data mining.pdf

2007لسنة / 48ع/ 13م االقتصادية واالدارية الدجملة العلو

40

Data Miningدور تنقيب البيانات ))دراسة حتليلية يف املصرف الصناعي (( يف زيادة أداء املنظمة

زكريا مطلك الدوري داليا عبد الحسين احمد. د .م .أ

ةالجامعة التكنولوجي./ م.كلية االدارة واالقتصاد م/ جامعة بغداد

متهيدغالبا ما يكون تعامل المنظمات المالية والمصرفية مع الزبائن بشكل أساسي ممـا يتطلـب منها جمع كميات هائلة من البيانات عن هؤالء الزبائن هذا باإلضافة الى ما يرد اليها يوميـا مـن ـ ا بيانات يجعلها أمام أكداس كبيرة من البيانات تحتاج الى جهـود جبـارة تحـسن التعامـل معه

.واالستفادة منها بما يخدم المنظمةان التعامل اليدوي مع مثل هذه البيانات دون استخدام تقنيات حديثة يبعـد المنظمـة عـن

بـل مـن ، وال يكفي إدخال الحاسبات الى العمل فقـط .التطور واالرتقاء الى مستويات اداء افضل يمكن ان تستفيد منـه دون اضـاعة األفضل استخدام تقنيات وبرمجيات تخدم االدارة وتقدم لها ما

.للوقت والجهد يقدم الحل لهكذا مشاكل فهي تكنولوجيا جديـدة Data Miningلذلك فان تنقيب البيانات

تهدف الى الحصول على معلومات غير معروفه من قواعد البيانات لغرض استخدامها في عمليـة واستخالص ثروة المعلومات الموجودة فيهـا انها تحسن من فهم البيانات المتراكمة . اتخاذ القرار

من اجل استثمارها بالشكل الذي يؤدي الى اتخاذ قرار سليم يجنب المنظمة أي خـسائر محتملـة .ويرفع من مستوى ادائها

منهجية البحث/املبحث االول مشكلة البحث –" اوال

مقترضـين فـي وجود عدد كبيـر مـن ال : تتلخص مشكلة البحث في ثالث نقاط أساسية هي المصرف الصناعي ووجود كم هائل من البيانات عنهم وعدم وجود تقنية تمكن المصرف من اتخاذ

.قرار سريع :كما يمكن صياغة بعض التساؤالت مثل

ما مدى اهتمام المصرف في التوثيق الكامل للبيانات؟ .1 ؟كيف تستخدم األساليب العلمية والتكنولوجية في التعامل مع هذه البيانات .2 هل تبنى اتخاذ القرارات على ما يستخلص من البيانات ام على الحدس؟ .3 هل يجري تقييم هذه البيانات وإكمالها وتحديثها باستمرار؟ .4 هل ان استخدام تنقيب البيانات يزيد من اداء المصرف؟ .5


41

أمهية البحث–" ثانيايجعل البحث مساهمة واالداء يمكن ان DMتناول البحث لمتغيرين مهمين تنقيب البيانات .1

متواضعة في هذا المجال خاصة بعد ما لوحظ من نقص كبير جدا فـي المـصادر العربيـة حيث يالحـظ ان " الخاصة بالمتغير االول والذي يعد من الموضوعات الحرجة والحديثة جدا

. كحد أدنى1996اقدم مصدر في هذا الموضوع قد يعود الى عام " خاطر حقيقية ناتجة عن عدم التسديد والتي تشكل عبئا يساعد البحث المصرف على تجنب م .2

. هالكة" على المصرف لكونها قروضاتقديم نماذج تسهل عملية تنقيب البيانات في المصرف حيث تتنبأ بالمقترضـين وتـصنفهم .3

حسب مخاطر التسديد لكي يتمكن المصرف من التركيز على المقترضين الموثوق بهم فقـط . داءسعيا منه لزيادة اال

يقدم البحث للمصرف قاعدة بيانات يفتقر اليها تخص القروض والمقترضين كما يقدم نظـام .4 . متكامل الدارة قواعد البيانات يتمثل بالبرنامج الحاسوبي المستخدم

أهداف البحث–" ثالثا .دراسة مشكلة تراكم البيانات ومحاولة إيجاد الحل األمثل لها .1 .خدام المعلومات من قبل االدارات من اجل زيادة االداءمحاولة تحسين مستوى است .2بناء نماذج تنقيب البيانات التي يمكن ان تستخدم في التنبؤ بالمقترضـين الموثـوق بهـم .3

. واستبعاد غير الموثوقين منهم لتقليل تكاليفهم محاولة إرساء أسس سليمة تكون البداية النطالق بحوث الحقة تحاول التطبيق في مجـاالت .4

.اخرى جديدة

فرضية البحث –" رابعاان تطبيـق النماذج الناتجة عـن خـوارزميتي شجــرة " للبحث فرضيـة أساسيـة هي

سيمكـن االدارة مـن تقليـل خـسائـر Clustering والتجـميع Decision Treeالقرار " المصـرف

منهج البحث-" خامسامن ثم الوصف والتحليل لنتائج التطبيـق يعتمد البحث على تطبيق برنامج حاسوبي جاهز و

من نماذج الستخالص المؤشرات األساسية التي تدعم عملية اتخاذ القرار والرجوع مـرة اخـرى .للتحليل للوقوف على امتدادات نتائج التطبيق

جمتمع البحث-" سادسا :يعود اختيار المصرف الصناعي العراقي ليكون مجتمعا للبحث الى

عن األنشطة األخرى مما يوفر للبحث ما " ح القروض الصناعية فضال تخصص المصرف بمن .1 .يحتاج اليه من بيانات تتعلق بالقروض

أهمية المصرف في دعم االقتصاد الوطني في مجاالت تنمية وتطوير الصناعات واالستثمار .2 . في المشاريع من خالل فروعه المنتشرة


42

عينة البحث -" سابعامـن العـدد % 18أي انها شكلت " قرضا 1530من أصل " قرضا 277 شملت عينة البحث

الكلي وتشمل فروع المصرف الخمسة جميعها ولمختلف الصناعات والقروض ويمثل هذا العدد كل ما أمكن الحصول عليه بسبب إتالف الكثير من هذه البيانات وملفاتها بعد التقادم الزمني وانتهـاء

.تسديد القروض

زمنية للبحث احلدود ال-" ثامنا سنة 19يركز البحث عند تطبيق البرنامج على القروض التي يمنحها المصرف على مدى

اما تطبيق وتحليل مؤشرات اداء المصرف فيعتمد علـى بيانـات خمـس . 2003 - 1985للمدة . ألغراض الحسابات والمقارنة2001 - 1997سنوات للمدة

أسلوب مجع البيانات-" تاسعاع البيانات بصورة أساسية على التدوين اليدوي لبيانات كـل ملـف مـن ملفـات اعتمد جم

عن المقابالت الشخـصية وتوجيـه االسـئلة الـى " االقتراض وسجالت ونشرات المصرف فضال .المسؤولين في المصرف بهدف الحصول على اجابات تدعم التحليل

الوسائل املستخدمة يف البحث-" عاشرا :لتعامل مع البياناتتم استخدام وسيلتان ل

لتطبيق خـوارزميتين هـي Microsoft SQL Server 2000برنامج حاسوبـي هو : االولى والحـصول علـى نمـاذج تنقيـب Clustering والتجميع Decision Treeشجرة القرار

.البيانات ـ : الثانية الل استخدام المؤشرات المالية بهدف الوصول الى ما يعكـس اداء المـصرف ومـن خ

.مؤشرات تحقيق األهداف ومؤشرات النشاط ومؤشرات السيولة والربحية

صعوبات البحث-إحدى عشر :واجهت مسيرة البحث صعوبات جمة منها

اغلب ما كتب عن موضوع تنقيب البيانات هي كتابات نظريـة ال تخـوض فـي تفاصـيل .1 .التطبيق العملي

فراد مما يعيق توضيح أسباب طلب صعوبة تفهم موضوع تنقيب البيانات من قبل بعض اال .2 .بعض البيانات

.تعقيدات الحصول على الموافقات الرسمية المطلوبة للحصول على البيانات .3ضعف استخدام الحاسوب في حفظ البيانات الخاصة باالقتراض والمقترضين ممـا أوجـب .4

.التدوين اليدوي لتفاصيل كل ملف من ملفات االقتراضاصة بكل ملف من ملفات االقتراض وتطبيق البرنامج يتطلب قاعدة عدم تنظيم البيانات الخ .5

بيانات كاملة وواضحة ودقيقة مما أوجب تكوين قاعدة بيانات جديدة تـضم بيانـات كـل .القروض

