VYSOKÁ ŠKOLA MANAŽMENTU V TRENČÍNE ANALÝZA NÁKUPNÉHO KOŠÍKA AKO APLIKÁCIA ASOCIAČNÝCH PRAVIDIEL V KDD Bc. Radovan JAKUŠ

Transcription

1 VYSOKÁ ŠKOLA MANAŽMENTU V TRENČÍNE ANALÝZA NÁKUPNÉHO KOŠÍKA AKO APLIKÁCIA ASOCIAČNÝCH PRAVIDIEL V KDD 2012 Bc. Radovan JAKUŠ

2 VYSOKÁ ŠKOLA MANAŽMENTU V TRENČÍNE ANALÝZA NÁKUPNÉHO KOŠÍKA AKO APLIKÁCIA ASOCIAČNÝCH PRAVIDIEL V KDD Diplomová práca Študijný program: Znalostný manažment Číslo študijného odboru: Študijný odbor: Pracovisko: Vedúci práce: Manažment VŠM, Bratislava Ing.Renata Janošcová, PhD. Bratislava 2012 Bc. Radovan JAKUŠ

3

4 Poďakovanie Rád by som poďakoval tým, ktorí mi akýmkoľvek spôsobom pomohli pri spracovaní práce. Najväčšia vďaka patrí odbornému vedúcemu práce Ing. Renate Janošcovej, PhD. za odborné rady a pripomienky pri vyhotovení diplomovej práce.

5 ABSTRAKT JAKUŠ, Radovan: Analýza nákupného košíka ako aplikácia asociačných pravidiel KDD. [Diplomová práca]. Vysoká škola manažmentu v Trenčíne. Vedúci diplomovej práce: Ing. Renata Janošcová, PhD. Bratislava : Vysoká škola manažmentu, Cieľom práce je exploračný výskum na odhalenie závislostí analýzou nákupného košíka ako aplikáciou asociačných pravidiel získavania znalostí z databáz v lekárni Dr. Max. Práca je rozdelená do dvoch hlavných častí. Prvá časť je upriamená na teoretické poznatky z oblasti marketingu a znalostného manažmentu. Teória marketingu je zameraná na nákupné správanie klientov a rozhodovací proces pri nákupe. Teória znalostného manažmentu je orientovaná na získavanie znalostí z databáz využitím metodiky CRISP- DM. Teória opisuje jednotlivé úlohy získavania znalostí z databáz, asociačné pravidlá a algoritmus apriori. V praktickej časti etnologickým výskumom a skupinovým brainstormingom charakterizujeme faktory ovplyvňujúce nákupné správanie. Pri získavaní znalostí postupujeme podľa manažérskej metodiky CRISP-DM. Pre podporu analýzy používame matematické a deskriptívne štatistické metódy. Konečnú analýzu dát asociačnými pravidlami algoritmom apriori prevedieme prostredníctvom softvérovej podpory WEKA. Získané asociácie vyhodnocujeme po kvantitatívnej a kvalitatívnej stránke. Na základe vyhodnotení a nových znalostí dávame odporúčanie pre využite týchto znalostí v podniku. Kľúčové slová: znalostný manažment, získavanie znalostí z databáz, analýza nákupného košíka, asociačné pravidlá, algoritmus apriori, WEKA

6 ABSTRACT JAKUŠ, Radovan: Market basket analysis as an asociation rules aplication of knowledge discovery in databases. [Thesis]. Vysoká škola manažmentu v Trenčíne. Supervisor: Ing. Renata Janošcová, PhD. Bratislava: Vysoká škola manažmentu, 2012 The aim of the thesis is an exploratory research focused on the revelation of relation the market basket analysis as an association rules application of knowledge discovery in the Dr. Max pharmacy database. The thesis has been divided into two main parts. The first part is targeted at marketing and knowledge management theoretic information. The marketing theory is concentrated on customers buying behavior and decision-making during the purchase. The theory of knowledge management is focused on knowledge discovery in databases using the CRISP-DM methodology. The theory describes particular tasks of knowledge discovery in databases, association rules and apriori algorithm. In the practical part we define the factors that affect the buying behavior by means of ethnological research and group brainstorming. We follow the CRISP-DM methodology during knowledge obtaining. We use mathematical and descriptive statistical methods to support the analysis. We use WEKA software support to finalize data analysis using the association rules and apriori algorithm. We interpret the obtained associations from the quantitative and qualitative point of view. Based on evaluation and the new knowledge we recommend this knowledge usage in the company. Key words: Knowledge Managment, Knowledge Discovery in Databases, Market Basket Analysis, Association Rules, Algorithm apriori, WEKA

7 Obsah Zoznam ilustrácií... 9 Zoznam tabuliek Zoznam skratiek a značiek Úvod Teoretické východiská Základne poznatky z marketingu Náuka o spotrebiteľskom správaní Osobnostné faktory Rozhodovací proces spotrebiteľa Slovenský spotrebiteľ a jeho nákupné správanie Základné poznatky znalostného manažmentu Získavanie poznatkov z dát Úlohy KDD Úloha deskripcia asociačné pravidlá Počítačová podpora KDD LISp Miner TANAGRA WEKA STATISTICA Ďalšie vhodné softvéry Výber softvéru pre projekt Analýza nákupného košíka v spoločnosti Dr. Max O spoločnosti Dr. Max Analýza súčasného stavu v spoločnosti Dr. Max Metodológia a metodika práce Projekt analýzy nákupného košíka... 57

8 3.3.1 Porozumenie problematike Porozumenie dátam Príprava dát Modelovanie Vyhodnotenie výsledkov Využitie výsledkov, prínosy a návrhy Zhrnutie vlastného vkladu Zoznam použitej literatúry Prílohy... 98

9 Zoznam ilustrácií Obrázok 1 Faktory vplývajúce na nákupné správanie spotrebiteľov Obrázok 2 Nákupné rozhodovanie Obrázok 3 Nákupný proces rozhodovania Obrázok 4 Postavanie asociačných pravidiel v znalostnom manažmente Obrázok 5 Schéma systému práce s dátami v databázach Obrázok 6 Manažérsky proces získavania poznatkov z dát Obrázok 7 Proces počítačového získavania poznatkov z dát Obrázok 8 Kroky algoritmu apriori Obrázok 9 Príklad klasifikácie lieku Obrázok 10 Anatomická klasifikácia liekov podľa ATC klasifikácia liekov Obrázok 11 Predvolené šablony číselníkov "Pacienti - rodné čísla" a "Zákaznícke karty" Obrázok 12 Export zoznamu nákupov klienta z WinnLSS do MS Excel Obrázok 13 Importovanie a spojenie dát z MS Excel do MS Access Obrázok 14 Ilustrácia štruktúry dát Obrázok 15 Demografické charakteristiky klientov Obrázok 16 Demografická charakteristika s výskytom najčastejších diagnóz Obrázok 17 Výskyt diagnóz Obrázok 18 Návštevnosť lekárov Obrázok 19 Nákup predpísaných liekov podľa sídla pacientovho lekára Obrázok 20 Obrat v lekárni skúmanej vzorky od jan sep Obrázok 21 Najpredávanejšie produkty za obdobie január september Obrázok 22 Sledovanie diagnóz v časovom období január september Obrázok 23 Paretova analýza predaja závislá na demografických charakteristikách klientov 74 Obrázok 24 Paretova analýza zohľadňujúca výskyt diagnóz na obrat v lekárni Obrázok 25 Paretova analýza predaja produktov podľa obratu Obrázok 26 Paretova analýza predaja podľa počtu predaných kusov Obrázok 28 Nastavenie algoritmu apriori Obrázok 29 Cielený marketing na trhu s najnižším podielom Obrázok 30 Cielený marketing na trhu s najvyšším podielom

10 Zoznam tabuliek Tabuľka 1 Rozdelenie spoločenských tried Tabuľka 2 Fáza životného cyklu rodiny Tabuľka 3 Dimenzie životného štýlu Tabuľka 4 Kontigenčná tabuľka Tabuľka 5 Opis získaných dát Tabuľka 6 Medzinárodná klasifikácia chorôb Tabuľka 7 Neupravené dáta Tabuľka 8 Upravené a doplnené dáta Tabuľka 9 Diskretizácia veku Tabuľka 10 Úprava dát lekárov Tabuľka 11 Úprava dát mesta predpisového lekára Tabuľka 12 Úprava dát ceny liekov Tabuľka 13 Úprava dát názvu produktov Tabuľka 14 Úprava dát diagnóza Tabuľka 15 Diskretizácia dátumu Tabuľka 16 Transformácia dát (pohlavie, vek, ATC-klasifikácia) Tabuľka 17 Transformácia dát v MS Exceli na CVS textový súbor

11 Zoznam skratiek a značiek AIO - Activities Interests Opinions - Aktivity záujmy názory AP - Asociačné pravidlá ATC - Anatomicko-terapeuticko-chemická klasifikácia B35 Dermatofytóza E10 - Diabetes mellitus závislý od inzulínu E11 - Diabetes mellitus nezávislý od inzulínu E78 - Poruchy metabolizmu lipoproteínov a iné lipidémie ERP - Enterprises Resource Planing G40 - Epilepsia - zrádnik G44 - Iné syndrómy bolesti hlavy G Nešpecifikované detské mozgové ochrnutie GNU General Public License I10 - Esenciálna hypertenzia I11 - Hypertenzná choroba srdca I25 - Chronická ischemická choroba srdca I48 - Predsieňová fibrilácia a flater I63 - Mozgový infarkt J02 Akútny zápal hltana J04 - Akútny zápal hrtana a priedušnice J06 - Akútne infekcie horných dýchacích ciest na viacerých a nešpecifikovaných miestach J20 - Akútny zápal priedušiek J30 - Vazomotorická a alergická nádcha 11

12 J31 - Chronický zápal nosa, nosohltana a hltana J44 - Iná zdĺhavá obštrukčná pľúcna choroba J45 - Astma záduch K29 - Gastritída a duodenitída K90 - Črevná malabsorpcia KDD Knowledge Discovery in Databases Získavanie znalostí z databáz L70 Akné M54 - Bolesť chrbta R32 - Nešpecifikovaná inkontinencia moču SQL Standard Query Language WEKA Waikato Environment for Knowledge Analysis 12

13 Úvod V dnešnej dobe množstvo a sila informácií môže byť klúčovým nástrojom v konkurenčnom prostredí. Čím viac informácií máme a spolu s tým aj informačných technológií tým viac je potreba vedieť spracovávať informácie. Spracovávaním informácií sa zaoberá aj znalostný manažment. Podniky, ktoré spoznali silu informácií sa naučili podporovať rozvoj znalostných systémov pre získanie znalostí z dát. Medzi veľké známe firmy na Slovensku, ktoré štandardne skúmajú dáta, alebo sa snažia vytvoriť prostredie pre skúmanie dát sú: Tesco stores, OMV, Shell, Agip, Dr. Max. V našej práci budeme spolupracovať s lekárňou Dr. Max v Prievidzi, v ktorej prevedieme analýzu nákupného košíka ako aplikáciu asociačných pravidiel KDD. Cieľom diplomovej práce je nájsť nové znalosti o nákupnom správaní klientov lekárne Dr. Max v Prievidzi. Analýza dát bude spočívať zo simulovaných údajov, ktoré by mali čo najdôveryhodnejšie odrážať skutočné nákupné správanie klientov v danej lokalite. Získané nové znalosti z tejto analýzy poslúžia pre podnikové rozhodovanie buď v oblasti marketingu na podporu predaja, alebo znalostnom manažmente. Čiastkovými cieľmi práce sú: Etnologický výskum zameraný na slovenského spotrebiteľa Pozorovanie prostredie podniku, komunikácia s expertom aplikačnej oblasti Zber údajov a štatistické vyhodnotenie údajov Identifikácia alternatívnej softvérovej podpory na riešenie počítačového získania poznatkov z dát Aplikácia softvérovej podpory pre vytvorené modely skúmania Využitie výsledkov, prínosy a návrhy na zlepšienie V teoretickej časti práce sa budeme snažiť zamerať pozornosť na nákupné správanie klienta z marketingového pohľadu. Ďalej sa budeme zaoberať teoretickým aplikovaním metód KDD pri získavaní znalostí z databáz. Zoznámime sa s úlohami KDD, asociačnými pravidlami, algoritmom apriori, analýzou nákupného košíka a metodikou CRISP-DM. V praktickej časti práce na základe etnologického výskumu analyzujeme najprv slovenského spotrebiteľa a jeho vzťah ku nákupom lekárskeho tovaru. Po analýze slovenského spotrebiteľa, sa bližšie pozrieme na Dr. Max v Prievidzi, na ciele a vízie 13

14 spoločnosti a celkovú analýzu podniku, ktorá ma vplyv na nákupné správanie spotrebiteľa. Po pozorovaniach začneme aktívne zberať relevantné údaje vhodné pre analýzu nákupného košíka. Získané údaje spracujeme a pripravíme pre modelovanie, po ktorom nasleduje samotné počítačové získavanie znalostí. Pre počítačové získavanie znalostí použijeme WEKA software. Výstupy vyhodnotíme a odporučíme riešenia pre podnik Dr. Max. Po celom procese, by sme mali získať nie len nové poznatky, ale si aj osvojiť prácu s nástrojmi znalostného manažmentu. Mali by sme sa lepšie orientovať v metódach znalostného manažmentu a jednotlivých teoretických a praktických rovinách. 14

15 1 Teoretické východiská Teoretické východiská práce vychádzajú z dvoch hlavných oblastí. Prvá oblasť sa zaoberá marketingovými štúdiami a druhá oblasť štúdiami o znalostnom manažmente. Obidve štúdiá sú v reálnom podniku prepojené a vzájomne podporované. Ak si podnik viac uvedomuje použitie znalostného manažmentu a využíva ho pre podporu marketingu, alebo opačne, tým efektívnejšie vie využiť nástroje jednotlivých oblastí na trhu. V práci analyzujeme nákupný košík v lekárni asociačnými pravidlami. Preto oblasť marketingu rozpisujeme od širšieho významu marketingu, ktorá pojednáva o základných definíciách marketingu. Až k užšiemu významu marketingu, ktorý sa zaoberá nákupným správaním spotrebiteľa a využitím marketingu vo farmácii. Oblasť znalostného manažmentu opisuje základné pojmy a definície znalostného manažmentu. Hlbšie sa zaujíma nástrojmi znalostného manažmentu medzi, ktoré patrí aj získavanie poznatkov z dát, jednotlivé techniky a úlohy získavania poznatkov z dát a použitie získaných znalostí z dát v marketingu. Teória marketingu v širšom slova zmysle poskytuje komplexný pohľad na základné marketingové činnosti. Definuje základné pojmy marketingu, ako sú zákazníci z marketingového pohľadu, potreby a želania zákazníkov, marketingové ciele a plány. Do vybranej literatúry sme zaradili Philipa Kotlera profesora medzinárodného marketingu na Nortwestern Universtiy, ktorý je svetovo uznávanou autoritou v oblasti marketingu a marketingového riadenia. Je autorom kníh a článkov uverejnených v prestížnych ekonomických časopisoch a stále pôsobí ako konzultant v nadnárodných spoločnostiach. Kniha Marketing od A do Z, ponúka prehľadné zhrnutie najdôležitejších marketingových pojmov a koncepcií. Poukazuje na dynamicky sa meniace tržné prostredie a nutnosť prispôsobiť týmto zmenám aj marketing. Zo slovenských publikácií sme vybrali Vieru Cibákovú, ktorá je rektorkou Vysokej školy ekonómie a manažmentu verejnej správy v Bratislave a napísala niekoľko publikácií z oblasti marketingu. Spolu s Gabrielou Bartákavou vo svojej publikácií píšu o marketingu v narastajúcom konkurenčnom prostredí, v rozvíjajúcom sa prostredí informačných technológií a rastúcich požiadaviek zákazníkov. Vybraná literatúra sa navzájom potvrdzuje a dopĺňa: BAKER, J. M Marketing strategy and management. 4. Vyd. Baskingstoke, Hampshire, New York : Palgrave Macmillan, s. ISBN

16 CIBÁKOVÁ, V. BARTÁKOVÁ, G Základy marketingu. 1. Vyd. Bratislava : Iura Edition, s. ISBN KOTLER, P Marketing od A do Z. 1. Vyd. Praha : Managment Press, s. ISBN KRETTER, A. et al Marketing. Nitra : Slovenská poľnohospodárska univerzita v Nitre s., ISBN V užšom slova zmysle sa v práci orientujeme na problematiku nákupného správania spotrebiteľov. Predchádzajúci zoznam literatúry nahliada aj do tejto problematiky, ale len okrajovo. Nasledujúca literatúra do hĺbky opisuje spotrebiteľské správanie, výskumy spotrebiteľského správania a cielený marketing: HIGHMAN, W Trendológia : ako rozpoznať a predpovedať budúce trendy v správaní zákazníkov. 1. Vyd. Bratislava : Eastone Books, s. ISBN LINDSTROM, M Nákup. Ologie : pravda a lži o tom proč nakupuje. 1. Vyd. Brno : Computer Press, 230s. ISBN MILLER, G Spent : sex, evolution and consumer behavior. 1. Vyd. New York : Viking, s. ISBN SCHIFFMAN, G. L. KANUK, L. L. [preklad JUNGMANMN, V.] Nákupní chování. 1. Vyd. Brno : Computer Press s. ISBN SCHIFFMAN, G. L. KANUK, L. L Consumer behavior. 9. Vyd. Upper Saddle River, N.J. : Prentice Hall s. ISBN Ďalej sa v užšom význame marketingu zameriavame na odvetvie farmácie, pretože analyzujeme nákupný košík spotrebiteľov v lekárni. Marketing vo farmácii má užšie vymedzené používanie marketingových nástrojov. Je striktnejší, pretože podnikanie v oblasti farmácie podlieha prísnejším zákonom a reguláciám na predchádzanie verejného ohrozenia. Množstvo marketingových publikácií z oboru farmácie pochádza hlavne zo zámoria. Peter Balog a Karel Metyš vydali na českom trhu prvú publikáciu, ktorá sa snaží zachytiť a popísať nástroje marketingového mixu so zameraním na domáci farmaceutický 16

17 trh. Táto publikácia je obľúbená aj na Slovenskom trhu vzhľadom na podobnosť Slovenského a Českého trhu. Prehľad marketingovej literatúry z odvetvia farmácie: BALOG, P. METYŠ, K Marketing ve farmacii. 1. Vyd. Praha : Grada Publishing a. s s. ISBN COOPER, P. D. ROBINSON, L. M Health care marketing managment : a case approach]. 1. Vyd. Rockville, Md. : Aspen Systems Corp s. ISBN CHRIHOLM-BIRNS, M. A Pharmacy Managment, Leadership, Marketing and Finance. USA : Jones & Barlett Learning s. ISBN Druhá teoretická oblasť práce sa zameriava na znalostný manažment. Úvod do znalostného manažmentu, ktorý definuje základné pojmy akými sú znalostná ekonomika, znalostná spoločnosť, znalostný manažment a manažment znalostí. Čitateľovi dáva náhľad na použitie teoretických východísk zo znalostného manažmentu v praxi. Perlou z vybranej literatúry sú slovenské publikácie od Jozefa Kelemena profesora na Sliezskej univerzite v Opave a na Vysokej škole manažmentu, ktorý sa venuje problematike umelej inteligencie a znalostnej spoločnosti. Je autorom širokého spektra vedeckých článkov a knižných publikácií a pôsobil ako hosťujúci vedecký pracovník v laboratóriu umelej inteligencie na Massachusetts Institute of Technology v americkom Cambridgei. Podieľal sa na vývoji softvéru LISpMiner pre data mining metódou GUHA. V literatúra sa dotýka problematiky znalostnej spoločnosti a získavania poznatkov z databáz, použitie metodiky CRISP-DM. Literatúra nekončí len získaním znalostí, ale snaží sa vidieť využitie týchto znalostí u expertných systémov. Výber teoretických východísk znalostného manažmentu: BARTÁK, J Od znalostí k inovacím. 1. Vyd. Praha : Alfa s. ISBN BISCHOFF, J Data warehouse: practical advice from the experts USA, New Jersey : Prentice-Hall, s ISBN KATUŠČÁKOVÁ, M Manažment znalostí : sociálne aspekty. 1. Vyd. Žilina : Žilinská univerzita v Žiline s. ISBN KELEMEN, J. et al Kapitoly o znalostnej spoločnost. 1. Vyd. Bratislava : Iura Edition s. ISBN

