9. Dobývání znalostí v praxi

Save this PDF as:
 WORD  PNG  TXT  JPG

Rozměr: px
Začít zobrazení ze stránky:

Download "9. Dobývání znalostí v praxi"

Transkript

1 9. Dobývání znalostí v praxi 9.1 Příklad úlohy Na závěr knihy se opět vraťme k příkladu zmíněném v první kapitole. Vodítkem při dobývání znalostí nám bude metodologie CRISP-DM Porozumění problematice Banka XY je zaměřena na drobné klienty kterým vede účty, poskytuje půjčky apod. 1 Pod rostoucím tlakem konkurence chce tato banka zlepšit své služby. Management banky má jen velmi vágní představu, co je možno od metod dobývání znalostí očekávat. Doufá ale, že mu tyto nové metody umožní lépe pochopit klienty a tak například cíleněji nabízet své produkty (tedy úloha deskripce), nebo rozlišovat mezi různými skupinami klientů (tedy úloha klasifikace) Porozumění datům Obr. 1 Data o klientech banky XY Data sledovaná bankou XY mají podobu několika navzájem propojených tabulek (Obr. 1). Základní tabulkou je tabulka Account (účty). S každým účtem může disponovat nějaký klient (tabulka Client). K jednomu účtu může mít přístup více klientů, jeden klient může mít zřízeno více účtů; tato skutečnost 1 Banka XY je fiktivní banka. Jakákoliv podobnost s reálnou bankou je čistě náhodná. Uvedená data byla použita v rámci workshopů Discovery Challenge na konferencích PKDD 99 a PKDD

2 je zachycena v tabulce Disposition, která přiřazuje klienty k účtům. Klientovi, který disponuje nějakým účtem, může být k tomuto účtu vydána kreditní karta (tabulka Credit Card). Nejdůležitější údaje o účtech jsou údaje o prováděných operacích, to je zachyceno v tabulce Transactions (transakce). Na některých účtech mohou být zřízeny trvalé platební příkazy (tabulka Permanent order), na základě některých účtů banka poskytuje úvěr (tabulka Loan). Tabulka Demograph obsahuje demografické údaje o 77 okresech, lze z nich tedy vyčíst další informace o prostředí ve kterém klient žije. account_id identifikace záznamu district_id okres pobočky date datum založení účtu Ve tvaru YYMMDD frequency četnost výpisů "MESICNE" " TYDNE" "PO OBRATU" Tab. 1 Tabulka účty client_id identifikace záznamu rodné číslo datum narození a pohlaví ve tvaru YYMMDD pro muže, YYMM+50DD pro ženy, district_id okres bydliště Tab. 2 Tabulka klienti disp_id identifikace záznamu client_id identifikace klienta account_id identifikace účtu type typ dispozičního práva (owner/user) Pouze "owner" může dávat trvalé příkazy a žádat o úvěr Tab. 3 Tabulka dispoziční práva order_id identifikace záznamu account_id číslo účtu bank_to banka příjemce dvouznakový kód account_to účet příjemce amount uhrazená částka k_symbol charakteristika platby "POJISTNE" "SIPO" "LEASING" "UVER" Tab. 4 Tabulka trvalé příkazy 2

3 trans_id identifikace záznamu account_id číslo účtu kterého se transakce týká date datum transakce ve tvaru YYMMDD type typ transakce "PRIJEM" "VYDAJ" operation způsob provedení transakce "VYBER KARTOU" "VKLAD" (v hotovosti) "PREVOD Z UCTU" "VYBER" (v hotovosti) "PREVOD NA UCET" amount částka balance zůstatek po provedení operace k_symbol charakteristika transakce "POJISTNE" "SLUZBY" "UROK" "SANKC. UROK" "SIPO" "DUCHOD" "UVER" bank banka partnera dvouznakový kód account učet partnera Tab. 5 Tabulka transakce loan_id identifikace záznamu account_id identifikace účtu date datum poskytnutí úvěru ve tvaru YYMMDD purpose účel úvěru ammount částka duration doba splácení payments měsíční splátky status status splácení úvěru 'A' úvěr ukončen bez problémů, 'B' úvěr ukončen s problémy, 'C' běžící úvěr, bez problémů, 'D' běžící úvěr, s problémy Tab. 6 Tabulka úvěry card_id identifikace záznamu disp_id dispoziční právo k účtu type typ kreditní karty možné hodnoty jsou "junior", "classic", "gold" issued datum vydání ve tvaru YYMMDD Tab. 7 Tabulka kreditní karty A1= kód okresu 3

4 district_id A2 jméno okresu A3 region A4 počet obyvatel A5 počet obcí s počtem obyvatel < 499 A6 počet obcí s počtem obyvatel A7 počet obcí s počtem obyvatel A8 počet obcí s počtem obyvatel > A9 počet měst A10 podíl městského obyvatelstva A11 průměrný plat A12 míra nezaměstnanosti '95 A13 míra nezaměstnanosti '96 A14 počet soukromých podnikatelů na 1000 obyvatel A15 zjištěné trestné činy '95 A16 zjištěné trestné činy '96 Tab. 8 Tabulka demografická data Banka poskytla pro analýzu jen určitý (relativně malý) vzorek těchto dat: 4500 účtů, 5369 klientů, 6471 trvalých příkazů, 682 záznamů o úvěrech, 892 záznamů o kreditních kartách. Z tohoto počtu se vymyká pouze tabulka transakce obsahující záznamů údajů o pohybu na účtech až za 5 let. První představu o podobě dat bylo (vzhledem k rozsahu dat) možno získat relativně jednoduchými nástroji (Access, Excel). Tak lze například zjistit, jaký je podíl bezproblémových úvěrů a úvěrů s problémy (Tab. 9) nebo jaké je zastoupení držitelů kreditních karet podle typu karty (Tab. 10). Bylo rovněž konstatováno, že některé údaje v tabulce transakce (např. konstantní symbol) mají mnoho chybějících hodnot. Dále bylo zjištěno, že daných datech se nevyskytoval klient, který mohl manipulovat s více účty a že s jedním účtem mohli manipulovat maximálně dva klienti. Status úvěru absolutní počet relativně vůči všem úvěrům relativně vůči všem účtům žádný úvěr % A % 4.51% B % 0.69% C % 8.95% D % 1% Tab. 9 Klasifikace úvěrů typ karty absolutní počet relativně vůči všem kartám relativně vůči všem účtům žádná % junior % 3.22% classic % 13.98% gold % 1.96% Tab. 10 Klasifikace kreditních karet 4

5 9.1.3 Příprava dat Předzpracování dat je nejpracnější částí celé analýzy. Vzhledem k tomu, že zamýšlíme použít algoritmy pracující s jedinou tabulkou (tedy používající reprezentaci objektů pomocí hodnot atributů) musíme především vytvořit agregované hodnoty pro řadu charakteristik. Za centrální tabulku zvolíme údaje o účtech (tabulku account). K této tabulce pak budeme přiřazovat údaje z tabulek s ní spojených: V tabulce client můžeme z rodného čísla určit věk a pohlaví klienta. V případě tabulek client a dispsition určíme počet klientů, kteří mají právo nakládat s účtem 2, vzhledem k tomu, že v datech se nevyskytuje klient který má právo manipulovat s více účty, nemusíme provádět spojování tabulek opačným směrem. V případě tabulky permanent order určíme počet a trvalých příkazů, celkovou částku a to, zda se vyskytuje příkaz pro určitý typ platby. V případě tabulky transactions vyjdeme z toho, že lze předpokládat měsíční periodicitu řady transakcí. Budeme tedy počítat průměrný zůstatek, průměrný příjem, průměrný výdej (souhrnně i podle typu transakcí) a průměrný počet transakcí za jeden měsíc. Průměrný zůstatek přitom spočítáme jako vážený průměr zůstatku po provedené transakci, kde vahou bude počet dnů, po které byl tento zůstatek na účtu [Coufal a kol, 1999]: prům_zůst = 1 30 i zůstatek(i) počet_dnů(i). Smysl má rovněž určit měsíční minimum a maximum ze zůstatku, příjmu a výdaje. Z tabulky loan přiřadíme příslušné údaje účtům ke kterým je splácen úvěr. Z tabulky credit card zjistíme, kolik karet a jakého typu je vydáno k účtům. Z tabulky demograph přiřadíme účtům (majitelům účtů) demografické charakteristiky Protože některé algoritmy (např. asociační pravidla) pracují pouze s kategoriálními daty, je nutno předem diskretizovat numerické atributy. Zkusíme obě varianty slepé diskretizace, ekvidistantní i ekvifrekvenční intervaly Modelování Ukažme si na několika vybraných úlohách způsob použití některých analytických procedur pro krok modelování. V případě prvních dvou relativně jednoduchých úloh vystačíme s jednou metodou, Další dvě úlohy vyžadují postupné použití několika algoritmů. 2 Z věku a pohlaví můžeme zkusit usoudit na vzájemný vztah těchto klientů (partneři, rodiče a děti) tyto naše dedukce jsou ale neprůkazné. 5