.تضارب بعض انواع البيانات مما تطلب المزيد من الوقت للتحقق منها .6


43

سنة، اسـتلزم 19البحث لمدة اختالف قيم مبالغ القروض من سنة ألخرى وبسبب امتداد .7 فئات بمستويات مختلفة 3استخدام اسلوب احصائي في تقسيم مبالغ قروض كل سنة الى

.من اجل توحيد مبالغ القروض على اساس واحد

Data Mining تنقيب البيانات /املبحث الثاني Essence Of Data Mining ماهية تنقيب البيانات -"اوال

والمعلومـات Data التميز بين ثالثـة مـصطلحات هامـة هـي البيانـات البد هنا من Information والمعرفة Knowledge حيث يقصد باألولى تلك البيانات المقترنة بالعمليات ،

امـا ) . Wu , 2000 :1(الوظيفية للمنظمة أي ما يتعلق باألفراد والمواقع والصفقات وغيرهـا في حين ان المعرفة تـضم ) Seiner, 2002: 2(سكة تعطي رسالة ما المعلومات فهي بيانات متما

العامل البشري فهي استنتاج يرسم من المعلومــات بعد ربطها مع معلومات اخرى ومقارنتهـا ) Daft , 2001 :258". (مع ما هو معروف سابقا

ات، لذلك فـأن من البيانات، لكن الذي تريده حقا هو المعلوم " كبيرا" تجمع المنظمات مقدارا التقنية األحدث واألسرع للتعامل مع كم البيانات هذا واإلجابة على أسئلة العمل هي تنقيب البيانات

DM التي تشبه عملية تنقيب الذهب Gold Mining فتنقيب الذهب عملية غربلـة مـا بـين ب البيانات التـي كميات من المعدن الخام إليجاد كتلة من معدن ثمين ذي قيمة، وكذلك عملية تنقي

.هي عملية غربلة ما بين كميات مـن البيانـات إليجـاد المعلومـات المفيـدة التخـاذ القـرار (Noonan , 2000 : 6) ويرجع سبب زيادة االهتمام بتنقيب البيانات الى اهتمامهـا باالكتـشاف

ـ " خفية فضال " والتحليل من قواعد بيانات كبيرة جدا تحوي قيما شف عـن عن مساعدتها فـي الك نماذج وقواعد ذات مغزى تساهم في تحسين فهم الزبـون وحـل العديـد مـن مـشاكل العمـل

(Soni & Tang & Yang , 2002 : 1) . ال بد من التمييز بينها وبين اكتشاف Data Miningومن أجل فهم أفضل لتنقيب البيانات

ــات ــد البيان ــي قواع ــة ف Knowledge Discovery in Databases (KDD)المعرف األخيرة بأنها عملية غير عادية لتحديد نماذج صـحيحة وجديـدة وذات فائـدة Fayyadفعرف

اما تنقيب البيانات فهي أحد خطـوات عمليـة اكتـشاف المعرفـة .محتملة ويمكن فهمها بالنهاية وتتكون من تطبيق خوارزميات تحليل واكتشاف البيانات التي تقدم عدد خاص من النمـاذج عبـر

. Houston & Others, (Zaiane,1999 : 3)) :1999 (438 .اتالبيان : يمكن ان يكون من قبل ثالث فئات من المستخدمين هم DMان انجاز تنقيب البيانات

(Information Discovery,Inc. 2000 : 4) (Ramachandran,2001 : 2 ) توى عـال ويقـضون الذين يحتاجـون الى ادراكـات من مس Executivesالتنفيذيون -1

.اقل مع الحاسبات من المجموعات االخرى" وقتا وهم افراد البيع وباحـثو السـوق والعلمـــاء End Usersالمستخدمون النهائيون -2

.والمهندسون والفيزيائيون وغيرهم الذين قد يكونـون محللين ماليـين او اجصائيين او استشاريين او Analystsالمحللون -3

.اعد بيانات مصممي قو


44

لقد عرفت تنقيب البيانات بانها عملية تحليلية لتحويل البيانات الى معلومـات عمـل يمكـن استخدامها لزيادة اداء المنظمة من خالل بناء نماذج رياضية تساعد المنظمات على اتخاذ قـرارات

)DSS( لكنهـا ليـست كأنظمـة دعـم القـرار ( Saarenvirla , 2001: 1)عمـل افـضل Decision Support System التي تعمل على تحليل البيانات لتوليد المعلومات التي تساعد في

للتحديد الصحيح للمشكلة، (Reactive)حل المشاكل المكتشفة من قبل المستخدم أي انها رد فعل عن العالقـات المحتملـة " اذ تنقب ذاتيا (Proactive)أما تنقيب البيانات فهي اداة تهيؤ مسبق

ــستخدم و ــل الم ــن قب ــد م ــدد بع ــم تح ــي ل ــشاكل الت ــدد الم ــذلك تح ــشاذة وب .ال (Rob & Coronel, 2000:609).

هو اسلـوب يمكـن من خاللـه الوصـول الـى المعلومــات DMان تنقيب البيانات ويتضمن استخدام التحليـل Data Warehouse (DW)المخزونـة في مستودع البيانات

كما ) (Romney & Steinbart ,2000:599 .لعالقات الخفية في البياناتاالحصائي الكتشاف ا Artificial Intelligence ( AI )يعتبر تنقيب البيانات أحد تكنولوجيـات الذكـاء االصطناعي

عن االنظمة الخبيرة والشبكات العصبية ويهدف الى تمكين المنظمة من االسـتغالل األمثـل " فضالول إيجاد المعلومات في مجاميع البيانات الكبـيرة التي قــد ال تعلـم المنظمة لبياناتـها فهي تحا

. ( Avison & Shah ,1997:327 ) .بوجـودها وكـذلك إيجاد العالقـات وعمل التنبــؤاتيتضح من ذلك ان تنقيب البيانات عبارة عن عملية استكشاف وتحليل كميــات كبيرة من

على عالقات ونماذج خفية تساعد فـي استخــالص المعلــومات البيانــات لغرض الحصول .المفيدة والساندة التخاذ قرارات عمل استراتيجية كفيلة بزيادة اداء المنظمة

Types Of Data Mining انواع تنقيب البيانات –"ثانياجهة هناك العديد من وجهات النظر في تصنيف انواع تنقيب البيانات فمن وجهة النظر المو

: بالعملية تم تحديد ثالثة انواع هي (Information Discovery,Inc., 2000 : 2-3) (Ramachandran, 2001:1)

Discoveryاالكتشاف -1وهو عملية النظر في قاعدة البيانات إليجاد النماذج من دون ان تكون هناك فكـرة محـددة

.عن ما قد تكون عليه

Predictive Modeling النمذجــة التنبؤية -2فيه تستخدم النماذج المكتشفة من قاعدة البيانات للتنبؤ بالمستقبل أي تخمين القـيم غيـر

.المعروفة باالعتماد على نماذج سابقة مكتشفة من قاعدة البيانات

Forensic Analysisالتحليل املربهـن -3بيانات الشاذة او غير العاديـة أي وهو عملية تطبيق النماذج المستخلصة إليجاد عناصر ال

.انه يبحث في حاالت محددة وغير عادية : ومن وجهة نظر اخرى، هناك نوعين اساسيين من تنقيب البيانات هما

(Ahola & Runsala , 2001:3 )

Exploratory Analysisالتحليل االستكشايف -1 .يدة وهو فهم مجموعة البيانات لتكوين نماذج مهمة معقولة و جد


45

Predictive Analysisالتحليل التنبؤي -2أي التنبؤ بقيمة المتغير الناتج في المستقبل باالعتماد على أمثلة الماضي ويتم ذلـك عـن

ويعد النموذج . طريق تكوين نموذج تنبؤي لمتغير الهدف مع واحد او اكثر من المتغيرات الداخلة غير معروف فتتنبأ بحدث المستقبل كدالة لمـا التنبؤي حلقة الوصل بين ما هو معروف وما هو

هو معروف االن وتبنى باستخدام امثلة الماضي لحدث المستقبل وتكون اكثر فاعلية عندما تعتمد (Lehman , 2001:7). على مقادير كبيرة من البيانات النقية والموثوقة

:ون على ثالثة انواع أما من حيث وجهة النظر المرتبطة بطبيعة نشاط تنقيب البيانات فتك(Information Discovery,Inc. 2000 :5 ) (Ramachandran, 2001: 2)

Episodic Miningالتنقـيب العـارض .أي النظـر الى البيانــات من عارض معين وينجز هذا النوع من قبل المحللين

Strategic Mining التنقيب االسرتاتيجي -2النظـر الى مجموعـات اكبر من البيانات الكلية للحصول على فهم شـامل وفيه يكــون .لمقاييس مثل الربحية

Continuous Miningالتنقيب املستمـر -3وهو يحاول فهم كيفيـة تغـير العالـم ضمن مدة محددة من الزمن ومحاولة فهم العوامـل

.التي سببت التغير

Techniques Of Data Mining تقنيات تنقيب البيانات -" ثالثاتستخدم عملية تنقيب البيانات تقنيات عديدة تتمكن من خاللها اكتشاف االتجاهـات والنمـاذج الخفية في مقادير كبيرة من البيانات، ويمكن استخدام واحدة أو أكثر مـن هـذه التقنيـات وهـي

:كاآلتي(Brand & Gerritsen ,1998 :1-3 ) (Edelstein ,1997: 3)

(Ramachandran , 2001: 3-5 ) (Atre , 2001 : 2) (Tow Crows, 1999 : 6-15)

Classification التصنيف -1فيه يتم تحليل مجموعة من البيانات لتكوين مجموعة من القواعد المتجمعة التـي يمكـن ان

. بالخـصائص المـشتركة تستخدم لتصنيف بيانات المستقبل أي ايجاد المعلومـات التـي تتعلـق والمجــاور االقـرب Decision Tree وللتـصنيف ادوات عديـدة مثـل شـجرة القـرار

Nearest Neighbor واالنحدار Regression.