18 KELEMEN, J et al Pozvanie do znalostnej spoločnosti. 1. Vyd. Bratislava : Iura Edition s. ISBN KOKAVCOVÁ, D. Nová paradigma znalostného manažmentu. 1. Vyd. Bratislava : Iura Edition s. ISBN PETŘÍKOVÁ, R Moderní management znalostí. 1. Vyd. Praha : Professional Publishing s. ISBN TRUNEČEK, J Management znalostí. 1. Vyd. Praha : C. H. Beck, s. ISBN Znalostnému manažmentu prislúcha práca so znalosťami. Pre získavanie znalostí sa používajú nástroje znalostného manažmentu. Literatúra definuje KDD. Charakterizuje úlohy KDD akými sú klasifikácia, predikcia, deskripcia a iné. Zmieňuje sa o jednotlivých technikách data miningu, ktoré sa používajú pri jednotlivých úlohách KDD, ako aj o konkrétnej technike asociačných pravidiel používanej pre analýzu nákupného košíka. Podrobnou odbornou publikáciou je literatúra od profesora Ekonomickej Univerzity Petra Berku, ktorá detailne opisuje technologický, ale aj manažérsky proces CRISP-DM získavania znalostí z databáz s ohľadom na jednotlivé úlohy KDD a techniky data miningu. Veľmi vhodnou publikáciou k našej práci je literatúra od Petra Berku, Jana Raucha a Djamel Abdelkader Zigheda zaoberajúca využitím data miningových nástrojov a techník v medicínskom výskume. Zoznam publikácií pojednávajúcich o získavaní poznatkov z databáz: BERKA, P Dobývaní znalostí z databázi. Praha : Academia ISBN BERKA, P. RAUCH, J. ZIGHED, D Data Mining and Medical Knowledge Managment: Cases and Applications. IGI Global BIELIKOVÁ, M. et al Štúdie vybraných tém softvérového inžinierstva (2). [online]1. Vyd. Bratislava : STU. 236 s. Dostupné na internete: < 18

19 BURDA, M Získavaní znalostí z databází Asociační pravidla. [online]. Ostrava : VŠB Technická univerzita Ostrava s. Dostupné na internete: < CIOS, K. et al Data Mining A Knowledge Discovery Approach. New York : Springer. HALAŠ, M. -. Analýza vybraných metód a algoritmov dolovania v dátach. [online]. Dostupné na internete: < LINOFF, G. S. BERRY, M. J Data mining techniques. 3. Vyd. USA, Indiana : Wiley Publishing, s. ISBN MARDIAK, M Datamining, princípy a metódy. [online]. Dostupné na internete:< fid=163&type=application%2fpdf>. PACÁKOVÁ, V. et al Štatistické metódy pre ekonómov. 1. Vyd. Bratislava : Iura Edition s. ISBN PARALIČ, J. -. Asociačné pravidlá. [online]. [cit ]. Dostupné na internete:< < POŽÁR, J Manažérska informatika. Praha : Aleš Čeňek s. ISBN SUMATHI, S. SIVANANDAM, S Applications New York: Springer. Introduction to Data Mining and its POPELÍNSKY, L. KRÁTKY, M Analýza a interpretace asociacních pravidel. In Znalosti 2005, sborník posteru, Ostrava : VŠB Technická univerzita Ostrava, s POPELÍNSKY, L. KRÁTKY, M Dolováni ordinálních asociačných pravidel. In Znalosti 2005, sborník příspevku 4. ročníku konference, Ostrava : VŠB Technická univerzita Ostrava, ISBN , s

20 POPELÍNSKY, L. KRÁTKY, M Klasifikácia dokumentov pomocou Baysesových sietí. In Znalosti 2005, sborník posteru, Ostrava : VŠB Technická univerzita Ostrava, s Predposledným rešeršom literatúry je využitie znalostného manažmentu a konkrétneho získavania poznatkov z databáz v marketingu. Literatúra inštruuje, ako používať dáta a data minig pre účinnejšie marketingové rozhodnutia. Poukazuje na vyhliadky používania data miningu a jeho výhody pre podnik: CURRY, D. J The new marketing research systems : How to use strategic database information for better marketing decision. 1. Vyd. New York : Wileey & Sons, Inc, s. ISBN ČIMO, J Inovácie marketingových čínností. 1. Vyd. Bratislava : Ekonóm, s. ISBN HAGUE, P. [preklad JUNGMANN, V.] Pruzkum trhu : příprava, výběr vhodných metod, provední, interpretace získaných údajú.. 1. Vyd. Praha : Computer Press, s. ISBN JIRÁSEK, A. J Management budoucnosti. 1. Vyd. Praha : Proffesional Publishing a. ISBN KOTLER, P Moderní marketing. 4. Európske vydanie. 1. Vyd. Praha : Grada s. ISBN KOZEL, R Moderní marketingový výzkum : nové trendy, kvantitatívní a kvalitatívni metody a techniy, prubeh a organizace, aplikace v praxi, přínosy a možnosti. 1. Vyd Praha : Grada, s. ISBN X. MIKLOŠÍK, A Informačné systémy marketingu. 1. Vyd. Bratislava : Vydavateľstvo EKONÓM, s. ISBN Posledný súpis je zameraný na získavanie poznatkov z dát použitím softvérovej podpory. Sú rozličné softvéry od komplexnejších, ktoré riešia radu data miningových úloh až po moduly, ktoré sa zameriavajú na konkrétne data miningové techniky. Pre získavanie poznatkov z dát je potrebná znalosť s prácou s daným softvérom. Pri komerčných produktoch spoločnosť poskytuje návod na používanie softvérovej podpory. V našej práci 20

21 budeme používať asociačné pravidlá v softvérovom prostredí WEKA, ktoré patrí medzi freeware. Nasledujúce inštruktážne videá poskytujú návod na použitie softvéru WEKA a aplikáciu asociačných pravidiel: NEZNÁMY AUTOR Association rules. Dostupné na:< WEINBERG, B WEKA Data mining tutorial for First Time or Begginner Users Dostupné na:< WALLANCE, S Using Data Mining for Market Basket Analysis. Dostupné na:< QUITERIAN DDWeb Association Rules and Market Basket Analysis. Dostupné na:< Základne poznatky z marketingu Marketing patrí medzi najrozšírenejší účinný prístup dnešných firiem v konkurenčnom prostredí na dosahovanie cieľov podniku. Dôvod prečo tomu tak je, je že finančný úspech firmy často závisí od marketingových schopností. Bez dopytu po službách a výrobkoch ostatné oddelenia v podniku strácajú svoju funkciu. Marketing sa využíva vo všetkých typoch organizácií rôznymi spôsobmi. Podľa V. Bartákovej - G. Cibákovej (2007) veľké firmy používajú vo veľkej miere štandardný formalizovaný marketing, zatiaľ čo malé firmy používajú menej formálny a usporiadaný marketing, tzv.: podnikateľský marketing. Čím firma rastie tým rastie úroveň formálneho marketingu a znižuje sa úroveň podnikateľského marketingu, ktorý podnecuje k novým nápadom a myšlienkam. Podľa P. Kotlera et al, (2007, s. 39) môžeme marketing definovať ako spoločenský a manažérsky proces, prostredníctvom, ktorého uspokojujú jednotlivci a skupiny svoje potreby a priania v procese výroby a zmeny produktov a hodnôt. Ďalej P. Kotler (2007) uvádza, že oproti iným prístupom, či metódam by mal čo najlepšie umožniť identifikáciu a rozvíjanie potrieb a požiadaviek zákazníka. Na základe identifikácie potrieb, želaní a požiadaviek zákazníka, by mal marketing vytvoriť produkt a služby, ktoré uspokoja potreby klientov. J. Kita et al, (2010) taktiež identifikuje marketing ako systém myslenia vychádzajúci z vnímania spotrebiteľa a lepšieho reagovania na jeho potreby. 21

22 Kultúrne Spoločens ké Os obné Ps ychologické Kupujúci VŠM, Bratislava Marketing je jeden z prístupov, ktorý do značnej miery nie len skúma, identifikuje, ale aj ovplyvňuje spotrebiteľské správanie. Aby mohol marketing ovplyvňovať správanie musí mu najprv porozumieť. Porozumenie získava prieskumom trhu, na základe ktorého vytvára podnik marketingový plán. (Kotler, 2007) Na uskutočnenie marketingového plánu a marketingových cieľov podnik používa marketingové nástroje nazývané aj marketingový mix. Marketingový mix je súbor pravidiel, ktoré firmy používajú k úprave ponuky podľa cieľových trhov. (Kita, et al, 2010). Správanie cieľového trhu bližšie skúma náuka o spotrebiteľskom správaní Náuka o spotrebiteľskom správaní Pri prehľade literatúry sme zistili, že autori majú rozdielnu klasifikáciu pre faktory ovplyvňujúce spotrebiteľské správanie. Najviac sa približuje členenie J. Kita et al, a P. Kotlera. J. Kita et al, (2010) vníma pochopenie nákupného spotrebiteľského správania za jednu z kľúčových znalostí úspešného marketingového riadenia podnikov. P. Kotler (2007) selektuje nákupné správanie podľa vplyvu kultúrnych, spoločenských, osobných a psychologických faktorov (pozri Obrázok 1). Obchodníci nie vždy dokážu riadiť faktory ovplyvňujúce nákupné správanie. V takom prípade sa daným faktorom prispôsobujú. Obrázok 1 Faktory vplývajúce na nákupné správanie spotrebiteľov Kultúra Referenčné skupiny Vek a fáza života Motivácia Zamestnanie Vnímanie Subkultúra Rodina Ekonomická situácia Životný štýl Učenie Presvedčenie a postoje Spoločenská trieda Rola a spoločenský status Osobnosť a vnímanie seba samého Zdroj: Kotler,

23 Kultúrne faktory Kultúrne faktory sú prevažne získané vzorce správania od vývoja dieťaťa, ktoré si človek prebral ako súbor hodnôt, postojov, prianí a chovaní od rodiny a ďalších dôležitých inštitúcií. Subkultúra predstavuje skupinu uznávajúcu a zdieľajúcu rovnaké hodnotové systémy, ktoré vznikli na základe spoločných životných skúseností a situácií. P. Kotler (2007) zaraďuje pod subkultúru náboženské, etnické skupiny, národnostné skupiny, alebo geografické regióny. J. Kita et al, (2010, s. 94) opisuje spoločenskú triedu ako relatívne stálu a usporiadanú časť spoločnosti, ktorá je charakterizovaná istými rovnakými ekonomickými možnosťami, rovnakým vzťahom k materiálnym hodnotám, záujmami a formami správania. P. Kotler (2007) vo svojej práci uvádza klasifikovanie spoločenských tried, podľa britského štatistického úradu (pozri Tabuľka 1). Tabuľka 1 Rozdelenie spoločenských tried Klasifikácia Zaradenie 1 Vyšší manažéri a odborná profesia 1.1 Zamestnávatelia a manažéri veľkých firiem (senior zamestnanci súkromných firiem a verejného sektoru) 1.2 Odborné profesie na vyšších pozíciách (partneri v právnických firmách atď.) 2 Nižšie manažérske a odborné profesie (stredný manažment a profesionálne kvalifikované osoby) 3 Zamestnanie na strednej úrovni (sekretárka, policajti atď.) 4 Drobní zamestnávatelia a nezávislí obchodníci 5 Nižší vedúci postavení, výrobní a podobné zamestnania (vyškolení manuálni pracovníci) 6 Polorutinné zamestnania (predavači atď.) 7 Rutinné zamestnanie (čiastočné školenie, alebo neškolenie manuálnych pracovníkov) Zdroj: Kotler, 2007 Spoločenské faktory Referenčné skupiny sú skupiny, ktoré fungujú ako priame, alebo nepriame zrovnávacie body pri vytváraní ľudských postojov a chovaní. Často sú ľudia ovplyvňovaní referenčnými skupinami do ktorých nepatria. (Kotler, 2007 s. 314) K referenčnej skupine, môžeme spomenúť aspiračnú skupinu, ktorá predstavuje skupinu, do ktorej chce jedinec patriť. S touto skupinou sa daný jedinec identifikuje (Kotler, 2007). J. Kita et al, (2010) aspiračné skupiny vníma ako referenčné skupiny, do ktorých by chcel jednotlivec patriť. Ďalej delí referenčné skupiny na primárne a sekundárne skupiny. Primárne skupiny predstavujú zoskupenie menšieho počtu ľudí v skupine ako je rodina, pracovné, alebo 23

24 priateľské prostredie. Sekundárne skupiny zobrazujú skupiny s väčším počtom ľudí ako sú povolania, vzdelanie a iné. Rodina ma značný vplyv na nákupné chovanie jednotlivca. Rodinná orientácia relatívne najdlhodobejšie formuje spoločenské názory a postoje jedinca, ku ktorým je vedený a vychovávaný. (Kita, et al, 2010) Táto orientácia ovplyvňuje človeka aj po tom, keď už s rodinou nežije. Rodinná prokreácia je ovplyvňovanie členov rodiny partnerom, či deťmi kupujúceho. Pri rozhodovaní môžu hrať rodinný príslušníci viacej rolí: Iniciátor: ten kto prvý buď priamo, alebo nepriamo navrhne kúpu daného produktu; Ovplyvňovateľ: osoba, ktorá vie značne ovplyvniť názor kupujúceho, svojimi znalosťami a skúsenosťami; Rozhodovateľ: osoba, ktorá vykoná definitívne rozhodnutie o nákupe; Nákupca: osoba, ktorá vykoná nákup na základe rozhodnutia o nákupe; Užívateľ: osoby, alebo aj ostatné osoby, ktoré budú môcť daný produkt používať (Kotler, 2007). Rola určuje vykonávanie činnosti, ktorá sa od osoby očakáva jej okolím. Status je obecná uznávaná spoločenská úcta vychádzajúca z danej roly osoby (Kotler, 2007). Každý sa v živote stretne s viacerými rolami. Napríklad v rodine zastávame rolu dieťaťa, alebo rodiča, v práci zamestnanca, alebo nadriadeného, v súkromí priateľa. J. Kita et al, (2010, s ) ďalej dopĺňa, že osobitnosťou roly je, že sa vyvíja v čase. To vyjadruje, že rola je relatívny a nestály faktor, avšak ovplyvňujúci nákupné správanie v danej dobe. Osobnostné faktory Osobnostné faktory profilujú jedinca na základe demografických prvkov, až po vnímanie seba samého a jeho životného štýlu. Podľa P. Kotlera (2007) vek a fáza života určuje preferencie a vkus pri nákupe produktov (pozri Tabuľka 2). V priebehu života sa hodnotové rebríčky jednotlivých ľudí menia a vyvíjajú, čo ovplyvňuje rozhodujúci výber nákupu. Ďalej J. Kita et al, (2010) vraví, že povolanie určuje aký typ produktov jednotlivé skupiny zamestnancov budú preferovať pri nákupe. Zamestnanci predaja budú uprednostňovať reprezentatívne oblečenie, zatiaľ čo technický pracovníci budú požadovať bezpečnostné oblečenie. V tejto oblasti výber záleží od podnikateľskej sféry, v ktorej pracujú, nie od príjmu danej zamestnaneckej skupiny. Povolanie ignoruje príjem daného 24

25 zamestnanca. Ekonomický faktor zasa dáva dôraz na príjem a jedinec sa pri nákupe rozhoduje podľa kúpyschopnosti. Tabuľka 2 Fáza životného cyklu rodiny Mladosť Stredný vek Starší vek Slobodní Slobodní Staršie páry Manželské páry bez detí Manželské páry bez detí Starší slobodní ľudia Manželské páry s deťmi Manželské páry s deťmi Kojenci Malé deti Malé deti Dospievajúce deti Dospievajúce deti Manželské páry bez nezaopatrených detí Rozvedení s deťmi Rozvedení bez detí Rozvedení s deťmi Malé deti Dospievajúce deti Rozvedení bez nezaopatrených detí Zdroj: Kotler, 2007 Životný štýl je spôsob života jednotlivca, ktorý je vyjadrovaný jeho aktivitami, záujmami a názormi. Životný štýl neodráža len spoločenskú triedu a osobnosť človeka. Životný štýl zobrazuje celý vzorec správania a vzájomného pôsobenia na okolie. Na identifikáciu merania životného štýlu sa používa psychografika. P. Kotler (2007) opisuje skúmanie psychografiky cez dimenzie životného šýlu (pozri Tabuľka 3) známe pod skratkou AIO. Skúmanie životného štýlu vytvára vhodný nástroj na predikciu nákupov spotrebiteľa (Kita, et al, 2010). Životný štýl vzniká aj preberaním aspiračnej skupiny vplyvom médií, rodiny, alebo vychádza z osobnostných charakteristík. 25

26 Tabuľka 3 Dimenzie životného štýlu Mladosť Stredný vek Starší vek Slobodní Slobodní Staršie páry Manželské páry bez detí Manželské páry bez detí Starší slobodní ľudia Manželské páry s deťmi Manželské páry s deťmi Kojenci Malé deti Malé deti Dospievajúce deti Dospievajúce deti Manželské páry bez nezaopatrených detí Rozvedení s deťmi Rozvedení bez detí Rozvedení s deťmi Malé deti Dospievajúce deti Rozvedení bez nezaopatrených detí Zdroj: Kotler, 2007 Osobnosť predstavuje jedinečné psychologické charakteristiky ktoré vedú k relatívne konzistentným a trvalým reakciám na okolie. Podľa P. Kotlera (2007) osobnosť obvykle popisujeme pomocou termínov: sebavedomý, spoločenský, autonómny, nepriebojný, prispôsobivý a agresívny. Rozlišujúce psychologické charakteristiky osobnosti, vedú k relatívne konzistentným a trvalým reakciám na vonkajšie prostredie. J. Kita et al, (2010) ako ďalší aspekt osobného faktoru považuje sebavedomie. Ako jednotlivec vníma seba samého po fyzickej, ale aj psychickej stránke. Sebavedomie je založené na sebahodnotení resp. na základe celého vnútorného obrazu, ktorý osebe človek má. Tento obraz seba samého sa môže odlišovať od toho ako vníma osobu okolie. Kupujúci sa pri výbere rozhoduje, či bude nakupovať podľa toho ako vníma seba samého, alebo ako by chcel byť vnímaný sebou samým. Rozhoduje sa podľa toho akým by si prial byť, alebo podľa toho ako si myslí, že ho ostatní vnímajú. Psychologické faktory Z psychologického hľadiska vplyv na nákupné správanie majú vnútorné potreby, motivácia, vnímanie, učenie sa, presvedčenie a postoje jednotlivca. Tieto jednotlivé charakteristiky sa navzájom ovplyvňujú a dopĺňajú. Motivácia vzniká z potreby, kedy daná potreba dosiahne určitej hladiny intenzity. Hladina intenzity núti jednotlivca k jej uspokojeniu (Kotler, 2007). Vnímame svet prostredníctvom zmyslov a informácie, ktoré získavame od okolitého sveta. Vnímanie je spôsob, akým dvaja ľudia rozdielne vnímajú 26

27 rovnakú situáciu. (Kita, et al, 2010). Učenie môžeme interpretovať ako zmeny chovania jednotlivca spôsobené na základe danej skúsenosti. Presvedčenie je daná už vytvorená mienka jednotlivca o určitej skutočnosti. Postoj môže byť pozitívne, alebo negatívne hodnotenie, pocity a tendencie voči určitému predmetu, alebo myšlienke. (Kotler, 2007) Napríklad pri negatívnom postoji sa rozhodne pre výber iného produktu, zatiaľ čo pri pozitívnom sa bude snažiť nákup opakovať. Pri analýze nákupného správanie je dôležité analyzovať faktory jednotlivých kultúr, ich spoločenské vzťahy, osobné charakteristiky a nakoniec psychologické faktory na základe čoho vzniká konečný rozhodovací proces spotrebiteľa Rozhodovací proces spotrebiteľa Nákupné rozhodovanie sa odlišuje od druhu výrobku, ktorý plánuje jednotlivec kúpiť. P. Kotler (2007) rozdeľuje nákupné rozhodovanie na štyri oblasti, určujúce na základe angažovanosti ku kúpe, alebo rozdielnosti medzi výrobkami (pozri Obrázok 2). Komplexné nákupné chovanie spotrebiteľa sa prejavuje, keď má veľký záujem o kúpu daného výrobku. Vtedy je preňho výber kúpy a ceny dôležitý, pretože daný produkt nepatrí medzi výrobky dennej spotreby. Klient sa stáva vysoko angažovaný pre kúpu. Jeho rozhodnutie vzniká na základe porovnávania jednotlivých značiek medzi sebou a zisťovaním si konkrétnych špecifických informácií o podobných produktoch. Nákupné chovanie znižujúce nesúlad vedie angažovaného spotrebiteľa ku kúpe, avšak nemá dostatočný prehľad o rozdieloch medzi značkami. Vyberá si ponuku, ktorá mu je prezentovaná ako lepšia, čo môže viesť s odstupom času k nespokojnosti s výberom a dochádza ku sklamaniu. Do bežného nákupného chovania patrí tovar dennej spotreby. Pri tovare dennej spotreby zákazníkovi nezáleží príliš na značke, alebo cene výrobku. Hľadanie rôznorodostí spotrebiteľ vykonáva vtedy, keď nakupuje tovar dennej spotreby, ale vyberá si značky, ktoré vníma ako značky, ktoré lepšie uspokoja jeho potreby. Jednoduchšie opísanie nákupného správania používa J. Kita et al, (2010), a to nákupné správanie bežného nákupu a impulzívneho nákupu. Pri bežnom nákupe bežný spotrebiteľ príliš neselektuje informácie a nákup je opakovaný. Pri impulzívnom nákupe, sa spotrebiteľ riadi emóciami a necháva sa strhávať nerozmysleným a neplánovaným nákupom. 27

28 Obrázok 2 Nákupné rozhodovanie Vysoká angažovanosť Nízka angažovanosť Výrazné rozdiely značkami medzi Komplexné nákupné chovanie Hľadanie rôznorodostí Malé rozdiely medzi značkami Nákupné chovanie znižujúce nesúlad Bežné nákupné chovanie Zdroj: Kotler, 2007 K nákupnému rozhodovaniu patrí aj nákupný proces rozhodovania. Rozdiel medzi nákupným rozhodovaním a nákupným procesom je v zaradení do nákupného procesu aj časovú následnosť jednotlivých činností spotrebiteľa pred nákupným rozhodnutím (pozri Obrázok 3). Obrázok 3 Nákupný proces rozhodovania Hodnotenie alternatív Nákupný zámer Postoje ostatných Neočakávané situačné faktory Nákupné rozhodnutie Zdroj: Kotler,