6 Jednoduchá deskripce Při této úloze nás bude zajímat souvislost typu úvěru a dalších charakteristik účtu. Znalosti získané touto analýzou by měly popisovat rizikovou skupinu klientů, v ideálním případě na základě charakteristik, které se dají zjistit ještě před poskytnutím úvěru. Jako analytický nástroj nejprve použijeme metodu GUHA [Coufal a kol, 1999].. Vzhledem k tomu že metoda pracuje pouze s kategoriálními daty, budeme pracovat s diskretizovanými podobami numerických atributů. Spojíme rovněž hodnoty A a C atributu loan.status do nové hodnoty good a hodnoty B a D téhož atributu do nové hodnoty bad. Metodou GUHA pak budeme hledat asociační pravidla (hypotézy) typu A ~ loan.status, kde A bude nejvýše dvoučlenná konjunkce. Pro ~ použijeme Fisherův kvantifikátor na hladině významnosti α=0.05, požadujeme přitom hypotézy s podporu (support) alespoň 15 objektů. Tab. 11 ukazuje některé nalezené asociace [Coufal a kol, 1999]. Jednotlivé sloupce tabulky zachycují číslo hypotézy, předpoklad A, závěr, hodnotu Fisherova kvantifikátoru, podporu (support), a spolehlivost (confidence) pravidla A loan.status 3. # předpoklad loan.status Fisher podpora spolehlivost 1 prům_sankční_úrok(ne) good e prům_sankční_úrok(ano) bad e trvalý_příkaz_sipo(ano) good e trvalý_příkaz_sipo(ne) bad e trvalý_příkaz_sipo(ano) jiný_trvalý_příkaz(ne) good e další_disponent(ano) good e další_disponent(ne) bad e rok_poskytnutí_uvěru(98) good e kreditní_karta(ano) good e výše_splátky(<2000) good e rok_založení_účtu(97) good e Tab. 11 Asociační pravidla pro typ úvěru Pro hledání vztahu mezi údaji o transakcích a typech úvěru můžeme rovněž použít vizualizační možnosti, které nabízí i tak běžný nástroj jako je Excel [Mikšovský a kol, 1999]. Pro účty patřící z hlediska typu úvěru do téže třídy spočítáme průměrné, maximální a minimální měsíční hodnoty příjmu, výdaje a zůstatku. Vyneseme-li pak do grafu průběhy těchto hodnot za šestiměsíční období, které předcházelo poskytnutí půjčky, můžeme pozorovat vzájemné rozdíly mezi účty různých tříd (Obr. 2). 3 Podpora je hodnota a ze čtyřpolní tabulky, spolehlivost je pak podíl a/(a+b) hodnot ze čtyřpolní tabulky. 6

7 Obr. 2 Vývoj průměrného zůstatku a minimálního zůstatku pro různé typy úvěrů Jednoduchá klasifikace Úlohou bude klasifikace úvěrů do tříd bezproblémové nebo rizikové. Za bezproblémové budeme považovat úvěry typu A a C (Tab. 6), za problémové pak úvěry B a D. Bezproblémových úvěrů je tedy 606 a problémových je 76. Naší snahou bude nalézt znalosti, které by umožňovaly rozpoznat potenciálně problémový úvěr ještě dříve, než je poskytnut. Budeme vycházet z toho, že pro banku je horší chybou 4 považovat potenciálně problémový úvěr za bezproblémový, než naopak. Vzhledem k tomto předpokladu i vzhledem k tomu, že četnost jednotlivých tříd je značně nevyvážená, budeme brát do úvahy různé ceny za chybu klasifikace. Pro vytvoření klasifikačních znalostí použijeme algoritmus C5.0 pro tvorbu rozhodovacích stromů a pravidel. Trénovací data budou tvořena informacemi o všech 682 účtech ke kterým je přiřazen úvěr; kromě údajů z tabulek účet, klient, dispozice a úvěr nás opět budou zajímat údaje o transakcích (o průměrných měsíčních částkách). Budeme tedy pracovat s celkem 69 atributy. Nejprve byl vytvořen rozhodovací strom, který umožnil získat představu o důležitosti jednotlivých atributů (důležitost atributu odpovídá vzdálenosti tohoto atributu od kořene stromu). To umožnilo provést novou analýzu, pouze s použitím vybraných atributů. Při tomto použití algoritmu C5.0 byl zvolen výstup v podobě rozhodovacích pravidel. Výsledkem analýzy na redukované (co do počtu atributů) trénovací množině bylo 24 pravidel. Počet chyb, kterých se báze pravidel dopustila při klasifikaci byl 52 (z 606) pro bezproblémové úvěry a 0 pro úvěry problémové. Celková úspěšnost klasifikace tedy byla 92.4%; všechny problémové úvěry přitom byly klasifikovány správně [Mikšovský a kol, 1999] Podpora zavádění kreditních karet Při této úloze jde o to zjistit kteří klienti z těch, co přicházejí do úvahy, ještě nemají kreditní karty a tyto karty jim nabídnout [Putten, 1999]. Z pohledu banky se jedná o to nabídnout další svůj produkt již existujícím klientům. Přitom, čím více produktů banky bude klient využívat, tím klesá nebezpečí, že přejde k jiné bance. Navíc banka inkasuje poplatky za použití karty. Při podrobnějším pohledu do dat se ukáže, že přestože jak počet tak používání kreditních karet roste, ke konci roku 1998 mělo kartu jen 18% klientů. Zdá se tedy, že dobrý nástroj pro stanovení potenciálních držitelů kreditní karty může bance přinést nezanedbatelné zisky. 4 Statistici by řekli, že jde o chybu prvního druhu. 7

8 Cílem úlohy dobývání znalostí bylo nalezení charakteristik klientů majících kreditní kartu i vzájemné odlišení mezi klienty držiteli zlaté karty a karty klasik, resp. mezi klienty držiteli karty junior a karty klasik. Skrytým výchozím předpokladem zde je, že data jsou dostatečně dobře reprezentují databázi všech klientů. Vzhledem k tomu, že jak počet klientů tak počet karet, které jsou v databázi je velice malý, nebudou dostupná data pravděpodobně odpovídat tomuto předpokladu. Ve fázi předzpracování byla z databáze vytvořena jedna datová matice podle klientů. Sledovanými charakteristikami byly jak statické údaje (o klientovi, o bydlišti), tak údaje o transakcích (minima, maxima, průměry zůstatků, příjmů, výběrů). Zajímavým novým atributem byla tzv. hodnota karty spočítaná jako průměrná částka vybraná kartou násobená počtem výběrů kartou. Cílovými atributy (pro různé dílčí podúlohy) pak byly typy karet. Pro úlohu nalezení charakteristik klientů majících kreditní kartu (deskriptivní úloha) byla použita metoda detekce odchylek. Pro numerický atribut se průměrná hodnota v rámci třídy vydělí průměrnou hodnotou v celých datech, pro nominální atributy se místo průměrů dělí četnosti. Tímto postupem získáme jakýsi index, který ukazuje jak moc je atribut relevantní pro zařazení objektů do dané třídy. Tímto postupem bylo např. zjištěno, že držitelé karet provádějí větší výběry v hotovosti, že mají větší zůstatky na účtech, nebo že lépe splácejí úvěry. V případě rozlišování mezi držiteli různých typů karet bylo např. zjištěno, že držitelé zlaté karty mají (ve srovnání s kartou klasik) vyšší hodnotu karty danou většími výběry i počtem transakcí. Pro predikci toho, zda je klient držitelem karty (klasifikační úloha) byl použit algoritmus k-nejbližšch sousedů. Výhodou této metody je, že výsledkem není pouze kategorické rozhodnutí ano/ne, ale že predikce je doplněna o jakési skóre vyjadřující zájem potenciálního klienta o kreditní kartu. Právě takovéto skóre (nebo váha klasifikace) je neocenitelné v marketingových aplikacích (viz křivka zdvihu v kapitole o evaluaci). Pro experimenty byla data rozdělena na část trénovací (75%) a testovací (25%). V první úloze bylo cílem predikovat, zda klient vlastní kartu. Ve skupině prvních 20% zájemců seřazených podle skóre bylo 52.2% držitelů kreditní karty. Pro druhou úlohu byla jako závislá veličina zvoleno to do jaké míry klient vlastní kartu. Tato míra je dána tím, jak moc kartu využívá, tedy hodnotou karty. V této druhé úloze bylo dosaženo jisté zlepšení; ve skupině prvních 20% zájemců seřazených podle skóre bylo 61.4% takto definovaných držitelů kreditní karty. Připomeňme na závěr popisu této úlohy, že náhodný výběr klientů bude obsahovat pouze 17% držitelů kreditní karty Vytvoření profilů skupin klientů Cílem této úlohy bylo nalézt skupiny klientů s podobným chováním a tyto skupiny následně charakterizovat. Jde tedy o to nalézt a popsat různé segmenty trhu. Základem pro analýzu se staly údaje o transakcích [Hotho, Meadche, 2000]. Podobně jako v předcházejících úlohách využívajících transakce velkou část práce představovalo předzpracování dat. Tentokrát se vyšlo z možných kombinací hodnot trans.k_symbol, trans.type, trans.operation. Ze 7*2*5=70 možných kombinací bylo v datech nalezeno 16. Těchto 16 atributů (dimenzí) bylo použito jako výchozí bod pro určování profilů klientů; každý klient byl charakterizován průměrnou částkou (danou počtem transakcí a celkovou částkou) pro každý atribut. Důležitost jednotlivých atributů v takto vzniklé databázi profilů byla posuzována statistickou metodou hlavních komponent. Jako nejvýznamnější se ukázaly atributy vklad v hotovosti a výběr v hotovosti. Pro hledání skupin klientů byla použita Kohonenova mapa (SOM) - tedy neuronová síť umožňující provádět shlukování objektů. Tímto algoritmem bylo nalezeno 5 shluků. Jeden se shluků vykazoval dobrou shodu s průměrným profilem všech klientů, jiný shluk měl vysoké hodnoty pro atribut ATTR13 = trans.k_symbol(důchod) trans.type(příjem) trans.operation(převod_z_účtu) (Obr. 3). 8

