Documente Academic
Documente Profesional
Documente Cultură
The Need To Use Data Mining Techniques in E-Busine
The Need To Use Data Mining Techniques in E-Busine
net/publication/227382866
CITATIONS READS
0 51
1 author:
SEE PROFILE
Some of the authors of this publication are also working on these related projects:
All content following this page was uploaded by Claudia Elena Dinuca on 08 October 2019.
Rezumat : Abstract :
Numărul utilizatorilor de Internet a crescut de The number of Internet users rose from 400
la 400 de milioane în 2000 la puţin peste 2 miliarde million in 2000 to just over 2 billion in early 2011.
la începutul lui 2011. Aceasta înseamnă că This means that approximately one third of the
aproximativ o treime din populaţia globului world's population uses the internet. Taking these
utilizează Internetul. În aceste condiţii modul în conditions into consideration, the way how
care sunt gândite afacerile trebuie schimbat. businesses are designed need to be changed
Multe firme, care, în condiţiile secolului trecut, Many companies that, over the last century
nici măcar nu puteau visa că ar putea să aibă un could not even dream that could have a certain
anumit volum de activitate sau că ar putea să facă volume of activity or they could face competition
faţă concurenţei giganţilor din industria lor, au with industry giants, have succeeded in giving to
reuşit să se bucure de un mare succes. Putem da enjoy great success. For example: Amazon.com,
doar un exemplu: Amazon.com, înfiinţată în 1995, founded in 1995, had in 1999 a turnover of at least
avea în 1999 o cifră de afaceri de cel puţin 13 ori 13 times higher than other prestigious names in the
mai mare decât alte nume de prestigiu din SUA, U.S., such as Barnes & Noble and Borders Books
cum ar fi Barnes & Nobles şi Borders Books & & Music.
Music. E-business is the key to make life easier for the
E-business este cheia pentru a face viaţa mai people.
uşoară pentru oameni. Knowledge of e-business environment is
Cunoaşterea mediului e-business este esenţială essential for doing business in this century. More
pentru a putea face afaceri în acest secol. Mai must be understood and new technologies applied
mult, trebuie înţelese şi aplicate noile tehnologii de to extract knowledge from data.
extragere a cunoştinţelor din date.
CUVINTE CHEIE: data mining, clusterizare, KEYWORDS: data mining, clustering, regresion,
regresie, reguli de asociere, e-business. asociation rule, e-business.
1. Introducere 1. Introduction
Istoric, noţiunii determinării modelelor Historically, the notion of determining patterns
(informaţii inteligibile) din date i-a fost data o (understandable information) of data was given a
varietate de nume de către statisticieni şi variety of names by statisticians and community
comunitatea profesională care lucrează cu baze de professionals working with databases and data
date şi exploatări de date (data mining), cunoştinţe mining (data mining), knowledge of data mining,
de data mining, descoperirea de informaţii, discovery information, harvesting information,
recoltararea informaţiilor, arheologia şi prelucrarea data archeology and processing forms (patterns) of
datelor, forme (modele) de date. Sistemul de data. The Knowledge Discovery System which is
descoperire a cunoştinţelor, care este capabil să able to operate on large scale database system is
lucreze în sistemul de baze de date de mari called Knowledge Discovery in Databases System-
dimensiuni se numeste Descoperirea Cunoştinţelor KDD.
în sisteme de baze de date -KDD. KDD term first appeared in 1989. By definition,
Termenul KDD a apărut pentru prima dată în KDD is „a non-trivial process of extracting
1989. Prin definiţie, KDD este “un proces non-
information, previously unknown and potentially
triviale de extragere a informaţiilor, date anterior
necunoscute şi potenţial utile” dar şi ca “ştiinţa de a useful data” but as „the science of extracting
167
Annals of the „Constantin Brâncuşi” University of Târgu Jiu, Economy Series, Issue 3/2011
Analele Universităţii “Constantin Brâncuşi” din Târgu Jiu, Seria Economie, Nr. 3/2011
extrage informaţii utile din masive de baze de useful information from massive data or databases”
date”, dupa Fayyad şi alţii, 1996. În acest context, according to Fayyad and others, 1996. In this
datele sunt o colecţie de fapte, şi modelul este un context, the data is a collection of facts, and the
nivel superior de exprimare care descrie datele sau model is a higher level of expression that describes
un subset din acestea. În analiza datelor, the data or a subset there of. The data analysis
caracteristicile modelelor pe care KDD le identifică features of models that KDD identifies must be
trebuie să fie valide, de noutate, neredundante, valid, novelty, without repetitions, useful and
folositoare şi în cele din urmă de înţeles. Un model ultimately understandable. A model is correctly
corect este acela care descrie datele cu ceva grade describing the data with some degree of safety.
