Cílem této diplomové práce je příprava projektu obchodně-analytického SW z pohledu data miningu. Práce se zabývá přístupnými daty v prostředí farmaceutického průmyslu, analyzuje současnou situaci a navrhuje, jakým způsobem je možné dostupná data využít pro zlepšení práce obchodních zástupců společností v terénu.
Práce je rozdělena do tří části teoretické, praktické a projektové.
V teoretické části jsou vysvětleny základní pojmy týkající se data miningu a CRM, nastoleny aktuálně používané metriky a přístupy k využití těchto dat.
V praktické části je představena společnost, pro kterou je SW vyvíjen, data, kterými disponu-je a současné možnosti dostupné aplikace. Dále je proveden výzkum mezi zástupci společnosti zaměřený na novou verzi analytického SW.
Projektová část je shrnutím celého projektu a může být společností považována za programátorské zadání pro vývojářskou společnost.
Anotace v angličtině
The aim of this thesis is the preparation of sales-analyst SW project in the field of data min-ing. Thesis search for available information in pharmaceutical industry, analyze current situation within company and propose ways in which should the data be used for enhancing work of sales representatives in field.
Thesis itself is divided in three main chapters theoretical, practical and project.
In theory chapter the main keywords such as data mining and CRM are explained, same as the basic metrics and principles of using big data.
In practical chapter the company for which the SW is developer, available data and actual possibilities of application are introduced. Then there is a research between company's em-ployees focused on new version of analytical SW.
Project part of the thesis focuses on resume of whole research, which could be used as assignment for developers.
Klíčová slova
datamining, big data, CRM, databáze, farmaceutický průmysl, Google apps, Google refine, reporting, business inteligence, BI
Klíčová slova v angličtině
Data mining, big data, CRM, database, pharmaceuticals, Google apps, Google refine, reporting, business inteligence, BI
Rozsah průvodní práce
90
Jazyk
CZ
Anotace
Cílem této diplomové práce je příprava projektu obchodně-analytického SW z pohledu data miningu. Práce se zabývá přístupnými daty v prostředí farmaceutického průmyslu, analyzuje současnou situaci a navrhuje, jakým způsobem je možné dostupná data využít pro zlepšení práce obchodních zástupců společností v terénu.
Práce je rozdělena do tří části teoretické, praktické a projektové.
V teoretické části jsou vysvětleny základní pojmy týkající se data miningu a CRM, nastoleny aktuálně používané metriky a přístupy k využití těchto dat.
V praktické části je představena společnost, pro kterou je SW vyvíjen, data, kterými disponu-je a současné možnosti dostupné aplikace. Dále je proveden výzkum mezi zástupci společnosti zaměřený na novou verzi analytického SW.
Projektová část je shrnutím celého projektu a může být společností považována za programátorské zadání pro vývojářskou společnost.
Anotace v angličtině
The aim of this thesis is the preparation of sales-analyst SW project in the field of data min-ing. Thesis search for available information in pharmaceutical industry, analyze current situation within company and propose ways in which should the data be used for enhancing work of sales representatives in field.
Thesis itself is divided in three main chapters theoretical, practical and project.
In theory chapter the main keywords such as data mining and CRM are explained, same as the basic metrics and principles of using big data.
In practical chapter the company for which the SW is developer, available data and actual possibilities of application are introduced. Then there is a research between company's em-ployees focused on new version of analytical SW.
Project part of the thesis focuses on resume of whole research, which could be used as assignment for developers.
Klíčová slova
datamining, big data, CRM, databáze, farmaceutický průmysl, Google apps, Google refine, reporting, business inteligence, BI
Klíčová slova v angličtině
Data mining, big data, CRM, database, pharmaceuticals, Google apps, Google refine, reporting, business inteligence, BI
Zásady pro vypracování
1. V teoretické části definujte data mining v prostředí SME a proveďte rešerši (ne)veřejných zdrojů pro potřeby data miningu v oboru.
2. Stanovte cíle, metody a výzkumné otázky práce.
3. Charakterizujte vybranou společnost a strukturu využívaných dat pro její potřeby.
4. Na základě analýz sekundárních dat zhodnoťte aktuální podobu dostupných dat a navrhněte úpravy jejich struktury pro další využití. Pomocí kvalitativní analýzy zjistěte současná úzká místa využití data miningu v obchodním, marketingovém a personálním oddělení.
5. V rámci projektové části využijte získané informace a data pro přípravu komplexního projektu vytvoření druhé generace analytického softwaru společnosti včetně finanční a personální náročnosti, soustřeďte pozornost i na komunikaci projektu.