29 Vybrané teoretické východiská z marketingu, by nám mali objasniť správania spotrebiteľa v nákupnom prostredí. Prečo jeden spotrebiteľ nakupuje bežný typ tovaru a iný spotrebiteľ uprednostňuje exkluzívny tovar. Akým spôsobom môžeme ovplyvniť spotrebiteľovo správanie a čo vplýva na jeho konečné rozhodnutie. A ako sa rozhodnutie spotrebiteľa prejaví nakoniec v nákupnom košíku. 1.2 Slovenský spotrebiteľ a jeho nákupné správanie Vo farmácii môžeme vnímať spotrebiteľa, ako klienta, alebo pacienta. Spotrebiteľ ako pacient trpí zdravotnými problémami, ktoré diagnostikuje lekár. Zdravotné problémy obmedzujú pacientovu životaschopnosť. Odstránenie zdravotných problémov, alebo zmiernenie určuje lekár na základe stanovenej diagnózy. Väčšinou ku zlepšeniu zdravotného stavu dochádza užívaním liekov. V tomto prípade byť zdravý je primárna potreba pacienta. Sekundárna potreba je nežiaduci stav odstrániť, alebo zmierniť, k čomu dochádza užívaním liekov. Pacientovo nákupné rozhodovanie závisí od predpisu lekára. Spotrebiteľ ako klient je zákazník, ktorý nakupuje voľno predajné produkty, bez toho že by navštívil lekára a bez diagnostikovaného zdravotného problému. Sekundárna potreba klienta môže byť prevencia, zmiernenie príznakov choroby, zmiernenie príznakov staroby a iné. Z toho znovu vyplýva primárna potreba byť zdravý a mladý. Tieto potreby majú ešte svoje hlbšie motívy, ako potreba pocitu bezpečia a lásky a iné, ktoré nebudeme hlbšie analyzovať v práci. Jeden z nových trendov marketingu lekárni a nákupného správania klienta je nákup voľno predajných produktov pre svojich blízkych za účelom obdarovania, čiže ako nákup darčeku. Konečné nákupne rozhodovanie klienta vychádza z jeho vlastnej vôle. Z teoretických východísk vieme, že na nákupné správanie spotrebiteľa vplývajú kultúrne, spoločenské, osobné a psychologické faktory. Pre porozumenie nákupného správania slovenského spotrebiteľa budeme vychádzať zo spomenutých teoretických faktorov. Skupinovým brainmstormingom a diskusiou v skupine špecifikujeme jednotlivé faktory u slovenského spotrebiteľa. Kultúrne faktory v sebe zahŕňajú kultúru, subkultúru a spoločenskú triedu. Slovenskú kultúru zaraďujeme medzi konzervatívnejšiu. Slováci všeobecne majú menšiu tendenciu prijímať nové modely správania. Utkvievajú sa viac ku zabehnutým arche typom správania. Majoritne majú tendenciu ku skepticizmu a nedôverčivosti voči veľkým inštitúciám. Pri ovplyvňovaní sa inou kultúrou uprednostňujú kultúry západných krajín, 29

30 ktoré aj lepšie akceptujú a tolerujú. Slovenská kultúra netrpí komplexom veľkých štátov a pri konflikte sa menej dovoláva svojich práv. Subkultúru na Slovensku môžeme rozdeľovať na národnostné menšiny, z ktorých najväčšie zastúpenie majú rómske a maďarské menšiny. Z náboženského hľadiska prevláda katolícka cirkev a narastajúca neformálna skupina ekumenizmu. Menšiny nemajú značný vplyv pri rozhodovaní o kúpe liekov, väčší vplyv, ale v dnešnej dobe má náboženstvo, z ktorého sa pretláčajú myšlienky o liečbe tela cez vieru v boha. Z dávnej histórie majú Slovania pohanské zvyky, a vzťah k bylinkárstvu a alternatívnej medicíne. Zdravotnícka starostlivosť na Slovensku bola a podľa ústavy SR je bezplatná. I keď lekárska bola bezplatná, ľudia nezvykli chodiť často k lekárom. Dôvody boli viaceré nedôvera k lekárom, dôvera vo vlastné sily, potreba pracovať, ostych niekoho obťažovať, slabá osveta o prevencii a zdravotnej starostlivosti. Slováci často krát nechodili na preventívne prehliadky, k lekárom pokiaľ nemuseli a keď už prišli často krát sa u nich rozvinulo vyššie štádium choroby. Lekárstvo bolo menej rozvinuté a diagnózy, alebo liečba neboli vždy správne určené, čím sa prehĺbila nedôvera voči lekárom. Okrem týchto faktorov návšteva lekára bola vnímaná ako slabosť, ktorú ľudia nechceli preukazovať. V dnešnej dobe sa zdravotnícka osveta rozšírila. Pomocou technológií a výskumov je oveľa viacej návštevníkov u lekára. Stále existujú minimálne dve skupiny ľudí, ktoré majú rozdielny pohľad na zdravotnícku starostlivosť na Slovensku. Prvá skupina dôveruje zdravotníckym zariadeniam, lekárom a farmaceutickým spoločnosťou, zatiaľ čo druhá skupina nedôveruje týmto organizáciám. Medzi jednotlivcami v skupine môže dochádzať k výmene medzi skupinami, podľa zmeny hodnôt a postojov. Prvá skupina ľudí dôveruje zdravotníckym zariadeniam, lekárom aj liekom a liečivám. Táto skupina často navštevuje lekárov, chodí na preventívne prehliadky a rieši svoje zdravotné problémy. Pri kúpe liečiv dáva výhradne na rady a odporúčania lekárov. Väčšinou každú kúpu konzultuje s lekárom, alebo odborníkom. Druhá skupina menej dôveruje zdravotníctvu a skôr verí na vlastné sily uzdravenia sa. Táto nedôvera môže prameniť z viacerých zdrojov: z vlastných predchádzajúcich zlých skúseností s lekármi, alebo liečivami, z druhých predchádzajúcich zlých skúseností s lekármi, alebo liečivami, 30

31 z médií ktoré informujú: vplyvu finančných a farmaceutických skupín na lekárov, nedbalosti lekárov, škodlivosti liečiv. Druhá skupina ľudí orientuje svoj nákup liečiv na voľno predaj. Prípadne inklinujú k používaniu liekov, ktoré im zostali z predchádzajúcej liečby a liečia s ním široké spektrum často krát vlastne a chybne diagnostikovaných chorôb. V prípade ak aj navštívia lekára nie vždy nakúpia, alebo užívajú predpísané lieky. Riešenie svojich problémov hľadajú v alternatívnej medicíne, v zmene zdravotného štýlu, alebo veria v samovoľné vyliečenie sa. Skupina sa rozhoduje na základe informácií z internetu, známych, alternatívnych liečiteľov, alebo predchádzajúcimi skúsenosťami s liečivami. Pre spoločenské triedy používame v práci vlastné triedenie. Triedime podľa príjmu a zaradeniu do skupiny podľa ústredia práce, sociálnych vecí a rodiny, podľa minimálnej mzdy a podľa priemernej dosiahnutej mzdy: 1. Občania s priemerným mesačným príjmom a vyšším príjmom tj. podľa štatistického úradu Slovenskej republiky 770,- Eur 2. Občania, ktorých príjem je adekvátny zákonom stanovenej minimálnej mzde tj. podľa zákona č. 663/2007 Z. z. úplne znenie stanovené v roku 2012 na 327,20,- Eur mesačne 3. Občania, ktorých možno zaradiť medzi občanov s nárokom na hmotnú núdzu tj. podľa zákona č. 601/2003 Z. z. v znení neskorších predpisov definované ako spoločensky uznaná minimálna hranica príjmom, pod ktorou nastáva stav hmotnej núdze a na tento rok je určená sumou 189,83,- Eur Prvá trieda občania s priemernou mesačnou mzdou a vyššou mzdou sa pri kúpe liekov a liečiv neobmedzujú. Kupujú všetky predpísané lieky. Okrem predpísaných liekov kupujú voľno predajné lieky, či už na zmiernenie príznakov choroby a bolestí, lieky na prevenciu, alebo kozmetické produkty. Pri výbere liekov nie je pre nich rozhodujúca cena, ale kvalita. Druhá trieda občania, ktorých príjem je adekvátny zákonom stanovenej minimálnej mzde nakupujú lekárom predpísané lieky, ale snažia sa uprednostniť lacnejší variant pri 31

32 kúpe. Obmedzujú nákup voľno predajných produktov, resp. nekupujú vôbec voľno predajné produkty. Pri výbere liekov je pre nich dôležitý pomer ceny a kvality. Tretia trieda občania, ktorých možno zaradiť medzi občanov s nárokom na hmotnú núdzu, nakupujú len nevyhnutné lieky na liečbu, alebo sa kúpe vyhýbajú. Voľno predajné lieky nakupujú ojedinele, skôr vôbec. Pri výbere liekov je pre nich dôležitá len cena lieku. Spoločenské faktory zahŕňajú referenčné skupiny, rodinu, rolu a spoločenský status. Dôležité je spomenúť referenčnú skupinu a aspiračnú skupinu, ktorá ovplyvňuje klientov ku kúpe produktov, ktorými sa jedinec stotožní zo skupinou. Na Slovensku je prebratý kult krásy zo západných krajín, ktorých jednotlivci sa stále snažia zosúladiť s danou skupinou ľudí. Nakupujú produkty, na zníženie príznakov staroby a podporu vitality. Ďalšou aspiračnou skupinou môže byť skupina so zmyslom pre zdravý štýl. Skupina preferuje kúpu liečiv na základe prírodnej báze ako sú homeopatiká. Výraznou skupinou môžu byť zástancovia alternatívnej medicíny, ktorý tiež kupujú prírodné liečivá, najčastejšie byliny a čaje. Rodina a rola so sebou úzkou súvisia. Rodina na Slovensku má stále silné rodinné hodnoty a väzby. Pri ochorení jedného člena rodiny druhý člen preberá zodpovednosť za neho a ovplyvňuje ho a nabáda k liečbe zdravotného problému. I keď Slováci sami sú skeptický a nedôverčivý voči lekárom, v prípade ochorenia príslušníka rodiny ho žiadajú o návštevu lekára. Vyvíjajú tlak, ktorému poväčšine rodinný príslušník podľahne. Pri roly vnímame aj rolu v rodine, ak je rodič, alebo manžel/ka pri ochorení niektorého z členov rodiny pociťujú zodpovednosť a snažia sa aj sami nakúpiť voľno predajné liečivá, ktoré by mohli pomôcť druhému. Osobné faktory zahŕňajú vek a fázu života, zamestnanie, ekonomickú situáciu, životný štýl, osobnosť a vnímanie samého seba. Podľa veku môžeme všeobecne povedať že čím mladší vek, tým je menej chronických ochorení a s postupom veku tento typ ochorení pribúda, tým pribúdajú aj nákupy v lekárňach. Na Slovensku sa výrazne v predchádzajúcich rokoch znížila pôrodnosť. To znamená, že v predchádzajúcich rokoch bola vyššia pôrodnosť s čím súvisí, pri starnúcom obyvateľstve bude aj väčšia spotreba liekov. Podľa zamestnania predvídame budúce možné zdravotné problémy jednotlivcov. Pri ťažších prácach ako je baníctvo a stavebníctvo, ktoré majú stále široké zastúpenie sa môžu 32

33 objaviť úrazy a neskoršie poruchy pohybového aparátu. Pri tzv. prácach v kanceláriách sa môžu vyvinúť rôzne zmyslové poruchy. Pri práci s ľuďmi dochádza najčastejšie k infektívnym a bakteriálnym ochoreniam. 1.3 Základné poznatky znalostného manažmentu V dnešnej dobe sme zahltení prílišným množstvom informácií a údajov zo všetkých strán. Všetky tieto informácie nie sme schopní prijať a tak ich triedime. Triedime ich podľa toho, akú majú pre nás hodnotu. Aby sme hodnotu informácií ešte viac znásobili, vytvoríme z informácií znalosti. Znalosti môžeme triediť na tacitné a explicitné. Podľa M. Katuščákovej (2010) tacitné znalosti predstavujú súbor znalostí, ktoré často krát používame a sú súborom skrytých znalostí, o ktorých ani nevieme, že nimi disponujeme. Explicitné znalosti narozdiel od tacitných znalostí definuje J. Kelemen et al, (2008) ako súbor znalostí, ktoré je možné vyjadriť číslami, písmenami, a ich znalosť je jasne definovaná a daná. Znalostný manažment vychádza z práce so znalosťami na rôznych úrovniach. Jednotlivé úrovne znalostného manažmentu, od zabezpečenia a editácie dát, po počítačové získavanie dát, hľadanie znalostí a aplikovanie znalostí do znalostnej spoločnosti. Postavenie jednotlivých znalostných oblastí môžeme zobraziť ako skupinu množín a podmnožín, ktoré sa navzájom ovplyvňujú a sú prepojené (pozri Obrázok 4). 33

34 Obrázok 4 Postavanie asociačných pravidiel v znalostnom manažmente 1 AP Zdroj: Janošcová, 2012 Najširšou globálnou skupinou je znalostná spoločnosť. Znalostnú spoločnosť podľa J. Kelemena et al, (2008) môžeme charakterizovať porovnaním intelektuálnych typov spoločností. V prvom stupni inteligencie sa ľudské poznanie prenášalo hovoreným slovom. V druhom stupni bolo zaznamenané vo forme, kníh, nosičov a iných médií. V treťom stupni inteligencie v znalostnej spoločnosti nechávame umelú inteligenciu znalostných systémov pracovať s poznatkami, bez toho aby sme sa ich naučili, resp. dostali ich do nášho vedomia. Podľa M. Katuščákovej (2010) znalostnú spoločnosť môžeme charakterizovať ako vývojovú fázu spoločnosti, kde znalosti sú výrobným faktorom prinášajúcim zisk. Znalosti nahrádzajú výrobné faktory pôdu, suroviny, energie a kapitál. Vo výrobnom procese sa nespotrebúvajú, ale naopak zvyšujú svoju hodnotu o nové poznatky a skúsenosti. Ku znalostnej spoločnosti patrí znalostná ekonomika, ktorú J. Kelemen et al, (2008, s. 31) charakterizuje ako ekonomiku znalostnej spoločnosti Pri definícií znalostného manažmentu je veľa rôznorodých definícií, ktoré v v určitej rovine spolu korešpondujú. Vo veľmi širokom význame môžeme podľa Kelemena et al, (2008, s. 31) znalostný manažment označiť ako cieľavedomé usmerňovanie a fungovanie 1 Pôvodná schéma je doplnená o znalostnú spoločnosť a AP (Asociačné pravidlá). 34

35 znalostnej spoločnosti. Pri definíciách rozlišujeme znalostný manažment a manažment znalostí. Rozdiel ja v chápaní rozličnej úrovne pri práci so znalosťami. Podľa E. Rákovskej (2010) znalostný manažment predstavuje riadenie organizácie založené na znalostiach s cieľom zvýšenia efektivity a dosiahnutia organizačných cieľov. Zatiaľ čo manažment znalostí manipuluje s konkrétnymi objektmi znalostí. Vytvára znalostné systémy, pre prácu so znalosťami a s týmito znalosťami potom pracuje znalostný manažment. Medzi systémy, ktoré vytvára manažment znalostí patrí KDD, čiže získavanie poznatkov z dát. Jedna z techník, ktorú KDD používa na získanie poznatkov z dát je technika asociačných pravidiel. Asociačné pravidlá vo všeobecnosti hľadajú vzťahy a asociácie, tým sú vhodné aj na analýzu nákupného košíka Získavanie poznatkov z dát Získavanie poznatkov z dát v priebehu vývoja získalo viac pomenovaní. Jedny ho označovali ako znalostné odhaľovanie, podniková inteligencia, prediktívne modelovanie, prediktívne analýzy, alebo data mining. Techniky získavania poznatkov z dát sú pomerne nové, avšak získavanie poznatkov z dát samo o sebe nepatrí medzi nové technológie. G. S. Linoff - M. J. Berry (2010) usudzujú, že získavanie poznatkov z dát vzniklo od doby kedy spoločnosť analyzovala dáta na počítačoch, to znamená že vznik data minigu podlieha vzniku výpočtovej. Počítačové získavanie poznatkov z dát, z názvu vypovedá, že pre získavanie poznatkov je nutné disponovať dátami. Dáta predstavujú súbor informácií, ktoré sú zaznamenané archivované v databázach. Najdôležitejšou činnosťou databáz je podľa E. M. Goldratta (2004) schopnosť dáta zdieľať, udržovať, skladovať a znovu vyvolávať. V deväťdesiatych rokoch, kedy boli rôzne aplikácie informačného systému sa začalo pracovať na dátovom zjednotení (pozri Obrázok 5), ktoré malo za úlohu prácu s dátami nie len zjednotiť, ale aj sprístupniť odkiaľkoľvek a kedykoľvek (Basl, a iní, 2008). Výsledkom zjednocovania sú relačné databázy s on-line dostupnosťou. Príkladom relačnej databáze je MS Access, pri ktorom používame dotazovací jazyk SQL, čím vytvárame nové relácie. Novotný et al, (2006) tvrdí, že vývoj relačných databáz priniesol vznik nových podnikových nástrojov ako bussiness inteligence, J. Basl a R. Blažíček ho dopĺňajú o dataminig, a webmining. 35

36 Obrázok 5 Schéma systému práce s dátami v databázach Zdroj: Automatizace.cz Podľa G. S. Linoff - M. J. Berry (2011, s. 2) je data mining podnikový proces pre skúmanie veľkého množstva dát na odhalenie významných vzorov a pravidiel. Podľa U. M. Fayyad et al, (1996, s. 1) môžeme získavanie poznatkov z dát definovať ako netriviálnu extrakciu implicitných, predtým neznámych a potencionálne užitočných informácií z dát. Získavanie poznatkov z dát môžeme taktiež chápať ako interaktívny a iteratívny proces tvorený krokmi selekcie, predspracovania, transformácie, vlastného data miningu a interpretácie (pozri Obrázok 7). Tento proces je nazývaný technologický proces získavania znalostí. Manažérsky proces získavania znalostí môže spočívať v metodike CRISP-DM, ktorá je tvorená fázami: porozumeniu problematike, porozumeniu dátam, príprave dát, modelovaniu dát, vyhodnoteniu výsledkov a využitie výsledkov (pozri Obrázok 6). Vo fáze porozumenie problematike sa snažíme zamerať na pochopenie cieľov zadanej úlohy. Vo fáze porozumenie dátam zbierame dáta a získavame si prvotnú predstavu o dátach. V príprave dát vytvárame dátove súbory vhodné pre spracovanie analytickými metódami. Vo fáze modelovania, používame jednotlive analytické metódy, alebo rôzne modely vhodné pre analýzu. V predoslednej fáze vyhodnotenie výsledkov 36

37 vyhodnocujeme a interpretujeme z manažérskeho pohľadu. V poslednej fáze využitie výsledkov zahŕňa záverečnú správu, odporúčania a riešenia (Berka, 2003). Konečným výstupom oboch procesov je získať čo najviac relevantných informácií vhodných na riešenie daného problému (Janošcová, 2012). Z uvedených definícií vyplýva, že účelom počítačového získavania dát je nájsť vhodné znalosti, ktoré dokážu riešiť stanovený problém. Eventuálne podporiť manažérske rozhodovanie pri riešení daného problému. Obrázok 6 Manažérsky proces získavania poznatkov z dát Zdroj: Berka,

38 Obrázok 7 Proces počítačového získavania poznatkov z dát Zdroj: Fayaad a kol, 1996 Selekcia Selekcia dát je výber relevantných dát z databáz na skúmanie daného problému. Výber dát nemusí byť z jednej databázy, ale môžu byť z rôznych databáz. Tieto upravené dáta sa ukladajú do multidimenzionálnych databáz tzv. dátových kociek, alebo dátového skladu. (Janošcová, 2012) R. Janošcová cituje W. H. Inmona dátový sklad je subjektovo orientovaná integrovaná, časovo rozlíšená a stála zbierka dát určená na podporu procesu manažérskeho rozhodovania Predspracovanie Veľké množstvo vyselektovaných dát v dátovom sklade si vyžaduje ďalšie predspracovanie a prípravu dát. Predspracovanie a príprava dát sa vytvára prostredníctvom softvérovej podpory. Zo softvérovej podpory na predspracovanie a prípravu dát je najznámejší MS Access, MS Excel, alebo zložitejšie podnikové informačné aplikácie ERP. Rozhodujúcou a zároveň najnáročnejšou úlohou je príprava dát. Od správnej prípravy dát závisí úspech celého procesu (Linoff, et al., 2011). Výber a príprava vhodných dát sa odvíja od úlohy KDD a techniky, ktorú budeme používať. Pri výbere dát dbáme na štruktúru dát: Časové dáta (napr. časové rady predaja v určitom období, vývoj trendu); Priestorové dáta (napr. dáta o predaji z rôznych regiónov, porovnanie vzťahov); 38