de siguranţă. În final, este de dorit ca modelele Finally, it is desirable that the models found to be
descoperite să fie de înţeles pentru a putea fi understood so being further analyzed to study the
analizate ulterior pentru a studia cauzele şi efectele. causes and effects. Because Data Mining is the
Deoarece extragerea de date (Data Mining) este central part of the process of knowledge discovery
partea centrală a procesului de descoperire de from databases (KDD), the terms data mining and
cunoştinţe din bazele de date (KDD), termenii data knowledge discovery in databases were used
mining şi descoperirea de cunoştinţe din baze de alternately for many researchers in the field. Lately,
date au fost utilizaţi alternativ de mulţi cercetători however, is a clear distinction between the two
din domeniu. În ultimul timp însă, se face o terms. The distinction is related to that of
distincţie clară între cei doi termeni. Distincţia care knowledge discovery in databases (KDD) can be
se face este referitoare la faptul că descoperirea de considered as the extraction of useful and
cunoştinţe din bazele de date (KDD) poate fi interesting information from the database. The
considerată ca procesul de extragere a informaţiilor authors who distinguish between DM and KDD as
folositoare şi interesante din baza de date. Autorii KDD is considered an iterative and interactive
care fac deosebire între DM şi KDD consideră complex process that includes DM. KDD refers to
KDD ca fiind un process iterativ şi interactiv the process of discovering useful knowledge from
complex, care include DM. KDD se referă la data, while data mining refers to a particular step in
procesul de descoperire a cunoştinţelor folositoare this process. Data mining represents the application
din date, în timp ce data mining se referă la un pas of specific algorithms for extracting patterns
particular din acest proces. Data mining reprezintă (models) of data.
aplicarea unor algoritmi specifici pentru extragerea
pattern-urilor (modelelor) din date.
Drept o consecinţă a disponibilizării marilor As a consequence of the dismissal of large
rezervoare de date s-a dezvoltat data mining. reservoirs of data has developed data mining.
Colectarea datelor în diverse formate de digitizare a Collecting data in various formats, digitization
began in the 60s allowing a retrospective analysis
început în anii '60 permiţând o analiză retrospectivă
of data by computer. In the 80s came relational
a datelor prin intermediul calculatorului. În anii '80 databases with Structured Query Language (SQL)
au aparut bazele de date relaţionale împreuna cu and application that allows dynamic data analysis.
Structured Query Language (SQL) permiţând The 90s years are characterized by an explosion of
analizarea dinamica la cerere a datelor. Anii '90 data. To store them it began to use data
sunt caracterizaţi de o explozie a datelor. Pentru warehouses. In response to the challenges faced by
stocarea lor au început să se folosească depozitele the community of specialists in database data
mining appeared, dealing with massive amounts of
de date (data warehouses). Drept răspuns la
data, applying statistical analysis and search
provocările cu care s-a confruntat comunitatea techniques specific to artificial intelligence on the
specialiştilor în baze de date a apărut data mining, data. The role of data mining is the extraction of
care se ocupă cu cantităţi masive de date, aplicarea new knowledge, implicit and direct action of large
analizei statistice şi aplicarea tehnicilor de cautare data collections, discovering things that are not
specifice inteligenţei artificiale asupra datelor. obvious from the data, which can not be extracted
Rolul data mining este extragerea de cunoştinţe noi, manually, representing useful information that can
improve the current action process.
implicite şi cu acţiune directă din colecţii mari de
date, descoperirea lucrurilor care nu sunt evidente
din date, care nu pot fi extrase manual,
reprezentând informaţii folositoare care pot
îmbunătăţi procesul curent de acţiune.