6. Formulujte závěry, limity a možnosti realizace projektu, odpovězte výzkumné otázky.
Zásady pro vypracování
1. V teoretické části definujte data mining v prostředí SME a proveďte rešerši (ne)veřejných zdrojů pro potřeby data miningu v oboru.
2. Stanovte cíle, metody a výzkumné otázky práce.
3. Charakterizujte vybranou společnost a strukturu využívaných dat pro její potřeby.
4. Na základě analýz sekundárních dat zhodnoťte aktuální podobu dostupných dat a navrhněte úpravy jejich struktury pro další využití. Pomocí kvalitativní analýzy zjistěte současná úzká místa využití data miningu v obchodním, marketingovém a personálním oddělení.
5. V rámci projektové části využijte získané informace a data pro přípravu komplexního projektu vytvoření druhé generace analytického softwaru společnosti včetně finanční a personální náročnosti, soustřeďte pozornost i na komunikaci projektu.
6. Formulujte závěry, limity a možnosti realizace projektu, odpovězte výzkumné otázky.
Seznam doporučené literatury
Data mining and knowledge discovery handbook. 2nd ed. New York ; Dordrecht : Springer, 2010. xx, 1285. : ISBN 978-0-387-09823-4.
Petr, Pavel,. Data mining /. Vyd. 2. Pardubice : Univerzita Pardubice, 2008-. sv. : ISBN 978-80-7395-098-9.
Novotny, Ota,. Business intelligence : jak vyuzit bohatstvi ve vasich datech /. 1. vyd. Praha : Grada, 2005. 254 s. : ISBN 80-247-1094-3.
Berka, Petr,. Dobyvani znalosti z databazi /. Vydani 1. Praha : Academia, 2003. 366 stran : ISBN 80-200-1062-9.
Nabareseh, Stephen. Predictive analytics: a data mining technique in customer churn management for decision making = Prediktivni analytika: technika data miningu pro rozhodovani s vyuzitim v rizeni odchodu zakazniku : doctoral thesis summary /. Zlin : Tomas Bata University in Zlin, 2017. 40 stran : ISBN 978-80-7454-649-5.
Seznam doporučené literatury
Data mining and knowledge discovery handbook. 2nd ed. New York ; Dordrecht : Springer, 2010. xx, 1285. : ISBN 978-0-387-09823-4.
Petr, Pavel,. Data mining /. Vyd. 2. Pardubice : Univerzita Pardubice, 2008-. sv. : ISBN 978-80-7395-098-9.
Novotny, Ota,. Business intelligence : jak vyuzit bohatstvi ve vasich datech /. 1. vyd. Praha : Grada, 2005. 254 s. : ISBN 80-247-1094-3.
Berka, Petr,. Dobyvani znalosti z databazi /. Vydani 1. Praha : Academia, 2003. 366 stran : ISBN 80-200-1062-9.
Nabareseh, Stephen. Predictive analytics: a data mining technique in customer churn management for decision making = Prediktivni analytika: technika data miningu pro rozhodovani s vyuzitim v rizeni odchodu zakazniku : doctoral thesis summary /. Zlin : Tomas Bata University in Zlin, 2017. 40 stran : ISBN 978-80-7454-649-5.
Přílohy volně vložené
-
Přílohy vázané v práci
-
Převzato z knihovny
Ne
Plný text práce
Přílohy
Posudek(y) oponenta
Hodnocení vedoucího
Záznam průběhu obhajoby
Předseda komise přivítal studenta na státních závěrečných zkouškách.
Student představil zkušební komisi svou diplomovou práci dle předepsané struktury.
Byly přečteny posudky vedoucího a oponenta práce. Student dostal prostor vyjádřit se k připomínkám a zodpovědět na níže položené otázky.
V oponentském posudku byly položeny tyto otázky (dr. Káčerková):
1. Jakým způsobem bylo vedeno a zaznamenáváno kvalitativní šetření s vybranými respondenty?
Odpověď: Student plně odpověděl na položenou otázku.
2. Na jaké úrovni pracuje s daty získanými data miningem dle vašeho názoru konkurence? Myslíte si, že navrhované změny vám přinesou výraznější konkurenční náskok?
Odpověď: Student plně odpověděl na položenou otázku.
3. Jak se získávaná data promítají do marketingové strategie dané společnosti?
Odpověď: Student plně odpověděl na položenou otázku.
4. Do databáze je ukládáno široké spektrum informací. Jakým způsobem se dané společnosti dotkne nařízení GDPR?
Odpověď: Student plně odpověděl na položenou otázku.