39 Štrukturálne dáta (napr. chemické zlúčeniny) (Berka, 2003). Prekážka, ktorá môže nastať pri príprave dát je získanie buď príliš veľa objektov, alebo príliš veľa atribútov. Ak je príliš veľa objektov záleží od algoritmu, či dokáže všetky objekty spracovať. Ak nedokáže spracovať všetky objekty je vhodné: Vybrať určitú vzorku vybranú z celých dát (vytvorenie trénovacej množiny); Uložiť dáta, tak aby sa zabezpečil prístup ku všetkým objektom, bez toho aby ich celé ukladal do operačnej pamäte; Pomocou podmnožín vytvoriť viac modelov, ktoré potom skombinujeme (Berka, 2003). Ak máme v databáze príliš veľké množstvo atribútov musíme atribúty z redukovať. Na zredukovanie môžeme použiť: Transformáciu, z viacerých atribútov vytvoríme menší počet nových atribútov; Selekciu, výber relevantných atribútov (Berka, 2003); Atribútom pridelíme hodnotu podľa vybraných kritérií a určíme počet tých najlepších atribútov (Janošcová, 2012). Podstatným prvkom pri spracovaní dát je uvedomiť si s akým typom dát bude algoritmus pracovať. Buď s numerickými hodnotami (arabské čísla), alebo kategoriálnymi hodnotami (slovné pojmy). Pri algoritme, ktorý pracuje s kategoriálnymi hodnotami musíme numerické atribúty diskretizovať. Diskretizácia znamená rozdelenie numerických atribútov do novovytvorených intervalov. Pri diskretizácií sa zákonite zníži správnosť konečného výsledku procesu KDD (Janošcová, 2012). Naopak, ak používame algoritmus pracujúci s numerickými hodnotami, musíme kategoriálny atribút zakódovať (binarizovať). Binarizácia, môže byť poradovým číslom, ľubovoľným číslom, kódom, jednotným číselným označením a iné (Berka, 2003). Vynímajúc diskretizáciu a binarizáciu výsledok celého procesu môžu ovplyvniť chýbajúce hodnoty niektorých atribútov. Chýbajúce hodnoty skresľujú konečný výsledok a spôsoby ako s chýbajúcimi hodnotami pracujeme sú nasledovné: Ignorujeme chýbajúci záznam; Chýbajúcu hodnotu označíme neviem ; Nahradíme chýbajúcu hodnotu existujúcimi hodnotami atribútu: 39

40 Najpočetnejšou hodnotou; Proporcionálnym podielom hodnôt; Ľubovoľným výberom z hodnôt; Modelovaním - použitie algoritmu pre modelovanie na chýbajúce hodnoty. (Berka, 2003). Transformácia Vlastná transformácia dát spočíva vo vytvorení súboru dát, ktorý pracuje s daným softvérom na spracovanie dát. Najpoužívanejšie súbory pre ktoré transformujeme dáta sú textové formáty, formáty CSV (comma-separated), Excel, SAS, SPSS, S-Plus/R, Weka ARFF a iné data miningové formáty (Janošcová, 2012). Transformované dáta sa z centrálneho úložiska dátové skladu, ukladajú do dátovej tržnice. V dátovej tržnici sú dáta pripravené na ďalšiu analýzu, report, data mining, OLAP (On-line Analytical Processing), alebo na použitie v iných aplikáciách (Basl, et al, 2008). Dolovanie poznatkov Dolovanie poznatkov, data mining, alebo modelovanie, je krok procesu, v ktorom sa aplikujú konkrétne analytické techniky KDD. V tomto kroku sa spracované a transformované dáta analyzujú algoritmom danej softvérovej podpory. Výstupom sú údaje, ktoré majú značné zastúpenie s rovnakou, alebo podobnou výpovednou hodnotou, tzv. vzory. Interpretácia V poslednej fáze procesu KDD sa výsledky vyhodnocujú z pohľadu či boli splnené zadané ciele projektu. (Kelemen, et al, 2007) Získané poznatky sú interpretované do podoby, ktorá je použiteľná pre používateľa. Získané znalosti hodnotíme z kvalitatívneho hodnotenia ktoré prikladá váhu na novosť, zaujímavosť, užitočnosť a zrozumiteľnosť údajov a z kvantitatívneho hodnotenia, ktoré sa opiera o numerické parametre ako spoľahlivosť podpora, počet dopustenia sa chyby. Kvalitatívne hodnotenie rozdeľuje získane znalosti na: znalosti, ktoré sú v zhode so zdravým sedliackym rozumom, znalosti, ktoré sú v zhode s poznatkami experta z danej aplikačnej oblasti, nové zaujímavé znalosti, ktoré prinášajú nový pohľad na danú problematiku, 40

41 znalosti ktoré expert musí podrobnejšie analyzovať, znalosti ktoré sú v rozpore s poznatkami experta (Berka, 2003 s. 1). Získané znalosti sa môžu v podnikovom procese inicializovať, alebo ďalej skúmať prostredníctvom iných metód KDD Úlohy KDD S procesom získavania poznatkov z dát sme sa zoznámili v predchádzajúcej kapitole. V tejto kapitole si povieme, na akých úlohách KDD môže pracovať znalostný manažér, alebo riešiteľský tým daného problému. Úlohu počítačového získavania poznatkov z dát vyberáme podľa očakávaného výstupu, ktorý chceme získať. Medzi najčastejšie používané úlohy podľa W. Klosgena a J. M. Zytkowa (1997) sú: klasifikácia/predikcia, deskripcia, hľadanie nugetov. Chapman a kol (2000) dopĺňa úlohy KDD o: segmentáciu, analýzu príčin porúch v telekomunikačných sieťach, analýzu dôvodov zmeny poskytovateľa služieb, rozbor databáz pacientov, o analýzu nákupného koša. Cieľom klasifikačnej/predikčnej úlohy je nájsť znalosti, ktorými budeme môcť klasifikovať nové prípady. Pri predikcii zohľadňujeme časové rady a snažíme sa predikovať budúci vývoj. Medzi metódy klasifikačných úloh môžeme zaradiť, diskriminačnú analýzu, empirickú analýzu, rozhodovacie stromy a pravidlá a ďalšie (Kelemen, et al, 2007). Berka (2003, s. 4) charakterizuje deskripčné úlohy ako úlohy, ktorých cieľom je nájsť dominantné štruktúry, alebo väzby, ktoré sú ukryté v daných dátach. Medzi deskripčné úlohy začleňujeme aj asociačné pravidlá. Pri hľadaní nugetov sa snažíme nájsť nové zatiaľ neobjavené znalosti, štruktúry, alebo väzby. (Berka, 2003) 41

42 1.3.3 Úloha deskripcia asociačné pravidlá Používajú sa na riešenie deskripčných úloh, pri analýze nákupného košíka a úloh, ktorých konštrukcia je založená na syntaxe IF THEN. Používanie asociačných pravidiel spopularizovalo začiatkom 90 rokov (Anand, et al, 1996) v súvislosti s analýzou nákupného košíka. Asociačné pravidlá sa dajú použiť aj v rôznych iných oblastiach ako vo výskume v medicíne, sociológie, priemysle atď. (Burda, 2004). Podľa P. Berku (2003) záujmom analýzy asociačnými pravidlami je zistiť koľko príkladov spĺňa predpoklad Ant (antecedent) a koľko záver Suc (sukcendent), koľko príkladov splňuje predpoklad a záver súčasne, koľko príkladov splňuje len záver, alebo len predpoklad. (1) Analyzované dáta pri asociačných pravidlách sa zostavujú z rady booleovských atribútov rovnakej dimenzie, kde môžu nadobúdať iba hodnôt 0 (nekúpil danú položku), alebo 1 (kúpil danú položku) (Burda, 2004). Základnými charakteristiky asociačných pravidiel sú podpora (support) a spoľahlivosť (confidence). P. Berka (2003) dopĺňa ďalšie charakteristiky pravidiel ako absolútny, alebo relatívny počet objektov splňujúci predpoklad, absolútny, alebo relatívny počet objektov splňujúcich záver, pokrytie a kvalitu, ktoré sa počítajú na základe kontigenčnej tabuľky (pozri Tabuľka 4). Kontigenčná tabuľka ukazuje počty príkladov zodpovedajúcich, resp. nezodpovedajúcich predpokladom (Ant) a záverom (Suc) (Kelemen, et al, 2007). Tabuľka 4 Kontigenčná tabuľka Suc -Suc Ant a b r -Ant c d s k l n Zdroj: Kelemen et al, 2007 (2) (3) 42

43 (4) (5) (6) Kde a sú váhy, ktoré obvykle volia tak, aby (Berka, 2003) (7) Kde n(ant Suc) = a je počet objektov pokrytých súčasne predpokladom i záverom, n(ant n(-ant n(-ant -Suc) = b je počet objektov pokrytých predpokladom a nepokrytých záverom, Suc) = c je počet príkladov nepokrytých predpokladom, ale pokrytých záverom, -Suc) = d je počet príkladov nepokrytých ani predpokladom ani záverom, n(ant) = a+b = r, n( Ant) = c+d = s, n(suc) = a+c = k, n( Suc) = b+d = l, n = a+b+c+d (Berka, 2003 s. 1). V teórii o asociačných pravidlách môžeme nájsť aj ďalšie charakteristiky okrem vyššie uvedených charakteristík, ktoré môžeme vypočítať štvorpoľnou kontigenčnou tabuľkou. I. Kodratoff uvádza medzi ďalšie charakteristiky kauzálnu podporu, kauzálnu spoľahlivosť, deskriptívne potvrdenie, kauzálne potvrdenie, uistenie, zaujímavosť a závislosť. Asociačné pravidlá operujú na základe algoritmov. Algoritmus je konečná postupnosť dobre definovaných inštrukcií na splnenie určitej úlohy. (Wikipédia, 2012) Pri algoritmoch často dochádza k iterácií, čiže k opakovaniu krokov, alebo k vetveniu, kedy ďalší postup závisí od aktuálneho stavu. Pri riešení jednej úlohy môžeme používať 43

44 niekoľko rôznych algoritmov s rôznymi postupnosťami inštrukcií (Wikipédia, 2012). Najpoužívanejším algoritmom pri asociačných pravidlách je algoritmus Apriori. Medzi ďalšie algoritmy, ktoré sa dajú použiť môžeme zaradiť algoritmus FPGrowth, algoritmus FilteredAssociator, algoritmus PredictiveApriori, algoritmus Tertius, alebo Generalized Sequential Patterns algoritmus. (Waikato, 2012) Základom všetkých algoritmov pre hľadanie asociačných pravidiel je generovanie kombinácií (konjunkcií) hodnôt atribútov. Pri generovaní prehľadávame priestor všetkých prípustných konjukcií (Berka, 2003 s. 4) Najznámejšie metódy generovania sú do šírky, hĺbky a heuristicky. Pri generovaní do šírky sa generujú postupne všetky kombinácie od dĺžky 1, dĺžky 2 až po dĺžku n. Pri generovaní do hĺbky sa vychádza od prvej kombinácie dĺžky 1, ktorá sa potom predlžuje o prvú kategóriu ďalšieho atribútu, do tej doby pokiaľ je to možné. Ak sa už kombinácie nedajú predĺžiť, tak sa zmení kategória posledného používaného atribútu, tým sa skráti kombinácia a súčasne sa zmení posledná kategória. Heuristické prehľadávanie prirovnáva J. Kelemen et al, (2008) k príkladom systémovej kombinačnej analýzy, v ktorej heuristika používa početnosť kombinácií. Algoritmus apriori Patrí medzi najspomínanejší algoritmus, ktorý sa používa pri hľadaní asociačných pravidiel. Algoritmus apriori bol navrhnutý R. Agrawalom pre analýzu nákupného košíka (Agrawal, et al, 1996). Algoritmus apriori používa znaky generovania do šírky. Hľadá frekventovane opakujúce sa množiny položiek. Generuje pokiaľ nie je známa žiadna iná kombinácia. Priebeh algoritmu je v dvoch krokoch. Prvým krokom je hľadanie frekventovaných množín, ktoré majú charakteristiku podpory. Algoritmus najprv vyhľadá všetky frekventované množiny veľkosti 1(. sa použíje k nájdeniu a tá je použitá na nájdenie a takto sa to iteratívne opakuje až pokiaľ nie je možné nájsť žiadnu ďalšiu frekventovanú množinu veľkosti k. Druhým krokom je generovanie silných asociácií z frekventovaných množín, ktoré splňujú charakteristiku spoľahlivosti. (Kelemen, et al, 2007) Na konci celého procesu, pri dodržaní charakteristík podpory a spoľahlivosti sa vyselektujú silné asociačné pravidlá (pozri Obrázok 8) 44

45 Obrázok 8 Kroky algoritmu apriori Zdroj: Gamil, 2012 Algoritmus apriori pre skúmanie frekventovaných položiek a generovanie množín je vhodný pre analýzu nákupného košíka. Analýza nákupného košíka Podľa W. Klosgena a J. M. Zytkowa (1997) patrí analýza nákupného košíka medzi deskripčné úlohy počítačového získavania znalostí. P. Chapman (2000) analýzu nákupného košíka charakterizoval ako samostatnú úlohu KDD. Analýza nákupného košíka vychádza zo zhromažďovania údajov v predajných reťazcoch a ich analyzovaním zameraným na vyhľadávanie súvislých vzťahov. Dôležité je zaznamenávanie údajov o zákazníkovi (pohlavie, vek, príjem, atď.) čím viac informácií zákazníci poskytnú, tým môžu byť výsledky analýzy zaujímavejšie. Ďalej je dôležité pre analýzu nákupného košíka zaznamenávanie údajov o jednotlivých nákupoch zákazníka (spôsob platby, suma, zakúpený druh tovaru, dátum nákupu). V zhromaždených údajoch hľadáme súvislosti medzi jednotlivými typmi tovarov, ktoré sa spolu frekventovane nakupujú, alebo vôbec nekupujú. Môžeme analyzovať zákazníkov, čím sa vyznačujú ich nákupné zvyky (Kelemen, et al, 2007). Základná analýza tzv štatistická analýzy pri nákupnom košíku, ktorá nepotrebuje zložitejšie algoritmy pre získavanie znalostí dáva odpoveď na otázky typu: 45

46 Aká je najbežnejšia samotná nákupná položka? Aká je najbežnejšia nákupná položka z vo viac položkovom nákupe? Aká je najbežnejšia položka, ktorú zvyknú zákazníci znovu a znovu nakupovať? Ako sa pri zmene ceny určitej položky zmení priemerný nákup danej položky? Ako sa mení obľúbenosť jednotlivých položiek? Ako sa mení obľúbenosť jednotlivých položiek v odlišných regiónoch? (Linoff, et al., 2011) Z teórie o asociačných pravidlách vyvodzujeme, že asociačné pravidlá analyzujú nákupný košík a dávajú odpoveď na typy otázok akými sú: Ktoré položky zákazníci nakupujú spoločne? Ktoré položky zákazníci vôbec nenakupujú spoločne? Aký je vzťah medzi pohlavím, vekom klienta a nakupovanými produktmi? Kedy klienti nakupujú súbor jednotlivých produktov najčastejšie? Po získaní odpovede na predchádzajúce otázky sa predkladá správa manažmentu firmy. Na základe výskumu sa môžu urobiť ďalšie podporné analýzy akými sú rozhodovacie stromy, neurónové siete a iné. Relevantnými výstupmi z analýzy môžeme podporiť marketingové rozhodnutia, ako cielený marketing na určitú skupinu spotrebiteľov, alebo zaistenie trhu, ktorý bol doteraz neaktívny. 46

47 2 Počítačová podpora KDD V súčasnej znalostnej spoločnosti je na trhu veľa komerčných a nekomerčných organizácií vyvíjajúcich softvérovú podporu a moduly pre riešenie úloh KDD. Komerčné softvéry vyvíjajú podniky, ktoré predávajú licenciu na používanie vyvinutého softvéru. Nekomerčné organizácie ako vysoké školy pracujú na projektoch podporujúce výskum a učenie sa o získavaní znalostí z databáz. V práci sme opísali a vybrali softvéry, ktoré riešie úlohy analýzy nákupného košíka prostredníctvom aplikácie asociačných pravidiel algoritmom apriori. Vybrané softvéry a moduly riešie aj iné úlohy KDD. 2.1 LISp Miner Patrí medzi freeware softvér, ktorý vznikol ako akademický projekt pre podporu výskumu a učenia sa o získavaní znalostí z databáz. Na vytvorení LISp Mineru sa podielali profesori a študenti Vysokej školy ekonomickej v Prahe. Za zrodom projektu stáli a ako autorov považujeme Jozefa Kelemena, Petra Berku, Jana Raucha a Milana Šimuneka. LISp Miner sa skladá zo štyroch hlavných modulov: LMAdmin modul určený pre ukladanie nastavenia a nájdených výsledkov; LMDataSource modul určený pre prípravu dát; 4ftTask modul určený pre vytávarenie úloh a data mining; 4ftResult modul urečný pre analýzu výsledkov (Šulc, 2005). Ďalšie moduly sa odlišujú využitím algorimu pre konečnú analýzu. Pre asociačné pravidlá je vhodný 4ft-Miner, ktorý pracuje na základe booleanského atribútov Ant a Suc analyzovaných dátovou maticou. Podmodul 4ft-AR2NL dokáže získane asociačné pravidlá zmeniť do interpretačnej podoby zroumiteľného ľudského jazyka. (VŠE, 2012). 2.2 TANAGRA TANAGRA je projekt na vytvorenie data miningového softvéru zdarma pre akademické a výskumné účely. Pracuje s metódami štatistického učenia, strojového učenia, odhaľovanie dátovou analýzou a databázová zóna. Okrem asociačných pravidiel zahŕňa parametrickú a neparametrickú štatistiku, construkčné algorimi, učiace sa algoritmi, interaktívnu a vizuálnu konštrukciu rozhodovacích stromov. TANAGRA je otvorený projekt, do ktorého môže každý vložiťzdrojový kód a pridať svoj vlastný algoritmus. Účely projektu je poskytnúť študentom a výskumníkom používať jednoduchý data-minigový 47

48 softvér, ďalší účel je možnosť vyvíjať vlastné data miningové metódy a posledný účel projektu je pozrieť sa na systém algoritmov prostredníctvom zdrojových kódov. (RAKOTOMALALA, 2008) Pre prácu s TANAGRA, stačí stiahnuť program z webovej stránky. Program je kompatibilný s operačným systémom Windows. Po nainštalovaní softvéru, môžeme prepojiť TANGARA s Microsoft Excel, cez makrá. V takomto prípade nie je potrebné konvertovať dáta do *tdm, alebo *bdm formátu. Formát s Exceli automaticky dokáže odosielať dáta cez doplnok TANGARA na data mining. Operácia v TANGARE je jednoduchá, založená z časti aj na intuitívnom používaní funkcií. Nevýhodou pre niektorých môže byť používanie francúzštiny v programe. Výhodou vyhodnotené štatistiky sa dajú previesť z TANGARA naspäť do Excelu. (RAKOTOMALALA, 2008) 2.3 WEKA Je to jeden z najznámejších softvérov pre data miningové učenie sa. The University of Waikato je tvorcom projektu WEKA. Weka je založená na algoritmoch strojového učenia sa pre data miningové úlohy. Algorimus môže byť aplikovaný priamo cez skupinu dát, alebo cez vlastný Java Code. Weka obsahuje nástroje pre klasifikáciu, regresiu, deskripciu, asociačné pravidlá a vizualizáciu. Taktiež je vhodná pre vývoj nových schém strojového učenia. (Waikato, 2012) Pre používanie programu je potrebné stiahnutie ovládača z webových stránok weka. Práca s WEKA je odlišná od TANAGRA, tým, že program nepracuje priamo s Excelom. WEKA prijíma formát *cvs a *artf. V prípade ak máme množstvo údajov v Exceli, alebo v textovom súbore, potrebuje tieto údaje pre konvertovať na formát *cvs, alebo *artf. Po zmene formátu sa môže súbor s údajmi spustiť priamo vo WEKA. V nastavení WEKA určíme metódu a algoritmus KDD, ktorý chceme použiť. V našom prípade algoritmus Apriori. WEKA vyhodnocuje aj s charakteristikami podpory a spoľahlivosti. Výsledky sa môžu uložiť do súboru *artf, pre prípad, že sa plánujeme k výsledkom znovu vrátiť. (Waikato, 2012) 2.4 STATISTICA Je jedným z najznámejších expertných systémov pre platený licencovaný softvér. STATISTICA je produkt firmy SAP, ktorý vytvára systém StatSoft. Pod Statsoft patrí konkrétny softvér STATISTICA, ktorá má jednoduché ovládanie pre spracovanie dát. 48

