Fundament czwartej rewolucji przemysłowej będzie w dużej mierze zależeć od danych^(Data) i łączności^{(Connectivity)} . Usługi analityczne^{(Analysis Services)} zdolne do opracowywania lub tworzenia rozwiązań do eksploracji danych będą odgrywać kluczową rolę w tym zakresie. Może pomóc w analizowaniu i przewidywaniu wyników zachowań zakupowych klientów w celu dotarcia do potencjalnych nabywców. Dane^(Data) staną się nowym zasobem naturalnym, a proces wydobywania istotnych informacji z tych nieposortowanych danych nabierze ogromnego znaczenia. W związku z tym właściwe zrozumienie terminu – Data Mining , jego procesów i zastosowania może pomóc nam w opracowaniu holistycznego podejścia do tego modnego hasła.

Podstawy eksploracji danych^{(Data Mining Basics)} i jej techniki

Eksploracja danych, znana również jako Knowledge Discovery in Data ( KDD ), polega na przeszukiwaniu dużych magazynów danych w celu odkrywania wzorców i trendów, które wykraczają poza prostą analizę. Nie jest to jednak rozwiązanie jednoetapowe, lecz wieloetapowy i realizowany w różnych etapach. Obejmują one:

1] Gromadzenie i przygotowywanie danych

Zaczyna się od zebrania danych i ich właściwej organizacji. Pomaga to znacznie zwiększyć szanse na znalezienie informacji, które można znaleźć poprzez eksplorację danych

2] Budowanie i ocena modeli

Drugim krokiem w procesie eksploracji danych jest zastosowanie różnych technik modelowania. Służą one do kalibracji parametrów do optymalnych wartości. Stosowane techniki w dużej mierze zależą od zdolności analitycznych wymaganych do zaspokojenia szeregu potrzeb organizacyjnych i podjęcia decyzji.

Przyjrzyjmy się w skrócie niektórym technikom eksploracji danych. Okazuje się, że większość organizacji łączy dwie lub więcej technik eksploracji danych, aby stworzyć odpowiedni proces, który spełnia ich wymagania biznesowe.

