論文の概要: A Pipeline for Business Intelligence and Data-Driven Root Cause Analysis on Categorical Data

• arxiv url: http://arxiv.org/abs/2211.06717v1
• Date: Sat, 12 Nov 2022 18:12:10 GMT
• ステータス: 処理完了
• システム内更新日: 2022-11-15 16:28:49.401627
• Title: A Pipeline for Business Intelligence and Data-Driven Root Cause Analysis on Categorical Data
• Title（参考訳）: カテゴリーデータに基づくビジネスインテリジェンスとデータ駆動根本原因分析のためのパイプライン
• Authors: Shubham Thakar, Dhananjay Kalbande
• Abstract要約: 本稿では,データからビジネスインサイトを得るための新たなクラスタリングとアソシエーションルールマイニングパイプラインを提案する。 イベントの発生は、生成されたルールの先行者によって説明される。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Business intelligence (BI) is any knowledge derived from existing data that may be strategically applied within a business. Data mining is a technique or method for extracting BI from data using statistical data modeling. Finding relationships or correlations between the various data items that have been collected can be used to boost business performance or at the very least better comprehend what is going on. Root cause analysis (RCA) is discovering the root causes of problems or events to identify appropriate solutions. RCA can show why an event occurred and this can help in avoiding occurrences of an issue in the future. This paper proposes a new clustering + association rule mining pipeline for getting business insights from data. The results of this pipeline are in the form of association rules having consequents, antecedents, and various metrics to evaluate these rules. The results of this pipeline can help in anchoring important business decisions and can also be used by data scientists for updating existing models or while developing new ones. The occurrence of any event is explained by its antecedents in the generated rules. Hence this output can also help in data-driven root cause analysis.
• Abstract（参考訳）: ビジネスインテリジェンス(bi)は、ビジネス内で戦略的に適用される既存のデータから得られた知識である。 データマイニングは、統計データモデリングを用いてデータからBIを抽出する技術または方法である。 収集されたさまざまなデータ項目間の関係や相関関係を見つけることで、ビジネスパフォーマンスの向上や、少なくとも何が起こっているのか理解を深めることができる。 root cause analysis (rca) は、適切な解を特定するために問題や事象の根本原因を発見することである。 RCAは、イベントが発生した理由を示し、将来的な問題の発生を避けるのに役立つ。 本稿では,データからビジネスインサイトを得るための新たなクラスタリングとアソシエーションルールマイニングパイプラインを提案する。 このパイプラインの結果は、これらのルールを評価するために、連続性、先行性、および様々なメトリクスを持つアソシエーションルールの形式でなされる。 このパイプラインの結果は、重要なビジネス判断のアンカーとなり、データサイエンティストが既存のモデルのアップデートや新しいモデルの開発に使用できる。 イベントの発生は、生成されたルールの先行者によって説明される。 したがって、この出力はデータ駆動の根本原因分析にも役立つ。

関連論文リスト

• New Rules for Causal Identification with Background Knowledge [59.733125324672656]
  オープンな問題に対する新たな視点を提供するBKを導入するための2つの新しいルールを提案する。 これらのルールは、観測データによる因果効果のセットを決定するなど、典型的な因果関係のタスクに適用可能であることを示す。
  論文  参考訳（メタデータ） (2024-07-21T20:21:21Z)
• Federated Causal Discovery from Heterogeneous Data [70.31070224690399]
  任意の因果モデルと異種データに対応する新しいFCD法を提案する。 これらのアプローチには、データのプライバシを保護するために、生データのプロキシとして要約統計を構築することが含まれる。 提案手法の有効性を示すために, 合成および実データを用いた広範囲な実験を行った。
  論文  参考訳（メタデータ） (2024-02-20T18:53:53Z)
• Multi-modal Causal Structure Learning and Root Cause Analysis [67.67578590390907]
  根本原因局所化のためのマルチモーダル因果構造学習手法であるMulanを提案する。 ログ選択言語モデルを利用してログ表現学習を行い、ログシーケンスを時系列データに変換する。 また、モダリティの信頼性を評価し、最終因果グラフを共同学習するための新しいキーパフォーマンスインジケータ対応アテンション機構も導入する。
  論文  参考訳（メタデータ） (2024-02-04T05:50:38Z)
• PyRCA: A Library for Metric-based Root Cause Analysis [66.72542200701807]
  PyRCAは、AIOps(AIOps)のためのRoot Cause Analysis(RCA)のオープンソースの機械学習ライブラリである。 複雑なメトリクス因果依存性を明らかにし、インシデントの根本原因を自動的に特定する、包括的なフレームワークを提供する。
  論文  参考訳（メタデータ） (2023-06-20T09:55:10Z)
• $\texttt{causalAssembly}$: Generating Realistic Production Data for Benchmarking Causal Discovery [1.3048920509133808]
  我々は、因果探索手法のベンチマークをサポートする半合成製造データを生成するシステムを構築した。 我々は、柔軟に推定し、条件分布を表すために分布ランダムな森林を用いる。 このライブラリを用いて、よく知られた因果探索アルゴリズムをベンチマークする方法を示す。
  論文  参考訳（メタデータ） (2023-06-19T10:05:54Z)
• Mining Root Cause Knowledge from Cloud Service Incident Investigations for AIOps [71.12026848664753]
  サービス破壊インシデントの根本原因分析(RCA)は、ITプロセスにおける最も重要かつ複雑なタスクの1つです。 本研究では、Salesforceで構築されたICAと、ダウンストリームのインシデントサーチとレトリーバルベースのRCAパイプラインについて紹介する。
  論文  参考訳（メタデータ） (2022-04-21T02:33:34Z)
• Federated Causal Discovery [74.37739054932733]
  本稿では,DAG-Shared Federated Causal Discovery (DS-FCD) という勾配学習フレームワークを開発する。 ローカルデータに直接触れることなく因果グラフを学習し、データの不均一性を自然に扱うことができる。 合成および実世界の両方のデータセットに対する大規模な実験により,提案手法の有効性が検証された。
  論文  参考訳（メタデータ） (2021-12-07T08:04:12Z)
• Bayesian Model Averaging for Data Driven Decision Making when Causality is Partially Known [0.0]
  我々はベイズモデル平均化(BMA)のようなアンサンブル法を用いて因果グラフの集合を推定する。 潜在的な介入の期待値とリスクを明示的に計算して意思決定を行います。
  論文  参考訳（メタデータ） (2021-05-12T01:55:45Z)
• PROVED: A Tool for Graph Representation and Analysis of Uncertain Event Data [0.966840768820136]
  プロセスマイニングの分野は、歴史的なプロセス実行を分析して、データ駆動方式でプロセスを研究することを目的としている。 近年のイベントデータは,不確実なイベントデータを含むプロセスマイニングコミュニティの関心を集めている。 PROVEDツールは、このような不確実なイベントデータを探索、ナビゲート、分析するのに役立ちます。
  論文  参考訳（メタデータ） (2021-03-09T17:11:54Z)
• Back to Prior Knowledge: Joint Event Causality Extraction via Convolutional Semantic Infusion [5.566928318239452]
  複合イベントと因果関係抽出は,情報検索とデータマイニングにおいて極めて重要な課題である。 共同抽出フレームワーク内で長さの異なる n-gram の頻繁な窓に対する畳み込み知識注入を提案する。 我々のモデルは強力なBERT+CSNNベースラインをはるかに上回る。
  論文  参考訳（メタデータ） (2021-02-19T13:31:46Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。