49 STATISTICA dokáže pracovať s MS Excelom aj s MS Accesom. Softvér zahŕňa data miningové techniky a algoritmy na spracovanie veľkého množstva údajov. Okrem využitia softvéru pre asociačné pravidlá algoritmom apriori, je vhodná štatistika aj na ďalšie data miningové skúmanie. STATISTICA je komerčný produkt, ktorý ponúka študentom po začiadaní možnosť využitia bezplatného trialu. (Statsoft, 2012) 2.5 Ďalšie vhodné softvéry Keďže množstvo softvérovov a modulov vhodných pre data mining je široké spektrum v stručnosti opíšeme niekoľko ďalších, ktoré riešie problematiku počítačového získavania dát z údajov. Do výberu patria licenciované softvéry, takisto ako aj softvery vytovorené na akademickej pôde, ktoré sú pre akademické účely bezplatné. Komerčnými softvérmi sú Azmy SuperQuery, IBM SPSS Modeler, LPA Data Mining Toolkit, Magnum Opus, Megaputer Polyanalyst Suite, SmartBundle, Wizsoft, Xpertrule Miner 4.0, XAffinity, SPAD, SPSS Clementine SAS Enterprise Miner, IMB Inteligent Miner, Knowledge Seeker, Datamining Group, Csiro Data Mining Catalogue, Logiciels de stats libres. Medzi ďalšie sofvéry a moduly, ktoré sa môžu využívať zdarma pre data mining a asociačné pravidlá sú: arules, Apriori, Apriori FP-Growth Eclat and DIC impelementations, ARtool, DM-II system, FIMI (Frequent Itemset Mining Implementations), Magnum Opus Demo, TANAGRA. Tieto softvéry sú distribuované ako GNU (General Public License) všeobecnou verejnou licenciou. Arules je určený pre vyhodnocovanie, manipulovanie a analyzovanie transakčných dát a vzorov. Jeho rozhranie v asociačných pravidlách používa algoritmus apriori. Autormi arules sú Micheal Hashler a kol. (Hashler, a iní, 2012) Apriori, je softvér Christiana Borgelta španielskeho doktora, ktorý pomenoval svoj softvér podľa používajúceho algoritmu apriori v asociačných pravidlách. Softvér je kompatibilný s operačným systémom Linux aj Windows. Grafické uživateľské rozhranie je písané v Java script, alebo wxwidgets. (Borgelt, 2012) ARtool je softvérová kolekcia algorimov a nástrojov pre dolovanie asociačných pravidiel v binárnych databázach. ARtool je nový projekt založený na určitých zdrojoch, ktoré sa používajú pre ARMiner a na nových algoritmoch zostavených pre výskum 49

50 asociačných pravidiel. ARtool je nástroj Laurencia Cristofora, ktorý vyštudoval doktorát v počítačových vied v Bostone. (Cristofor, 2006) Data Mining II systém, ktorý má dva softvérové nástroje a to CBA (Clasification Based on Associations) (v2.1) a IAS. DM-99 systém je vytvorený v Národnej Univerzite v Singapore. Hlavný systémový algoritmus je KDD 98 zameraný na integrované klasifikácie a asociačné pravidlá dolovania. Neskôr zlepšený na KDD-99 a KDD-00. IAS je post-analytický systém, ktorý pomáha nájsť zaujímavé asociačné pravidlá. (Singapore, 2012) 2.6 Výber softvéru pre projekt V našej práci sme sa rozhodli použiť softvér WEKA, pretože rieši úlohu KDD, ktorou je analýza nákupného košíka ako aplikácia asociačných pravidiel v KDD. S WEKA softvérom máme praktické skúsenosti, ktoré vieme vhodne využiť v práci. Ďalej má WEKA ľahko ovľadateľné používateľské rozhranie. Použitie WEKA softvéru pre akademické účely je bezplatné. 50

51 3 Analýza nákupného košíka v spoločnosti Dr. Max 3.1 O spoločnosti Dr. Max Dr. Max je označenie pre sieť lekárni, ktoré vznikli v roku 2006 spojením viacerých lekární po celom území Slovenska. Právne lekárne vystupujú ako samostatné spoločnosti s ručením obmedzeným spravované materskou spoločnosťou MIRAKL, a. s. (DrMax, 2012) Siete lekárni existujú i keď podľa zákona lekáreň môže zriadiť iba lekárnik a nemôže sa zastrešiť viacero prevádzkarní do jednej spol. s r. o. (Baťo, et al, 2004). MIRAKL a. s. vstúpila na Slovenský trh v roku 2004 ako holandská spoločnosť Dr. Max Holding B.V. Holandsko. Ďalší akcionári firmy sú GRATIO HOLDINGS LTD Cyprus, Slovenské investičné družstvo, Slovenský investičný holding a. s. Slovenský investičný holding spol. s r. o. (MSSR, 2012), taktiež sama spoločnosť je súčasťou skupiny Penta Investment Group na Slovensku. (SITA, 2004) Spoločnosť prišla na Slovenský trh s cieľom prenajať si 100 už fungujúcich lekární a licencií od lekárnikov. (Baťo, et al, 2004) Tento cieľ sa podarilo spoločnosti naplniť a v roku 2011 už mala spoločnosť na Slovensku 106 fungujúcich pobočiek. V priebehu jedného roka sa podarilo zvýšiť počet pobočiek o 75 pobočiek, čiže momentálne je sieť lekárni Dr. Max zložená zo 181 lekární. (DrMax, 2012) Vízia lekárne Dr. Max Vízia lekárne je dôležitá pre chápania pohnútok spoločnosti. Na základe vízie dokážeme odvodiť jednotlivé kroky spoločnosti, marketingový a strategický plán spoločnosti. Vízia je spoločnosti je vložená do jedného motta Dr. Max lekáreň prvej voľby, toto motto vyjadruje že sa chce stať: Lekárňou prvej voľby pre klientov verejných lekární; Lekárňou prvej voľby pre najkvalitnejší lekárenský personál; Lekárňou prvej voľby pre lekárov a zdravotnícke zariadenia; Lekárňou prvej voľby pre dodávateľov a výrobcov na farmaceutickom trhu SR; Lekárňou prvej voľby pre poskytovateľov úhrad zdravotnej starostlivosti; Lekárňou prvej voľby pre investorov, z dôvodov trvalo rastúcej hodnoty vloženého kapitálu (DrMax, 2012). 51

52 V práci nás zaujíma komunikácia vízie, ktorá je súčasťou marketingu a ktorá ovplyvňuje nákupné správanie spotrebiteľov. Lekáreň prvej voľby pre klientov verejných lekární, je vízia, ktorá ovplyvňuje marketing spoločnosti a nákupné správanie spotrebiteľov. Spoločnosť chce tento bod splniť nasledujúcimi krokmi: 1. Stať sa najdostupnejšou sieťou lekárni na Slovensku; 2. Poskytovať trvalý vysoký štandard odbornej lekárenskej starostlivosti; 3. Zabezpečiť trvalo výhodné ceny; 4. Vytvoriť exteriérové a interiérové prostredie vhodné pre klientov; 5. Stať sa bezkonkurenčnou lekárňou na trhu (DrMax, 2012). Ďalšie vízie, ktoré vplývajú na spotrebiteľské správanie sú vízie stať sa lekárňou prvej voľby pre lekárov a zdravotnícke zariadenia, ktoré chcú naplniť nasledujúcimi krokmi: 6. Zaistenie optimálnej starostlivosti o pacientov prostredníctvom spolupráce s lekármi a zdravotníckymi zariadeniami; 7. Skvalitnenie starostlivosti o pacienta cez výmenu informácií (DrMax, 2012). Jednotlivé ciele a kroky k splneniu týchto cieľov si bližšie analyzujeme z marketingového hľadiska. Vízia & Marketing Dr. Max. Prvý krok stať sa najdostupnejšou lekárňou na Slovensku je kľúčovým cieľom úspechu marketingového plánu distribúcie. Pri tomto distribučnom cieli sa snaží byť spoločnosť čo najbližšie k spotrebiteľovi vytvorením sietí pobočiek. Čím viac sietí, tým je spoločnosť bližšie ku zákazníkovi a zákazník bližšie ku spoločnosti. Keď je spoločnosť na vhodnej lokalite, kde sa sústreďuje viac klientov získava tým vyšší podiel na trhu. Vhodné miesta pre sieť lekární sú miesta, v ktorých sa sústreďujú zdravotnícke služby, ktorých výstupmi sú pacienti so špecifickými zdravotnými potrebami. Ďalšie vhodné miesta, sú miesta kde sa kumuluje väčšie množstvo ľudí ako mestské námestia, mestské centrá, alebo obchodné nákupné centrá. Obchodné nákupné centrá lákajú svojou dlhšou otváracou dobou. Skúmaná lekáreň Dr. Max sa nachádza na námestí blízko všeobecných lekárov v Prievidzi Druhý krok poskytovať trvalý vysoký štandard odbornej lekárenskej starostlivosti je nevyhnutné a aj uzákonené tým, že lekáreň musí viesť len lekárnik Podľa zákona o výrobe a distribúcii liečiv č. 271/1949 Zb. prevádzkovať lekáreň môže len správca ktorý má 52

53 v Československu hodnosť magistra farmácie a má minimálne 3 ročnú odbornú činnosť. Okrem odbornej spôsobilosti Dr. Max sa snaží poskytovať trvalo vysoký štandard aktívnym prístupom k zákazníkovi a bezplatným základným odborným vyšetrením. Aktívny prístup sa prejavuje odborným poradenstvom personálu. Odborné poradenstvo spočíva pri predaji voľno predajných liečiv a po novom podľa zákona 67/2010 Z. z je lekár povinný predpísať účinnú látku na predpísaný recept. Pri liekoch vydávaných na recept, na základe účinnej látky, môže personál ponúknuť klientovi lepší variant liečiva. Lepší variant liečiva môže byť, výhodnejší cenou, množstvom v jednom balení, nižšími kontraindikácií, alebo vyššou účinnosťou liečiva. Odborné poradenstvo si môžeme predstaviť spôsobom odpovede na klientove otázky, alebo ako odporúčanie lekárnika. Príkladom odporúčaní je, že pri predaji antibiotík odporúčajú klientovi užívať probiotiká. Bezplatné základné odborné vyšetrenie lekárnikom. prebieha prostredníctvom základných prístrojov pre meranie tlaku, teploty a množstva tuku a vody v tele. Meranie prebieha za asistencie lekárnika, ktorý môže reagovať na namerané hodnoty klienta a odporučiť mu prípadné medikamenty. Medikamenty, by mali byť voľno predajné a mali by udržať klientove hodnoty v norme, prípadne pri horších výsledkoch, výsledky zlepšiť. Tretí krok zabezpečiť trvalo výhodné ceny je politika spoločnosti, ktorá sa realizuje cez troch špecifických stakeholderov. Prvým stakeholderom sú dodávatelia liečiv, s ktorými sa vyjednáva o cene dodávaných liečiv. Vyjednávanie je založené na dlhoročnej spolupráci, množstve odoberaných liečiv. Sieť lekárni má vyššiu vyjednávaciu schopnosť oproti nezávislému lekárnikovi, pretože odber liečiv je vyšší. Druhým stakeholderom sú zdravotné poisťovne a vyjednávanie o preplácaní liekov. V tomto prípade nie je samotná lekáreň schopná ovplyvniť rozhodnutie zdravotných poisťovní žiadnymi aktívnymi nástrojmi, ale sieť lekárni môže vyvíjať tlak na zdravotné poisťovne. Tretím a zároveň posledným stakeholderom je sám zákazník. So zákazníkom sa nevyjednáva cena, ale ponúka sa mu najnižšia cena produktu pri zachovaní danej kvality. Lekáreň netlačí zamestnancov do predaja najdrahších liekov, ale školí lekárnikov na predaj najlacnejších liekov so zachovaním rovnakej kvality. Zákazník môže využívať zákaznícke karty pre získanie zľavy. Štvrtý krok vytvoriť exteriérové a interiérové prostredie vhodné pre klientov. Farby lekárne sú v typickej lekárnickej zelenej farbe. Do lekárne je bezbariérový prístup. Priestor klientom ponúka rozhľad na produkty lekárne, prospekty, a informácie o poskytovaní základnej odbornej bezplatnej starostlivosti. 53

54 Piaty krok stať sa bezkonkurenčnou lekárňou na trhu je v podstate nemožné, pretože na trhu sú aj iné siete a nezávislí lekárnici. Reálne konkurenčné ohrozenie môže pochádzať z iných sietí lekárni, ale rozširovaním vlastnej siete sa táto hrozba znižuje. Nezávislí lekárnici nie sú skoro vôbec ohrozením, ba naopak príležitosťou pre sieť lekárni na získanie podielu na trhu. Pre nezávislých lekárnikov je vstup na lekárnický trh náročný, kvôli vysokým kapitálovým výdavkov, pretože prvých 5-6 mesiacov musí čakať lekárnik na preplatenie nákladov od zdravotnej poisťovne. Prvé dva roky sú pre nezávislého lekárnika najťažšie. Šiesty krok zaistenie optimálnej starostlivosti o pacientov prostredníctvom spolupráce s lekármi a zdravotníckymi zariadeniami a siedmy krok skvalitnenie starostlivosti o pacienta cez výmenu informácií sú faktory, ktoré na prvý pohľad nemajú priamu súvislosť s marketingom a predajom liekov. Na druhý pohľad práve lekár je článok, ktorý vysoko ovplyvňuje klientovo nákupné rozhodnutie o určitom liečive. Na základe rady, receptu od lekára klient väčšinou vyberá daný produkt, i keď mu je ponúkaná iná lacnejšia verzia produktu Analýza súčasného stavu v spoločnosti Dr. Max Pre sieť lekární Dr. Max je nevyhnutnosť používať výpočtovú techniku. Výpočtová technika je nástrojom s predpokladom na zachytávanie dát, z ktorých sa dajú získavať znalosti. V sieti Dr. Max ma širšie využitie od skladovej evidencie po objednávkový systém. Od založenia pobočky v Prievidzi sa používal software WinlSS takzvaný Lekárenský Správcovský systém pre Windows. Systém má svoj vlastný server dokáže spravovať elektronické pokladnice, čítať 2D kódy, čiarové kódy, ponúka prístup k liekovému informačnému systému a ku informačnému terminálu pre lekárne a najdôležitejšou funkciou pre našu prácu je že dokáže spracovávať zákaznícke karty a zaznamenávať nákupy na lekársky predpis. Zákaznícke karty zaznamenávajú meno priezvisko klienta, dátum narodenia, bydlisko pohlavie a vek. Systém ďalej ponúka rozšírené funkcie, kde sa zaznamenávajú 4 základné údaje, či klient fajčí, či trpí cukrovkou, či ma trvalú chorobu, alebo či pije alkohol. V lekárni však nezaznamenávajú všetky údaje o klientovi, ktoré sú k dispozícii v systéme. Tým sa lekáreň oberá a o možnosť získana novších a zaujímavejších poznatkov získaných z databáz. 54

55 3.2 Metodológia a metodika práce Cieľom práce je exploračný výskum odhalenia závislostí analýzou nákupného košíka ako aplikáciou asociačných pravidiel KDD, ktorý použijeme na získanie znalostí o nákupnom správaní klienta. Znalosti sa budú získavať z databáze lekárne Dr. Max v Prievidzi za obdobie január 2011 september Výsledky zo získaných znalostí sa aplikujú v lekárni Dr. Max. Získané znalosti poukazujú na význam znalostného manažmentu a používania metód na získavanie znalostí z dát v podniku. Zo znalostí sa vyvodzujú odporúčania pre cielený marketing. V práci spoznávame nákupné správanie klientov lekárne. Nákupne správanie skúmane a zo skúmania vyvodzujeme závery. Pri výskumnej práci budeme používať kvalitatívne aj kvantitatívne metódy, ktoré sa budú navzájom medzi sebou obohacovať. Kvalitatívnymi metódami budeme analyzovať skúmané javy a odhaľovať ich elementárne zložky. Skúmané javy sú nákupné správanie zákazníkov a použitie analýzy nákupného košíka ako aplikácie asociačných pravidiel KDD v podniku. Skúmané javy analyzujeme kvalitatívnymi výskumnými metódami a schémami ako sú: Metódy diagnostickej sondáže: pozorovanie, rozhovor; Etnografický výskum: diskusia a brainstorming v skupine; skupinová hra; Prípadová štúdia. Pozorovanie a rozhovor sme použili ako metódy diagnostickej sondáže. V práci sme použili kombináciu prvkov otvoreného a priameho systematického pozorovania. Z časového hľadiska sme venovali pozorovania dominantnú časť v prvej polovici práce. Otvoreným pozorovaním sme sa zoznámili so základnými prvkami podniku akými sú prostredie kde sa podnik nachádza, návštevnosť, rôznorodosť a správanie klientov, škála produktov a služieb, interiérové a technické zabezpečenie. Priamym systematickým pozorovaním sme sa zamerali na používanie výpočtovej techniky a softvéru. Pozorovali sme do akej miery firma používa znalostné systémy a cielený marketing. Akými spôsobmi budeme môcť pracovať s dátami a vytvoriť prínosy na zlepšenie. 55

56 Neformálnym rozhovorom sme zisťovali informácie o chode podniku, nákupnom správaní klientov, využívania znalostných systémov a o predstave prínosu z využitia znalostí pre podnik. Kategorizovaným rozhovorom sme sa už priamo zamerali na získavanie údajov z databáze lekárne, triedenie výstupov podľa znalostí experta a získanie stanoviska k navrhovaným riešeniam Z prieskumu od stola sme zistili informácie o veľkosti lekárne a celej lekárenskej sieti, o majetkovo právnych vzťahoch, o cieľoch a víziách lekárne a o nákupnom správaní spotrebiteľa. Etnografický výskum bol zameraný na kultúru a interkultúrne učenie sa. Cieľom bolo osvojiť si metódy a formy medzi kultúrneho scitlivovania sa, odhaľovania stereotypov, potláčania predsudkov a osvojiť si teoretické východiská z oblasti interkulturality a vlastnej kultúry. Štyri trojice využili metódu brainstormingu na charakterizáciu kultúry. Po brainstormingu nasledovala diskusia celej skupiny 12-tich ľudí z rôznych vekových skupín. Diskusia bola zameraná na výsledky z brainstromingu a na Slovenskú kultúru v interkultúrnom učení sa. Kultúra je jedným z vplývajúcich faktorov na nákupné správanie, preto sme toto poznanie použili v práci. Prípadová štúdia bola použitá pri výbere vzorky klientov. Prípadová štúdia v práci spočíva v zbere a úprave údajov o klientoch, pre reprezentáciu nákupného správania klientov a využitia metód na získavanie znalostí. Na vybranej vzorke budeme skúmať a používať ďalšie kvantitatívne metódy výskumu. Kvantitatívna časť práce spočíva z najvšeobecnejšieho pohľadu deskripcie, analýzy faktov, akým je aj analýza nákupného košíka. Empirické množstvá dát budeme skúmať formou súborov výpočtov: Štatistickými metódami Metódami KDD: Počítačové získavane znalostí: Asociačné pravidlá; Analýza nákupného košíka; Výskum za účelom získania prehľadu 56

57 Pri štatistických metódach sme použili matematické štatistiky, ktorými sme zisťovali maximálne, minimálne a priemerné premenné. Deskriptívnou štatistikou sme popísali jednotlivé kategórie údajov ako pohlavie a vek, z ktorých sme vytvorili demografické charakteristiky. Ďalej sme použili analýzu časových radov a Paretovu analýzu. Metódy KDD používame na riešenie úloh deskripcie pre získanie dominantných vzťahov, väzieb, alebo vzorov správania z údajov. Tieto väzby a vzory správania získame použitím asociačných pravidiel, ktoré sa používajú priamo na analýzu nákupného košíka. Okrem deskripcie v práci hľadáme aj nové zaujímavé znalosti. CRISP-DM metodiku použijeme pri práci s dátami a získavaní znalostí z dát. Metodika CRISP-DM používa kvalitatívne aj kvantitatívne prvky skúmania. Metodika CRISP-DM má šesť fáz. Prvá fáza sa orientuje na porozumenie problematike. Problematike sme sa snažili porozumieť pozorovaním, rozhovorom a prieskumom od stola. Druhá fáza je upriamená na porozumenie dátam. Pre získanie dát sme použíli znalosti SQL jazyka a relačnými databázami. Pre základné porozumenie dátam sme použíli základné štatistické metódy. Tretia fáza je zacielená na prípravu dát. V príprave dát sme použili selekciu, projekciu, doplnenie nových údajov a atribútov, diskretizáciu numerických údajov a kódovanie. V štvrtá fáze v modelovaní sme zostavovali trénovacie množiny z atribútov, ktoré mali predpoklady pre vznik nových, zaujímavých a využiteľných asociácií. Prostredníctvom softvérovej podpory WEKA, sme použili asociačné pravidlá a algoritmus apriori, ktorým sme zistili vzťahy a väzby medzi vybranými vzorkami dát. Na základe výsledkov z modelovania sme v piatej fáze vyhodnotili a interpretovali získané výstupy. Konečnou šiestou fázou CRISP-DM metodiky je využite výsledkov. Navrhované riešenie, vychádza zo štatistických výsledkov a z výsledkov počítačového získavania znalostí. Okrem navrhovaných riešení a odporúčaní sme v práci poukázali na ďalší smer bádania a spracovávania údajov. V celej práci sme použili viacej výskumných metód a nástrojov pre prípad, keby sa v budúcnosti plánoval spraviť verifikačný výskum práce. Aby bola známa a merateľná validita a reliabilita práce. 3.3 Projekt analýzy nákupného košíka Pre projekt práci budeme postupovať metodikou CRISP-DM, ktorá je založená z nasledujúcich častí: 57