168
Annals of the „Constantin Brâncuşi” University of Târgu Jiu, Economy Series, Issue 3/2011
Analele Universităţii “Constantin Brâncuşi” din Târgu Jiu, Seria Economie, Nr. 3/2011
Annals of the „Constantin Brâncuşi” University of Târgu Jiu, Economy Series, Issue 3/2011
Analele Universităţii “Constantin Brâncuşi” din Târgu Jiu, Seria Economie, Nr. 3/2011
170
Annals of the „Constantin Brâncuşi” University of Târgu Jiu, Economy Series, Issue 3/2011
Analele Universităţii “Constantin Brâncuşi” din Târgu Jiu, Seria Economie, Nr. 3/2011
Annals of the „Constantin Brâncuşi” University of Târgu Jiu, Economy Series, Issue 3/2011
Analele Universităţii “Constantin Brâncuşi” din Târgu Jiu, Seria Economie, Nr. 3/2011
semnificativ mai mare decât a mulţimii de coşuri In the case of clickstream analysis is working on
conţinând bere. Rezultatul acestui studiu ajută a database with server sessions that record user
vânzătorii în procesul de aşezare a articolelor în requests. User sessions are sequences S = (s1 ,...,
rafturi şi controlează modul în care un cumpărator sn) formats with the pages visited by the user.
tipic traversează magazinul. Determination of frequent links and association
În cazul analizei click-urilor se lucrează pe o rules is essential for the clickstream analysis
bază de date cu sesiunile serverului care problem, how users navigate the Internet and
înregistrează solicitările utilizatorilor. Sesiunile accessing various sites.
utilizatorilor sunt secvenţe S=(s1,...,sn) formate cu Sequential Association Rules
paginile vizitate de utilizator. Determinarea link- Often, transactions are recorded taking into account
urilor frecvente şi a regulilor de asociere este a temporal sequence. For example, transactions for
esenţială pentru problema analizei click-urilor, loyalty card holders correspond to sales receipts
modul în care utilizatorii navighează pe Internet şi sequence. Transactions that record navigation paths
accesează diverse site-uri. followed by a web user is associated with a
Reguli de asociere secvenţiale temporal sequence of sessions. In such situations,
De multe ori, tranzacţiile sunt înregistrate analysts are keen to extract association rules that
ţinând cont de o secvenţă temporală. De exemplu, take into account temporal dependencies.
tranzacţiile pentru deţinătorii unui card de loialitate Sequential analysis is used to determine patterns of
corespund secvenţei de chitanţe de vânzare. data using a temporal sequence of states. The
Tranzacţiile care înregistrează căile de navigare problem of discovering sequential rules was first
urmate de către un anumit utilizator web sunt introduced by Agrawal and Srikant in [2].
asociate cu o secvenţă temporală a sesiunilor. În Classification and regression are forms of
astfel de situaţii, analiştii sunt interesaţi să extragă supervised learning. Classification and regression
regulile de asociere care iau în considerare are the largest category of applications, consisting
dependenţe temporale. Problema descoperirii of building models to forecast the membership to a
regulilor secvenţiale a fost introdusă prima dată de set of class (classification) or to forecast of some
către Agrawal şi Srikant în [2]. values (regression). There are several techniques
Clasificarea şi regresia sunt fome de învăţare devoted to solving problems of classification and
supervizată. Clasificarea şi regresia reprezintă cea regression, including decision trees, Bayesian
mai largă categorie de aplicaţii, constând în techniques, neural networks and k-NN enjoy wide
construirea de modele în scopul previzionării recognition.
apartenenţei la un set de clase (clasificare) sau a unor
valori (regresie). Există câteva tehnici dedicate Supervised learning techniques aim to generate
rezolvării problemelor de clasificare şi regresie, automatic induction mechanisms with predictive
dintre care arborii decizionali, tehnica Bayes, reţelele power by extracting information contained in the
neuronale şi k-NN se bucură de o largă recunoaştere. database and their transformation into a knowledge
Tehnicile de învăţare supervizate au drept scop base.