Associationاالقرتان -2وهي القاعدة التي تتضمن عالقات اقتران ثابتة بين مجموعة مـن االشـياء فـي قاعـدة

وهي غالبــا ما تـسمى بتحــليل . ن بين حدوث حدث ما وحدوث حدث اخر أي االقترا .البيانات . Market Basket Analysisسلــة السـوق


46

Sequential Analysis حتليل التتابع -3 لكنـه مـرتبط Link Analysisوهو يشبه االقتران ويوضع تحت مسمى تحليل الـربط

. تعامل مع البيانات التي تحدث في حاالت منفصلةبالزمن فيبحث عن نماذج تحدث بتتابع أي ي

Clustering التجميع -4وهي تقنية وصفية تجمع الكيانات المتشابهة سوية وتضع الكيانات غيـر المتـشابهة فـي مجموعات مختلفة وتعتمد بصورة أساسية على قياس المسافة مثل استخدام تقنية المجاور األقرب

ائج مختلفة الثنين من منقبي البيانات الذين يعملون على نفـس البيانـات ومن ثم قد تكون هناك نت ويختلف التجميع عن التصنيف بانه ال تعرف ما ستكون عليه التجمعات عند البدء او بأيـة صـفة

والـشبكات ) -K Means) Kويستخدم في التجميع ادوات مثل متوسـطات . ستتجمع البيانات .Neural Networksالعصبية

ن االدوات التي تستخدمها هذه التقنيات عديدة ومتنوعة ولكل واحـدة منهـا دور ويخـدم ا (Tow Crows , 1999 :10-15 ): غرض معين، ومن هذه االدوات

Decision Trees اشجار القرار -أوهي مشتقة من االحصاء والذكاء االصطناعي وتجد االرتباطات في البيانات وتستخدم فـي

الل على قواعد العمل وتعد أساس بناء النموذج التنبؤي كما يمكن ان تـستخدم اشـجار االستد . القرار في تحديد المتغيرات الواجب استخدامها كمـدخـالت للشبكـات العصبيـة

Neural Networks الشبكات العصبية -ب" ستغرق وقتـا منها وال توضح نتائجها وت " وهي قريبة من اشجار القرار لكنها اصعب فهما

. أطول وتقدم نماذج ذات قوة تنبؤية افضل حيـث متغيـر Input Layerتتكون الشبكة العصبية من طبقات تبدأ بطبقة المدخالت

التي ترتبط بـدورها Layer Hidden التنبؤ وترتبط عقد المدخالت بعدد من عقد الطبقة الخفية حيث تضم واحد او اكثر من Output Layerبعقد بعقد طبقة خفية اخرى او بطبقة المخرجات

.المتغيرات التابعة Regressionاالنحدار -جـ

يستخدم االنحدار في التنبؤ بالقيم الجديدة باالعتماد على القيم الموجودة ويستخدم االنحـدار سبي النها الخطي للحاالت البسيطة أما الحاالت المعقدة التي يصعب التنبؤ بها فيستخدم االنحدار الن

.تعتمد على تفاعالت معقدة لمتغيرات متعددة Time Series السالسل الزمنية -د

وتتنبأ بالقيم المستقبلية غير المعروفة باالعتماد على سالسل تغير الزمن للمتنبـآت فيؤخـذ ".بالحسبان الخواص المميزة للزمن كتدرج المدد والموسمية مثال

Rule Induction استنتاج القاعدة -هـفيها يتم اشتقاق مجموعة من القواعد المستقلة وعلى خالف اشجار القرار فهي ال تأتي من

.كما انها قد تتعارض في تنبؤاتها .شجرة وقد ال تغطي القواعد المكونة كل الحاالت الممكنة K – Nearest Neighbor المجاور االقرب -و

فكرة ان حل المشاكل الجديدة يكون عن طريق K (K – NN )يستخدم المجاور األقرب .مالحظة حلول مشاكل مشابهة تم حلها مسبقا


47

Discriminant Analysis التحليل التمييزي -زوهي اداة تصنيف تجد السطوح المتعددة التى تفصل الفئات ويكون النموذج النـاتج سـهل

.نب الخط الذي تقع عليه النقطةالتغيير الن كل ما على المستخدم هو تحديد جا Boosting االسناد -ح

ويعتمد على اخذ عينات عشوائية متعددة من البيانات وبناء نموذج التـصنيف لكـل منهـا ويتغير وضع البناء باالعتماد على نتيجة النماذج السابقة ويكون التصنيف األخير هو الفئة األكثـر

. من قبل النماذج " تخصيصا Genetic Algorithmsميات الجينية الخوارز-ط

سميت كذلك النها تتبع نموذج نشوء االحياء الذي يتنافس فيه اعـضاء النـشوء الواحـد . لتتقدم خصائصها في النشوء الالحق من النماذج الى ان يتم ايجاد النموذج االفضل) من النماذج(

ocessData Mining Pr عملية تنقيب البيانات -" رابعا" أم اختـصارا " تفصيالD Mهنالك العديد من اآلراء التي تناولت عملية تنقيب البيانات

: كانت تصب في نفس المضمون، لذلك سنأتي على ذكرها بالشكل اآلتي " لكنها عموما Crows , 1999 :22) ( Tow (Brand & Gerritsen, 1998 :3) (Saarenvirta , 2001: 6) (Skalak , 2001 : 1)

Define business problemتعريف مشكلة العمل -1يقصد هنا فهم العمل وبياناته والتحديد الواضح لالهداف الذي يقود الى بناء نماذج مختلفـة

" . جدا

D M Build data mining databaseقيب البيانات بناء قاعدة بيانات تن-2. ويكون ذلك من خالل جمع البيانات ووصفها وتنقيتها وتوحيدها واكمالها والمتابعة والمراقبة

لهذا الغرض بل يفـضل تكـوين سـوق البيانـات DWوقد ال يفضل استخدام مستودع البيانات Data Mart ه الخطوة مع الخطوتين الالحقتـين جـوهر وتشكل هذ. الذي يختص بجانب محدد

اكـثر من كل الخطوات األخرى مجتمعة حيـث تـصل " وجهـدا" تهيئة البيانات التي تأخـذ وقتـا .% 50 - % 90نسبتها

Explore dataاستكشاف البيانات -3ام تحليـل فيها يتم تحديد الحقول األكثر اهمية في التنبؤ والقيم التي قد تكون مفيدة باستخد

.الربط وغيرها من التقنيات

Prepare data for modelingهتيئة البيانات للنمذجة -4وهي الخطوة االخيرة من تهيئة البيانات التي يتم فيها اختيار المتغيرات التي تكون افـضل

م متنبآت واختيار الصفوف وايجاد متغيرات جديدة من البيانات الخـام وكيفيـة تمثيلهـا باسـتخدا عمليات رياضية او جبرية ومن ثم اختيار االداة التي من الممكن ان تكون أكثر فائـدة فـي بنـاء

.النموذج


48

D M Build model بناء منوذج تنقيب البيانات -5) كالتصنيف واالنحـدار (يتطلب بناء النموذج اتخاذ القرار الخاص بنوع التنبؤ المراد صنعه

لصنع التنبؤ الذي يمكن ان يكون شجرة القرار او الشبكة العصبية او ومن ثم اختيار نوع النموذج غيرها، ومن المهم ان يتم بناء نماذج عديدة بديلة اليجاد النموذج األكثر منفعة في حـل مـشكلة

هذا مع مالحظة وجوب مالئمـة النمـاذج . العمل وقد يتطلب ذلك اجراء بعض التغييرات للبيانات . على التعامل مع بيانات رقمية وغير رقميةالبعاد متعددة وقدرتها

