration of MIS, DSS, EIS, and other technologies– Available to all intranet users and select

extranet users

– Provides access to a variety of internal and external business applications and services

– Typically tailored or personalized to the user or groups of users

– Often has a digital dashboard

– Also called enterprise knowledge portals


Enterprise Information Portal Components


Enterprise Knowledge Portal


ReferenceData Mining: Concepts and Techniques (Chapter 6 Slide for textbook), Jiawei Han and Micheline Kamber, Intelligent Database Systems Research Lab, School of Computing Science, Simon Fraser University, Canada

Data Mining A tutorial-Based Primer, Richard J. Roiger and Michael W. Geatz, Pearson Education Inc., 2003

James A. O’Brien and George M. Marakas, Management Information Systems, 8th edition, McGraw-Hill /Irwin, 2008


Q & A

Documents

450-101 Management Information System Decision Support System