9 Obr. 3 Nalezené profily klientů Výsledek tvorby profilů byl použit jako zdroj dat pro tvorbu rozhodovacího stromu následně převedeného do podoby rozhodovacích pravidel. Cílem bylo nalézt charakteristiky jednotlivých skupin klientů. Tak např. shluk č. 3 odpovídá důchodcům kteří převádí vyšší částky do jiných bank (ATTR5 = trans.type(výdej) trans.operation(převod_na_účet) ): Rule #1 for Cluster 3 IF prum_castka_attr5(> 9945) prum_castka_attr13(> 0) THEN Cluster(3) (115, 0.983) Vyhodnocení výsledků Jednoduchá deskripce V případě jednoduché deskripce byla nalezená pravidla posuzována expertem. Ne vše, co bylo systémem nalezeno (a tedy co bylo významné ze statistického hlediska) považoval expert za zajímavé: Mezi zřejmé znalosti expert zařadil např. hypotézy 1 a 2 (viz Tab. 11), které říkají pouze to, že klient, který měl záporný zůstatek na účtu (platil sankční úrok), měl rovněž problémy se splácením úvěru. Poněkud zajímavější jsou dvojce hypotéz 3-4 a 6-7, a hypotéza 5. Tyto hypotézy lze interpretovat tak, že účty domácností (SIPO, více dispozičních práv) jsou spíše bezproblémové. Z pohledu použitého kvantifikátoru si můžeme všimnout, že např. dvojce hypotéz 3 a 4 vykazuje stejnou (významnou) vazbu ve smyslu Fisherova kvantifikátoru, ale z pohledu spolehlivosti implikace je podstatně významnější hypotéza 3. Nelze tedy skutečnost, že z účtu se neplatí SIPO považovat za indikaci toho, že úvěr nebude splácen (hypotéza 4). Hypotéza 10 nabízí jako kritérium spolehlivosti výši měsíčních splátek; menší úvěry (měsíční splátky do 2000) se zdají být bezproblémové. 9

10 Hypotéza 9 je při bližším zkoumání snadno vysvětlitelná, aby získal klient kreditní kartu, musí mít po určité období dostatečný zůstatek na účtu. To zdá se dává záruky i splácení úvěru. Hypotézy 8 a 11, ač poměrně silné, nedávají expertovi valný smysl. Mohou být dány způsobem přípravy vzorku dat poskytnutým pro analýzy. Výsledkem této analýzy tedy bude doporučení bedlivěji sledovat účty, které nesouvisí s domácností klienta a lépe prověřovat žádosti o úvěry s vyšší měsíční splátkou. Při použití vizualizačních nástrojů pro odhalování vztahů (zde mezi transakcemi a typem úvěru) je interpretace výsledků značně subjektivní. Pohledem na grafy se ale zdá, že bezproblémové úvěry se vztahují k účtům, u kterých je průměrný zůstatek vyšší než 40000, nebo u kterých minimální zůstatek neklesne pod nulu. Druhé uvedené zjištění odpovídá hypotézám 1 a 2 zjištěným metodou GUHA. Znalost odvozená v prvním případě se zdá být zajímavější Podpora zavádění kreditních karet Podobně jako v případě jednoduché deskripce nepovažoval expert všechny nalezené znalosti za stejně zajímavé. Např. to, že klienti se zlatou kartou měli vyšší výběry souvisí i s různými limity výběru pro různé typy karet Vytvoření profilů skupin klientů Transakční data obvykle nesou podstatně více informací než data socio-demografická. I v tomto případě segmentace byly nalezeny zajímavé (a interpretovatelné) skupiny klientů na základě transakcí a nikoliv na základě socio-demografických charakteristik. Problémem je však značný objem transakčních dat a s tím související problémy se zpracováním (a předzpracováním). Investované úsilí se ale vyplatí Využití výsledků V případě podpory zavádění kreditních karet bylo navrženo použít klasifikační skóre pro direct mail. Práh skóre lze pak volit tak aby se optimalizovaly náklady na poštovné. V případě návštěvy nějakého klienta s vysokým skóre mu může banka nabídnout příslušný typ karty. Zajímavé by jistě bylo i zpřístupnění klasifikačního modelu na webu tak, aby potenciální klient sám mohl ověřit zda splňuje podmínky pro získání karty. Ke zlepšení vytvořených modelů bylo navrženo vzít do úvahy i používané předpisy pro přidělování karet. Segmentace klientů provedená pomocí Kohonenovy mapy je rovněž užitečná pro marketing. Propagace jednotlivých typů produktů může být prováděna podstatně cíleněji a tím i efektivněji. 10

11 9.2 Obecné zkušenosti Zkušenosti z reálných komerčních aplikací patří k žárlivě střeženým tajemstvím příslušných firem. Aby měli i odborníci zabývající se vývojem celého oboru KDD možnost nakouknout pod pokličku reálným úlohám, bývají zpřístupňována (reálná nebo simulovaná) data z řady aplikačních oblastí pro provádění analýz na nekomerční bázi. V posledních letech se analýzy takovýchto dat prezentují na řadě mezinárodních konferencí věnovaných dobývání znalostí z databází. Uveďme zde např. tzv. KDD Cup pořádaný v rámci (amerických) konferencí KDD, nebo různé Discovery Challenge konané v rámci konferencí evropských 5 (PKDD) nebo asijských (PAKDD). Společně řešené úlohy a následné diskuze ukazují, jaké jsou klíčové předpoklady úspěchu použití metod dobývání znalostí z databází v praxi [Berka, 2001]: metodologie pro standardizaci procesu dobývání znalostí Metodologie učiní proces KDD srozumitelným a reprodukovatelným. Umožní rovněž přenesení úspěšných postupů a řešení z jedné aplikační oblasti do jiné, i sdílení zkušeností mezi odborníky zabývajícími se touto problematikou. Příkladem může být metodologie CRISP-DM. spolupráce s experty z dané aplikační oblasti Podobně jako v případě expertních systémů, i při dobývání znalostí hraje expert z dané aplikační oblasti (a expert na data) důležitou roli. Jeho spolupráce je klíčová jak v úvodních krocích (porozumění dané problematice a porozumění datům), tak pro evaluaci a využití znalostí. dokonalejší metody předzpracování Algoritmy pro předzpracování a transformace dat (diskretizace a seskupování hodnot, ošetření chybějících hodnot, vytváření nových atributů) obvykle pracují nezávisle na aplikační oblasti. Zdá se, že využití doménových znalostí může výrazně zvýšit efektivnost těchto metod. algoritmy schopné zpracovávat složitější data Většina algoritmů používaných pro modelování, pracuje s jedinou datovou tabulkou tvořenou záznamy s pevnou strukturou. V reálných aplikacích se ale setkáváme s podstatně složitějšími typy dat: vzájemně provázané relace, časová data, prostorová data, texty, strukturovaná data. Řada činností v kroku předzpracování jde tedy na vrub nedokonalým nástrojům pro modelování. Přestože tato oblast je předmětem intenzivního výzkumu (viz např. metody ILP), do běžně používaných systémů pro dobývání znalostí se dosažené výsledky zatím příliš nepromítly. Interpretace výsledků srozumitelná expertovi Rozhodujícím kritériem pro úspěch nějaké reálné aplikace KDD je akceptování výsledků experty a potenciálními uživateli. To nejlepší řešení je bezcenné, pokud nebude používáno. Experti nejsou ochotni probírat se stovkami a stovkami pravidel, ani je nezajímají tabulky ukazující zlepšení jednoho klasifikátoru vůči jinému o 1.13%. Co je zajímá, je vhled do nalezených znalostí, nebo silná a slabá místa naučeného klasifikátoru. Jako důležité se tedy jeví následné zpracování výsledků a jejich vizualizace. 5 Výše analyzovaná data z bankovní oblasti pocházejí právě z Discovery Challenge na PKDD 99 a PKDD