Przeczytaj^(Read) : Czym są Big Data?^{(What is Big Data?)}

Techniki eksploracji danych

1. Association –  Association to jedna z powszechnie znanych technik data mining. Zgodnie z tym wzorzec jest odszyfrowywany na podstawie relacji między pozycjami w tej samej transakcji. W związku^(Hence) z tym jest również znany jako technika relacji. Sprzedawcy dużych marek polegają na tej technice, aby zbadać nawyki/preferencje zakupowe klientów. Na przykład, śledząc nawyki zakupowe ludzi, sprzedawcy detaliczni mogą stwierdzić, że klient zawsze kupuje krem, kiedy kupuje czekoladki, i w związku z tym sugerować, że następnym razem, gdy kupi czekoladę, może również chcieć kupić krem.
2. Klasyfikacja^{(Classification)} – ta technika eksploracji danych różni się od powyższej tym, że opiera się na uczeniu maszynowym i wykorzystuje techniki matematyczne, takie jak programowanie liniowe^(Linear) , drzewa decyzyjne , ^(Decision)neuronowe^(Neural)sieć. W klasyfikacji firmy próbują zbudować oprogramowanie, które może nauczyć się klasyfikować elementy danych w grupy. Na przykład firma może zdefiniować klasyfikację w aplikacji, która „podawszy wszystkie dane pracowników, którzy zaproponowali rezygnację z firmy, przewiduje liczbę osób, które prawdopodobnie zrezygnują z firmy w przyszłości”. W takim scenariuszu firma może podzielić ewidencję pracowników na dwie grupy, a mianowicie „odejść” i „pobyt”. Następnie może użyć swojego oprogramowania do eksploracji danych, aby podzielić pracowników na oddzielne, utworzone wcześniej grupy.
3. Klastrowanie^(Clustering) – różne^(Different)obiekty o podobnych cechach są grupowane w jeden klaster za pomocą automatyzacji. Wiele takich klastrów jest tworzonych w miarę umieszczania w nich klas i obiektów (o podobnych cechach). Aby lepiej to zrozumieć, rozważmy przykład zarządzania książkami w bibliotece. W bibliotece obszerny zbiór książek jest w pełni skatalogowany. Przedmioty tego samego typu są wymienione razem. Ułatwia nam to znalezienie interesującej nas książki. Podobnie, stosując technikę grupowania, możemy trzymać książki, które mają pewne podobieństwa w jednym klastrze i przypisać mu odpowiednią nazwę. Tak więc, jeśli czytelnik chce złapać książkę, która go interesuje, musi tylko podejść do tej półki, zamiast przeszukiwać całą bibliotekę. Tak więc technika grupowania definiuje klasy i umieszcza obiekty w każdej klasie,
4. Przewidywanie^(Prediction) — przewidywanie to technika eksploracji danych, która jest często używana w połączeniu z innymi technikami eksploracji danych. Polega na analizie trendów, klasyfikacji, dopasowywaniu wzorców i relacji. Analizując przeszłe wydarzenia lub przypadki w odpowiedniej kolejności, można bezpiecznie przewidzieć przyszłe wydarzenia. Na przykład technikę analizy predykcyjnej można wykorzystać w sprzedaży do przewidzenia przyszłego zysku, jeśli sprzedaż zostanie wybrana jako zmienna niezależna, a zysk jako zmienna zależna od sprzedaży. Następnie, w oparciu o historyczne dane dotyczące sprzedaży i zysku, można narysować dopasowaną krzywą regresji, która służy do przewidywania zysku.
5. Drzewa decyzyjne^{(Decision trees)} – W drzewie decyzyjnym zaczynamy od prostego pytania, które ma wiele odpowiedzi. Każda odpowiedź prowadzi do kolejnego pytania, które pomaga sklasyfikować lub zidentyfikować dane, aby można je było skategoryzować lub aby można było przewidzieć prognozę na podstawie każdej odpowiedzi. Na przykład, używamy następującego drzewa decyzyjnego, aby określić, czy grać w krykieta ODI , czy nie : Drzewo decyzyjne eksploracji danych^{(Data Mining Decision Tree)} : Zaczynając od węzła głównego, jeśli prognoza pogody przewiduje deszcz, powinniśmy unikać meczu na dany dzień. Ewentualnie, jeśli prognoza pogody jest jasna, powinniśmy rozegrać mecz.

Eksploracja danych^{(Data Mining)} jest podstawą działań analitycznych w różnych branżach i dyscyplinach, takich jak komunikacja, ubezpieczenia^(Insurance) , edukacja^(Education) , produkcja^{(Manufacturing)} , bankowość^(Banking) i handel detaliczny^(Retail) i nie tylko. Dlatego posiadanie prawidłowych informacji na ten temat jest niezbędne przed zastosowaniem różnych technik.

What is Data Mining? Basics and its Techniques.

The foundation of thе fourth industrial revolution will largely depend upon Data and Connectivity. Analysis Services capable of developing or creating data mining solutions will play a key role in this regard. It could assist in analyzing and predicting outcomes of customer purchasing behavior for targeting potential buyers. Data will become a new natural resource and the process of extracting relevant information from this unsorted data will assume immense importance. As such, a proper understanding of the term – Data Mining, its processes, and application could help us in developing a holistic approach to this buzzword.

Data Mining Basics and its Techniques

Data mining, also known as Knowledge Discovery in Data (KDD) is about searching large stores of data to uncover patterns and trends that go beyond simple analysis. This, however, is not a single-step solution but a multi-step process and is completed in various stages. These include:

1] Data gathering and Preparation

It starts with data collection and its proper organization. This helps in significantly improving the chances of finding the information that can be discovered through data mining

2] Model Building and Evaluation

The second step in data mining process is the application of various modeling techniques. These are used to calibrate the parameters to optimal values. Techniques employed largely depend on analytic capabilities required to address a gamut of organizational needs and to arrive at a decision.

Let us examine some data mining techniques in brief. It is found that most organizations combine two or more data mining techniques together to form an appropriate process that meets their business requirements.

Read: What is Big Data?

