การขุดข้อมูล

เป็นกระบวนการของการสกัดและการค้นพบในรูปแบบที่มีขนาดใหญ่ ที่เกี่ยวข้องกับวิธีการที่จุดตัดของ โดยมีเป้าหมายโดยรวมในการดึงข้อมูล (ด้วยวิธีการที่ชาญฉลาด) จากชุดข้อมูลและแปลงข้อมูลให้เป็นโครงสร้างที่เข้าใจได้เพื่อการใช้งานต่อไป การทำเหมืองข้อมูลเป็นขั้นตอนการวิเคราะห์ของกระบวนการ "การค้นพบความรู้ในฐานข้อมูล" หรือ KDD นอกเหนือจากขั้นตอนการวิเคราะห์ดิบก็ยังเกี่ยวข้องกับฐานข้อมูลและ

เพราะเป้าหมายคือการสกัดของรูปแบบและความรู้จากข้อมูลจำนวนมากที่ไม่ได้ และถูกนำไปใช้บ่อยในรูปแบบของข้อมูลขนาดใหญ่หรือ การทำเหมืองข้อมูล: เครื่องมือและเทคนิคการเรียนรู้ของเครื่องจักรที่ใช้งานได้จริงด้วย Java

วิเคราะห์หรือโดยอัตโนมัติในปริมาณมากของข้อมูลที่จะสกัดไม่รู้จักมาก่อนรูปแบบที่น่าสนใจเช่นกลุ่มของระเบียนข้อมูล ( จากนั้นรูปแบบเหล่านี้จะถูกมองว่าเป็นข้อมูลสรุปประเภทหนึ่ง และอาจใช้ในการวิเคราะห์เพิ่มเติมหรือตัวอย่างเช่น ในการเรียนรู้ของเครื่องและ ยกตัวอย่างเช่นขั้นตอนการทำเหมืองข้อมูลอาจระบุหลายกลุ่มในข้อมูลซึ่งสามารถนำมาใช้เพื่อให้ได้ผลการทำนายที่แม่นยำยิ่งขึ้นด้วย การรวบรวมข้อมูล การเตรียมข้อมูล หรือการตีความผลลัพธ์และการรายงานไม่ได้เป็นส่วนหนึ่งของขั้นตอนการทำเหมืองข้อมูล แต่จะไม่อยู่ในกระบวนการ KDD โดยรวมซึ่งเป็นขั้นตอนเพิ่มเติม

และการทำเหมืองข้อมูลคือ การวิเคราะห์ข้อมูลใช้เพื่อทดสอบแบบจำลองและสมมติฐานในชุดข้อมูล เช่น การวิเคราะห์ประสิทธิภาพของแคมเปญการตลาดโดยไม่คำนึงถึงปริมาณข้อมูล ในทางตรงกันข้าม การทำเหมืองข้อมูลใช้การเรียนรู้ของเครื่องและแบบจำลองทางสถิติเพื่อเปิดเผยรูปแบบลับหรือที่ซ่อนอยู่ในข้อมูลปริมาณมาก

หมายถึงการใช้วิธีการทำเหมืองข้อมูลไปยังส่วนตัวอย่างของชุดข้อมูลประชากรขนาดใหญ่ที่มี (หรืออาจจะ) ขนาดเล็กเกินไปสำหรับการหาข้อสรุปสถิติที่เชื่อถือได้ที่จะทำเกี่ยวกับความถูกต้องของใด ๆ รูปแบบที่ค้นพบ อย่างไรก็ตาม วิธีการเหล่านี้สามารถใช้ในการสร้างสมมติฐานใหม่เพื่อทดสอบกับประชากรข้อมูลที่มีขนาดใหญ่กว่า

ในทศวรรษที่ 1960 นักสถิติและนักเศรษฐศาสตร์ใช้คำต่างๆ เช่น การ เพื่ออ้างถึงสิ่งที่พวกเขาคิดว่าเป็นแนวปฏิบัติที่ไม่ดีในการวิเคราะห์ข้อมูลโดยไม่มีสมมติฐานสำคัญ คำว่า "การทำเหมืองข้อมูล" ถูกใช้ในลักษณะที่วิพากษ์วิจารณ์ในทำนองเดียวกันโดยนักเศรษฐศาสตร์ ในบทความที่ตีพิมพ์ในการ โลเวลล์ระบุว่าการปฏิบัติ "ปลอมตัวภายใต้นามแฝงต่างๆ จาก "การทดลอง" (บวก) ถึง "การตกปลา" หรือ "การสอดแนม" (เชิงลบ)

การขุดข้อมูลด้วยภาพคืออะไร?