58 Porozumenie problematike; Porozumenie dátam; Príprava dát; Modelovanie; Vyhodnotenie výsledkov; Využitie výsledkov Porozumenie problematike Lekáreň Dr. Max je široká sieť ponúkajúca lekárenské služby. Cieľom siete je naplniť vízie a získať si čo najvyšší podiel na trhu. Manažment lekárne, konkrétnej pobočky nemá s metódami získavania znalostí veľa skúseností. Veria, že im použitie metód pomôže pochopiť klientov, spoznať lekárov, ktorý predpisujú lieky a na základe toho budú vedieť lepšie cielenejšie ponúkať svoje služby. S údajmi, ktoré sú nám v lekárni k dispozícií je možné spraviť viac štatistík a analýz. V práci sa zameriavame na skúmanie asociácií v nákupnom košíku klienta Porozumenie dátam Dáta Lekáreň v Prievidzi Dr. Max používa na evidenciu zákazníkov prostredníctvom zákazníckych kariet a liekov na predpis WinLSS od januára 2011, kedy začali svoju prevádzku do septembra 2011, kedy zmenili používaný softvér. V analýze budeme pracovať z dátami z WinLSS za toto obdobie (pozri Tabuľka 5). Pre analýzu nákupného košíka budeme používať tieto dáta: Tabuľka 5 Opis získaných dát O klientoch: Pohlavie pohlavie klienta muž, alebo žena; Vek presný vek klientov; Jedinc.c. číselný kód priradený klientovi lekárňou; Dg. diagnóza určná lekárom; O produktoch 58

59 Kod kód z písmen a číslic určený pre predávaný produkt; Nazov celý názov predávaného produktu; Balenie popis predaného balenia lieku; Pocet počet predaných kusov; Poisťovňa výška úhrady lieku poisťovňou; Pacient výška úhrady lieku klientom; O lekároch: Dat.predpis dátum kedy lekár predpísal daný liek; Predpis.lekar meno a priezvisko lekára, ktorý liek predpísal; Kod lekara kód z písmen a číslic označujúci lekára, ktorý liek predpísal; NazovPZS názov lekárskeho zariadenia, ktoré liek predpísalo; Kod PZS lekara kód z písmen a číslic označujúci lekárske zariadenie, ktoré liek predpísalo. Údaje diagnóza a klasifikácia liekov vychádzajú z medzinárodne uznávaných klasifikácií. Jednotlivé typy chorôb majú svoju diagnózu. Každá diagnóza má svoj pridelený špecifický kód (pozri Tabuľka 6). Písmeno označuje skupiny chorôb a čísla určujú konkrétny typ choroby resp. diagnózy. Tabuľka 6 Medzinárodná klasifikácia chorôb 59

60 Takisto ako choroby aj lieky majú svoju klasifikáciu. Lieky v lekárňach, ktoré používame sú označované ako humánne lieky. Humánne lieky majú svoju medzinárodne uznávanú klasifikáciu liekov a tou je anatomicko-terapeuticko-chemická klasifikácia (pozri Obrázok 9). ATC klasifikácia klasifikuje lieky do piatich rôznych úrovní: Prvá úroveň zaraďuje liek do anatomickej skupiny a označuje sa písmenom k prislúchajúcej anatomickej skupine Druhá úroveň zaraďuje liek pod hlavnú terapeutickú skupinu a skupina sa označuje dvoma arabskými číslicami Tretia úroveň - zaraďuje liek pod terapeutickú podskupinu a označuje sa písmenom Štvrtá úroveň zaraďuje liek pod chemickú, terapeutickú, alebo farmakologickú podskupinu a označuje sa písmenom Piata úroveň zaraďuje liek pod chemickú podskupinu a označuje sa dvomi arabskými číslicami (Wikipedia, 2012) Obrázok 9 Príklad klasifikácie lieku Zdroj: PharmInfo, 2012 V práci nebudeme používať kód každého jednotlivého lieku, ale jeho anatomický účinok pre telo. Budeme zaraďovať lieky podľa anatomickej klasifikácie liekov (pozri Obrázok 10). Rozšírené triedenie o terapeutickú časť klasifikácie je v prílohe. 60

61 Obrázok 10 Anatomická klasifikácia liekov podľa ATC klasifikácia liekov. Zdroj: Pharminfo, 2012 Pred vytvorením ATC klasifikácie liekov sa klasifikovalo hlavne podľa klasifikácie indikačných skupín. Dnes sa stále používa klasifikácia podľa indikačných skupín, ale uprednostňuje sa ATC klasifikácia. V našej práci budeme používať ATC klasifikáciu a to konkrétne anatomickú časť klasifikácie. Dáta sledované lekárňou sú zaznamenávané programom WinnLSS, ktorý ponúka výber dát v predvolenej šablóne (pozri Obrázok 11). V práci sme použili šablonu číselníkov a konkrétne Pacienti rodné čísla a Zákaznícke karty. Z dôvodu citlivých údajov sme pri získavaní dát mali obmedzený prístup a nebolo možné používať relačné dotazy, ak by aj WinnLSS ponúkal tento nástroj. Obrázok 11 Predvolené šablony číselníkov "Pacienti - rodné čísla" a "Zákaznícke karty" Zdroj: Matejka,

62 Vo WinnLSS pri šablóne Pacienti rodné čísla sa zobrazí kompletný zoznam klientov lekárne, ktorý počas prevádzky lekárne od zavedenia systému nakupovali lieky vydávané na recept. V šablóne Zákaznícke karty je zoznam klientov, ktorý si od zavedenia systému v lekárni zažiadali a prijali vernostné karty so svojim identifikačným číslom. Systém vernostných kariet je prispôsobený na zaznamenávanie údajov o klientovi ako sú meno, priezvisko, rodné číslo, adresa, kontakt, či fajčí, pije alkohol, alebo je diabetik. Pri získavaní údajov, boli vyplnené iba atribúty meno, priezvisko, rodné číslo, adresa. V programe sme neboli schopný otvoriť celú databázu klientov s jednotlivými nákupmi. Pri každom klientovi sme otvorili jeho liekovú kartu a údaje z nákupu sme exportovali do textového súboru CVS pre MS Excel (pozri Obrázok 12) Obrázok 12 Export zoznamu nákupov klienta z WinnLSS do MS Excel 2 Zdroj: Matejka, 2012 Jednotlivé textové CVS súbory, ktoré sú známe svojim oddeľovaním údajov bodkočiarkami sme importovali do MS Accessu a následne funkciou spojili (pozri Obrázok 13). V MS Access je relatívne flexibilnejší pre prácu s údajmi najmä vďaka relačným dotazom. 2 Ilustrácia exportu z dát z manuálu pre prácu WinnLSS s ADC 62

63 Obrázok 13 Importovanie a spojenie dát z MS Excel do MS Access Štruktúru dát môžeme zobraziť ako prepojenie tabuliek s údajmi z rôznych dimenzií, ktoré majú medzi sebou určitý vzťah (pozri Obrázok 14). Základná tabuľka, s ktorou v práci manipulujeme je tabuľka Predaj_jan_2011_Sep_2011. Druhou dôležitou tabuľkou je Zoznam_liekov, pretože na jej základe triedime jednotlivé lieky do skupín podľa ATC klasifikácie. Tabuľka Diagnoza obsahuje medzinárodnú štatistickú klasifikáciu chorôb a príbuzných zdravotných problémov. Určujúcimi údajmi na predaj sú tabuľka Lekar, pretože predpisuje lieky klientovi a je pre nás dôležité v akom lekárskom obore pracuje a kde sídli. Ďalším určujúcim údajom je tabuľka Klient, pretože on je konečný kupujúci, ktorý za daný predpísaný liek, alebo voľno predaj zaplatí. Tabuľka Poistovna uzatvára všetky údaje z hlavnej tabuľky ktoré sme nespomenuli, nebudeme ju používať v analýze. Štruktúra dát je z časového hľadiska za obdobie Január 2011 September V Januári sa otvorila pobočka Dr. Max v Prievidzi a v Septembri 2011 prestali používať systém WinnLSS, ktorý zaznamenával údaje zo zákazníckych kariet. Priestorová štruktúra dát je zameraná na oblasť mesta Prievidze, kde má pobočka Dr. Max svoju prevádzku. Ďalšia blízka prevádzka je v Bojniciach, Partizánskom a v Bánovciach nad Bebravou. 63

64 Obrázok 14 Ilustrácia štruktúry dát Analyzované dáta predstavujú vybranú vzorku údajov, na ktorej budeme demonštrovať využitie získavania znalostí z dát v oblasti lekárnictva v praxi. Vzorka je relatívne malá zahŕňa: 315 klientov, 668 nákupov, 4023 kusov predaného množstva z toho 1745 predaných položiek a z toho 478 predaných druhov liekov, 130 záznamov o lekároch, 215 zaznamenaných diagnóz. Z týchto dát môžeme odpovedať na základné otázky pri analýze nákupného košíka prostredníctvom, ktorých dostaneme odpoveď na najnakupovanejšie druhy liekov, ktoré pohlavie nakupuje najväčší počet liekov, ktorý lekár predpisuje aký druh liekov, aké sú najčastejšie diagnózy a iné. Základné charakteristiky dát Demografická analýza Pre analýzu nákupného košíka je dôležité spoznať klientov lekárne. Preto je vhodné určiť si základné charakteristiky vybranej vzorky klientov (pozri Obrázok 15), k základným vzorkám klientom priradiť výskyt najčastejších diagnóz (pozri Obrázok 16). Z demografických charakteristík klientov vidíme, že mužov klientov je 33% a žien 67%. Častejšími návštevníkmi lekárne sú ženy. Z toho vyplýva, že sa v lekárni môže využívať cielený marketing pri tak viditeľnom rozdiely na určitú skupinu pohlavia. Buď podporiť predaj a služby pre ženy, alebo diverzifikovať ponuku pre mužov. Vekové rozdelenie je prispôsobené podľa výskytu chorôb resp. formu liečby typickú pre danú vekovú skupinu. Prvou skupinou sú deti od 0-12 rokov, táto skupina má obmedzenú dostupnosť liekov a lekárskych potrieb, pretože organizmus nie je pripravený pre väčšinu liekov. U detí sa 64

65 málokedy objavujú príznaky závažných trvalých chorôb v prípade ak sa dieťa narodí zdravé. Nie sú typické choroby kardiovaskulárneho systému, urogenitálneho traktu a pohlavných hormónov, systémových hormónov s výnimkou pohlavných hormónov, muskuloskeletárny systém. Deti sú náchylné na krátkodobejšie bakteriálne, infekčné, alebo parazitické ochorenia. Najčastejšie indikované diagnózy lekármi u detí: Mužského pohlavia sú: Vazomotorická a alergická nádcha (J30); Epilepsia - zrádnik (G40); Nešpecifikované detské mozgové ochrnutie (G80.9); Akútne infekcie horných dýchacích ciest na viacerých a nešpecifikovaných miestach (J06); Nešpecifikovaná inkontinencia moču (R32); Ženského pohlavia sú: Vazomotorická a alergická nádcha (J30); Astma záduch (J45); Črevná malabsorpcia (K90); Akútny zápal priedušiek (J20); Chronický zápal nosa, nosohltana a hltana (J31). Z pohľadu kúpyschopnosti samotné deti nerozhodujú o kúpe liekov. O kúpe v prvom rade rozhoduje lekár, v druhom rade zodpovedná osoba za dieťa, ktorá pre dieťa nakupuje potrebné lekárske potreby. Zo štatistiky sú 3% detí mužov a 4% detí žien užívateľmi služieb lekárne. Cieľový trh detí, nie je príliš atraktívny pre podnik, kvôli už spomenutej nízkej kúpyschopnosti a od vysokej závislosti od lekárov a zodpovedných osôb za dieťa. Druhou skupinou je mládež od rokov ktorá po deťoch vo veľkej miere nemá choroby dlhotrvajúceho charakteru. Najčastejšie diagnostikované ochorenia u mladistvých: Mužov sú: Vazomotorická a alergická nádcha (J30); Akné (L70); Diabetes mellitus závislý od inzulínu (E10); Akútne infekcie horných dýchacích ciest na viacerých a nešpecifikovaných miestach (J06); 65

66 Akútny zápal hrtana a priedušnice (J04); U žien sú: Vazomotorická a alergická nádcha (J30); Gastritída a duodenitída (K29); Dermatofytóza (B35); Črevná malabsorpcia (K90); Iné syndrómy bolesti hlavy (G44). Táto skupina má široké vekové rozmedzie a preto kúpyschopnosť môžeme vnímať ako mládež bez príjmu a mládež s príjmom. Mládež bez príjmu má vyššiu vyjednávaciu schopnosť ako deti. Mládež s príjmom si už lieky kupuje sama, avšak kúpyschopnosť nie je vysoká, pretože sa to väčšinou týka študentov. Z mládeže mužov sú 4% klientmi lekárne a mládeže žien 8%, čím začínajú mať prvé výrazné vyššie zastúpenie ako muži. Treťou skupinou sú ľudia v strednom veku od rokov. Spolu s vekom pribúdajú ochorenia tráviaceho traktu a metabolizmus čo znamená, že sa začínajú objavovať častejšie príznaky cukrovky. Najčastejšie typy ochorení sú: U mužov: Esenciálna hypertenzia (I10); Bolesť chrbta (M54); Mozgový infarkt (I63); Iná zdĺhavá obštrukčná pľúcna choroba (J44); Poruchy metabolizmu lipoproteínov a iné lipidémie (E78); U žien: Epilepsia - zrádnik (G40); Poruchy metabolizmu lipoproteínov a iné lipidémie (E78); Akútny zápal hltana (J02); Hypertenzná choroba srdca (I11); Predsieňová fibrilácia a flater (I48). Kúpyschopnosť stredného veku je najsilnejšia zo všetkých skupín. Je to dané svojimi pracovnými skúsenosťami a uplatnením sa na pracovnom trhu. Vo väčšej miere sami rozhodujú za svoje nákupné správanie, i keď lekár odporúča klientovi lieky na predpis, 66

67 niekedy klient rozhoduje sám o kúpe, alebo nekúpe liekov. Mužské zastúpenie stredného veku je len 6% oproti 19% zastúpeniu žien v strednom veku. Poslednou štvrtou skupinou sú starší ľudia od 50 veku života až do najvyššieho dosiahnutého veku života. Staršia skupina ľudí trpí najzávažnejšími ochoreniami, čo vyplýva aj z logickej časovej nadväznosti. Pridávajú sa k ochoreniam stredného veku ochorenia kardiovaskulárneho systému. Zo skúmanej vzorky sa najčastejšie vyskytujú diagnózy: U mužov: Esenciálna hypertenzia (I10); Chronická ischemická choroba srdca (I25); Hypertenzná choroba srdca (I11) Diabetes mellitus závislý od inzulínu (E10); Iná zdĺhavá obštrukčná pľúcna choroba (J44); U žien: Esenciálna hypertenzia (I10); Chronická ischemická choroba srdca (I25); Bolesť chrbta (M54); Hypertenzná choroba srdca (I11); Diabetes mellitus nezávislý od inzulínu (E11). Kúpyschopnosť oproti strednému veku postupne slabne. Je to preto, že väčšina ľudí v tomto veku nemá možnosť sa zamestnať, ak zamestnaní neboli. Ak aj boli zamestnaní stávajú sa podniku príťažou a mnohokrát pred odchodom do dôchodku prichádzajú o prácu. Nakoniec sem patrí skupina dôchodcov, ktorých dôchodky sa odvíjajú od predchádzajúcich odpracovaných rokov a od štátnej kasy. Avšak výška dôchodkov v SR oproti ostatným krajinám EU je pomerne nižšia. Starší ľudia s pribúdajúcimi chorobami, majú vyššie výdavky na lieky, ale nižšie prostriedky na kúpu. Ako všeobecné pravidlo sa starším osobám predpisujú a odporúčajú cenovo dostupnejšie lieky s rovnakou kvalitou a účinnou látkou, iba od lacnejšieho distribútora. Podiel klientov starších mužov je 20% a starších žien 36%. 67

68 Zo všetkých demografických skupín si môžeme všimnúť nie len nižší záujem mužskej klientely v lekárni. Vidíme aj skutočný spomenutý fakt, že s pribúdajúcim vekom pribúdajú aj choroby a stáva sa viac ľudí klientmi lekárne. Obrázok 15 Demografické charakteristiky klientov Demografické charakteristiky klientov podľa pohlavia a veku Žena Starší 36% Muž Dieťa 3% Muž mládež 4% Muž Stredný vek 6% Muž Starší 20% Žena Stredný vek 19% Žena mládež 8% Žena Dieťa 4% Dieťa 1-12 rokov; Mládež rokov; Stredný vek rokov; Starší vek 51 a vyššie 68

69 Obrázok 16 Demografická charakteristika s výskytom najčastejších diagnóz Najfrekventovanejší výskyt diagnóz podľa veku a pohlavia 3% 3% 8% Muz Dieta J30; G40; G80.9; J06; R32 Muz Mladez J30; L70; E10; J06; J04 46% 26% Muz Stredny_vek I10; M54; I63; J44; E78 Muz Starsi I10; I25; I11; E10; J44 9% Zena Dieta J30; J45; K90; J20; J31 2% 3% Zena Mladez J30; K29; B35; K90; G44 Zena Stredny_vek G40; E78; J02; I11; I48 Pri charakteristike pohlavia a veku sme priradili jednotlivým skupinám ochorenia im prislúchajúce. Nespomenuli sme najčastejší výskyt diagnóz všeobecne (pozriobrázok 17). Na grafe je vidieť, že najčastejšie diagnózy sú z rady I, J, E a M. Obrázok 17 Výskyt diagnóz R 3% N 2% L 2% K 5% J 16% Podiel výskytu diagnóz M 10% E 12% I 37% B,C,S,W,Z 2% D 1% F 4% G 3% H 3% 69

70 Medzi ďalšiu dôležitú charakteristiku patria lekári, ktorých klienti navštevujú. Lekár predpisuje lieky, preto nás zaujíma, ktorý lekár v akom obore predpisuje lieky. Zaujíma nás podiel návštevnosti jednotlivých lekárov klientmi (pozri Obrázok 18). Z grafu môžeme vidieť, že najčastejšie navštevovanejšími lekármi sú všeobecní lekári až 77% a 23% sa navštevujú špecialiovaní odborní lekári. Všeobecní lekári sú praktickí lekári pre dospelých a deti. Špecializovaní lekári sú diabetológovia, imuno-alergológovia, gynekológovia a iní. Z toho vyplýva, že lieky predpisuje najčastejšie všeobecný lekár. Zdôvodnenie môže byť jednoduché, pred návštevou odborného lekára, bolo v minulosti potrebné navštíviť všeobecného lekára a až s výmenným lístkom navštíviť odborného lekára. Po zrušení výmenných lístkov v pacientoch zostala návšteva praktického lekára zafixovaná ako prvoradá. Vysoký podiel predpisovania liekov praktickými lekármi vychádza aj z predpokladu, že odborní lekári po predpísaní určitého typu lieku viac liek nepredpisujú, ale predpisuje ho všeobecný lekár. Niektoré lieky sú viazané na predpis odborných lekárov, ale po ich predpísaní, do určitej lehoty môže tento liek znovu predpísať pacientovi aj jeho všeobecný lekár. Obrázok 18 Návštevnosť lekárov Podiel predpisaných liekov od špecializácie lekárov Špecializovaný lekár 23% Všeobecnýlekár 77% Posledná charakteristika skúma sídlo lekárov, ktorí predpisujú kupované lieky (pozri Obrázok 19). Najčastejšie nakupujú v lekárni klienti, ktorých lieky sú predpísané od prievidzských lekárov. Tento fakt je logický, pretože vychádza z toho, že lekáreň sa nachádza v Prievidzi, čiže v klientovej blízkosti. Po Prievidzi navštevujú lekáreň pacienti bojnických lekárov. Ostatné návštevy sú zlomkové. 70

71 Obrázok 19 Nákup predpísaných liekov podľa sídla pacientovho lekára Podiel predpísaných liekov závislý od sídla lekára 2% 3% 2% 2% 4% 6% 1% 1% 4% Prievidza Bojnice Nitrianske rudno Dolne vestenice Nedozery-Brezany 75% Nitrianske pravno Handlova Lehota pod vtacnikom Novaky Ostatné mestá Analýza časových radov Medzi ďalšie základné štatistické skúmania patrí aj analýza časových radov. V našej práci skúmame len danú vzorku za obdobie, v ktorom v lekárni používali systém WinnLSS tj. od januára 2011 do septembra 2011 (pozri Obrázok 20). Z grafu vidíme, že najnižší predaj bol v mesiaci január, kedy lekáreň začala svoju prevádzku. Najvyšší predaj bol v máji, kedy skúmaná vzorka nakúpila lieky v hodnote 4179,- Eur. Najnižší počet predaných liekov a lekárskych potrieb bol v januári, predalo sa iba 8 ks a najvyšší počet predaných liekov a lekárskych potrieb bol Auguste kedy sa predalo 840 kusov. Graf má známky sezónnosti, hlavne v období máj a august sú predaje vyššie oproti ostatným mesiacom. Priemerný počet predaných kusov bol 403 a priemerný obrat 2339,- Eur. 71

72 Počet predaných ks Predaj v Eur VŠM, Bratislava Obrázok 20 Obrat v lekárni skúmanej vzorky od jan sep Nákup skúmanej vzorky jan sep Jan Sept 2011 Predaj (Eur) Predaj (ks) S predajom súvisí aj najpredávanejší produkt za jednotlivé obdobie (pozri Obrázok 21). Vyhodnotili sme všetky produkty v každom predajnom mesiaci. Prvé dva mesiace lekáreň nedosahoval vysoké predaje a medzi najpredávanejšími boli lieky Digoxin lieciva a Suprax. Ostatné mesiace boli najpredávanejšie produkty vložky a plienky. Z liekov boli najpredávanejšie lieky Accu-Chek Active Glucose pre diabetikov. 72