12 Literatura: [Berka, 2001] Berka,P. Data Mining Contests in Europe. IPSJ Magazine Vol 42 No 5, 2001, [Berka, 1999] Berka,P. (editor): Workshop Notes on Discovery Challenge. University of Economics, Prague, 1999 [Coufal a kol, 1999]: Coufal,D. Holeňa,M. Sochorová,A.: Coping with disovery challenge by GUHA. In [Berka, 1999]. [Hotho, Meadche, 2000] Hotho,A. Meadche,A.: Efficient Discovery of Client Profiles from a Financial Database. In [Siebes, Berka, 2000]. [Mikšovský a kol, 1999] Mikšovský,P. Železný,F. Štěpánková,O. Pěchouček,M.: Financial data challenge. In [Berka, 1999]. [Putten, 1999] Putten P.van der: Promoting Credit Card Usage by Mining Transaction Data. In [Berka, 1999]. [Siebes, Berka, 2000] Siebes,A. Berka,P. (editors): Discovery Challenge. University Lyon,

ZÍSKÁVÁNÍ ZNALOSTÍ Z DATABÁZÍ

ZÍSKÁVÁNÍ ZNALOSTÍ Z DATABÁZÍ metodický list č. 1 Dobývání znalostí z databází Cílem tohoto tematického celku je vysvětlení základních pojmů z oblasti dobývání znalostí z databází i východisek dobývání znalostí z databází inspirovaných

Více

Dobývání a vizualizace znalostí

Dobývání a vizualizace znalostí Dobývání a vizualizace znalostí Olga Štěpánková et al. 1 Osnova předmětu 1. Dobývání znalostí - popis a metodika procesu a objasnění základních pojmů 2. Nástroje pro modelování klasifikovaných dat a jejich

Více

Credit scoring. Libor Vajbar Analytik řízení rizik. 18. dubna 2013. Brno

Credit scoring. Libor Vajbar Analytik řízení rizik. 18. dubna 2013. Brno Credit scoring Libor Vajbar Analytik řízení rizik 18. dubna 2013 Brno 1 PROFIL SPOLEČNOSTI Home Credit a.s. přední poskytovatel spotřebitelského financování Úvěrové produkty nákup na splátky u obchodních

Více

Získávání znalostí z databází. Alois Kužela

Získávání znalostí z databází. Alois Kužela Získávání znalostí z databází Alois Kužela Obsah související pojmy datové sklady, získávání znalostí asocianí pravidla 2/37 Úvod získávání znalostí z dat, dolování (z) dat, data mining proces netriviálního

Více

Hodnocení efektivnosti programů podpory malého a středního podnikání na základě realizace projektů podpořených

Hodnocení efektivnosti programů podpory malého a středního podnikání na základě realizace projektů podpořených Příloha č. 2 Hodnocení efektivnosti programů podpory malého a středního podnikání na základě realizace projektů podpořených Českomoravskou záruční a rozvojovou bankou Skutečné efekty podpor z roku 2003

Více

Úvodem Dříve les než stromy 3 Operace s maticemi

Úvodem Dříve les než stromy 3 Operace s maticemi Obsah 1 Úvodem 13 2 Dříve les než stromy 17 2.1 Nejednoznačnost terminologie 17 2.2 Volba metody analýzy dat 23 2.3 Přehled vybraných vícerozměrných metod 25 2.3.1 Metoda hlavních komponent 26 2.3.2 Faktorová

Více

aktivita A0705 Metodická a faktografická příprava řešení regionálních disparit ve fyzické dostupnosti bydlení v ČR

aktivita A0705 Metodická a faktografická příprava řešení regionálních disparit ve fyzické dostupnosti bydlení v ČR aktivita A0705 Metodická a faktografická příprava řešení regionálních disparit ve fyzické dostupnosti bydlení v ČR 1 aktivita A0705 Metodická a faktografická příprava řešení regionálních disparit ve fyzické

Více

Zaujalo nás. Říjen 07. Otevírací doba obchodních míst

Zaujalo nás. Říjen 07. Otevírací doba obchodních míst Informační bulletin společnosti Scott & Rose Říjen 07 Bulletin je předmětem autorských práv. Bez předchozího písemného souhlasu společnosti Scott & Rose je zakázána jakákoli další publikace, přetisk nebo

Více

Sazebník České spořitelny, a.s., pro bankovní obchody (dále jen Sazebník) část: IV. Kartové služby

Sazebník České spořitelny, a.s., pro bankovní obchody (dále jen Sazebník) část: IV. Kartové služby Sazebník České spořitelny, a.s., pro bankovní obchody (dále jen Sazebník) část: 1. Vydání/používání karty 2. Úvěry poskytované prostřednictvím kreditních a charge karet 3. Vyrobení náhradní karty 4. Omezení

Více

2 Zpracování naměřených dat. 2.1 Gaussův zákon chyb. 2.2 Náhodná veličina a její rozdělení

2 Zpracování naměřených dat. 2.1 Gaussův zákon chyb. 2.2 Náhodná veličina a její rozdělení 2 Zpracování naměřených dat Důležitou součástí každé experimentální práce je statistické zpracování naměřených dat. V této krátké kapitole se budeme věnovat určení intervalů spolehlivosti získaných výsledků

Více

StatSoft Úvod do data miningu

StatSoft Úvod do data miningu StatSoft Úvod do data miningu Tento článek je úvodním povídáním o data miningu, jeho vzniku, účelu a využití. Historie data miningu Rozvoj počítačů, výpočetní techniky a zavedení elektronického sběru dat

Více

Big Data a oficiální statistika. Unicorn College Open 24. dubna 2015 Doc. Ing. Marie Bohatá, CSc.

Big Data a oficiální statistika. Unicorn College Open 24. dubna 2015 Doc. Ing. Marie Bohatá, CSc. Big Data a oficiální statistika Unicorn College Open 24. dubna 2015 Doc. Ing. Marie Bohatá, CSc. Obsah příspěvku Charakteristiky Big Data Výzvy a úskalí z perspektivy statistiky Výzvy z perspektivy computing

Více

Firemní program Domino

Firemní program Domino Firemní program Domino pro zaměstnance společnosti SPŠ Mladá Boleslav Prezentace FP Domino BĚŽNÝ ÚČET V KČ Srovnání nabídky kont Perfekt Konto Extra Konto Premium Konto Měsíční kreditní obrat > 10 000

Více

Skóringový model. Stanovení pravděpodobnosti úpadku subjektu v následujících 12 měsících

Skóringový model. Stanovení pravděpodobnosti úpadku subjektu v následujících 12 měsících BISNODE SKÓRING Skóringový model Stanovení pravděpodobnosti úpadku subjektu v následujících 12 měsících Hodnocení na základě: sofistikovaných matematicko-statistických modelů desítek vstupních parametrů

Více

Příprava dat v softwaru Statistica

Příprava dat v softwaru Statistica Příprava dat v softwaru Statistica Software Statistica obsahuje pokročilé nástroje pro přípravu dat a tvorbu nových proměnných. Tyto funkcionality přinášejí značnou úsporu času při přípravě datového souboru,

Více

UNIVERZITA OBRANY Fakulta ekonomiky a managementu. Aplikace STAT1. Výsledek řešení projektu PRO HORR2011 a PRO GRAM2011 3. 11.

UNIVERZITA OBRANY Fakulta ekonomiky a managementu. Aplikace STAT1. Výsledek řešení projektu PRO HORR2011 a PRO GRAM2011 3. 11. UNIVERZITA OBRANY Fakulta ekonomiky a managementu Aplikace STAT1 Výsledek řešení projektu PRO HORR2011 a PRO GRAM2011 Jiří Neubauer, Marek Sedlačík, Oldřich Kříž 3. 11. 2012 Popis a návod k použití aplikace

Více

2. Statistická terminologie a vyjadřovací prostředky. 2.1. Statistická terminologie. Statistická jednotka

2. Statistická terminologie a vyjadřovací prostředky. 2.1. Statistická terminologie. Statistická jednotka 2. Statistická terminologie a vyjadřovací prostředky 2.1. Statistická terminologie Statistická jednotka Statistická jednotka = nositel statistické informace, elementární prvek hromadného jevu. Příklady:

Více

Pravděpodobnost v závislosti na proměnné x je zde modelován pomocí logistického modelu. exp x. x x x. log 1

Pravděpodobnost v závislosti na proměnné x je zde modelován pomocí logistického modelu. exp x. x x x. log 1 Logistická regrese Menu: QCExpert Regrese Logistická Modul Logistická regrese umožňuje analýzu dat, kdy odezva je binární, nebo frekvenční veličina vyjádřená hodnotami 0 nebo 1, případně poměry v intervalu