Data Mining Techniques

1. Association – Association is one of the widely-known data mining techniques. Under this, a pattern is deciphered based on a relationship between items in the same transaction. Hence, it is also known as the relation technique. Big brand retailers rely on this technique to research customer’s buying habits/preferences. For example, when tracking people’s buying habits, retailers might identify that a customer always buys cream when they buy chocolates, and therefore suggest that the next time that they buy chocolates they might also want to buy cream.
2. Classification – This data mining technique differs from the above in the way that it is based on machine learning and uses mathematical techniques such as Linear programming, Decision trees, Neural network. In classification, companies try to build software that can learn how to classify the data items into groups. For instance, a company can define a classification in the application that “given all records of employees who offered to resign from the company, predict the number of individuals who are likely to resign from the company in future.” Under such a scenario, the company can classify the records of employees into two groups that namely “leave” and “stay”. It can then use its data mining software to classify the employees into separate groups created earlier.
3. Clustering – Different objects exhibiting similar characteristics are grouped together in a single cluster via automation. Many such clusters are created as classes and objects (with similar characteristics) are placed in it accordingly. To understand this better, let us consider an example of book management in the library. In a library, the vast collection of books is fully cataloged. Items of the same type are listed together. This makes it easier for us to find a book of our interest. Similarly, by using the clustering technique, we can keep books that have some kinds of similarities in one cluster and assign it a suitable name. So, if a reader is looking to grab a book relevant to his interest, he only has to go to that shelf instead of searching the entire library. Thus, the clustering technique defines the classes and puts objects in each class, while in the classification techniques, objects are assigned into predefined classes.
4. Prediction – The prediction is a data mining technique that is often used in combination with the other data mining techniques. It involves analyzing trends, classification, pattern matching, and relation. By analyzing past events or instances in a proper sequence one can safely predict a future event. For instance, the prediction analysis technique can be used in the sale to predict future profit if the sale is chosen as an independent variable and profit as a variable dependent on sale. Then, based on the historical sale and profit data, one can draw a fitted regression curve that is used for profit prediction.
5. Decision trees – Within the decision tree, we start with a simple question that has multiple answers. Each answer leads to a further question to help classify or identify the data so that it can be categorized, or so that a prediction can be made based on each answer. For example, We use the following decision tree to determine whether or not to play cricket ODI: Data Mining Decision Tree: Starting at the root node, if the weather forecast predicts rain then, we should avoid the match for the day. Alternatively, if the weather forecast is clear, we should play the match.

Data Mining is at the heart of analytics efforts across a variety of industries and disciplines like communications, Insurance, Education, Manufacturing, Banking and Retail and more. Therefore, having correct information about it is essential before apply the different techniques.

Related posts

• 26 Najlepsze oprogramowanie do eksploracji danych

• Jak korzystać z funkcji automatycznego typu danych w programie Excel?

• Instalator funkcji BitLocker nie mógł wyeksportować magazynu BCD (Boot Configuration Data)

• Jak zarządzać limitem wykorzystania danych w systemie Windows 11/10?

• Nie można zaimportować pliku rejestru. Nie wszystkie dane zostały zapisane w Rejestrze

• Pobierz i wykonaj kopię zapasową swoich danych Google za pomocą Google Takeout

• Błąd 0x8004010F, nie można uzyskać dostępu do pliku danych programu Outlook

• Bezpłatne pobieranie BurnAware: bezpłatne CD, DVD, Blu-Ray, HD-Media Burner

• Wyczyść lub usuń historię przeglądania, pliki cookie, dane, pamięć podręczną w Edge

• 0xc0000098: Dane konfiguracji rozruchu systemu Windows nie zawierają wpisu systemu operacyjnego

• Co to jest analiza danych i do czego służy

• Najlepsze bezpłatne narzędzia do wizualizacji danych online

• Włącz lub wyłącz dane diagnostyczne dotyczące użycia Narratora w systemie Windows 10

• Napraw nieprzydzielony dysk twardy bez utraty danych w systemie Windows 10

• Pulpit nawigacyjny danych osobowych firmy Microsoft pozwala decydować o sposobie wykorzystania danych

• Jaka jest różnica między danymi a informacjami?

• Zużycie dużych zbiorów danych. Jakie są zastosowania Big Data.

• Twórz GIF-y za pomocą nowego Kreatora GIF-ów z Google Labs

• Co to jest przechowywanie danych? Jak go wyeliminować lub nadpisać?

• Kto jest właścicielem danych IoT? Producent, Użytkownik końcowy czy jakaś strona trzecia?