73 Počet výskytov Počet predaných ks DIGOXIN LECIVA SUPRAX MOLIMED ULTRA MICRO MOLICARE CLASSIC SUPER SMALL DEPEND SUPER PLUS LARGE DEPEND LARGE MOLIMED ULTRA MICRO MOLIMED ULTRA MICRO DEPEND LARGE VŠM, Bratislava Obrázok 21 Najpredávanejšie produkty za obdobie január september 2011 Najpredávanejšie produkty v obodbí jan sep Január Február Marec Apríl Máj Jún Júl August September Najpredávanejšie produkty Zaujímavým skúmaním môže byť sledovanie najvyskytovanejších diagnóz časovom obodbí (pozri Obrázok 22). Diagnózy vplývajú na rozhodnutie lekára o predpise daného lieku. V grafe za obdobie január 2011 september 2011 je najpočetnejší výskyt chorôb obehovej sústavy (I) a chorôb dýchacej sústavy (J). Choroby dýchacej sústavy sa dajú v prievidzskom regióne očakávať, čo vyplýva aj zo správy mesta Prievidza. Správa charakterizuje Prievidzský okres ako región s nižšou kvalitou ovzdušia v porovnaní s inými mestami, spôsobeným importom emisíí blízkych priemyselných prevádzok a odhaduje sa do budúcnosti prírastok civilizačných onkologických ochorení (Prievidza, 2007) Obrázok 22 Sledovanie diagnóz v časovom období január september 2011 Najvyšší výskyt diagnóz v období jan sep I J I J I I I I I Január Február Marec Apríl Máj Jún Júl August September Výskyt diagnóz 73

74 Predaj v EUR Obrat v % VŠM, Bratislava Paretova analýza Analýza paretovym pravidlom ukazuje na 20% činností, ktoré prinášajú 80% ziskovosti. V práci skúmame nákupné správanie klientov, preto by bolo vhodné zistiť aký zisk prinášajú jednotlivé skupiny podľa demografických charakteristík (pozri Obrázok 23). Najvyšší obrat viac než 20% prinášajú ženy staršieho veku. Až 50% z obratu pripadalo na ženy v staršom veku. Starší muži priniesli 25% z celkového obratu. Na základe paretovho pravidla je možné sa cielene zamerať na skupinu starších žien, ktoré prinášajú 80 % príjmov do lekárňe Dr. Max v Prievidzi. Obrázok 23 Paretova analýza predaja závislá na demografických charakteristikách klientov % 20% Paretova analýza predaja podľa demografických charakteristík klienta 74% 86% Starší Starší Stredný vek 90% Dieťa 93% Stredný vek 97% 99% 100% Mládež Dieťa Mládež Žena Muž Žena Muž Muž Žena Žena Muž 100% 90% 80% 70% 60% 50% 40% 30% 20% 10% 0% Výška obratu Lorencova krivka Diagnóza je dôležitým faktorom pri rozhodovaní lekára o predpísaní daného lieku. Paretovym pravidlom analyzujeme, ktoré diagnózy prinášajú lekárni najvyšší obrat (pozri Obrázok 24). V paretovej analýze boli vybrané všetky diagnózy zachytené v skúmanej vzorke zákazníkov. Kvôli veľkému množstvu diagnóz, je graf zväčšený pre lepšiu zrozumiteľnosť. Pôvodny graf sa nachádza v prílohe. Diagnózy diabetes mellitus závislý od inzulínu (E10) a hypertenzná choroba srdca (I11) tvoria skupinu 20% diagnóz, ktoré prinášajú 80% obrat. 74

75 Obrat v Eur Kumulovany obrat v % VŠM, Bratislava Obrázok 24 Paretova analýza zohľadňujúca výskyt diagnóz na obrat v lekárni Paretova analýza obratu podľa diagnóz % 52% 49% 46% 50% 42% 39% 35% 40% 30% 26% 30% 21% 20% 11% 10% 20% 0% E10. I10. J45. E11. I25. E78. I11. R32.3 M54. I70. Diagnózy Výška obratu Lorencova krivka Pri paretovej analýze predávaných produktov podľa obratov (pozri Obrázok 25) sme zistili, že 80% obratu prináša 20% nasledujúcich produktov: ACCU-CHEK ACTIVE GLUCOSE, ACCU-CHEK GO 25, VESSEL DUE F, THIOTACID 600 HR, MEYRA TYP 3600, DETRALEX, COAPROVEL 300/12,MG. Kvôli veľkému množstvu produktov, je graf zväčšený pre lepšiu zrozumiteľnosť. Pôvodny graf sa nachádza v prílohe. 75

76 6% Predaj v EUR 10% 13% 15% 18% Predaj v % 19% 21% 22% 23% 24% 25% 26% 27% 28% 29% 30% VŠM, Bratislava Obrázok 25 Paretova analýza predaja produktov podľa obratu Paretova analýza predaja produktov podľa predaja - zväčšená % % % % 20% 15% % 200 5% 0 0% Názov liekov Výška obratu Lorencova krivka Pri použití paretovej analýzy, ktorá zohľadňuje počet predaných kusov (pozri Obrázok 26) sme zistili, že produkty DEPEND LARGE a MOLIMED ULTRA MICRO tvoria 80% predaných všetkých výrobkov. DEPEND LARGE sú plienky určené hlavne mužom staršieho veku, takisto ako MOLIMED ULTRA MICRO sú vložky určené pre ženy. Kvôli veľkému množstvu produktov, je graf zväčšený pre lepšiu zrozumiteľnosť. Pôvodny graf sa nachádza v prílohe 76

77 Počet predaných ks Počet predaných ks (%) VŠM, Bratislava Obrázok 26 Paretova analýza predaja podľa počtu predaných kusov Paretova analýza predaných kusov % DEPEND LARGE 20% MOLIMED ULTRA MICRO 28% MOLICARE CLASSIC SUPER SMALL 33% DEPEND SUPER PLUS LARGE Názvy produktov 37% DEPEND EXTRA 40% ACCU-CHEK GO 25 45% 40% 35% 30% 25% 20% 15% 10% 5% 0% Predaj v ks Lorencova krivka Paretova analýza nám lepšie pomáha rozumieť dátam. Pri ďalších krokoch metodiky CRISP-DM nám určuje smer prípravy dát, tak aby sme získali relevantné výstupy z analýzy Príprava dát Tretia fáza procesu získavania poznatkov z dát. Je to najprácnejšia časť, ktorá je zameraná na prípravu dát. Získané dáta boli za obdobie január 2011 september Vyselektované údaje z WinLSS sa týkali liekov predávaných na recept a voľno predajných produktov. Jednotlivé nákupy sme pomocou MS Excelu a MS Accessu spojili. Nepotrebné atribúty ako jednotlivé identifikačné kódy, alebo meno predajcu sme odstránili. Pre ochranu údajov klientov sme z WinLSS exportovali údaje do MS Excelu bez zaznamenania osobných údajov ako sú meno priezvisko a rodné číslo. Pôvodné neupravené údaje (pozri Tabuľka 7) sme doplnili a upravili (pozri Tabuľka 8). Pri údajoch, kde bola diakritika sme ju zrušili. Pri numerických údajoch sme použili disketizáciu. Prázdne údaje sme v dátach nemali, všetky používané údaje boli vyplnené. Tabuľka 7 Neupravené dáta 77

78 Tabuľka 8 Upravené a doplnené dáta Pri údajoch o pohlaví sme nechali kategóriu nezmenenú: Muz Zena Pri numerických údajoch o veku sme museli údaje diskretizovať (pozri Chyba! Nenalezen zdroj odkazů.). Vytvorili sme interval prislúchajúci vybranej vekovej skupine. Výber intervalov sa odvíjal od výšky veku, s ktorou sa zvyšuje výskyt chorôb. Tento interval sme určili na základe vlastného uváženia. Tabuľka 9 Diskretizácia veku Nasledujúcou úpravou dát je úprava informácií o lekároch (pozri Tabuľka 10). Dáta sa upravovali pomocou internetového vyhľadávača Google. Prostredníctvom Google sme našli meno lekára, jeho lekársky obor a mesto, v ktorom sídli. Tabuľka 10 Úprava dát lekárov Lekar Kategoria_obor Kategoria_mesto TATAYOVA ZUZANA Vseobecny Prievidza HERKO SAMUEL Specializovany Prievidza MUNDIER VLADIMIR Vseobecny Novaky DUCHON VLADIMIR Specializovany Bojnice 78

79 Pri mestách sme sa zamerali na mesto Prievidza, mesto Handlová, mesto Nováky na okres Prievidza a na mestá mimo okresu Prievidza (pozri Tabuľka 11 Tabuľka 11 Úprava dát mesta predpisového lekára Kategoria_mesto Prievidza Novaky Handlova Bojnice Nitrianske pravno Topoľčany Kategoria_mesto PD Nov Han Boj PD_okr mokr Diskretizáciu sme robili aj pri cene lieku. Cenu všetkých liekov sme spriemerovali. Ak bola výška lieku nad priemernou cenou, tak je cena lieku vysoká a naopak (pozri Tabuľka 12 ). Priemerná cena lieku je 7,66,- Eur. Tabuľka 12 Úprava dát ceny liekov Poisťovňa Pacient Spolu Cena_Lieku 3,92 2,31 6,23 Lacny 30,86 1,59 32,45 Drahy Názvy liekov sme upravovali podľa medzinárodnej ATC klasifikácie a produktom, ktoré neklasifikuje ATC klasifikácia sme priradili vlastnú klasifikáciu (pozri Tabuľka 13 ). Jednotlivé názvy liekov sme prostredníctvom internetovej stránky ADC číselník ( vyhľadali a priradili im skupinu podľa ATC klasifikácie. Produkty, ktoré nepatria do ATC klasifikácie sme klasifikovali podľa použitia. Vitamíny, mineráli, soli a ióny sme spojili do jednej skupiny a priradili sme im kategóriu VMSI. Diabetickým produktom a nutričným nápojom sme priradili DIA kategóriu. Produktom ako sú plienky, vložky, vozíky, elastické punčochy, alebo kúpele do oleja sme kategorizovali ako PPV. 79

80 Tabuľka 13 Úprava dát názvu produktov Kód diagnózy sme upravili a spojili začiatočným písmenom D ako diagnóza a prvé písmeno kódu diagnózy (pozri Tabuľka 14). Tabuľka 14 Úprava dát diagnóza Zápisy dátumov v numerických číslach sme diskretizovali (Tabuľka 15). Diskretizácia bola za obdobie otvorenie prievidzskej lekárne Dr. Max a používanie systému WinLSS. 80

81 Tabuľka 15 Diskretizácia dátumu Upravené dáta sme transformovali (pozri Tabuľka 16). Každá kategória ATC klasifikácie má svoj stĺpec. Pri kúpe jednotlivých ATC položiek sa označí v stĺpci písmeno T, ktoré značí nákup danej skupiny. Pohlavie a vek zostáva nezmenené. Tabuľka 16 Transformácia dát (pohlavie, vek, ATC-klasifikácia) Pripravené dáta v MS Exceli zmení na textový CVS súbor (pozri Tabuľka 17 ). Jednotlivé atribúty sú oddelené čiarkami. Tabuľka 17 Transformácia dát v MS Exceli na CVS textový súbor Modelovanie Po príprave dát, prichádza 4 fáza modelovanie. Pri modelovaní aplikujeme konkrétne analytické metódy na skúmanú oblasť dát. V programe WEKA sme pripravené dáta analyzovali pomocou asociačných pravidiel a algoritmom apriori. V algoritme apriori sme nastavili spoľahlivosť na 0,01 a počet nájdených pravidiel 100 (pozri Obrázok 27 ). 81

82 Zámerne sme nastavili nízku spoľahlivosť, aby sme získali väčší počet pravidiel, ktoré môžeme následne vyhodnocovať. WEKA automaticky zoraďuje pravidlá od najvyššej spoľahlivosti po najnižšiu spoľahlivosť. Obrázok 27 Nastavenie algoritmu apriori MODEL 1 V prvom modeli dát skúmame predpoklady na základe, ktorých klienti kupujú liečivá. Atribúty sme kombinovali nasledovne: ATC klasifikácia liekov + Medzinárodná diagnóza chorôb ATC klasifikácia liekov + Pohlavie + Vek ATC klasifikácia liekov + Výška ceny liekov 1. Pravidlo ATC klasifikácia liekov + Medzinárodná diagnóza chorôb + Pohlavie + Vek ATC klasifikácia liekov + Medzinárodná diagnóza chorôb + Pohlavie + Vek + Obdobie predaja + Miesto predaja + Predpis lekára + Cena lieku MODEL 2 Druhý model je zameraný na nájdenie záverov, ktoré majú súvislosť s diagnózou. Sama diagnóza súvisí s výberom liečiv a preto nás zaujímali skupiny pre ktoré sú špecifické jednotlivé diagnózy. Kombinovali sme nasledovné atribúty: 82

83 Medzinárodná diagnóza chorôb + ATC klasifikácia liekov Medzinárodná diagnóza chorôb + Pohlavie + Vek Medzinárodná diagnóza chorôb + Medzinárodná diagnóza chorôb + Pohlavie + Vek + Obdobie predaja + Miesto predaja + Predpis lekára + Cena lieku MODEL 3 Tretí model a zároveň posledný sme použili všetky dáta na získanie zaujímavých asociácií. Asociácií, ktoré nemusia súvisieť s predajom liekov, alebo diagnózou, ale môžu byť pre lekáreň užitočné Vyhodnotenie výsledkov Vo WEKA sme vyhodnotili 108 pravidiel. Maximálna spoľahlivosť pravidiel je 0,96 a najnižšia spoľahlivosť 0,59. Z dát sa nevyhodnotili asociačné pravidlá jednotlivých typov výrobkov medzi sebou. Výstupmi sú najmä informácie o nákupnom správaní klienta. V prvom rade interpretujeme pravidlá na základe kvantitatívneho hodnotenia, v ktorom použijeme na meranie spoľahlivosť od 100% - 50%, výnimka je v pravidlách 23 26, kvôli svoje kvalitatívnej výpovednej hodnote. Interpretácie pravidiel zameraná na liečivá, MODEL 1: V poslednej fáze interpretujeme dosiahnuté výstupy. Interpretujeme len pravidlá, ktoré expert dobre pozná, alebo sú nové: 1. Pohlavie_pri_kazdej_polozke=Zena DI=T 330 ==> C=T 251 conf:(0.76) S určitosťou 76%, môžeme potvrdiť, že ak je klientom žena s diagnózou choroby obehovej sústavy, tak nakupuje lieky určené pre kardiovaskulárny systém. 2. DI=T 531 ==> C=T 397 conf:(0.75) S určitosťou 75% môžeme potvrdiť, že klienti s diagnózou obehovej sústavy, nakupujú lieky určené pre kardiovaskulárny systém. 3. Pohlavie_pri_kazdej_polozke=Zena Interval veku=starsi DI=T 291 ==> C=T 219 conf:(0.75) S určitosťou 75%, môžeme potvrdiť, že ak je klientom staršia žena s diagnózou choroby obehovej sústavy, tak nakupuje lieky určené pre kardiovaskulárny systém. 4. Interval veku=starsi DI=T 451 ==> C=T 333 conf:(0.74) 83

84 S určitosťou 74%, môžeme potvrdiť, že ak je klient starší s diagnózou choroby obehovej sústavy, tak nakupuje lieky určené pre kardiovaskulárny systém. 5. Pohlavie_pri_kazdej_polozke=Muz DI=T 201 ==> C=T 146 conf:(0.73) S určitosťou 76%, môžeme potvrdiť, že ak je klientom muž s diagnózou choroby obehovej sústavy, tak nakupuje lieky určené pre kardiovaskulárny systém. 6. DJ=T 235 ==> R=T 167 conf:(0.71) S určitosťou 71%, môžeme potvrdiť, že ak má klient diagnózu choroby dýchacej sústavy, tak nakupuje lieky určené pre respiračný systém. 7. Pohlavie_pri_kazdej_polozke=Zena DI=T 330 ==> Interval veku=starsi C=T 219 conf:(0.66) S určitosťou 66%, môžeme potvrdiť, že ak je klientom žena s diagnózou obehovej sústavy, tak je to staršia žena a kupuje si lieky určené pre kardiovaskulárny systém. 8. DI=T 531 ==> Interval veku=starsi C=T 333 conf:(0.63) S určitosťou 63% môžeme potvrdiť, že ak sa objaví diagnóza obehovej sústavy, tak klient je osoba v staršom veku, ktorá kupuje lieky určené pre liečbu kardiovaskulárneho systému. Interpretácia zameraná na diagnózu, MODEL 2: 9. Interval veku=starsi Obor_lekara=Vseobecny C=T 330 ==> DI=T 314 conf:(0.95) S určitosťou 95% môžeme potvrdiť, že ak je klientom staršia osoba a predpísaný predpisoval všeobecný lekár na kardiovaskulárny systém, tak klient trpí diagnózou obehovej sústavy. 10. Interval veku=starsi Obor_lekara=Vseobecny C=T PD=T 244 ==> DI=T 232 conf:(0.95) S určitosťou 95% môžeme potvrdiť, že ak je klientom staršia osoba, ktorej bol predpísaný liek od všeobecného lekára určený z Prievidze určený na liečbu kardiovaskulárneho systému, tak klient trpí diagnózou obehovej sústavy. 11. Obor_lekara=Vseobecny Cena_lieku=Lacny C=T 279 ==> DI=T 263 conf:(0.94) S určitosťou 94% môžeme potvrdiť, že ak liek predpísal všeobecný lekár a liek patrí do skupiny lacných liekov a lieči kardiovaskulárny systém, tak klient trpí diagnózou obehovej sústavy. 12. Interval veku=starsi Cena_lieku=Lacny C=T 252 ==> DI=T 224 conf:(0.89) 84

85 S určitosťou 89% môžeme potvrdiť, že ak je vek klienta starší a liek patrí medzi lacnejšie a používa sa na kardiovaskulárny systém, tak klientova diagnóza je choroba obehovej sústavy. 13. R=T 187 ==> DJ=T 167 conf:(0.89) S určitosťou 89%, môžeme potvrdiť, že ak klient nakupuje lieky na respiračný systém jeho diagnóza je choroba dýchacej sústavy. 14. Interval veku=starsi C=T 378 ==> DI=T 333 conf:(0.88) S určitosťou 88% môžeme potvrdiť, že ak je klient starší a užíva lieky na kardiovaskulárny systém, tak trpí chorobou obehovej sústavy. 15. Pohlavie_pri_kazdej_polozke=Zena Interval veku=starsi C=T 250 ==> DI=T 219 conf:(0.88) S určitosťou 88% môžeme potvrdiť, že ak je klientom staršia žena užívajúca lieky na kardiovaskulárny systém, tak trpí chorobou obehovej sústavy. 16. Pohlavie_pri_kazdej_polozke=Muz C=T 168 ==> DI=T 146 conf:(0.87) S určitosťou 87% môžeme potvrdiť, že ak je klientom muž kupujúci lieky pre kardiovaskulárny systém, tak jeho diagnóza je choroba obehovej sústavy. 17. Pohlavie_pri_kazdej_polozke=Zena C=T 289 ==> DI=T 251 conf:(0.87) S určitosťou 87% môžeme potvrdiť, že ak je klientom žena kupujúca lieky pre kardiovaskulárny systém, tak jej diagnóza je choroba obehovej sústavy. 18. C=T 457 ==> DI=T 397 conf:(0.87) S určitosťou 87%, môžeme potvrdiť, že ak klient nakupuje lieky určené na kardiovaskulárny systém jeho diagnóza je choroba obehovej sústavy. 19. C=T 457 ==> Obor_lekara=Vseobecny DI=T 374 conf:(0.82) S určitosťou 82% môžeme potvrdiť, že ak klient kupuje liek na kardiovaskulárny systém, tak ho predpísal praktický lekár a klient trpí diagnózou obehovej sústavy. 20. Pohlavie_pri_kazdej_polozke=Zena C=T 289 ==> Interval veku=starsi DI=T 219 conf:(0.76) S určitosťou 76% môžeme potvrdiť, že ak je klienžom žena kupujúca lieky pre kardiovaskulárny systém, tak je to staršia žena s diagnózou choroby obehovej sústavy. 21. C=T 457 ==> Pohlavie_pri_kazdej_polozke=Zena DI=T 251 conf:(0.55) S určitosťou 55% môžeme potvrdiť, že ak si klient nakupuje lieky na kardiovaskulárny systém, tak je to žena s diagnózou chorôb obehovej sústavy. 85