ومن أجل ضمان دقة ومتانة التنبؤ ال بد من تمرين النموذج على نسبة من البيانات ومن ثم اختباره واثباته على ما تبقى من البيانات، فبعد ان يتم تكوين النموذج باسـتخدام قاعـدة بيانـات

ر ويكون معدل الدقة الناتج تقدير جيـد لكيفيـة اداء التمرين، يستخدم للتنبؤ بقاعدة بيانات االختبا . النموذج

Evaluate modelتقييم النموذج -6 مهما كان النموذج دقيق فليس هناك ما يضمن انه يعكس العالم الواقعي فقد تكون البيانات

لذلك مـن .حالمستخدمة لبناء النموذج قد ال تالئم العالم الواقعي مما يقود الى نموذج غير صحي المهم اختبار النموذج في العالم الواقعي أي تجربته على مجموعة صغيرة من الحـاالت لتقليـل

.مخاطر النموذج غير الصحيح والتأكد من نتائج النموذج

Deploy model and resultsتنفيذ النموذج والنتائج -7فعال معتمدا على المالحظة البسيطة للنموذج أما توصية المحلل باال :يكون ذلك بأحد اسلوبين

ونتائجه أو تطبيق النموذج لمجموعات بيانات مختلفة، هذا مع استمرار رقابة االداء التي قد تتطلب . اعادة بناء النموذج ومن مدة الى اخرى

الذي يضعها بأربع مراحـل تبـدأ بتهيئـة (1)ويمكن توضيح عملية تنقيب البيانات بالشكل ات ومن ثم تحليلها وتصنيفها تليها مرحلة الحصول على المعرفة ومن ثم مرحلة التـشخيص البيان

هذا مع توضيح المهام الخاصة بكل مرحلة من هذه . التي يتم فيها التنبؤ من خالل النموذج المبني . المراحل

قاعدة بيانات العمليات

مستودع DWالبيانات

مرحلة تهيئة البيانات

مرحلة تحليل وتصنيف البيانات

مرحلة الحصول على المعرفة

تشخيصمرحلة ال

تحديد مجموعة البيانات § تنقية مجموعة البيانات § اكمال مجموعة البيانات § تحليل التصنيف § تحليل التجميع والتتابع § تحليل الربط § تحليل االتجاه واالنحراف § اختيار الخوارزميات وتطبيقها § الشبكات العصبية § المنطق االستنتاجي § اشجار القرار § رة التصنيف واالنحدار شج § المجاور االقرب § ر التكهن § التنبؤ § النمذجة §

Data Miningمراحل تنقيب البيانات ) 1(الشكل Source : Rob, Peter & Coronel, Carlos “Data Base Systems Design, Implementation and Management” Fourth Edition Course

Technology, 2000, P.611 .


49

Data Mining Applications تطبيقات تنقيب البيانات-" خامساامتدت تطبيقات تنقيب البيانات الى مجاالت عديدة وواسعة وال زالت مستمرة في الدخول الى

: تضاف الى ما سبق وهي كاآلتي مجاالت جديدة (Avison & Shah , 1997 :328 ) ( Ramachandran , 2001 : 3 ) ( Wu , 2002:2 ) (Tow Crows , 2002:1)

كتحليل مخاطر القروض : Banking األعمال المصرفية -1 كتحديد الغش في تبادل االسهم : Financialمالية ال– 2 كتحديد االستخدام المزيف لخدماتها : Telecommunications االتصاالت -3 كايجاد العالقة بين الخصائص الديموغرافية للزبون : Marketing التسويق -4 دعاوى كتحليل ال : Insurance and Health Careالتامين ورعاية الصحة -5 كتحديد العالجات الطبية الناجحة لألمراض المختلفة : Medicine الطب - 6 كتحديد جدول التوزيع بين المنافذ : Transportation النقل -7 كتقدير فاعلية الترويج : Retailing البيع بالتجزئة -8خاذ الفعل الالزم كات : Customer Relationship Management ادارة عالقات الزبون -9

.لالحتفاظ بالزبون النه اقل كلفة من كسب زبون جديدكتحديـد : Quality Control or Error Analysis رقابة الجودة او تحليـل الخطـأ -10

.المحيطة بالمنتجات المتضررة ومن ثم تحسين الجودة من خالل اجراء التغيرات الخصائص ائص أفراد األداء العاليكتحديد خص : Hiring االستخدام -11 Electronic Commerce التجارة اإللكترونية -12 Food – Service Menu Analysis تحليل قائمة الخدمة في المطاعم -13 Warranty Analysis تحليل الضمان -14 Student Recruiting and Retention التعليم الستقطاب واستبقاء الطالب -15

Data Mining Success Strategies ofسرتاتيجيات جناح تنقيب البيانات ا –" سادسالكي يتم الحصول على تنقيب البيانات ناجح، ال بد من اتباع عدد من االسـتراتيجيات التـي

:تضمن ذلك ومنها (Noonan , 2000 :4) توجيه العمل نحو هدف محدد يوضح المشاكل المـراد حلهـا -1

( Skalak , 2001:2 ) Hermiz , 1999:3 )(. توفـير بيانات ذات كميـة ومحتوى عـال يزيد من قـوة التنبـؤ -2

( Small , 1997:6 ) فكلما كانت البيانات افضل، كانت النتائج افضل أي ذات تحليل شـامل .واكثر دقة

من بناء نموذج واحد باستخدم كل البيانات " ات بدال بناء عدة نماذج باستخدام عينات من البيان -3( Small , 1997:7 ).

واالسراع في استخدام تنقيـب البيانـات ( Skalak , 2001:2 ) التهيئة الصحيحة للبيانات -4 ( Noonan , 2000:3 ) تساهم بشكل كبير في انجاح تنقيب البيانات .


50

راء مـع امكانيــة احتـواء متخـــذ القـرار التواصل المستمر بين مدراء العمل والخـب -5(White Cross , 2001:5 ) من أجل اعادة تعريف او تصميم اهداف العمل وايجاد النتـائج

االولية وتكرار ذلك مع ازدياد ادراك البيانات التخطيط للتعلم من عملية تنقيب البيانات وتعليمها الى من له صلة مباشرة باسـتخدامها فـي -6

وعـدم اهمـال أي نتائـج تحـت ضغط الوقت ( Hermiz , 1999:4 ).ات اتخاذ القرار ( Skalak , 2001:2 ) .والكلفة

( Smyth,2001:5 ). التكامل بين عدد من االدوات بضمنها القديمة والجديدة -7

Performance األداء /املبحث الثالث مفهوم االداء–" اوال

تخدام الموارد البشرية والمادية والمعلومات المتاحة بالشكل يمثل االداء معيار الرشد في اس الذي يحقق أعلى المردودات منها وكذلك اشباع حاجات ورغبات االفراد العـاملين ورفـع الـروح

) 2000 : 330الشماع وحمود، ( .المعنوية لديهم ليعزز رغبتهم واندفاعهم للعمل :ء مفاهيم اخرى مثلوقد يتداخل مع مفهوم االداء او تقويم االدا

تقييم المشاريع او تقييم الجدوى االقتصادية التي يقصد بها إقامة دراسة من نوع خاص يمكن -1من خاللها تكوين صورة متكاملة عن ما سيكون عليه المشروع في المستقبل خـالل حياتـه

يع المتوقعة بحيث يمكن اتخاذ قرار بإقامة المشروع من عدمه مع امكانيـة ترتيـب المـشار )1999 : 211عبد الكريم وكداوي، . (حسب االولويات

التي يقصد بها كمية االنتاج منسوبة لعنصر او اكثر مـن productivityمفهوم االنتاجية -2عناصر االنتاج ، لكنها ال تكفي في اعطاء حكم متكامل على اداء المنظمة بسبب وجود جوانب

).2001 : 42 الكرخي،. (اخرى من نشاط المنظمة لم تشملها وتعني تحقيق المدراء ألهدافهم المنظمية، فاالداء ال يكفي لوحده Effectivenessالفاعلية -3

ان االداء يتعلق بوسائل عمل االشـياء .بل هناك حاجة الى تحقيق االهداف من خالل االنشطة . فـــي حـــين ان الفاعليـــة تتعلـــق بالنهايـــات او نيـــل االهـــداف المنظميـــة

(Robbins & Coulter , 1999:9) يعد اداء المصرف دافع قوي ونتيجة مهمة إلجراء التغييرات في العمليات المصرفية وغالبا ما تضع المصارف االداء العالي هدفا لها كحافز او دافع أساسي لتثبيت موقعها والذي يكون مـن

(Saunders, 1997:264). خالل تقديم مستوى من الخدمات يعظم االرباح بأقـل كلفـة ممكنـة وطالما كانت المعلومات هي أحد أهم الموارد بالنسبة للقطاع الخدمي بصورة عامـة وللمـصارف بصورة خاصة فان حسن استغاللها بصورة مثلى من الممكن ان يؤدي الى مستويات متقدمة مـن