să genereze mecanisme de inducţie automată cu There are two main classes of algorithms for
mare putere predictivă prin extragerea informaţiilor induction:
conţinute în baza de date şi transformarea lor într-o Classification algorithms - when the variable is
baza de cunoştinţe. Există două mari clase de done about that prediction is qualitative (nominal
algoritmi de inducţie : or ordinal) or quantitative with discrete values;
Algoritmi de clasificare - când variabila în Regression algorithms - when the variable
legatură cu care se realizează predicţia este de tip about which the prediction is made is still
calitativ (nominală sau ordinală) sau este cantitativă quantitative continue (it takes real values).
cu valori discrete; Classification is the process of seeking common
Algoritmi de regresie - când variabila în properties from objects sets of class data and are
legătura cu care se realizează predicţia este classified into different classes according to a
cantitativă continuă (ia valori reale). classification model. Classification allows you to
Clasificarea reprezintă procesul prin care se create models to predict class members. The
caută proprietăţi comune în seturi de obiecte din purpose of classification is primarily driven
clase de date şi se clasifica în clase diferite în analysis based on these data and development of a
conformitate cu un model de clasificare. model, an exact description of each class using the
Clasificarea permite crearea modelelor pentru features of the available data. In order to be used
prezicerea membrilor unei clase. Scopul clasificării the clasifier must first learn a mapping from a set of
este în primul rând analiza datelor antrenate şi input variables and their values to predict output
dezvoltarea pe baza acestor date a unui model, o values for decision variables. Classifier can be used
descriere exactă pentru fiecare clasă folosind to predict output variables values using input
trăsăturile disponibile ale datelor. Clasificatorul
172
Annals of the „Constantin Brâncuşi” University of Târgu Jiu, Economy Series, Issue 3/2011
Analele Universităţii “Constantin Brâncuşi” din Târgu Jiu, Seria Economie, Nr. 3/2011
Annals of the „Constantin Brâncuşi” University of Târgu Jiu, Economy Series, Issue 3/2011
Analele Universităţii “Constantin Brâncuşi” din Târgu Jiu, Seria Economie, Nr. 3/2011
multe transformări ale datelor de intrare în scopul Defining a measure of proximity in a crowd.
obţinerii unor noi caracteristici dominante. The proximity of elements is measured by the
Definirea unei măsuri de proximitate în cadrul distance function defined on pairs of elements.
unei mulţimi. Proximitatea elementelor este Similarity measures can be used to characterize the
măsurată printr-o funcţie de distanţă definită pe conceptual similarity between two or more items.
perechi de elemente. Măsurile de asemanare pot fi Clustering process can be accomplished in
folosite şi pentru a caracteriza similitudinea several ways. Output data can be hard (separation
conceptuală dintre doua sau mai multe elemente. of elements in clearly defined groups) or fuzzy (in
Procesul de clustering poate fi realizat în mai which each element has a variable degree of
multe feluri. Datele de ieşire pot fi „hard” (separarea membership of each group results)
elementelor în grupe clar determinate) sau fuzzy (în Extraction of results is the process of obtaining
care fiecare element are un grad variabil de results in a simpler form and representative.
apartenenţă la fiecare din grupele rezultate) Extraction results is a concise description of each
Extragerea rezultatelor reprezintă procesul de group obtained, usually in the form of
obţinere a rezultatelor într-o formă cât mai simplă representative elements. All clustering algorithms
şi reprezentativă. Extragerea rezultatelor reprezintă should lead to the achievement of groups / classes
o descriere concisă a fiecarei grupe obţinute, de for any set of inputs. If in the process of using a
obicei prezentate sub formă unor elemente clustering algorithm does not get group items, then
reprezentative. Toţi algoritmii de clusterizare ar apply another algorithm that can provide better
trebui să conducă la obţinerea unor grupe/clase results than the previous.
pentru orice mulţime de date de intrare. Dacă în Validity analysis group performed an evaluation
urma procesului de clustering folosind un anumit of clustering process, usually a criterion for
algoritm nu se obţine gruparea elementelor, atunci optimization. It is checked if the results of spatial
se aplicţ un alt algoritm care poate furniza rezultate clustering are correct.