Více

DOBÝVÁNÍ ZNALOSTÍ Z DATABÁZÍ PŘÍKLADY APLIKACÍ V KARDIOLOGICKÝCH DATECH Jan Rauch

DOBÝVÁNÍ ZNALOSTÍ Z DATABÁZÍ PŘÍKLADY APLIKACÍ V KARDIOLOGICKÝCH DATECH Jan Rauch DOBÝVÁNÍ ZNALOSTÍ Z DATABÁZÍ PŘÍKLADY APLIKACÍ V KARDIOLOGICKÝCH DATECH Jan Rauch Anotace: Příspěvek obsahuje základní informace o dobývání znalostí jakožto důležité disciplíně informatiky a ukazuje příklady

Více

Problémové domény a jejich charakteristiky

Problémové domény a jejich charakteristiky Milan Mišovič (ČVUT FIT) Pokročilé informační systémy MI-PIS, 2011, Přednáška 02 1/16 Problémové domény a jejich charakteristiky Prof. RNDr. Milan Mišovič, CSc. Katedra softwarového inženýrství Fakulta

Více

Statistika. Semestrální projekt

Statistika. Semestrální projekt Statistika Semestrální projekt 18.5.2013 Tomáš Jędrzejek, JED0008 Obsah Úvod 3 Analyzovaná data 4 Analýza dat 6 Statistická indukce 12 Závěr 15 1. Úvod Cílem této semestrální práce je aplikovat získané

Více

Sazebník. bankovních poplatků mbank

Sazebník. bankovních poplatků mbank Sazebník bankovních poplatků mbank Platný od 01. 07. 2013 Obsah I. Osobní účet mkonto... 2 II. Spořicí účet emax... 3 III. Spořicí účet emax Plus... 3 IV. Termínovaný vkladový účet mvklad... 3 V. Podnikatelský

Více

4ft-Miner pro začátečníky Získávání znalostí z databází

4ft-Miner pro začátečníky Získávání znalostí z databází 4ft-Miner pro začátečníky Získávání znalostí z databází Dobývání znalostí z databází (DZD) Knowledge Discovery in (from) Databases (KDD) Data Mining (DM) Materiál pro posluchače kurzů IZI211 Metody zpracování

Více

ZMĚNY V SAZEBNÍKU ČSOB

ZMĚNY V SAZEBNÍKU ČSOB ZMĚNY V SAZEBNÍKU ČSOB S ÚČINNOSTÍ OD 1. 4. 2015 Vážená klientko, vážený kliente, od 1. dubna budeme mít nový Sazebník pro fyzické osoby - občany, a proto bychom vás chtěli seznámit se všemi chystanými

Více

Propenzitní modelování. Veronika Počerová 10. 4. 2015

Propenzitní modelování. Veronika Počerová 10. 4. 2015 Propenzitní modelování Veronika Počerová 10. 4. 2015 motivace 2 definice Prediktivní analytika je disciplína, která využívá metod Data Miningu k tomu, aby na základě historického chování sledovaného jevu

Více

FORMÁT SOUBORŮ S VÝPISY Z ÚČTŮ ZASÍLANÝCH. Citibank Europe plc, organizační složka. Systém internetového bankovnictví

FORMÁT SOUBORŮ S VÝPISY Z ÚČTŮ ZASÍLANÝCH. Citibank Europe plc, organizační složka. Systém internetového bankovnictví FORMÁT SOUBORŮ S VÝPISY Z ÚČTŮ ZASÍLANÝCH Systém internetového bankovnictví OBSAH ÚVOD. 3 FORMÁT DATOVÝCH SOUBORŮ.. 4 FORMÁT HLAVIČKY SOUBORU. 6 FORMÁT JEDNOTLIVÝCH POLOŽEK... 7 PŘEHLED TYPŮ TRANSAKCÍ....10

Více

IDENTIFIKACE AUTOMATICKÝCH PŘÍSTUPŮ INTERNETOVÝCH OBCHODŮ S VYUŽÍTÍM METOD WEB USAGE MININGU

IDENTIFIKACE AUTOMATICKÝCH PŘÍSTUPŮ INTERNETOVÝCH OBCHODŮ S VYUŽÍTÍM METOD WEB USAGE MININGU IDENTIFIKACE AUTOMATICKÝCH PŘÍSTUPŮ INTERNETOVÝCH OBCHODŮ S VYUŽÍTÍM METOD WEB USAGE MININGU Jana Filipová, Karel Michálek, Pavel Petr Ústav systémového inženýrství a informatiky, Fakulta ekonomicko-správní,

Více

Program Statistica Base 9. Mgr. Karla Hrbáčková, Ph.D.

Program Statistica Base 9. Mgr. Karla Hrbáčková, Ph.D. Program Statistica Base 9 Mgr. Karla Hrbáčková, Ph.D. OBSAH KURZU obsluha jednotlivých nástrojů, funkce pro import dat z jiných aplikací, práce s popisnou statistikou, vytváření grafů, analýza dat, výstupní

Více

Formát souborů s výpisy z účtu zasílaných Citibank Europe plc, organizační složka

Formát souborů s výpisy z účtu zasílaných Citibank Europe plc, organizační složka Formát souborů s výpisy z účtu zasílaných Citibank Europe plc, organizační složka Systém Citibank Online (účty začínající 89 nebo 5) Obsah 1. ÚVOD... 3 2. FORMÁT DATOVÝCH SOUBORŮ... 4 3. FORMÁT HLAVIČKY

Více

PODNIKATELÉ A MALÉ FIRMY

PODNIKATELÉ A MALÉ FIRMY Sazebník poplatků Aktivně nenabízené produkty a služby PODNIKATELÉ A MALÉ FIRMY s obratem do 25 mil. Kč Účinný od 5. 2. 2015 Obsah 1. Každodenní bankovnictví 02 1.1 Běžné účty 02 1.2 Speciální účty 04

Více

PŘEHLED SLUŽEB A PARAMETRŮ INTERNETOVÉHO BANKOVNICTVÍ CREDITAS

PŘEHLED SLUŽEB A PARAMETRŮ INTERNETOVÉHO BANKOVNICTVÍ CREDITAS PŘEHLED SLUŽEB A PARAMETRŮ INTERNETOVÉHO BANKOVNICTVÍ CREDITAS ÚČINNÝ OD 1. KVĚTNA 2012 OBSAH Technické požadavky 01 Bezpečnostní prvky 01 Povinnost zřízení a vedení účtu 01 Dostupnost 01 Limity aktivních

Více

Ceník pro Podnikatelské konto České spořitelny

Ceník pro Podnikatelské konto České spořitelny Ceník pro Podnikatelské konto České spořitelny 1. Služby k Podnikatelskému kontu Basic České spořitelny 2. Úrokové sazby 3. Výpisy 4. Obecné položky 5. Zřízení a zrušení Podnikatelského konta Klasik České

Více

VYUŽITÍ SWOT ANALÝZY PRO DLOUHODOBÉ PLÁNOVÁNÍ

VYUŽITÍ SWOT ANALÝZY PRO DLOUHODOBÉ PLÁNOVÁNÍ OBRANA A STRATEGIE Anotace: VYUŽITÍ SWOT ANALÝZY PRO DLOUHODOBÉ PLÁNOVÁNÍ Ing. Monika Grasseová, Ph.D. Cílem příspěvku je informovat o praktickém postupu použití SWOT analýzy při dlouhodobém plánování,

Více

Raiffeisenbank a.s. Ing. Ondřej Raba. produkty a služby pro podnikatele a firmy. Vedoucí útvaru řízení segmentu SME

Raiffeisenbank a.s. Ing. Ondřej Raba. produkty a služby pro podnikatele a firmy. Vedoucí útvaru řízení segmentu SME Raiffeisenbank a.s. produkty a služby pro podnikatele a firmy Ing. Ondřej Raba Vedoucí útvaru řízení segmentu SME Program Představení banky a finanční skupiny Raiffeisen. Produkty a služby pro podnikatele

Více

StatSoft Jak poznat vliv faktorů vizuálně

StatSoft Jak poznat vliv faktorů vizuálně StatSoft Jak poznat vliv faktorů vizuálně V tomto článku bychom se rádi věnovali otázce, jak poznat již z grafického náhledu vztahy a závislosti v analýze rozptylu. Pomocí následujících grafických zobrazení

Více

InsideBusiness Payments CEE

InsideBusiness Payments CEE InsideBusiness Payments CEE Referenční příručka k novému vzhledu Přístupová cesta do střední a východní Evropy InsideBusiness Payments CEE Potřebujete pohodlný a bezproblémový přístup k úplné nabídce služeb

Více

Rozhodovací pravidla

Rozhodovací pravidla Rozhodovací pravidla Úloha klasifikace příkladů do tříd. pravidlo Ant C, kde Ant je konjunkce hodnot atributů a C je cílový atribut A. Algoritmus pokrývání množin metoda separate and conquer (odděl a panuj)

Více

Sazebník. bankovních poplatků mbank. Platný od 1. 11. 2012.