.االداء التي يسعى اليها المصرف

أسس االداء–" ثانياومتكاملة بطبيعتها نظرا لتعدد االنشطة والعمليـات فـي ان دراسة االداء هي عملية شاملة

المنظمة والترابط الوثيق بينهما، لذلك فان التعرف على اسباب التغير في االداء الكلـي وتحليلـه والحكم عليه يتطلب التعرف على االسس او القواعد االساسية التي يـستند عليهـا االداء وهـي

:كاآلتي ) 48:2001-50الكرخي ،(و ) 1999: 208-211عبد الكريم و كداوي، (

تحديد االهداف -1


51

أي تحديد االهداف الرئيسة والثانوية للمنظمة والتي يجب ان تكون واضحة ومحددة لكـل .من المسؤولين والعاملين ودقيقة وشاملة لكل أجزاء المنظمة

تحديد الخطط التفصيلية النجاز الفعاليات -2 . عن مرونتها" تناسقة مع طبيعة االهداف فضاليجب ان تكون هذه الخطط واقعية وم

تحديد مراكز المسؤولية -3أي تحديد الجهة المسؤولة عن اتخاذ القرارات الكفيلة بتنفيذ هذا النشاط في حدود المـوارد

.الموضوعة تحديد مؤشرات االداء -4

وهي من أهم األسس وأكثرها صعوبة في نفس الوقت حيث يتم اختيار المؤشـر المناسـب .باختالف االهداف المرسومة وطبيعة العملية األنتاجية

مراحل قياس االداء–" ثالثا : تمر عملية قياس االداء بمراحل عدة وهي كاآلتي

) 2001: 50-52، الكرخي ((Rambaldi & Bautista,2000:14 )) 1986: 77حمد ، (جمع البيانات والمعلومات االحصائية التي تتطلبها عملية القياس ويمكن الحصول عليها مـن -1

حسابات االنتاج واالرباح والخسائر والميزانية العمومية وغيرها مـن المعلومـات المتـوفرة .رنةللسنة الحالية والسنوات السابقة وفي منظمات متشابهة في نفس وغيره ألغراض المقا

. تحليل ودراسة البيانات والمعلومات االحصائية لحساب المؤشرات الالزمة لعملية قياس االداء -2 .اجراء عملية القياس لجميع انشطة المنظمة باستخدام المؤشرات المالية المالئمة -3 .وضع النتائج وتحديد االنحرافات واسبابها والحلول الالزمة لها -4نحرافات وتزويد الجهات المـسؤولة بالمعلومـات والبيانـات متابعة العمليات التصحيحية لال -5

".الالزمة لالستفادة منها مستقبال

مؤشرات االداء–" رابعاالمؤشر هو أي وسيلة للقياس يمكن االستعانة بها في اتخاذ قرار حكم موضوعي على حالة

الكرخـي، . ( رياضية معينة وقد يأخذ شكل قاعدة قانونية او اقتصادية او اجتماعية او سياسية او أما مؤشرات االداء فهي تمثل اشارات لتحذير المدراء نحو القضايا التي تحتـاج الـى ) 76:2001

( Kunstelj & Others,2001:10 ) .اهتمام اكثروهناك الكثير من المؤشرات التي يمكن استخدامها لقياس االداء ، منها ما هو موضح فـي

لكن التوصل الى رقم معين ال يعني شيئا . مؤشر وطريقة احتسابه الذي يبين اسم ال( 1 )الملحق ) 1995: 77 خـان وغرايبـة، : (بحد ذاته بل يتطلب مقارنته بغيره مـن االرقـام كـأن تكـون

)79-54: 2000شاكر وآخرون،( Historical Standard المؤشرات التاريخية-1

وتعود أهميـة هـذه المعـايير الـى . السابقة أي دراسة النسب لنفس المنظمة في السنوات . إعطائها صورة عن اتجاه المنظمة ووضعها فيما اذا كان يسير بتحسن مستمر او يتجه الى األسوأ

لكن بالمقابل ال يمكن مقارنتها المنظمة مع منظمات اخرى وهي غير دقيقة اذا توسعت المنظمة او .تغيرت طبيعة عملها

Industry Standard مؤشرات الصناعة -2أي مقارنة نسب المنظمة مع منظمات اخرى مساوية لها بالحجم وطبيعة العمل لكنهـا غيـر

.دقيقة لصعوبة وجود منظمات متشابهة تماما من حيث الحجم وطبيعة االعمال


52

لذلك فأن من المفضل ان يتم استخدام المؤشرين للحصول علـى صـورة شـاملة ألوضـاع . المنظمة

طاع المصرفي فقد استخدم الباحثون ارباح المصرف في قياس االداء حيـث وفيما يخص الق .يتطلب االداء الكامل مـن المـصرف تحقيـق اربـاح عاليـة مـن الخـدمات وتقليـل كلفهـا

)Saunders , 1997:264( وبذلك يتضح من ذلك ان المهمة المرماة على عاتق االدارة ليست باليسيرة فهـي ال تتوقـف

بل استخدام هذا القياس بصورة موضوعية ومقارنته بالسنوات السابقة تارة ومع عند قياس االداء المنظمات االخرى المماثلة تارة اخرى لمعرفة موقعها بين المنظمات وما تحتاج اليه من تطوير من

.اجل العمل به مستقبال من اجل غد افضل

حتليل النتائج /املبحث الرابع التطبيق -" اوال

ية تنقيب البيانات على بيانات القروض للمصرف الصناعي العراقـي لغـرض تم اجراء عمل مساعدة االدارة على اتخاذ القرار الذي يمكنها من الحكم على الزبون فيما اذا كان التعامـل معـه

وبذلك تتمكن من التركيز على الزبائن الموثوق بهم واسـتبعاد . على المصرف أم ال " يشكل خطرا ألنه يكون السبب فيما يتحمله المصرف من خسائر ناجمة عـن اقراضـه من هو غير موثوق به

.بسب عدم التسديد SQLومن اجل التطبيق استخدم برنامج حاسوبي يدعى خـادم لغـة االستفسـار المهيكلة

Server 2000 Structured Query Language Server 2000 ) ( الذي يمكن تعريفـهـ الـذي تـم تـصميمه Database Management System اتبانه نظام ادارة قاعدة البيان

للمساعدة في ادارة بيانات المنظمة فهو يقدم طرائق لمسح وتحديث وادخال البيانات التي يمكن من (Gunderloy & Jorden,2000:263) .خاللها الحفاظ على قاعدة بيانات متجددة

: هما يقدم البرنامج خوارزميتين أساسيتين لتحليل البيانات(Bloor Research, 2001:102) (Soni & Others, 2001:2) (Tiedrich, 2000:14)

Microsoft Decision Tree (MDT)شجرة القرار -1 Microsoft Clusteringالتجميع -2

ان زيادة عدد المقترضين في المصرف، يجعل من الصعب على االدارة ان تستخلص القواعد Dataلجيدة والسيئة يدويا، لذلك فان زيـادة االهتمـام بتنقيـب البيانـات التي تحدد المخاطر ا

Miningناتج عن كونها تهتم باالكتشاف والتحليل عن طريق وسائل مؤتمتة أو شبة مؤتمتة . ومن تصفح اشجار القرار والتجمعات الناتجة من نماذج تنقيب البيانات من قبل المـستخدم،

على ناتج عملية التنقيب وبالتالي يتمكن من اتخاذ قرار سريع وحكيم تسمح له بإلقاء نظرة سريعة .مستند على نماذج واضحة ومفهومة مقرونة بتفصيالت بيانية مع النسب

حتليل مناذج شجرة القرار –" ثانيافـي " يستخدم نموذج شجرة القرار بصورة أساسية لغرض التنبؤ ويمكن ان يساعد ايـضا

أي انه يسهل رسم استنتاجات عامـة ) Seidman, 2001: 114( انات توضيح كيفية توزيع البي .حول مجتمع البيانات

الذي تظهر فيه ) 2( أي خطر القرض كمتغير للتنبؤ، ينتج الشكل Riskوبعد اختيار الخطر هو الصفة االكثر أهمية في التنبؤ وتفـرع Levelشجرة القرار وقد وجدت ان مستوى القرض


53

وغير واطئ وكانت الحاالت أكثر كثافة عند المستوى الواطئ نـسبة Lowاطئ الى فرعين هو و هو الصفة االكثر أهمية الثانية وقسمته الى Branchالى اللون الغامق، ومن ثم وجدت ان الفرع

او ال يكون كذلك وكانت الحاالت أكثر كثافة عنـدما ال Babilفرعين ايضا اما ان يكون فرع بابل .بليكون الفرع با