86 22. Pohlavie_pri_kazdej_polozke=Muz Interval veku=starsi 310 ==> DI=T 160 conf:(0.52) S určitosťou 52% môžeme potvrdiť, že ak je klient starší muž, tak má diagnózu choroby obehovej sústavy. 23. C=T 457 ==> Pohlavie_pri_kazdej_polozke=Zena Interval veku=starsi DI=T 219 conf:(0.48) S určitosťou 48% môžeme potvrdiť, že ak si klient nakupuje lieky na kardiovaskulárny systém, tak je to staršia žena s diagnózou choroby obehovej sústavy. 24. Interval veku=starsi 996 ==> DI=T 451 conf:(0.45) S určitosťou 45% môžeme potvrdiť, že ak je klient starší trpí diagnózou choroby obehovej sústavy. 25. Pohlavie_pri_kazdej_polozke=Zena Interval veku=starsi 686 ==> DI=T 291 conf:(0.42) S určitosťou 42% môžeme potvrdiť, že ak je klientom staršia žena, tak trpí diagnózou choroby obehovej sústavy. 26. Interval veku=starsi 996 ==> DE=T 147 conf:(0.15) S určitosťou 15% môžeme potvrdiť, že klient ktorý je starší trpí diagnózou choroby žliaz s vnútorným vylučovaním, výživy a premeny látok. Interpretácia ostatných zaujímavých asociácií MODEL 3: 27. Pohlavie_pri_kazdej_polozke=Zena DI=T 330 ==> Interval veku=starsi 291 conf:(0.88) S určitosťou 88% môžeme potvrdiť, že AK je klientom, žena a má problémy obehovej sústavy, TAK je to staršia žena. 28. DIA=T 77 ==> Vek=Starsi 68 conf:(0.88) S určitosťou 88% môžeme potvridiť, že AK klient kupuje diabetické výrobky, TAK je klient vo vyššom veku. 29. DE=T 178 ==> Interval veku=starsi 147 conf:(0.83) S určitosťou 83% môžeme potvrdiť, že AK má niekto diagnózu choroby žliaz s vnútorným vylučovaním, výživy a premeny látok, TAK je klient v staršom veku. 30. A=T 114 ==> Pohlavie=Zena 89 conf:(0.78) S určitosťou 78% môžeme potvrdiť, že AK klient kupuje lieky na tráviaci trakt a metabolizmus, TAK je to väčšinou žena. 86

87 31. A=T 114 ==> Vek=Starsi 89 conf:(0.78) S určitosťou 78% môžeme potvrdiť, že AK klient kupuje lieky na tráviaci trakt a metabolizmus, TAK je vo vyššom veku. 32. Cena_lieku=Lacny 1070 ==> PD=T 809 conf:(0.76) S určitosťou 76% môžeme potvrdiť, že ak je cena lieku nízka, tak ho predpisovali prievidzský lekári. 33. DI=T 531 ==> PD=T 401 conf:(0.76) S určitosťou 76% môžeme potvrdiť, že ak má klient diagnózu obehovej sústavy, tak mu predpisoval liek prievidzský lekár. 34. Aug=T 296 ==> Interval veku=starsi 223 conf:(0.75) S určitosťou 76% môžeme potvrdiť, že ak je predajné obdobie v auguste, tak nakupujú staršie osoby. 35. R=T 141 ==> Pohlavie=Zena 85 conf:(0.6) S určitosťou 60% môžeme potvrdiť, že AK klient kupuje lieky na respiračný systém, TAK je to väčšinou žena. 36. C=T 457 ==> Pohlavie_pri_kazdej_polozke=Zena Interval veku=starsi 250 conf:(0.55) S určitosťou 55% môžeme potvrdiť, že ak niekto nakupuje lieky na kardiovaskulárny systém, tak je to väčšinou staršia žena. V druhom rade hodnotíme pravidlá po kvalitatívne stránke. Pri kvalitatívnom hodnotení komunikujeme s expertom z lekárne Dr. Max a zisťujeme pravidlá, ktoré sú pre experta z danej oblasti nové a prinášajú užitočné informácie. Expert triedi znalosti na zrejmé, nové a zaujímavé, znalosti, znalosti ktoré sú v rozpore s poznatkami experta a znalosti, ktoré treba podrobiť ďalšiemu rozboru. Zrejmé znalosti, sú tie ktoré sú všeobecne známe a súhlasia s jeho poznatkami. Platí pre pravidlá: 1, 2, 3, 4, 5, 6, 7, 8, 9, 10, 13, 14, 15, 16, 17, 18, 20, 22, 24, 25, 27. Nové zaujímavé znalosti, sú tie ktoré prinášajú nové užitočné informácie v danej problematike: Platí pre pravidlá: 34. Znalosti v rozpore so znalosťami experta sú nasledovné pravidlá: 19, 21, 23, 28, 29, 30, 31, 33, 35. Pravidlá ktoré treba podrobiť ďalšiemu rozboru: 11, 12, 26, 32,

88 Medzi nové zaujímavé znalosti expert zaradil znalosť, že v období mesiac august nakupujú hlavne starší ľudia. S tým súvisia zrejmé znalosti, že starší ľudia nakupujú lieky na kardiovaskulárny systém a majú problémy s obehovou sústavou. Ďalšiemu rozboru je treba podmieniť skúmanie diagnózy choroby žliaz s vnútorným vylučovaním, výživy a premeny látok u starších osôb. Zamerať sa v ďalšom rozbore na predpisovanie lacnejších liečiv u pacientov praktickými lekármi. Kvantitatívnou analýzou dát v rozmedzí 100%-50% sme zistili, že sa nachádzajú všetky atribúty, ale nenachádzajú sa všetky hodnoty. Hodnoty, ktoré sa pri asociácii 500 pravidiel so spoľahlivosti minimálne do 50% nenachádzajú sú tieto: Vek: Deti, Mladez, Stredny_vek. Dátum: Jan, Feb, Mar, Apr, Maj, Jun, Jul, Sep. Diagnóza: DB, DC, DD, DF, DG, DH, DJ, DK, DL, DM, DN, DR, DS, DW, DZ. ATC_klasifikácia liekov: B, D, G, H, J, L, M, N, P, S, PPV, VMSI. Oblasť predaja: Han, Boj, Nov, PD_okr, mokr Využitie výsledkov, prínosy a návrhy Pri skúmaní analýzy nákupného košíka, boli nájdené zrejmé poznatky, ktoré boli pre experta známe a ukázali správnosť analýzy dát. Výsledky z analýzy je vhodné použiť pre: cielený marketing, logistiku, ďalšie skúmanie o nákupnom správaní klienta a návrhy na zlepšenie. Cielený marketing je možné orientovať na segment trhu, na ktorom máme nižší podiel, alebo na podporu predaja na trhu, kde už máme značný podiel. Prínosy z cieleného marketingu, by sa mali prejaviť na zvýšení obratu, vytvorení povedomia o firme a zvýšenie podielu na trhu. 88

89 Cielený marketing na trhu s nižším podielom V našom prípade najnižší podiel na trhu máme u detí a mládeže. Najčastejšie diagnózy deti a mládeže sú J-choroby dýchacej sústavy, G-choroby nervového systému, E-choroby žliaz s vnútorným vylučovaním, výživy a premeny látok, L-choroby kože a podkožného tkaniva, preto je vhodné zamerať sa podporu predaja liekov a voľno predajných liekov zo skupiny R-respiračný systém, N-centrálna nervová sústava, A-tráviaci trakt a metabolizmus, D-dermatologiká (pozri Obrázok 28). Keďže o deťoch a mládeži rozhodujú rodičia marketingová kampaň, by mala byť zameraná na predaj produktom deťom a mládeži cez rodičov. Na kampaň je vhodné použiť prostriedky: webová stránka Dr. Maxa, sociálnu sieť facebook, letákovú kampaň, informovanie klienta personálom, propagácia lekárne u lekárov v regióne. Je možné použiť aj iné drahšie nástroje marketingovej kampane, ale tieto návrhy musia vychádzať od vedenia a marketingového oddelenia lekárenskej siete Dr. Max. Obrázok 28 Cielený marketing na trhu s najnižším podielom 89

90 Cielený marketing na trhu s vyšším podielom V prípade cieleného marketingu na podporu trhu, kde máme najväčší podiel je vhodné sa zamerať na starších mužov a staršie ženy. Najčastejšie diagnózy u starších žien a mužov sú diagnózy I-choroby obehovej sústavy a E-choroby žliaz s vnútorným vylučovaním, výživy a premeny látok. Skupina liekov, ktoré liečia tieto diagnózy sú C-lieky pre kardiovaskulárny systém, A-lieky pre tráviaci a metabolizmus a DIA doplnky pre diabetikov. Z analýzy vyplýva jedna nová znalosť, že najväčší počet klientov je v období august. Cielený marketing môžeme ešte upriamiť a dodatočne podporiť pred augustom. Ďalej z analýzy vyplýva, že klienti nakupujú väčšinou lacnejšie liečivá, z čoho vyplýva, že im môžu byť ponúknuté doplnky stravy určené pre podporu liečby obehovej sústavy, alebo diabetesu (pozri Obrázok 29). Pri kampani je vhodné použiť prostriedky: letáková kampaň, informovanie klienta personálom, propagácie lekárne u lekárov. Kampaň je vhodné pripraviť pre mesiacom august, podľa štatistiky už máji sa začínajú zvyšovať tržby. Od mája, by mala prebiehať aktívna podpora predaja, ponúkaním voľno predajných výrobkov, vytváraním predajných balíčkov, alebo poskytovaním služieb zdarma, ktoré prilákajú klientov do lekárne. Obrázok 29 Cielený marketing na trhu s najvyšším podielom Logistika Výsledky z analýzy nákupného správania klientov je možné použiť pre lepšie plánovanie v oblasti logistiky. Keďže vieme, ktoré skupiny liekov sú nakupované klientmi, môžeme podľa toho ovplyvniť dodávku liekov do podniku. Samozrejme toto rozhodnutie 90

91 musí byť podporené inými vnútornými systémami, ktoré používajú pre sieť Dr. Max. Rozhodnutie sa musí odvíjať od spolupráce s distribútormi a dodávateľmi liečiv. Prínosom využitia v logistike je zníženie nákladov na skladovanie a prepravu liečiv. Ďalšie skúmanie o nákupnom správaní klienta a návrhy na zlepšenie Z analýzy nám vyšli ďalšie zaujímavé poznatky, ktoré by bolo vhodné podrobnejšie preskúmať. Bližšie by bolo dobré lepšie preskúmať pravidlo, ktoré vyjadruje, že ak liek predpisoval všeobecný prievidzský lekár, tak liek patrí do skupiny lacných liekov, alebo ak sa predá liek pre liečbu respiračného systému, väčšinou si ho kupujú ženy. Bližšie skúmanie, by nám otvorilo dvere do poznania nákupného správanie klientov a predpisovania lekárov. Pred ďalším bližším skúmaním je potrebné urobiť kroky na zlepšenie budúcej analýzy. Medzi odporúčania, by sme zaradili lepšie využívanie vernostných kariet. Vernostné zákaznícke karty v systéme WinnLSS ponúkajú možnosť zaznamenať informácie o zdravotnom stave klienta, informácie o jeho návykoch správania, ktoré môžu ohroziť zdravie a základné informácie ako sú jeho meno, priezvisko a vek. Tieto informácie sa lekárni Dr. Max nezapisujú a karty sú väčšinou vydané len na ID karty. Pre používanie znalostných systémov v podniku je nutné zaznamenávať čo najviac relevantných údajov, ktoré nám pomôžu čo najlepšie spoznať zákazníka. Ďalšie odporúčanie je prepojiť jednotlivú databázu klientov a ich nákupov, do jednej veľkej databáze, alebo zabezpečiť lepšiu manipuláciu s údajmi v programe WinnLSS. Lepšiu manipuláciu podobnú relačným dotazom v MS Access. Ak sa tieto kroky úspešne aplikujú ďalšie skúmanie dát, môže priniesť množstvo nových a relevantných znalostí, ktoré budú prínosom pre podnik. 4 Zhrnutie vlastného vkladu Konštatujeme, že medzi vlastné vklady práca patria nasledovné body: Identifikácia vhodných teoretických poznatkov pre obor skúmania; Spracovanie teoretických poznatkov z marketingu a nákupného správania klientov; Spracovanie teoretických poznatkov zo znalostného manažmentu a počítačového získavania znalostí; 91

92 Identifikácia vhodnej softvérovej podpory pre analýzu dát; Využitie etnologického výskumu na charakterizovanie slovenského nákupného správania; Spracovanie informácií o spoločnosti Dr. Max; Spracovanie informácií o víziách a marketingovom pláne lekárne Dr. Max; Pozorovanie vnútropodnikových procesov a prostredia lekárne; Zber údajov a štatistické vyhodnotenie údajov; Modelovanie, transformácia a použitie softvérovej podpory WEKA na finálnu analýzu dát; Vyhodnotenie získaných znalostí po kvantitatívnej a kvalitatívnej stránke; Aplikácia znalostí v podniku a návrhy na zlepšenie. Týmito jednotlivými bodmi sa podarilo naplniť hlavný cieľ práce a čiastkové ciele práce, ktorými sú: Etnologický výskum zameraný na slovenského spotrebiteľa Pozorovanie prostredie podniku, komunikácia s expertom aplikačnej oblasti Zber údajov a štatistické vyhodnotenie údajov Identifikácia alternatívnej softvérovej podpory na riešenie počítačového získania poznatkov z dát Aplikácia softvérovej podpory pre vytvorené modely skúmania Využitie výsledkov, prínosy a návrhy na zlepšenie V podniku Dr. Max v Prievidzi boli jednotlivé odporúčania prednesené a konzultované. Podnik si uvedomuje zlú situáciu pri zapisovaní údajov o klientoch. Podnik mesačne vytvára katalóg s predajom liekov, ktorého ponuku upraví podľa získaných znalostí. Ponuku zameria na podporu predaja produktov, ktoré pomáhajú pri liečbe najčastejších diagnóz najmä choroby obehovej sústavy. Podporu predaja zrealizujú prostredníctvom katalógového predaja a informovaním klientov personálom lekárne. Ostatné návrhy budú prejednané vedením siete Dr. Max. 92

93 Zoznam použitej literatúry AGRAWAL, R. et al A.I.: Fast discovery of association rules. USA : AAAI/MIT Press, ISBN ANAND, S. et al Towards Real-World Data Mining. In: Pracitcal Aspects of Knowledge Managment, Schweizer Informatiker Gesellschaft. s.l. : Basel, AUTOMATIZACE _beznzvu. [Online]. Dostupné na: [cit ]. BARTÁKOVÁ, V., CIBÁKOVÁ, G Základy Marketingu. 1. vydanie. Bratislava : Iura Edition, ISBN BASL, J., BLAŽÍČEK, R Podnikové informačné systémy - Podnik v informačnej spoločnosti. 2. vyd. Praha : Grada publishing, ISBN BAŤO, R., HORNÍKOVÁ, Z Etrend. Penta vstúpila do boja o rozdelenie trhu. [Online]. Dostupné na: [cit ]. BERKA, P Dobývanie znalostí z databází. Praha : Academia, BORGELT, CH Christian Borgelt s Web Pages. Apriori - Asociation Rule Induction / Frequent Item Set Mining. [Online]. Dostupné na: [cit ]. BURDA, M Získavaní znalostí z databáz - Asociační pravidla. [Online]. Dostupné na: [cit ]. CHAPMAN, P. et al CRISP-DM Step-by-step data mining guide. s.l. : SPSS, CRISTOFOR, L ARtool Project. [Online]. Dostupné na: [cit ]. FAYAAD, U. M. et al Advances in Knowledge Discovery and Data Mining. USA, NY : AAAI Press/Mit Press, ISBN

94 GAMIL, O Codeproject. [Online]. Dostupné na: [cit ]. GOLDRATT, M Jak vzniká zisk - Manažérsky román o tom, jak moderní technologie samy úspech nezaručí. Praha : Grada publishing, ISBN HASLER, M. et al, arules: Mining Association Rules and Frequent Items. cran. [Online] Dostupné na: [cit ]. JANOŠCOVÁ, R Vysoká škola manažmentu: Predmety: Jar 2012 [Bratislava]: MC 506s - Janošcová [online]. Prednáška 7.1 LP. [online]. Dostupné na: [cit ]. JANOŠCOVÁ, R Vysoká škola manažmentu: Predmety: Jar 2012 [Bratislava]: MC 506s - Janošcová [online]. Prednáška Príprava dát. [online]. Dostupné na: [cit ]. JANOŠCOVÁ, R Vysoká škola manažmentu: Predmety: Jar 2012 [Bratislava]: MC 506s - Janošcová [online]. Prednáška Vyhodnotenie výsledkov. [online]. Dostupné na: [cit ]. JANOŠCOVÁ, R Vysoká škola manažmentu: Predmety: Jar 2012 [Bratislava]: MC 506s - Janošcová [online]. Prednáška Získavanie poznatkov z praxi. [online]. Dostupné na: [cit ]. JANOŠCOVÁ, R Vysoká škola manažmentu: Predmety: Jar 2012 [Bratislava]: MC 506s - Janošcová [online]. Prednáška Získavanie poznatkov z databáz. [online]. Dostupné na: [cit ]. KATUŠČÁKOVÁ, M Manažment znalostí : sociálne aspekty. 1. vydanie. Žilina : Žilinská univerzita v Žiline, s ISBN KELEMEN, J. et al Pozvanie do znalostnej spoločnosti. Prvé vydanie. Bratislava : Iura Edition, s ISBN

95 KELEMEN, J. et al Kapitoly o znalostnej spoločnosti. 1. Vydanie. Bratislava : Iura Edition, s ISBN KELLER, K. L., Kotler, P Marketing management. 12. Vydanie. Praha : Grada Publishing a. s., s KITA, J. et al Marketing. 1. Vydanie. Bratislava : Iura Edition, s ISBN KLOSGEN, W. Zytkow, J. M Knowledge Discovery and Data Mining. Tutorial Notes. Trondheim : PKDD, KODRATOFF, I Comparing machine learning and knowledge discovery in databases. In: Lecture Notes from Machine Learning and Applications. 1. Vyd. Chania : ACAI 99, 1999 KOTLER, P Moderní marketing. 4 Evropské vydanie. Praha : Grada publishing a. s., ISBN LEKÁREŇ DR. MAX Lekáreň Dr. Max. [Online]. Dostupné na: [cit ]. LINOFF, G. S., BERRY, M. J Data Mining Techniques. 3. Vydanie. USA : Wiley, MATEJKA, P Pharminfo. [Online]. Dostupné na: ap%c3%a1rovanie%20adc%20%c4%8c%c3%8dseln%c3%8dka%20.phar macy.pdf [cit ]. MSSR Obchodný register. Výpis z obchodného registra Okresného súdu Košice. [Online]. Dostupné na: [cit ]. NISBET, R., ELDER, J., MINER, G Statistical Analysis & Data Mining Applications. 1. vyd. London : Elsevier Inc, s ISBN NOVOTNÝ, O. et al Měříme a porvnávame podnikovou informatiku. Praha : VŠE FIS,

96 PHARMINFO ADC číselník. ATC skupiny. [Online]. Dostupné na: [cit ]. PHARMINFO ADC Číselník. Rupafin 10 mg tablety tbl 15x10 mg. [Online]. Dostupné na: [cit ]. PRIEVIDZA Prievidza - analýza hospodárskeho a sociálneho rozvoja mesta Prievidza. [Online]. Dostupné na: [cit ]. RAKOTOMALALA, R TANAGRA. [Online]. Dostupné na: [cit ]. RAKOVSKÁ, E Učebné podklady pre predmet znalostné inžinierstvo KM503, časť z dizertačnej práce "Manažment znalostí vo verejnej správe". Bratislava : Vysoká škola manažmentu v Trenčíne, City University of Seattle, THE NATIONAL UNIVERSITY OF SINGAPORE Data Mining II. Data Mining II. [Online]. Dostupné na: [cit ]. SITA Poistovne.sk. Penta avizuje strategickú investíciu v miliardách korún. [Online]. Dostupné na: [cit ]. STATSOFT Statsoft. [Online]. Dostupné na: [cit ]. ŠTATISTICKÝ ÚRAD SLOVENSKEJ REPUBLIKY Priemerná mesačná mzda v hospodárstve SR v roku [Online]. Dostupné na: [cit ]. ŠULC, M LISp-Miner. [Online]. Dostupné na: [cit ] 96

97 VITALION Antimykotikum. [Online]. Dostupné na: [cit ]. VYSOKÁ ŠKOLA EKONOMICKÁ LISp-Miner homepage. [Online]. Dostupné na: [cit ] THE UNIVERSITY OF WAIKATO WEKA - Machine Learning Group. [Online]. Dostupné na: [cit ]. WIKIPEDIA Algoritmus. [Online]. Dostupné na: [cit ]. WIKIPEDIA Anatomicko-terapeuticko-chemický klasifikačný systém. [Online]. Dostupné na: 3.BArove.C5.88. [cit ]. Zákon č. 663/2007 Z.z. o minimálnej mzde. Zákon č. 601/2003 o životnom minime. Zákon č. 663/2007 Z.z. o minimálnej mzde. Zákon č. 601/2003 o životnom minime. Zákon č. 271/1949 o výrobe a distribúcií liečiv. Zákon 67/2010 Z.z. o podmienkach uvedenia chemických látok a chemických zmesí na trh a o zmene a doplnení niektorých zákonov (chemický zákon) 97

98 Prílohy Príloha A: CD médium diplomová práca v elektronickej podobe, prílohy v elektronickej podobe (DP_Jakus_CR_V1.docx, DP_Jakus.pdf) Príloha B: Záznam z etnologického výskumu Príloha C: Medzinárodná klasifikácia chorôb E, I, J Príloha D: ATC klasifikácia liekov Príloha E: Paretova analýza v pôvodnej veľkosti Príloha F: Výpis získaných pravidiel 98

99 Príloha B

100 Príloha D

101