Hvad er de forskellige typer dataudvindingsteknikker?

Data mining betyder generelt en metode, der bruges til at analysere data fra en målkilde og komponere denne feedback til nyttig information. Denne information bruges typisk til at hjælpe en organisation med at reducere omkostningerne i et bestemt område, øge indtægterne eller begge dele. Ofte lettet med en data-mining-applikation er dets primære mål at identificere og udtrække mønstre indeholdt i et givet datasæt.

Vigtigst er det, at data mining-teknikker sigter mod at give indsigt, der giver mulighed for en bedre forståelse af data og dets væsentlige funktioner. Virksomheder og organisationer kan anvende mange forskellige typer data mining-teknikker. Mens de måske tager en lignende tilgang, stræber alle som regel efter at nå forskellige mål.

Formålet med forudsigelige dataindvindingsmetoder er næsten altid at identificere statistiske modeller eller mønstre, der kan bruges til at forudsige en respons af interesse. For eksempel kan en finansiel institution muligvis bruge den til at identificere, hvilke transaktioner der har størst sandsynlighed for svig. Dette er den mest almindelige data mining-teknik og en, der er blevet et effektivt beslutningsværktøj for mellemstore til store virksomheder. Det har også vist sig effektivt til at forudsige kundeadfærd, kategorisere kundesegmenter og forudsige forskellige begivenheder.

Resumémodeller er afhængige af data mining-teknikker, der reagerer i overensstemmelse med de opsummerede data. For eksempel kan en organisation tildele flypassagerer eller kreditkorttransaktioner i forskellige grupper på baggrund af deres egenskaber, der er uddraget fra den analytiske proces. Denne model kan også hjælpe virksomheder med at få en dybere forståelse af deres kundegrundlag.

Associeringsmodeller tager højde for, at visse begivenheder kan forekomme sammen regelmæssigt. Dette kan være samtidig køb af elementer, såsom en mus og et tastatur eller en række af begivenheder, der førte til, at en bestemt hardwareenhed mislykkedes. Associeringsmodeller repræsenterer dataminingsteknikker, der bruges til at identificere og karakterisere disse tilknyttede forekomster.

Netværksmodeller bruger dataminingsteknikker til at afsløre datastrukturer, der er i form af noder og links. For eksempel kan en organiseret svigring udarbejde en liste over stjålne kreditkortnumre og derefter vende rundt og bruge dem til at købe varer online. I denne illustration repræsenterer kreditkortene og onlinehandlerne knudepunkterne, mens de faktiske transaktioner fungerer som linkene.

Data mining har mange formål og kan bruges til både positiv og ondsindet gevinst. Flere organisationer kommer for at opdage fordelene ved at fusionere data mining-teknikker til dannelse af hybridmodeller. Disse kraftfulde kombinationer resulterer ofte i applikationer med overlegen ydelse. Ved at integrere de vigtigste funktioner i forskellige metoder i enkelt hybridløsninger kan organisationer normalt overvinde begrænsningerne i individuelle strategisystemer.