الـذي Content Navigator كما يبين الشكل في الجهة اليمنى العليا مـالح المحتـوى يزودنا بنظرة عامة عن شكل الشجرة وباستخدام تدرج االلوان كما هو الحال في شـجرة القـرار حيث يدل اللون الغامق على مدى كثافة الحاالت في العقد أي ان العقدة التي لونها غـامق تـضم

من الحاالت المطابقة لقيمة الصفة وهكذا مع تدرج اللون الذي يبينه المستطيل الصغير أعلى نسبة .في أسفل يسار الشاشة

Riskنموذج شجرة القرار على اساس خطر القرض ) 2(الشكل

التي تقع في وسط يمين الشاشة التي Attributesلوحة الصفات " كما يبين الشكل ايضا

فتبين ) 2( من خالل الضغط على أي من عقد الشجرة، وفيما يخص الشكل تعكس بيانات كل عقدة حالـة بنـسبة bad 97لوحة الصفات بيانات الشجرة ككل وفيها عدد حاالت الخطر الـسيئة

وال توجد % 64.64 حالة وبنسبة احتمالية 180وعدد حاالت الخطر الجيدة % 35احتمالية %.0.36حتماليتها هناك حاالت مفقودة حتى ان ا

الذي يقع تحت لوحة الصفات فيعـرض وصـف Node Pathاما فيما يتعلق بمسار العقد .وهو في هذه الشجرة يشمل كل القواعد. للقواعد التي تؤثر في تضمين الحاالت داخل العقدة

وبذلك يكون قد نتج عن استخدام خوارزمية شجرة القرار نمـوذج تنبـؤي يتنبـأ بمخـاطر .وض فيما اذا كانت سيئة أم جيدة القر


54

حتليل منوذج التجميع -" ثالثافي ايجاد القيود التي تمتلك صفات مشتركة مع غيرهـا، " تعد خوارزمية التجميع مفيدة جدا

وهي افضل خوارزمية عندما تكون هناك كمية كبيرة جدا من البيانات ذات درجة عالية من التركيب رات فهي تسمح بتصور العالقات وتوضـيح الـشواذ وايجـاد عينـات المنطقي والعديد من المتغي

(Seidman, 2001: 146). لخوارزميات اخرى في تنقيب البيانات يتم تمثيل التجمعات بنفس اسلوب شجرة القرار تماما عدا ان الشجرة هنـا تكـون دائمـا

ة صفات العقـدة والختيار صفة معينة كصفة الخطر، يكون ذلك من قائمة مجموع . بمستوى واحد Node Attribute Set امـا أسـماء العقـد فهـي غيـر واضـحة . في وسط أسفل الـشاشة

)Cluster 1، Cluster 2 ، …… لكن لكل تجمع من هذه التجمعات مجموعـة مـن ) وهكذاالقواعد التي تصف القيود الموجودة داخل التجمع، ويمكن رؤية هذه القواعد من خالل الضغط على

. في اسفل يمين الشاشةNode pathلنظر الى محتويات مسار العقدة العقدة وا واختيـار Cluster 1 والضغط على التجـمع االول Riskوباختيارنا لصفــة الخطر

حيث يتـضح ان عـدد ) 3( لتبنى على اساسها لون التجمعات، يكون الشكل badالحاالت السيئة حالة ذات مخاطر قرض سـيئة 12 حالة منها 39غامق هو الحاالت في هذا التجمع ذو اللون ال

bad حالة ذات مخاطر قرض جيدة 27و % 31.18 بنسبة احتمالية good بنـسبة احتماليـة اما القواعد التي تصف التجـمع االول في % . 0 حالة مفقودة بنسبة احتمالية 0و % 68.82

Node pathع المصرف فـي نينـوى و بغـداد والبـصرة فهي ان مخاطر القروض جيدة لفروولصناعات هي الجلود والثلج والملح والغذائية والنجارة والطحين والبالستك والكيمياوية والجنس هو ذكر ومستوى القرض واطئ واصحاب القروض هم افراد مـنهم متزوجـون واخـرون غيـر

من حيـث عـدد القيـود التـي "متزوجين وهكذا بالنسبة لبقية التجمعات التي تكون مرتبة تنازليا . تضمها

وبذلك يكون قد نتج عن استخدام خوارزمية التجميع نموذج وصفي يضع المقترضـين فـي .مجموعات حسب مخاطر القروض


55

Riskعلى اساس خطر القرض نموذج التجميع ) 3(الشكل

حتليل مؤشرات االداء-" رابعاد العديد من المؤشرات التي تستخدم في قياس االداء، اال ان المصارف على الرغم من وجو

: منها " ودوليا" ومنها المصرف الصناعي تركز على عدد منها معتمدة محليا : مؤشرات تحقيق االهداف وتضم -1

مؤشر تحقيق خطة االئتمان-أ مؤشر تحقيق خطة االستثمار -ب

: مؤشرات النشاط وتضم -2 كفاية رأس المال مؤشر -أ

الحسابات الجارية والودائع/ مؤشر االئتمان النقدي-ب الحسابات الجارية والودائع / مؤشر االستثمار-ج

: مؤشرات السيولة والربحية وتضم -3 الحسابات الجارية والودائع / مؤشر النقد في الصندوق ولدى المصارف-أ

)االئتمان التعهديعدى ( اجمالي الموجودات / مؤشر صافي الربح-ب رأس المال/ مؤشر صافي الربح-ج


56

ان جميع المؤشرات السابقة الذكر يمكن ان تؤشر مدى قدرة االدارة في الحفاظ على نمـو (Rose, 1999:159). من قروض المصرف واستثماراته واجرة خدماته" العوائد التي تأتي أساسا

.2001 الى 1997متدة من وقد جرى تطبيقها في المصرف الصناعي للسنوات المحيث ان أعلى نسبة تـسديد للقـروض " كما قد لوحظ ان نسب تسديد القروض متدنية جدا

هذا يعني ان نصف المبالغ المستحقة تقريبا اصـبحت مـصاريف 2001في سنة % 50.7كانت .2000في سنة % 18.8يتحملها المصرف فكيف هو الحال مع اقل نسبة

نقيب البيانات على بيانات الزبائن والوصول الى نماذج تصف جميع حاالت ان اجراء عملية ت فـي " على حاالت زبائن مختلفة يساعد كثيرا " الزبائن ونماذج اخرى تتنبأ بمخاطر القروض استنادا

خطر التعامل معـه أي " الحكم على طلبات االقتراض واستبعاد ما تنطبق عليها النماذج كونه زبونا موثوق به بل انه يحمل المصرف أعباء ثقيلة، وباستبعاد طلبات االقتـراض هـذه ان تسديده غير

والتركيز على مقترضين موثوق بهم يمنح المصرف فرصة أكيدة في االرتفـاع بنـسب التـسديد .على المصرف وتعيق الحفاظ على نمو عوائده" وتقليل المصاريف التي تشكل عبئا

تحققت وهـي ان تطبيـق النمـاذج الناتجـة عـن وبذلك تكون فرضية البحث األساسية قد . خوارزميتي شجرة القرار والتجميع سيمكن االدارة من تقليل خسائر المصرف

من هنا يمكننا االجابة على كل التساؤالت الواردة حيث ان المصرف لم يهتم االهتمام الكافي تفادة منها في تكوين قاعدة بتوثيق البيانات فهي تفتقر الى الكثير من البيانات التي يمكن االس

كما أن المصرف لم يتعامل مع هذه البيانات باساليب . بيانات متكاملة تمتد لفترات زمنية طويلة علمية وتكنولوجية فهي مركونة لحين الحاجة اليها بدآل من استخدامها في بناء القرارات وال

ن ذلك فأن استخدام تنقيب وعلى العكس م .يجري تقييمها لغرض اكمالها وتحديثها باستمرارالبيانات يوفر للمصرف الفرص المناسبة التخاذ قرارات بمستوى عالي من الدقة تزيد من اداء المصرف وتجنبه المخاطر الناتجة عن القرارات الخاطئة التي تؤدي الى تدني نسب تسديد القروض

.وبالتالي زيادة االعباء المالية على المصرف التي يتحملها مصاريفأن النماذج الناتجة عن استخدام خوارزميتي شجرة القرار والتجميع تلخص الدارة المصرف بشكل واضح مجتمع البيانات وتسهل رسم االستنتاجات منه ،فالخوارزمية االولى بينت ان على االدارة ان تعيد النظر بالقروض ذات المستوى الواطيء ولفروع المصرف عدا فرع بابل الن هذه

ض تشكل نسبة الخطر االكبر كقروض غير مسددة أي أن على االدارة ان تكون حذرة اكثر القروفي .تجاه هؤالء المقترضين وتحاول التقليل منهم والتركيز على القروض ذات المستوى االعلى