Sazebník. bankovních poplatků mbank. Platný od 1. 11. 2012. Sazebník bankovních poplatků mbank Platný od 1. 11. 2012. Obsah I. Osobní účet mkonto 2 II. Spořicí účet emax / emax plus 2 III. Termínovaný vkladový účet mvklad 3 IV. Platební karty 3 V. Kreditní karty

Více

StatSoft Úvod do neuronových sítí

StatSoft Úvod do neuronových sítí StatSoft Úvod do neuronových sítí Vzhledem k vzrůstající popularitě neuronových sítí jsme se rozhodli Vám je v tomto článku představit a říci si něco o jejich využití. Co si tedy představit pod pojmem

Více

Akontace je část ceny nákupu, kterou při čerpání úvěru platí kupující přímo obchodníkovi. Zpravidla se pohybuje kolem 10 %.

Akontace je část ceny nákupu, kterou při čerpání úvěru platí kupující přímo obchodníkovi. Zpravidla se pohybuje kolem 10 %. Akontace je část ceny nákupu, kterou při čerpání úvěru platí kupující přímo obchodníkovi. Zpravidla se pohybuje kolem 10 %. Bankomat (ATM) je peněžní výdajový automat sloužící pro výplatu hotovosti prostřednictvím

Více

Sazebník bankovních poplatků mbank

Sazebník bankovních poplatků mbank Sazebník bankovních poplatků mbank - Platný aktuálně od 6. nabízené 5. 2014 produkty Platný od 1. 3. 2015 mbank.cz 844 777 000 Obsah 1. Osobní účet mkonto...2 2. Povolené přečerpání mrezerva...2 3. Spořicí

Více

6. Lineární regresní modely

6. Lineární regresní modely 6. Lineární regresní modely 6.1 Jednoduchá regrese a validace 6.2 Testy hypotéz v lineární regresi 6.3 Kritika dat v regresním tripletu 6.4 Multikolinearita a polynomy 6.5 Kritika modelu v regresním tripletu

Více

Kapitola 2: Entitně-vztahový model (Entity-Relationship model) Množiny entit (entitní množiny) Atributy

Kapitola 2: Entitně-vztahový model (Entity-Relationship model) Množiny entit (entitní množiny) Atributy - 2.1 - Kapitola 2: Entitně-vztahový model (Entity-Relationship model) Množiny entit Množiny vztahů Otázky návrhu Plánování mezí Klíče E-R diagram Rozšířené E-R rysy Návrh E-R databázového schématu Redukce

Více

Dobývání znalostí. Doc. RNDr. Iveta Mrázová, CSc. Katedra teoretické informatiky Matematicko-fyzikální fakulta Univerzity Karlovy v Praze

Dobývání znalostí. Doc. RNDr. Iveta Mrázová, CSc. Katedra teoretické informatiky Matematicko-fyzikální fakulta Univerzity Karlovy v Praze Dobývání znalostí Doc. RNDr. Iveta Mrázová, CSc. Katedra teoretické informatiky Matematicko-fyzikální fakulta Univerzity Karlovy v Praze Dobývání znalostí Rozhodovací stromy Doc. RNDr. Iveta Mrázová, CSc.

Více

Chytrá karta České spořitelny

Chytrá karta České spořitelny Chytrá karta České spořitelny Martin Techman, ředitel úseku rozvoje obchodu ČS Tomáš Reytt, manažer projektu Chytrá karta ČS 11. srpna 2008 Obsah Volně nastavitelné produkty Trh kreditních karet v ČR Chytrá

Více

I. Jednorázový neúčelový spotřebitelský úvěr

I. Jednorázový neúčelový spotřebitelský úvěr I. Jednorázový neúčelový spotřebitelský úvěr 30 000-49 000 15,99% 15,99% 15,99% 15,99% - 50 000-74 000 15,99% 15,99% 15,99% 15,99% - 75 000-99 000 13,99% 13,99% 13,99% 13,99% 13,99% 100 000-149 000 13,99%

Více

Způsobilé výdaje na poradenské služby pro individuální projekty MSP. Poradenství OPPI 1. výzva

Způsobilé výdaje na poradenské služby pro individuální projekty MSP. Poradenství OPPI 1. výzva Způsobilé výdaje na poradenské služby pro individuální projekty MSP Poradenství OPPI 1. výzva Praha, srpen 2008 1/7 1. Uznatelnými náklady v projektu Poradenství jsou: náklady na služby poradců, expertů

Více

Dreamsystem - expertní neuro systém ve financích s lidskou tváří

Dreamsystem - expertní neuro systém ve financích s lidskou tváří Dreamsystem - expertní neuro systém ve financích s lidskou tváří Vedoucí projektu: RNDr. M. Kopecký, Ph.D. Externí konzultant: M. Houska Počet řešitelů: 4-6 Řešitelé: tým ještě není kompletní Předpokládané

Více

SPECIÁLNÍ NABÍDKA ZVÝHODNĚNÝCH BANKOVNÍCH PRODUKTŮ PRO ZAMĚSTNANCE SKUPINY SAP

SPECIÁLNÍ NABÍDKA ZVÝHODNĚNÝCH BANKOVNÍCH PRODUKTŮ PRO ZAMĚSTNANCE SKUPINY SAP SPECIÁLNÍ NABÍDKA ZVÝHODNĚNÝCH BANKOVNÍCH PRODUKTŮ PRO ZAMĚSTNANCE SKUPINY SAP Jsme tuzemská banka, která patří do skupiny UniCredit. Naše celosvětová síť pokrývá přibližně 50 trhů s více než 9 500 poboček

Více

ČESKÁ SPOŘITELNA a.s.

ČESKÁ SPOŘITELNA a.s. ČESKÁ SPOŘITELNA a.s. Finanční management projektu a jak komunikovat s bankou Filip Husák ROZVOJ OBCHODU PROGRAM bez kvalitního financování to nejde! ČESKÁ SPOŘITELNA A FSČS FINANČNÍ MANAGEMENT Zdroje

Více

Tab. č. 1 Srovnání podle nákladů na správu účtu

Tab. č. 1 Srovnání podle nákladů na správu účtu Tab. č. 1 Srovnání podle nákladů na správu účtu zřízení účtu 0 Kč 0 Kč 0 Kč 0 Kč 1 Kč vedení účtu 0 Kč 0 Kč 19 Kč 0 Kč 0 Kč zrušení účtu 0 Kč 0 Kč 0 Kč 0 Kč 0 Kč počáteční vklad 100 Kč 200 Kč 500 Kč 0

Více

Vkladové služby bank. Bc. Alena Kozubová

Vkladové služby bank. Bc. Alena Kozubová Vkladové služby bank Bc. Alena Kozubová Vkladové služby Banky získávájí peněžní prostředky od vkladatelů tj. fyzických nebo právnických osob. Banky s těmito peněžními prostředky dále podnikají. Klient

Více

PŘEDSMLUVNÍ INFORMACE KE SPOTŘEBITELSKÉMU ÚVĚRU

PŘEDSMLUVNÍ INFORMACE KE SPOTŘEBITELSKÉMU ÚVĚRU PŘEDSMLUVNÍ INFORMACE KE SPOTŘEBITELSKÉMU ÚVĚRU Fio banka, a.s., IČ 61858374, se sídlem V Celnici 1028/10, 117 21 Praha 1, zapsaná v obchodním rejstříku vedeném Městský soudem v Praze, oddíl B, vložka

Více

Podstata Peněžního deníku

Podstata Peněžního deníku Peněžní deník Obsah Podstata Peněžního deníku Doklady důležité pro zápis do Deníku Ukázka Peněžního deníku Obsah sloupců v Peněžním deníku Rozdělení příjmů Příjmy zahrnované do ZDP Příjmy nezahrnované

Více

NADSTAVBOVÝ MODUL MOHSA V1

NADSTAVBOVÝ MODUL MOHSA V1 NADSTAVBOVÝ MODUL MOHSA V1 Nadstavbový modul pro hierarchické shlukování se jmenuje Mod_Sh_Hier (MOHSA V1) je součástí souboru Shluk_Hier.xls. Tento soubor je přístupný na http://jonasova.upce.cz, a je

Více

Testování statistických hypotéz. Ing. Michal Dorda, Ph.D.

Testování statistických hypotéz. Ing. Michal Dorda, Ph.D. Testování statistických hypotéz Ing. Michal Dorda, Ph.D. Testování normality Př. : Při simulaci provozu na křižovatce byla získána data o mezerách mezi přijíždějícími vozidly v [s]. Otestujte na hladině

Více

Internetové bankovnictví

Internetové bankovnictví Internetové bankovnictví Další z mnoha služeb nabízených internetem je elektronické bankovnictví. Jedná se o službu nabízenou bankami, která umožňuje klientům vzdálený přístup na jejich bankovní účet(y).