Visual data mining เป็นแนวคิดที่ใช้เทคโนโลยีล่าสุดในการประยุกต์ใช้หลักการบางอย่างกับการตีความข้อมูลของมนุษย์ การขุดข้อมูลเป็นกระบวนการของการตรวจสอบรูปแบบในกลุ่มข้อมูลที่แน่นอน มันเป็นวิธีการทั่วไปที่ใช้อย่างละเอียดเพื่อรับผลลัพธ์ที่เฉพาะเจาะจงในด้านต่างๆเช่นการเงินการแพทย์การบริหารรัฐกิจและรัฐบาลการขนส่งและอื่น ๆ

เทคโนโลยีส่วนใหญ่ที่อยู่เบื้องหลังการขุดข้อมูลได้ถูกประดิษฐ์ขึ้นมาค่อนข้างเร็ว ๆ นี้โดยไมโครคอมพิวเตอร์เป็นตัวอย่างที่เกี่ยวข้องมากที่สุด คอมพิวเตอร์สามารถรวบรวมและแสดงข้อมูลจำนวนมากที่สามารถตีความข้อมูลได้ด้วยวิธีการขุดข้อมูล นี่คือพลังที่การทำเหมืองข้อมูลนำมาสู่ชุมชนมนุษย์และศักยภาพที่ผู้ปฏิบัติงานกำลังมองหาเพื่อปรับปรุงวิธีการที่ทันสมัย

ในการทำ data data visual โปรแกรมเมอร์สร้างส่วนต่อประสานที่อนุญาตให้ visual presentation เป็นส่วนหนึ่งของวิธีที่ผู้ใช้ตีความข้อมูล ข้อมูลอาจถูกวางลงในกราฟหรือแผนภูมิเพื่อให้ผู้ใช้สามารถมองเห็นรูปแบบหรือค่าผิดปกติที่ไม่ชัดเจนในทันที นักวิทยาศาสตร์และโปรแกรมเมอร์ยังคงมองหาความเป็นไปได้ของวิธีการนี้และแนะนำคำแนะนำสำหรับเทคนิคที่ดีที่สุด

ตามทฤษฎีชั้นสูงความเรียบง่ายเป็นกุญแจสำคัญสำหรับอินเทอร์เฟซเหล่านี้ โปรแกรมเหล่านี้จะต้องสามารถแสดงข้อมูลในรูปแบบที่ทำให้ผู้ใช้สามารถ "ดู" ได้ง่าย ผู้ที่มองเทคนิคนี้ยังเห็นว่า "ผู้นำ" เป็นปัญหาที่อาจเกิดขึ้นในแอปพลิเคชัน ผู้ใช้จะต้องสามารถสรุปข้อสรุปของตนเองจากการไม่พอใจ

ปัญหาอื่น ๆ ในการขุดข้อมูลด้วยภาพนั้นเกี่ยวข้องกับโปรแกรมนั้นสำหรับผู้ชมจำนวนมากหรือไม่ ผู้สร้างโปรแกรมเหล่านี้ควรพิจารณาด้วยว่าการรักษาความปลอดภัยเพียงพอที่จะป้องกันโปรแกรมจากการใช้งานที่ไม่ได้รับอนุญาตหรือไม่ การออกแบบระบบโดยรวมต้องแม่นยำ ผู้ใช้ควรเข้าถึงได้ง่ายปลอดภัยจากแฮกเกอร์และทำให้เป็นการนำเสนอข้อมูลที่ทรงพลัง

ในบางอุตสาหกรรมแอพพลิเคชั่นเหล่านี้และโปรแกรมที่คล้ายกันมีการพัฒนาในอัตราที่น่าทึ่ง หลายคนที่มีส่วนร่วมในภาคเหล่านี้พบว่ามีประโยชน์ในการติดตามความคืบหน้าที่คนอื่นทำในเทคโนโลยีที่เกี่ยวข้อง การทำ data data แบบ visual และ interactive นั้นเป็นเครื่องมือสำคัญสำหรับอนาคตของการมีปฏิสัมพันธ์ระหว่างมนุษย์และคอมพิวเตอร์

การขุดข้อมูล CRM คืออะไร?