mai bune decat cel anterior. 4. Applications of data mining methods
Analiza validitătii grupelor efectuează o in e-business
evaluare a rezultatelor procesului de clustering, de Direct Marketing. Due to the size and
obicei un criteriu de optimizare. Se verifică dacă complexity of the current market, mass marketing
rezultatele grupării spaţiale sunt corecte. has become increasingly expensive, unprofitable,
4. Aplicaţii ale metodelor data-mining în so being replaced by direct marketing, which is
e-business based on selecting target groups of clients and
Marketingul Direct. Datorită dimensiunii şi establishing individual corelations with them on
complexităţii pieţei actuale, marketing-ul de masă a multiple channels. Thus, companies strategic are
devenit tot mai scump, neprofitabil fiind înlocuit de repositioned, product-centric orientation quickly
marketingul direct, care se bazează pe selectarea transforms to a client centric.
grupurilor ţintă de clienţi şi stabilirea de Customer Relationship Management (CRM)
interacţiuni individuale cu aceştia pe multiple target is to develop strategies to attract new
canale de comunicare. Astfel, companiile se customers, maintain existing ones and regaining
repoziţioneaza strategic, orientarea produs-centrică those who migrated to other bidders. From
se transformă rapid în una client centrică. operational point, CRM includes all activities
Managementul relaţilor cu clienţi (CRM) are relating to direct contact with the consumer. At the
ca obiect elaborarea de strategii pentru atragerea de analytical level, CRM provides a number of methods
noi clienţi, menţinerea celor existenţi şi for analyzing customer behavior by analyzing data
recâştigarea celor care au migrat către alţi ofertanţi. obtained through transaction processing systems.
La nivel operaţional, CRM cuprinde toate Analytical customer relationship management
activităţile ce privesc contactul direct cu has three major objectives:
consumatorul. La nivel analitic, CRM furnizează o Market segmentation, which is the division of
serie de metode pentru analiza comportamentului customers into homogeneous groups based on the
clienţilor prin analiza datelor obţinute prin internal as manifested similarities (habits, tastes,
sistemele de procesare a tranzacţiilor. affinities), this group is more heterogeneous among
Managementul analitic al relaţiilor cu clienţii themselves. Thus, the firm may treat different
are trei obiective majore : segments of customers personalized and can be
Segmentarea pieţei , care reprezintă procesul de concentrated on certain target groups that
împărţire a clienţilor în grupe cât mai omogene correspond to some criteria of profitability.
intern pe baza similarităţilor manifestate (obiceiuri, Consumer profiling involves modeling
gusturi, afinităţi), aceste grupe fiind cât mai consumer behavior based on a wide range of
eterogene între ele. Astfel, firma poate trata attributes such as the geographical, cultural and
personalizat diverse segmente de clienţi şi se poate ethnic, economic conditions, frequency of
174
Annals of the „Constantin Brâncuşi” University of Târgu Jiu, Economy Series, Issue 3/2011
Analele Universităţii “Constantin Brâncuşi” din Târgu Jiu, Seria Economie, Nr. 3/2011
concentra prioritar asupra anumitor grupuri ţintă ce lifestyle, media used, method of recruitment that
corespund anumitelor criterii de profitabilitate. the customer response.
Stabilirea profilului consumatorului presupune Positioning the product in the preferences of
modelarea comportamentului consumatorilor în potential customers is a marketing tool focused on
funcţie de o paletă largă de atribute precum sunt identifying the most attractive features of a product
cele geografice, culturale şi etnice, condiţii to maximize customer temptation of buying it.
economice; frecvenţa de cumpărare, frecvenţa Hence the so-called problem of shopping basket
plângerilor şi reclamaţiilor, preferinţele şi gradul analysis. It determines the probability that certain
lor de satisfacere; vârstă, educaţie, stilul de viaţă, products are purchased together.
canalele media utilizate, metoda de recrutare la care
a raspuns clientul. 5. Conclusions
Poziţionarea produsului în preferinţele
potenţialilor clienţi este un instrument de marketing In today's business world, computer use for
centrat pe identificarea celor mai atractive trăsături business process and data recording has become
ale unui produs astfel încât să maximizeze tentaţia ubiquitous. With this electronic age comes an
cumpărătorului de a-l cumpăra. Aici apare aşa invaluable product-data (information). Virtually
numita problemă a coşulului de cumpărături. Se every large company records all its transactions.