حين صنفت الخوارزمية الثانية المقترضين في مجموعات وبشكل تنازلي وحسب تدرج اللون من اتح بحيث يسهل التعرف على المجموعات بنظرة واحدة ومعرفة خصائصها كالتجمع الغامق الى الف

االول الذي ضم اكبر عدد من القروض غير المسددة في فروع نينوى وبغداد والبصرة ولصناعات الجلود والثلج والملح والغذائية والنجارة والطحين وللمستويات الواطئة من القروض أي يتوجب

والتشديد على المقترضين الذين يحملون هذه الخصائص الن قرارت االقراض على االدارة الحذرالصائبة ستبعد المصرف عن الخسائر الناتجة عن عدم التسديد وتساهم بشكل اساسي في نمو

.عوائده


57

االستنتاجات والتوصيات/املبحث اخلامس االستنتاجات املتعلقة باجلانب النظري-"اوالبيانات ميزة التعامل مع كميات هائلة من البيانات وكلما كانـت كميـة توفر عملية تنقيب ال .1

.البيانات كبيرة كانت اكثر قدرة ودقة في الوصول الى نماذج صحيحة مفيدةيختلف تنقيب البيانات عن أنظمة دعم القرار كونه قد يكشف عن عالقات ابعد من ان يفكـر .2

.بها المستخدمة اساسية على مدى دقـة وصـحة وشـمولية البيانـات تعتمد نتائج تنقيب البيانات بصور .3

.المستخدمةتستخدم في تنقيب البيانات تقنيات وادوات عديدة ومتنوعة لكنهـا تـصب فـي اتجـاهين .4

.أساسيين هما االستكشاف والتنبؤال يمكن تحديد خوارزمية معينة باعتبارها االفضل لبناء نموذج تنقيب البيانات بل يفضل ان .5

يات متعددة ويتم بناء نماذج متعددة الى ان يتم الوصـول الـى النمـوذج تستخدم خوارزم .االفضل

في حالة وجود قاعدة بيانات كبيرة جدا، يكون خيار بناء نماذج عديدة مبنية علـى عينـات .6افضل من خيار بناء نماذج قليلة مبنية على كل البيانات لكي يكـون النمـوذج اكثـر دقـة

.ومتانةالداء اختيار مؤشرات واضحة سهلة االستخدام وقليلة الوقت والجهـد تتطلب عملية قياس ا .7

.تتالءم مع طبيعة عمل المصارف

االستنتاجات املتعلقة باجلانب التطبيقي-"ثانياكلما كان عدد المتغيرات او االعمدة في قواعد البيانات اكثر كان نموذج التنقيب الناتج اكثر .1

.واقعية في التعامل مع مشاكل العمل سهولة تنقيب البيانات من مـصادر بيانـات عالئقيـة SQL Server 2000يوفر برنامج .2

.ومتعددة االبعاد ومن خالل خوارزميتين هما شجرة القرار والتجميعيمكن اجراء عملية التنقيب على بيانات تضم متغيرات رقمية وغيـر رقميـة وتظهـر فـي .3

ل مستوى القرض الذي يحمل تقـديرات النموذج بالضبط كما صيغتها في قاعدة البيانات مث .مثل واطىء ومتوسط وعالي

تكون النماذج الناتجة عن عملية التنقيب وخاصة من البرنامج المستخدم سهلة الفهم حيـث .4ان . يستطيع المستخدم مثل المحلل المالي ان يفسر النموذج ويقارنه مع افكـاره الخاصـة

بار نماذج عديدة ويقدم في النهاية النمـوذج سبب ذلك يعود الى ان البرنامج يعمل على اخت .االفضل

يوفر تطبيق البرنامج عامل السرعة حيث يمكن الوصول الى نموذج التنقيب فـي غـضون .5ان هـذا التحـديث .دقيقة او اثنتين كحد أقصى مع السماح بتحديث هذه النماذج باستمرار

امل مـع طـالبي القـروض والسرعة يسهل على ادارة المصرف اتخاذ القرار الخاص بالتع .بالرفض او القبول

Levelنتج عن استخدام خوارزمية شجرة القرار نموذج تنبؤي حدد فيه مستوى القـرض .6او " الصفة األكثر أهمية في التنبؤ بمخاطر القروض ويكون مستوى القرض هنا اما واطئـا

أهمية الثانيـة الصفة األكثر Branchواختارت الخوارزمية بعد ذلك الفرع . غير واطئ


58

ويصاحب هذا النموذج وصـف . وهو اما ان يكون فرع المصرف في بابل او ال يكون كذلك .واضح ومبسط لكل اجزائه

ينتج عن استخدام خوارزمية التجميع نموذج وصفي حدد عشرة تجمعـات مرتبـة تنازليـا .7ـ ع الـسابع حسب عدد القيود من التجمع االول وحتى التجمع العاشر، حيث يضم مثال التجم

حالة خطرة 2 حالة خطر سيئة مقابل 28اكبر عدد من الحاالت السيئة للقروض تصل الى وتنحصر مخاطر القروض السيئة في فروع المصرف .جيدة فقط مع نسب احتمالية كل منها

في اربيل والسليمانية والمستثمرة في الصناعات االنشائية والميكانيكيـة ومحطـات تعبئـة رة وتكون مستويات القروض متوسط وعالية والمقترضين هم افراد من كـال الوقود والنجا

.الجنسين ذكور واناثثبوت صحة الفرضية االساسية حيث ان تطبيق النماذج الناتجة عـن خـوارزميتي شـجرة .8

القرار والتجميع ، يمكن االدارة من رفع نسبة ما مسدد الى ما هو مستحق مـن قـروض ف وزيادة صافي الربح وهو ما يظهر جليا في معيار صافي الربح ويؤدي ذلك الى تقليل الكل

% 699 ووصـل الـى 2001 رأس المال حيث حقق المصرف اعلى المعدالت في سـنة / %.50.7تقابلها نسبة تسديد عالية نوعا ما مقارنة ببقية السنوات ووصلت الى

التوصيات اخلاصة باملصرف الصناعي -" ثالثاة اكبر بعملية جمع البيانات من زبائن المصرف وادخالها على الحاسوب ضرورة توفير عناي .1

. االلكتروني بدال من تركها في ملفاتها وما يتطلبه ذلك من توفير اجهزة الحاسوب الحديثـة ان عمل ذلك يسهل على المصرف االستفادة من هذه البيانات بشكل عملي ويوفر الوقت ألي

. تطبيقات الحقة اجهزة الحاسوب على ادخال بيانات الزبائن فقط ، بل يتعـداه الـى تكـوين ال تقتصر فائدة .2

قاعدة بيانات خاصة بزبائن المصرف ككل او قاعدة بيانات خاصة بالقروض والمقترضين او (DW)التسهيالت المصرفية، ومن االفضل ان يكون ذلك من خالل تكوين مستودع البيانات

ها وتحديثها باستمرار لضمان استرجاع أي جزء منهـا الذي يعمل على حفظ البيانات وتنقيت .في أي وقت

العمل على زيادة نشر الوعي في المصرف وخاصة في المستويات التنفيذية لتقنيـة تنقيـب .3البيانات توضيح مدى الحاجة الملحة التخاذ القرارات المستندة على المعرفة لما لـذلك مـن

تقليل التكـاليف الناجمـة عـن عـدم تـسديد دور كبير في زيادة اداء المصرف من خالل .المقترضين وارتفاع عدد القروض الهالكة

التوسع في حجم ونوع البيانات المطلوبة من الزبائن من اجل إضافة متغيرات جديدة لعملية .4وبشكل تقريبـي وعـدد " أم سنويا " التنقيب كمستوى دخل المقترض مثال سواء كان شهريا

.االطفال ان وجدواز على تدريب وتطوير متخذي القرار على مثل هكذا تقنيات حديثة لكي يسهل علـيهم التركي .5

استخدام أو تطبيق البرنامج والتوصل الى المعلومات المطلوبة فـي اتخـاذ قـراراتهم دون الحاجة الى انتظار وصول المعلومات من جهة اخرى مما يضيف ميزة اخرى هـي الحفـاظ

.بائن واقتصارها على اشخاص محددينعلى سرية المعلومات الخاصة بالزتقديم الدعم المالي المستمر لكل ما من شأنه ان يبقي المصرف مواكبا للتطـورات التقنيـة .6

الحديثة من أجهزة وبرامج من اجل الوصول الى المعلومات المفيدة التي تعتبر من الموارد .ردالمهمة للمصرف التي يتوجب استغاللها بالشكل األمثل كبقية الموا


59

التوصيات اخلاصة بالدراسات املستقبلية-" ثانيااجراء دراسة مماثلة وفي المصرف ايضا لكن على الجانب االخر من االئتمان النقدي وهـو .1