การขุดข้อมูลลูกค้า (CRM) หมายถึงกระบวนการค้นหาผ่านฐานข้อมูลลูกค้าสัมพันธ์และวิเคราะห์ข้อมูลเกี่ยวกับพฤติกรรมของลูกค้าที่รวบรวม ข้อมูลนี้ช่วยนักการตลาดให้มุ่งเน้นแคมเปญของพวกเขาได้ดีขึ้นซึ่งนำไปสู่การรักษาลูกค้าและยอดขายที่เพิ่มขึ้น การทำเหมืองข้อมูล CRM นั้นเรียกว่าการสำรวจข้อมูลและการค้นหาความรู้ มีสองประเภทหลักที่เกี่ยวข้องกับการขุดข้อมูลคือการวิเคราะห์เชิงพรรณนาและการสร้างแบบจำลองการทำนาย

การวิเคราะห์เชิงพรรณนาใช้การแบ่งกลุ่มและการจัดกลุ่มเพื่อวิเคราะห์รูปแบบพฤติกรรมที่ดีขึ้นในกลุ่มลูกค้าเฉพาะกลุ่ม ลูกค้าสามารถจัดกลุ่มตามเพศอายุเชื้อชาติและหมวดหมู่อื่น ๆ เป้าหมายหลักของกลุ่มคือการให้นักการตลาดกับกลุ่มลูกค้าที่คล้ายกันเพื่อให้มีประสิทธิภาพมากขึ้นขุดข้อมูลสำหรับข้อมูลเชิงลึกที่เป็นประโยชน์

การรวมกลุ่มกลุ่มการรวมกลุ่ม แต่ละคลัสเตอร์เป็นเอกสิทธิ์เฉพาะบุคคลและมีลักษณะของชุดที่กำหนดไว้ล่วงหน้า ตัวอย่างเช่นคลัสเตอร์อาจรวมถึงเพศหญิงอายุระหว่าง 18 ถึง 25 ปีที่ซื้อน้ำยาทาเล็บบางตัวในช่วงสองสัปดาห์สุดท้ายของเดือนธันวาคม 2010 นี่เป็นตัวอย่างของวิธีการทำเหมืองข้อมูล CRM เชิงคุณภาพ

ในส่วนที่ไม่มีข้อยกเว้นรูปแบบอื่นของการวิเคราะห์เชิงพรรณนาชุดพฤติกรรมลูกค้าโดยเฉพาะนำไปสู่ชุดพฤติกรรมใหม่ที่สมบูรณ์ ตัวอย่างเช่นลูกค้ากลุ่มหนึ่งอาจใช้จ่ายเงินเป็นจำนวนมากในบริการสปา แต่ไม่ต้องใช้เงินจำนวนมากในการบริการที่เกี่ยวข้องเช่นการดูแลเส้นผมและร้านเสริมสวย การขุดข้อมูล CRM ประเภทนี้ต้องการการวิเคราะห์ทางสถิติที่สูงกว่าการแบ่งส่วนพื้นฐาน

การสร้างแบบจำลองการทำนายเป็นที่นิยมมากในหมวดการขุดข้อมูล CRM สองประเภท มันวัดระดับความสัมพันธ์ระหว่างสองปัจจัยพฤติกรรมลูกค้าและความน่าเชื่อถือทางสถิติของความสัมพันธ์นั้น แบบจำลองการทำนายถูกสร้างขึ้นโดยใช้แอปพลิเคชั่น data mining ซึ่งกำหนดคะแนนให้กับลูกค้าแต่ละรายซึ่งบ่งชี้ถึงโอกาสที่ลูกค้าจะทำงานในลักษณะเดียวกันในอนาคต ตัวอย่างเช่นแบบจำลองสามารถช่วยนักการตลาดในการกำหนดความน่าจะเป็นที่ลูกค้าชายที่แต่งงานแล้วอายุระหว่าง 31 ถึง 42 ปีกับเด็กจะซื้อเครื่องตัดหญ้ายี่ห้อใดยี่ห้อหนึ่งภายในหกเดือนข้างหน้า

ความเจาะจงเป็นสิ่งสำคัญมากในการขุดข้อมูล CRM โดยใช้แบบจำลองการคาดการณ์ มีวิธีการหลายประเภทที่ใช้เพื่อจุดประสงค์นี้ ตัวแบบ univariate จะเปรียบเทียบตัวแปรเดียวกับตัวแปรอื่น ๆ เพื่อกำหนดความสัมพันธ์กับค่าสหสัมพันธ์สูงสุด การวิเคราะห์การตรวจจับปฏิสัมพันธ์อัตโนมัติ Chi-Squared (CHAID) และการจำแนกและต้นไม้การถดถอย (CART) โมเดลแสดงแผนภูมิการตัดสินใจโดยที่หนึ่งตัวแปรทำให้เกิดอินสแตนซ์ของหนึ่งหรือหลายตัวแปร แบบจำลองการถดถอยหลายตัวแปรทดสอบตัวแปรหลายตัวต่อกันเพื่อประเมินความสัมพันธ์ที่เป็นไปได้