Více

Sazebník bankovních poplatků pro podnikatele

Sazebník bankovních poplatků pro podnikatele Sazebník bankovních poplatků pro podnikatele PLATNÝ OD 15. 3. 2012 www.mbank.cz I. Podnikatelský účet mbusiness Konto 1. Zřízení, vedení a zrušení účtu a) Zřízení účtu mbusiness Konto b) Vedení účtu mbusiness

Více

Základy business intelligence. Jaroslav Šmarda

Základy business intelligence. Jaroslav Šmarda Základy business intelligence Jaroslav Šmarda Základy business intelligence Business intelligence Datový sklad On-line Analytical Processing (OLAP) Kontingenční tabulky v MS Excelu jako příklad OLAP Dolování

Více

Zaplatí to zákazníci?

Zaplatí to zákazníci? Zaplatí to zákazníci? Dopady PSD2 na uživatele platebních karet Pavel Juřík Senior Business Consultant Cards & Mobile Services Interchange Fee Interchange Fee - počátek 70. let 20. století - odměna pro

Více

SAZEBNÍK POPLATKŮ PRO FYZICKÉ OSOBY PODNIKAJÍCÍ, PRÁVNICKÉ OSOBY A ORGANIZACE ÚČINNÝ OD 15. SRPNA 2012 OBSAH. Úvodní ustanovení 1

SAZEBNÍK POPLATKŮ PRO FYZICKÉ OSOBY PODNIKAJÍCÍ, PRÁVNICKÉ OSOBY A ORGANIZACE ÚČINNÝ OD 15. SRPNA 2012 OBSAH. Úvodní ustanovení 1 SAZEBNÍK POPLATKŮ PRO FYZICKÉ OSOBY PODNIKAJÍCÍ, PRÁVNICKÉ OSOBY A ORGANIZACE ÚČINNÝ OD 15. SRPNA 2012 OBSAH Úvodní ustanovení 1 Běžný účet CREDITAS 1 Spořící vklad CREDITAS 2 Termínovaný vklad CREDITAS

Více

zdarma vyhotovení + poštovné + poštovné vyhotovení

zdarma vyhotovení + poštovné + poštovné vyhotovení ČS ČS ČS ČS ČSOB ČSOB Sporožirový účet Výhodný program Komplexní program Exclusive konto ČSOB Konto ČSOB Aktivní konto Minimální vklad 100,- 100,- 100,- 100,- 200.- 200,- Zřízení účtu Zřízení balíčku Vedení

Více

Neuronové časové řady (ANN-TS)

Neuronové časové řady (ANN-TS) Neuronové časové řady (ANN-TS) Menu: QCExpert Prediktivní metody Neuronové časové řady Tento modul (Artificial Neural Network Time Series ANN-TS) využívá modelovacího potenciálu neuronové sítě k predikci

Více

Sazebník poplatků. Aktivně nenabízené produkty a služby OBČANÉ

Sazebník poplatků. Aktivně nenabízené produkty a služby OBČANÉ Sazebník poplatků Aktivně nenabízené produkty a služby OBČANÉ Účinný od 7. 7. 2015 Obsah 1. Každodenní bankovnictví 02 1.1 Běžné účty 02 1.2 Bezhotovostní platební styk 04 1.3 Depešový klíč 04 1.4 Platební

Více

Úvod 1. Kapitola 1 Úvod do bankovních obchodů 3

Úvod 1. Kapitola 1 Úvod do bankovních obchodů 3 Úvod 1 Kapitola 1 Úvod do bankovních obchodů 3 1.1 Česká národní banka............................3 1.2 Obchodní banky.................................4 1.3 Česká bankovní asociace (ČBA)....................5

Více

CENÍK SLUŽEB A POPLATKŮ

CENÍK SLUŽEB A POPLATKŮ CENÍK SLUŽEB A POPLATKŮ CENÍK SLUŽEB ZALOŽENÍ, VEDENÍ A ZRUŠENÍ BANKOVNÍHO ÚČTU Založení účtu (platí pro všechny typy účtů) Zřízení internetového bankovnictví Poplatek za vedení osobního účtu (měsíčně)

Více

Podnikatelské ekonto KOMPLET

Podnikatelské ekonto KOMPLET Dodatek k Ceníku produktů a služeb pro fyzické osoby podnikatele a právnické osoby Od 1. 11. 2012 banka nabízí nový cenový program pro fyzické osoby podnikatele a právnické osoby. V důsledku zavedení nového

Více

SAZEBNÍK POPLATKŮ PRO OBČANA ÚČINNÝ OD 1. LISTOPADU 2011 OBSAH. Běžný účet CREDITAS 1. Spořící vklad CREDITAS 2. Spořící účet CREDITAS 3

SAZEBNÍK POPLATKŮ PRO OBČANA ÚČINNÝ OD 1. LISTOPADU 2011 OBSAH. Běžný účet CREDITAS 1. Spořící vklad CREDITAS 2. Spořící účet CREDITAS 3 SAZEBNÍK POPLATKŮ PRO OBČANA ÚČINNÝ OD 1. LISTOPADU 2011 OBSAH Běžný účet CREDITAS 1 Spořící vklad CREDITAS 2 Spořící účet CREDITAS 3 Vkladní knížka CREDITAS 4 Termínovaný vklad CREDITAS 5 Ostatní poplatky

Více

Uživatelská podpora v prostředí WWW

Uživatelská podpora v prostředí WWW Uživatelská podpora v prostředí WWW Jiří Jelínek Katedra managementu informací Fakulta managementu Jindřichův Hradec Vysoká škola ekonomická Praha Úvod WWW obsáhlost obsahová i formátová pestrost dokumenty,

Více

Výzva k podávání nabídek na akci výběr dodavatele služeb

Výzva k podávání nabídek na akci výběr dodavatele služeb Dobrovolný svazek obcí,,vedrovice a Kubšice ČOV a tlaková kanalizace Vedrovice 326, 671 75 Vedrovice dále též DSO a rovněž zadavatel Výzva k podávání nabídek na akci výběr dodavatele služeb Poskytnutí

Více

Popisné systémy a databáze

Popisné systémy a databáze Popisné systémy a databáze Databáze v archeologii přístup k použití databází - dva způsoby aplikace databáze - databázové programy (jejich přednosti a omezení) databáze v archeologii - databáze jako výstup

Více

Makroekonomie I. Co je podstatné z Mikroekonomie - co již známe obecně. Nabídka a poptávka mikroekonomické kategorie

Makroekonomie I. Co je podstatné z Mikroekonomie - co již známe obecně. Nabídka a poptávka mikroekonomické kategorie Model AS - AD Makroekonomie I Ing. Jaroslav ŠETEK, Ph.D. Katedra ekonomiky Osnova: Agregátní poptávka a agregátní nabídka : Agregátní poptávka a její změny Agregátní nabídka krátkodobá a dlouhodobá Rovnováha

Více

IBM SPSS Modeler Professional

IBM SPSS Modeler Professional IBM SPSS Modeler Professional 16 IBM SPSS Software IBM SPSS Modeler Professional Včasné rozhodnutí díky přesným informacím Metodami data miningu získáte detailní přehled o svém současném stavu i jasnější

Více

Bohemius, k.s. doplňkový modul. www.bohemius.cz

Bohemius, k.s. doplňkový modul. www.bohemius.cz Bohemius, k.s. doplňkový modul www.bohemius.cz Modul je součástí administrativní i manažerské kalkulačky Tento formulář je i součástí administrativní kalkulačky : Formulář - vlastní kalkulačka - o produktu

Více

Zpracování náhodného výběru. Ing. Michal Dorda, Ph.D.

Zpracování náhodného výběru. Ing. Michal Dorda, Ph.D. Zpracování náhodného výběru popisná statistika Ing. Michal Dorda, Ph.D. Základní pojmy Úkolem statistiky je na základě vlastností výběrového souboru usuzovat o vlastnostech celé populace. Populace(základní

Více

7 Kardinální informace o kritériích (část 1)

7 Kardinální informace o kritériích (část 1) 7 Kardinální informace o kritériích (část 1) Předpokládejme stejná značení jako v předchozích cvičeních. Kardinální informací o kritériích se rozumí ohodnocení jejich důležitosti k pomocí váhového vektoru

Více

Kvízové otázky Obecná ekonomie I. Teorie firmy

Kvízové otázky Obecná ekonomie I. Teorie firmy 1. Firmy působí: a) na trhu výrobních faktorů b) na trhu statků a služeb c) na žádném z těchto trhů d) na obou těchto trzích Kvízové otázky Obecná ekonomie I. Teorie firmy 2. Firma na trhu statků a služeb

Více

BIUS 2 BIUS 3. Bohemius k.s.

