C-TREND: Temporal Cluster Graphs for Identifying and Visualizing Trends in Multiattribute Transactional Data

2008 ◽  
Vol 20 (6) ◽  
pp. 721-735 ◽  
Author(s):  
G. Adomavicius ◽  
J. Bockstedt
Keyword(s):  
Temporal Cluster ◽  
Transactional Data ◽  
Cluster Graphs

Pemanfaatan Metode K-Means Dalam Penentuan Persediaan Barang

2018 ◽  
Vol 6 (1) ◽  
pp. 41-48
Author(s):  
Santoso Setiawan
Keyword(s):  
Data Mining ◽  
Stock Management ◽  
Transaction Data ◽  
Business People ◽  
Cluster Data ◽  
Data Clusters ◽  
Inventory Strategy ◽  
Transactional Data

Abstract   Inaccurate stock management will lead to high and uneconomical storage costs, as there may be a void or surplus of certain products. This will certainly be very dangerous for all business people. The K-Means method is one of the techniques that can be used to assist in designing an effective inventory strategy by utilizing the sales transaction data that is already available in the company. The K-Means algorithm will group the products sold into several large transactional data clusters, so it is expected to help entrepreneurs in designing stock inventory strategies.   Keywords: inventory, k-means, product transaction data, rapidminer, data mining   Abstrak   Manajemen stok yang tidak akurat akan menyebabkan biaya penyimpanan yang tinggi dan tidak ekonomis, karena kemungkinan terjadinya kekosongan atau kelebihan produk tertentu. Hal ini sangat berbahaya bagi para pelaku bisnis. Metode K-Means adalah salah satu teknik yang dapat digunakan untuk membantu dalam merancang strategi persediaan yang efektif dengan memanfaatkan data transaksi penjualan yang telah tersedia di perusahaan. Algoritma K-Means akan mengelompokkan produk yang dijual ke beberapa cluster data transaksi yang umumnya besar, sehingga diharapkan dapat membantu pengusaha dalam merancang strategi persediaan stok.   Kata kunci: data transaksi produk, k-means, persediaan, rapidminer, data mining.

DISTRIBUTED PROCESSING OF LARGE VOLUMES OF TRANSACTIONAL DATA

2020 ◽  
pp. 27-36
Author(s):  
O. Dmytriieva ◽  
◽  
D. Nikulin
Keyword(s):  
Distributed Processing ◽  
Apache Spark ◽  
Hadoop Mapreduce ◽  
Transactional Data

Роботу присвячено питанням розподіленої обробки транзакцій при проведенні аналізу великих обсягів даних з метою пошуку асоціативних правил. На основі відомих алгоритмів глибинного аналізу даних для пошуку частих предметних наборів AIS та Apriori було визначено можливі варіанти паралелізації, які позбавлені необхідності ітераційного сканування бази даних та великого споживання пам'яті. Досліджено можливість перенесення обчислень на різні платформи, які підтримують паралельну обробку даних. В якості обчислювальних платформ було обрано MapReduce – потужну базу для обробки великих, розподілених наборів даних на кластері Hadoop, а також програмний інструмент для обробки надзвичайно великої кількості даних Apache Spark. Проведено порівняльний аналіз швидкодії розглянутих методів, отримано рекомендації щодо ефективного використання паралельних обчислювальних платформ, запропоновано модифікації алгоритмів пошуку асоціативних правил. В якості основних завдань, реалізованих в роботі, слід визначити дослідження сучасних засобів розподіленої обробки структурованих і не структурованих даних, розгортання тестового кластера в хмарному сервісі, розробку скриптів для автоматизації розгортання кластера, проведення модифікацій розподілених алгоритмів з метою адаптації під необхідні фреймворки розподілених обчислень, отримання показників швидкодії обробки даних в послідовному і розподіленому режимах з застосуванням Hadoop MapReduce. та Apache Spark, проведення порівняльного аналізу результатів тестових вимірів швидкодії, отримання та обґрунтування залежності між кількістю оброблюваних даних, і часом, витраченим на обробку, оптимізацію розподілених алгоритмів пошуку асоціативних правил при обробці великих обсягів транзакційних даних, отримання показників швидкодії розподіленої обробки існуючими програмними засобами. Ключові слова: розподілена обробка, транзакційні дані, асоціативні правила, обчислюваний кластер, Hadoop, MapReduce, Apache Spark

BEHAVIOR OF ENERGY FOR A CLASS OF CLUSTER GRAPHS

2020 ◽  
Vol 9 (7) ◽  
pp. 4807-4815
Author(s):  
S. S. Shinde ◽  
S. B. Gudimani ◽  
N. Swamy ◽  
H. S. Ramane
Keyword(s):  
Cluster Graphs

Transactional data structure libraries

2016 ◽  
Author(s):  
Alexander Spiegelman ◽  
Guy Golan-Gueta ◽  
Idit Keidar
Keyword(s):  
Data Structure ◽  
Transactional Data

Measuring and forecasting retail trade in real time using card transactional data

2021 ◽  
Author(s):  
Juan R. García ◽  
Matías Pacce ◽  
Tomasa Rodrigo ◽  
Pep Ruiz de Aguirre ◽  
Camilo A. Ulloa
Keyword(s):  
Real Time ◽  
Retail Trade ◽  
Transactional Data

scholarly journals A spatio-temporal cluster analysis of structurally deficient bridges in the contiguous USA

2020 ◽  
Vol 4 ◽  
pp. 100034
Author(s):  
R.W. Amin ◽  
S. Kocak ◽  
H.E. Sevil ◽  
G.P. Peterson ◽  
J.T. Hamilton ◽  
...  
Keyword(s):  
Cluster Analysis ◽  
Temporal Cluster ◽  
Spatio Temporal

Parallel mining frequent patterns over big transactional data in extended mapreduce

2013 ◽  
Author(s):  
Hui Chen ◽  
Tsau Young Lin ◽  
Zhibing Zhang ◽  
Jie Zhong
Keyword(s):  
Frequent Patterns ◽  
Parallel Mining ◽  
Transactional Data
Sign in / Sign up

Export Citation Format

Share Document