determină probalilitatea ca anumite produse să fie Data mining is the process used to make this
cumpărate împreună. huge volume of data and turning them into useful
knowledge. Data Mining refers to the process of
5. Concluzii selection of previously unknown relationships in
order to obtain a clean and useful result to that
În lumea afacerilor de azi, folosirea which holds the database.
calculatorului pentru procesul de business şi As a result, a data minig system has several
înregistrarea datelor a devenit omniprezent. Odată phases. Phases begin to turn data set and ends with
cu apariţia acestei vârste electronice vine şi un knowledge extraction that occurred as a result of
produs nepreţuit-datele (informaţiile). Virtual, carrying out the steps: selection, preprocessing,
fiecare mare companie işi înregistrează toate transformation, data mining, interpretation and
tranzacţiile. evaluation.
Data mining este procesul folosit pentru a lua The origins of data minig techniques were
acest imens volum de date şi a le transforma în designed as coming from three areas of learning
cunoştinţe folositoare. Data Mining se referă la and research: statistical, machine learning and
procesele de selectare a unor relaţii necunoscute artificial intelligence. The first foundation of data
anterior cu scopul obţinerii unui rezultat curat şi mining methods was in statistics. Statistics is the
folositor celui care deţine baza de date. most technology that relies on data minig. Many of
Drept rezultat, un sistem data minig are câteva the statistics domains such as regression analysis,
faze. Fazele prezentate încep cu randul de date şi se standard distributions, standard deviations and
încheie cu extragerea cunoştinţelor care s-a produs variations, the group analysis are construction
ca urmare a parcurgerii etapelor: selectarea, techniques of advanced statistical techniques
preprocesarea, transformarea, data mining, underlying data minig.
interpretarea şi evaluarea. Originile tehnicilor data- To differentiate into the Internet economy,
minig au fost gândite ca venind din trei arii ale companies must realize that winning e-business
învăţării şi cercetarii : statistică, învăţarea maşinilor means more than simple transactions of purchase /
şi inteligenţă artificială. Prima fundaţie a metodelor sale, appropriate strategies are the key to improve
data mining a fost in statistica. Statistica este baza competitive power. This can be done using data
majorităţii tehnologiilor pe care se bazează data mining techniques and other statistical analysis on
minig. Multe din domeniile statisticii, precum historical data from e-business activities.
analiza regresiei, distribuţii standard, deviaţii şi
variaţii standart, analiza grupului sunt construcţiile
tehnice mai avansate ale statisticii care stau la baza
tehnicilor data-minig.
Pentru a se diferenţia în cadrul economiei pe
internet, întreprinderile învingătoare trebuie sa
realizeze că e-business înseamnă mai mult decât
simple tranzacţii de cumpărare/vânzare, strategiile
corespunzătoare fiind cheia succesului pentru a
îmbunătăţi puterea de competiţie. Acest lucru se
purchase, frequency of complaints, preferences and
their degree of satisfaction, age, education,
175
Annals of the „Constantin Brâncuşi” University of Târgu Jiu, Economy Series, Issue 3/2011
Analele Universităţii “Constantin Brâncuşi” din Târgu Jiu, Seria Economie, Nr. 3/2011
Referinţe: References:
[1] Adam Jolly, (2003), The Secure Online
[1] Adam Jolly, (2003), The Secure Online
Business, Kogan Page and Contributors. Business, Kogan Page and Contributors.
[2] Agrawal, R., Srikant, R. (1995), Mining [2] Agrawal, R., Srikant, R. (1995), Mining
sequential patterns, International Conference on sequential patterns, International Conference on
Data Engineering(ICDE’95), Taipei, Taiwan, pp. Data Engineering(ICDE’95), Taipei, Taiwan, pp.
3-14. 3-14.
[3] Award, Elias, Electronic Commerce from [3] Award, Elias, Electronic Commerce from
Vision to Fulfillment, Pearson Education, Upper Vision to Fulfillment, Pearson Education, Upper
Saddle River, New Jersey, 2002. Saddle River, New Jersey, 2002.