.التسهيالت المصرفيةاجراء دراسة مماثلة في قطاعات اخرى مثل شركات التامين حيث يمكـن اجـراء تنقيـب .2

.التي تعتبر ارضية خصبة لمثل هكذا دراساتالبيانات في مجال تحليل الدعاوى من تنقيب البيانـات " ذات ادوات تحليلية أعمق وأكثر توسعا " تناول تقنيات اخرى حديثة جدا .3

. Insightful Miner (I – Miner)مثل

Refernces املصادر

العربيـــة-" اوالالطبعـة االولـى، دار " نظرية المنظمة "الشماع، خليل محمد حسن وحمود، خضير كاظم، .1

.2000المسيرة للنشر والتوزيع، االردن، الطبعة االولى، " مدخل الى تقويم االداء في الوحدات االقتصادية "الكرخي، مجيد عبد جعفر، .2

.2001دارالشؤون الثقافية العامة، العراق، هربائيـة تقويم االداء الصناعي لمنشاة القادسية العامة للصناعات الك "حمد، موفق خزعل .3

.1986رسالة ماجستير، " 1983-1979للفترة مركـز الكتـب الطبعة الثانية، " االدارة المالية "خان، محمد يونس وغرايبة، هشام صالح، .4

.1995االردني، مـدخل صـناعة –التحليل المالي "شاكر، منير و اسماعيل، اسماعيل ونور، عبد الناصر .5

. 2000الطبعة االولى، عمان، " القراراتتقييم المشاريع االقتصادية دراسة "عبد الكريم، عبد العزيز مصطفى وكداوي، طالل محمود .6

الطبعة الثانية، دار الكتب للطباعة والنـشر، " في تحليل الجدوى االقتصادية وكفاءة االداء .1999جامعة الموصل،

االنكليزيـــة–" ثانيا Journals المجــالت –أ

1. Ahola, Jussi & Rinta-Runsala, Esa: Data Mining Case Studies in Customer Profiling, “Research Report” TTE1-2001-29, Version 1.0, 2001.

2. Atre,Shaku : Defining Today,s Data Mining, “Executive Update”, Business Intelligence Advisory Service , CUTTER , Vol.1 , No.4 , 2001.

3. Brand, Estelle & Gerritsen, Rob: Data Mining Solutions “DBMS Magazine”, 1998.

4. Edelstein, Herb: Mining For Gold “Information Week” April, 1997.


60

5. Hermiz, Keith B.: Critical Success Factors For Data Mining Projects, “DM Review Magazine”, ES Media Group Feb. 1999.

6. Houston, Andrea L. & Others: Medical Data Mining on the Internet: Research on a Cancer Information System “Artificial Intelligence Review” 13:437-466, 2000.

7. Information Discovery, Inc.: A Characterization of Data Mining Technologies and Processes “DM Review Magazine”, EC Media Group, 2000.

8. Lehman, J.T.: Future Tense “Intelligent Enterprise Magazine”, Oct. 2001.

9. Noonan, Jack: Data Mining Strategies “DM Review Magazine”, EC Media Group, July 2000.

10. Rambaldi, Giacomo & Bautista, Mike : Monitoring and Evaluation: Beyond Record-Keeping “Special Reports – Suhay” July-September, 2000.

11. Saarenvirta, Gary: Operation Data Mining “ DB2 Magazine”, Summer 2001.

12. Seiner, Robert S. : The IRM Test: How Did “IT” Get This Way? A Self-Help Test “DM Review Magazine”, March 2002.

13. Skalak, David: Data Mining Blunders Exposed! “DB2 Magazine”, Summer 2001.

14. Small, Robert D.: Debunking Data Mining Myths “ Information Week”, CMP Media, Jan. 1997.

15. Wu, Jonathan: What is Data Mining?, “DM Review Magazine”, EC Media Group, August 2000.

16. Wu, Jonathan: The Value in Mining Data, “DM Review Magazine”, Feb. 2002.

Internet االنتـــرنت -ج1. Bloor Research : Databases on evaluation & comparison, 2001. 2. Kunstelj, Mateja & Leben, Anamarija & Vintar, Mirko :

Influences Of Information Technology On The Quality Of Public Services , NISP Acee Annual Coference , 10-12/5/2001 , Jurmala , Latvia .

3. Ramachandran M, Pushpa: Mining for Gold Wipro Technologies, December 2001. http://www.Wipro.com

4. Smyth, Padhraic: Data Mining At The Interface of Computer Science And Statistics, 2001.

5. Soni, Sanjay & Tang, Zhohui & Yang, Jim : Performance Study of Microsoft Data Mining Algorithms, Microsoft Corp., 2001.

http://www.Wipro.com


61

6. Tiedrech, Alan H.: Microsoft Corp. SQL Server 2000 Analysis Services, Datapro Information Services, Gartner Group, Inc., November 2000.

7. Two Crows Corporation: Introduction to Data Mining and Knowledge Discovery, Third Edition, 1999.

8. Two Crows Corporation: Data Mining Applications, 2002. http://www.Towcrows.com

9. White Cross: Mining Very Large Databases to Support Knowledge Exploration, Version 1, January 5, 2001. http://www.Whitecross.com

10. Zaiane, Osmar R.: Introduction to Data Mining , CMPUT 690 Principles of Knowledge Discovery in Databases , University of Alberta, 1999 .

Books الكـــتب -د 1. Avison, David & Shah, Hanifa “The Information Systems

Development Life Cycle” : McGraw-Hill, UK, 1997. 2. Daft, Richard L. “Organization Theory and Design” Seventh

Edition, South-Western College Publishing , U.S.A , 2001 . 3. Gunderloy, Mike & Jorden, Joseph L. “Mastering SQL Server

2000” SYBEX Inc., U.S.A, 2000. 4. Hempel, George H. & Simonson, Donald G. “Bank Management,

Text and Cases” Fifth Edition, John Wiley & Sons,Inc.U.S.A,1999. 5. Revsine, Lawrence & Collins, Daniel W. & Johnson,W. Bruce “Financial Reporting & Analysis ” Prentice Hall ,Inc. ,U.S.A,1999.

6. Rob, Peter & Coronel, Carlos “Data Base Systems Design, Implementation and Management” Fourth Edition Course Technology, 2000.

7. Robbins, Stephen & Coulter, Mary "Management", Sixth Edition, Prentice-Hall, USA, 1999.

8. Romney, Marshall B. & Steinbart, Paul John “Accounting Information Systems” Eighth Edition Prentice-Hall, Inc. USA, 2000.

9. Rose, Peter S. “Commercial Bank Management” Forth Edition, McGraw-Hill, Inc., Singapore, 1999.

10. Saunders, Anthony “Financial Institutions Management” Second Edition, McGraw-Hill, Inc., USA, 1997.

11. Seidman, Claude “ Data Mining with Microsoft SQL Server 2000 ” Microsoft Corp., U.S.A, 2001.

http://www.Towcrows.com

http://www.Whitecross.com


62

المؤشرات المالية) 1(الملحق

طريقة حسابه المؤشر النوع الموجودات المتداولة نسبة التداول -1

المطلوبات المتداولة نسب السيولة-أ

) المدفوعات المقدمة–المخزون (–الموجودات المتداولة نسبة السيولة -2

المطلوبات المتداولة

نسبة الديون الـى راس -1 المال

الديون الطويلة االجل حق الملكية

المديونية نسب-ب وراس المال

ــى -2 ــديون ال ــسبة ال ن الموجودات

مجموع الديون

مجموع الموجودات

المبيعات معدل دوران المخزون -1 المخزون السلعي

المبيعات معدل دوران الذمم -2 الذمماجمالي

معدل دوران الموجودات -3 الثابتة

المبيعات صافي الموجودات الثابتة

نسب النشاط-ج

معــدل دوران مجمــوع -4 الموجودات

المبيعات مجموع الموجودات

نسب الربحية -د

نــسبة هــامش الــربح -1 االجمالي

الربح االجمالي المبيعات

نــسبة هــامش الــربح -2 الصافي

صافي الدخل المبيعات

ــى -3 ــد عل ــدل العائ مع االستثمار

صافي الدخل مجموع الموجودات

نسبة العائد علـى راس -4 المال المستخدم

صافي الدخل راس المال المستخدم

نسبة العائد على حقوق -5 الملكية

صافي الدخل حقوق الملكية

نسبة االرباح لكل سهم-6 اح االسهم الممتازة ارب-صافي الدخل

عدد االسهم العادية المباعة

من إعداد الباحثان باالعتماد على: المصدر

(Revsine & Others ,1999:160-174) ) 78:1995خان وغرايبة ، ( (Hempel & Simonson ,1999: 67) )، 79- 54: 2000شاكر وآخرون(

data mining.pdf

Documents