BIUS 2 BIUS 3. Bohemius k.s. Máš chybu na pojistném? Jak ale zjistit vyměřovací základ, když zaokrouhlujeme na Kč nahoru, nebo třeba na stokoruny? Jak zjistit výši původní chyby? Bohemius k.s. BIUS 2 BIUS 3 www.bohemius.cz O PRODUKTU

Více

4ST201 STATISTIKA CVIČENÍ Č. 7

4ST201 STATISTIKA CVIČENÍ Č. 7 4ST201 STATISTIKA CVIČENÍ Č. 7 testování hypotéz parametrické testy test hypotézy o střední hodnotě test hypotézy o relativní četnosti test o shodě středních hodnot testování hypotéz v MS Excel neparametrické

Více

Jak si vybudovat finanční historii a finanční gramotnost

Jak si vybudovat finanční historii a finanční gramotnost Jak si vybudovat finanční historii a finanční gramotnost Konference: Finanční gramotnost v praxi Konferenční centrum City Na Strži 1702/65, Praha 4 Agenda Registry klientských informací Úvod Jak registry

Více

Vysoká škola báňská technická univerzita Ostrava. Fakulta elektrotechniky a informatiky

Vysoká škola báňská technická univerzita Ostrava. Fakulta elektrotechniky a informatiky Vysoká škola báňská technická univerzita Ostrava Fakulta elektrotechniky a informatiky Bankovní účty (semestrální projekt statistika) Tomáš Hejret (hej124) 18.5.2013 Úvod Cílem tohoto projektu, zadaného

Více

MUDr. Miloš Suchý, Bc. Petr Suchý, Konference QUIP, Praha 12.2.2008. Měření výkonnosti, zkušenosti ze zdravotnictví a sociální péče

MUDr. Miloš Suchý, Bc. Petr Suchý, Konference QUIP, Praha 12.2.2008. Měření výkonnosti, zkušenosti ze zdravotnictví a sociální péče MUDr. Miloš Suchý, Bc. Petr Suchý, Konference QUIP, Praha 12.2.2008 Měření výkonnosti, zkušenosti ze zdravotnictví a sociální péče Měření výkonnosti Slovo výkonnost je českou obdobou slova performance

Více

ZMĚNY V SAZEBNÍKU ČSOB

ZMĚNY V SAZEBNÍKU ČSOB ZMĚNY V SAZEBNÍKU ČSOB S ÚČINNOSTÍ OD 1. 9. 2015 Vážená klientko, vážený kliente, od 1. září 2015 budeme mít nový Sazebník ČSOB pro fyzické osoby - občany, a proto bychom vás chtěli seznámit se všemi chystanými

Více

PŘEHLED SLUŽEB A PARAMETRŮ INTERNETOVÉHO BANKOVNICTVÍ CREDITAS

PŘEHLED SLUŽEB A PARAMETRŮ INTERNETOVÉHO BANKOVNICTVÍ CREDITAS PŘEHLED SLUŽEB A PARAMETRŮ INTERNETOVÉHO BANKOVNICTVÍ CREDITAS ÚČINNÉ OD 1. ÚNORA 2011 OBSAH Technické požadavky 01 Bezpečnostní prvky 01 Povinnost zřízení a vedení účtu 01 Dostupnost 01 Limity aktivních

Více

Databázový systém označuje soubor programových prostředků, které umožňují přístup k datům uloženým v databázi.

Databázový systém označuje soubor programových prostředků, které umožňují přístup k datům uloženým v databázi. Databáze Základní pojmy Pojem databáze označuje obecně souhrn informací, údajů, dat o nějakých objektech. Úkolem databáze je hlídat dodržení všech omezení a dále poskytovat data při operacích. Objekty

Více

bankovních produktů produktů: Nemateriální (nehmotný) charakter Dualismus Vzájemná propojenost a podmíněnost cross selling

bankovních produktů produktů: Nemateriální (nehmotný) charakter Dualismus Vzájemná propojenost a podmíněnost cross selling Charakteristika a členění bankovních produktů Obecná charakteristika bankovních produktů: Nemateriální (nehmotný) charakter Dualismus Vzájemná propojenost a podmíněnost cross selling 1 Členění produktů

Více

SAZEBNÍK POPLATKŮ PRO PODNIKATELE, FIRMY A INSTITUCE ÚČINNÝ OD 1. LEDNA 2012 OBSAH. Běžný účet CREDITAS 1. Spořící vklad CREDITAS 2

SAZEBNÍK POPLATKŮ PRO PODNIKATELE, FIRMY A INSTITUCE ÚČINNÝ OD 1. LEDNA 2012 OBSAH. Běžný účet CREDITAS 1. Spořící vklad CREDITAS 2 SAZEBNÍK POPLATKŮ PRO PODNIKATELE, FIRMY A INSTITUCE ÚČINNÝ OD 1. LEDNA 2012 OBSAH Běžný účet CREDITAS 1 Spořící vklad CREDITAS 2 Termínovaný vklad CREDITAS 3 Ostatní poplatky 3 Internetové bankovnictví

Více

PRAHA CZ VZOROVÁ,431 77777 PRAHA CZ

PRAHA CZ VZOROVÁ,431 77777 PRAHA CZ VÝPIS Z NEBANKOVNÍHO REGISTRU KLIENTSKÝCH INFORMACÍ 24.02.2014 15:03:28 str. 1/7 OSOBNÍ DATA Nalezeno Kód: B000000000 Jméno: EDUARD Příjmení: NERAD Pohlaví: Muž Rodné číslo: 777777/1111 Datum narození:

Více

NÁSTROJE BUSINESS INTELLIGENCE

NÁSTROJE BUSINESS INTELLIGENCE NÁSTROJE BUSINESS INTELLIGENCE Milena Tvrdíková VŠB Technická univerzita Ostrava, Ekonomická fakulta, Katedra informatiky v ekonomice, Sokolská 33, 701021 Ostrava1, ČR, milena.tvrdikova@vsb.cz Abstrakt

Více

Zároveň společně probereme vlastnosti, které jsou orientované na zákazníka firmy, a zjistíme, zda je máte v pořádku právě vy.

Zároveň společně probereme vlastnosti, které jsou orientované na zákazníka firmy, a zjistíme, zda je máte v pořádku právě vy. V tomto materiálu se Vám pokusíme povědět o základních elementech a praktických aspektech procesu řízení vztahů se zákazníky (CRM, customer relationship management) a zákaznické zkušenosti (CEM, customer

Více

ení a produkty UniCredit Bank pro stomatology

ení a produkty UniCredit Bank pro stomatology Služby, řešen ení a produkty UniCredit Bank pro stomatology Novinky UniCredit Bank pro stomatology dostupnější kontokorent Profesionál k podnikatelskému účtu vklady prostřednictvím České pošty na Váš účet

Více

MĚŘENÍ A PŘEDPOVÍDÁNÍ POPTÁVKY TRHU

MĚŘENÍ A PŘEDPOVÍDÁNÍ POPTÁVKY TRHU MĚŘENÍ A PŘEDPOVÍDÁNÍ POPTÁVKY TRHU Co budeme řešit?? 1. Jaké jsou hlavní koncepce měření a předpovídání poptávky? 2. Jak lze odhadnou současnou poptávku? 3. Jak lze předpovědět budoucí poptávku? 1.Hlavní

Více

Přichází nová éra. Petr Jaroš 6. 9. 2011 / Mikulov Připraveno pro konferenci e-government 20:10

Přichází nová éra. Petr Jaroš 6. 9. 2011 / Mikulov Připraveno pro konferenci e-government 20:10 Přichází nová éra Petr Jaroš 6. 9. 2011 / Mikulov Připraveno pro konferenci e-government 20:10 Skupina ČSOB vedoucí hráč na trhu finančních služeb v České republice součást mezinárodní bankopojišťovací

Více

Přehled funkčností a parametrů služby Internet Banka

Přehled funkčností a parametrů služby Internet Banka Přehled funkčností a parametrů služby Internet Banka Pasivní operace Zůstatky na účtech Přehled transakcí Přehled příkazů k úhradě zadaných on-line kanály Zobrazení nezaúčtovaných transakcí Zobrazení odmítnutých

Více

S M Ě R N I C E č. 6/2014 ministra financí ------------------------------------------------------------------------

S M Ě R N I C E č. 6/2014 ministra financí ------------------------------------------------------------------------ MINISTERSTVO FINANCÍ Praha 1, Letenská 15 V Praze dne 12. prosince 2014 Č.j.: MF 69 949/2014/4703-2 S M Ě R N I C E č. 6/2014 ministra financí ------------------------------------------------------------------------

Více

PRVNÍ TŘI ČTVRTLETÍ ROKU 2008: SKUPINA ČSOB VYKÁZALA 2,8 MLD. KČ ČISTÉHO ZISKU 1F

PRVNÍ TŘI ČTVRTLETÍ ROKU 2008: SKUPINA ČSOB VYKÁZALA 2,8 MLD. KČ ČISTÉHO ZISKU 1F Praha, 6. listopadu 2008 PRVNÍ TŘI ČTVRTLETÍ ROKU 2008: SKUPINA ČSOB VYKÁZALA 2,8 MLD. KČ ČISTÉHO ZISKU 1F Objem prostředků svěřených do péče Skupiny ČSOB: 714,1 mld. Kč (10% růst) Objem úvěrů poskytnutých

Více