[4] Berry, M., Linoff, G. (1997), Data Mining [4] Berry, M., Linoff, G. (1997), Data Mining
Techniques for Marketing, Sales and Customer Techniques for Marketing, Sales and Customer
Support, John Wiley and Sons, Chichester. Support, John Wiley and Sons, Chichester.
[5] Claudia Elena Dinucă, E-Business, a new way [5] Claudia Elena Dinucă, E-Business, a new way
of trading in virtual environment based on of trading in virtual environment based on
information technology, Annals of the “Ovidius” information technology, Annals of the “Ovidius”
University, Economic Sciences Series Volume XI, University, Economic Sciences Series Volume XI,
Issue 1 /2011 Issue 1 /2011
[6] Dunham, M.H. (2003), Data Mining : [6] Dunham, M.H. (2003), Data Mining :
Introductory and Advanced Topics. Prentice Hall, Introductory and Advanced Topics. Prentice Hall,
Pearson Education Inc. Pearson Education Inc.
[7] Gunjam Santami, (2002) B2B Integration –A [7] Gunjam Santami, (2002) B2B Integration –A
Practical Guide to Collaborative E-commerce, Practical Guide to Collaborative E-commerce,
Imperial College Press: London. Imperial College Press: London.
[8] Harmon, P; Rosen, M; Guttman, M (2001) [8] Harmon, P; Rosen, M; Guttman, M (2001)
Developing E-Business Systems & Architectures- A Developing E-Business Systems & Architectures- A
Manager’s Guide; SUA: Academic Press. Manager’s Guide; SUA: Academic Press.
[9] Janice Reynolds (2004) , The Complete E- [9] Janice Reynolds (2004) , The Complete E-
Commerce Book: Design, Build, & Maintain a Commerce Book: Design, Build, & Maintain a
Successful Web-based Business, Second Edition, Successful Web-based Business, Second Edition,
CMP Books. CMP Books.
[10] Jatinder N.D. Gupta and Sushil K. Sharma [10] Jatinder N.D. Gupta and Sushil K. Sharma
Ball şi alţii Intelligent Enterprises of the 21st Ball and other Intelligent Enterprises of the 21st
Century (2004) SUA: Idea Group. Century (2004) SUA: Idea Group.
[11] Jiawei Han, Micheline Kamber (2006), Data [11] Jiawei Han, Micheline Kamber (2006), Data
Mining Concepts and Techniques Second Edition, Mining Concepts and Techniques Second Edition,
USA: Elsevier. USA: Elsevier.
[12] Mike Havey , Essential Business Process [12] Mike Havey , Essential Business Process
Modeling (2005), SUA: O'Reilly. Modeling (2005), SUA: O'Reilly.
[13] Nong, Y. (2003), The handbook of Data [13] Nong, Y. (2003), The handbook of Data
Mining, Lawrence Erlbaum Associates, Publishers Mining, Lawrence Erlbaum Associates, Publishers
Mahwah, New Jersey. Mahwah, New Jersey.
[14] Porter, Michael E. Competitive Strategy: [14] Porter, Michael E. Competitive Strategy:
Techniques for Analysing Industries and Techniques for Analysing Industries and
Competitors. Competitors.
[15] Raisinghani, M (2004) Business Intelligence in [15] Raisinghani, M (2004) Business Intelligence in
the Digital Economy: Opportunities, Limitations, the Digital Economy: Opportunities, Limitations,
and Risks ; SUA:Idea Group Publishing. and Risks ; SUA:Idea Group Publishing.
[16] Turban, Efraim; King, David, Introduction to [16] Turban, Efraim; King, David, Introduction to
E-commerce, Pearson Education, Upper Saddle E-commerce, Pearson Education, Upper Saddle
River, New Jersey, 2003. River, New Jersey, 2003.
[17] Vercellis, C. (2009), Business Intelligence: [17] Vercellis, C. (2009), Business Intelligence:
Data Mining and Optimization for Decision Data Mining and Optimization for Decision
Making,UK: John Wiley & Sons. Making,UK: John Wiley & Sons.
176
Annals of the „Constantin Brâncuşi” University of Târgu Jiu, Economy Series, Issue 3/2011