Was sind die verschiedenen Arten von Data Mining -Techniken?

Data Mining bezieht sich im Allgemeinen auf eine Methode, mit der Daten aus einer Zielquelle analysiert und dieses Feedback in nützliche Informationen komponiert werden. Diese Informationen werden in der Regel verwendet, um einer Organisation zu helfen, die Kosten in einem bestimmten Bereich zu senken, den Umsatz oder beides zu steigern. Oft durch eine Data-Mining-Anwendung erleichtert, besteht das primäre Ziel darin, Muster zu identifizieren und zu extrahieren, die in einem bestimmten Datensatz enthalten sind. Unternehmen und Organisationen können viele verschiedene Arten von Data Mining -Techniken anwenden. Während sie einen ähnlichen Ansatz verfolgen, streben alle normalerweise alle Ziele, unterschiedliche Ziele zu erreichen. Zum Beispiel könnte ein Finanzinstitut es verwenden, um festzustellen, welche Transaktionen die höchste Betrugswahrscheinlichkeit haben. TSeine ist die häufigste Data Mining-Technik und eine effiziente Entscheidungswerkzeug für mittel- bis große Unternehmen. Es hat sich auch als effektiv erwiesen, das Kundenverhalten vorherzusagen, Kundensegmente zu kategorisieren und verschiedene Ereignisse zu prognostizieren. Beispielsweise kann eine Organisation Airline -Passagiere oder Kreditkartentransaktionen in verschiedenen Gruppen zuweisen, die auf ihren Merkmalen aus dem analytischen Prozess extrahiert wurden. Dieses Modell kann Unternehmen auch dabei helfen, ein tieferes Verständnis der Kundenstamm zu erlangen.

Assoziationsmodelle berücksichtigen, dass bestimmte Ereignisse regelmäßig gemeinsam auftreten können. Dies kann der gleichzeitige Kauf von Artikeln wie Maus und Tastatur oder einer Abfolge von Ereignissen sein, die zum Ausfall eines bestimmten Hardware -Geräts führten. Assoziationsmodells stellen Data Mining -Techniken dar, die zur Identifizierung und Charakterisierung dieser zugehörigen Vorkommen verwendet werden.

Netzwerkmodelle verwenden Data Mining -Techniken, um Datenstrukturen anzuzeigen, die in Form von Knoten und Links liegen. Beispielsweise kann ein organisierter Betrugsring eine Liste gestohlener Kreditkartennummern zusammenstellen und sich dann umdrehen und sie verwenden, um Artikel online zu kaufen. In dieser Abbildung stellen die Kreditkarten und Online -Händler die Knoten dar, während die tatsächlichen Transaktionen als Links fungieren.

Data Mining hat viele Zwecke und kann sowohl für einen positiven als auch für böswilligen Gewinn verwendet werden. Weitere Organisationen ermitteln die Vorteile der Zusammenführung von Data Mining -Techniken zur Bildung von Hybridmodellen. Diese leistungsstarken Kombinationen führen häufig zu Anwendungen mit überlegener Leistung. Durch die Integration der Schlüsselmerkmale verschiedener Methoden in einzelne hybride Lösungen können Unternehmen in der Regel die Einschränkungen einzelner Strategiesysteme überwinden.