Quali sono i diversi tipi di tecniche di data mining?
Il data mining in genere si riferisce a un metodo utilizzato per analizzare i dati da una fonte target e comporre quel feedback in informazioni utili. Queste informazioni vengono generalmente utilizzate per aiutare un'organizzazione a ridurre i costi in una determinata area, aumentare le entrate o entrambe. Spesso facilitato da un'applicazione di data mining, il suo obiettivo principale è identificare ed estrarre i modelli contenuti in un determinato set di dati.
Ancora più importante, le tecniche di data mining mirano a fornire informazioni che consentano una migliore comprensione dei dati e delle sue caratteristiche essenziali. Le aziende e le organizzazioni possono impiegare molti tipi diversi di tecniche di data mining. Sebbene possano adottare un approccio simile, tutti generalmente si sforzano di raggiungere obiettivi diversi.
Lo scopo delle tecniche predittive di data mining è quasi sempre quello di identificare modelli statistici o modelli che possono essere utilizzati per prevedere una risposta di interesse. Ad esempio, un istituto finanziario potrebbe utilizzarlo per identificare quali transazioni hanno la più alta probabilità di frode. Questa è la tecnica di data mining più comune ed è diventata uno strumento decisionale efficiente per le aziende di medie e grandi dimensioni. Si è inoltre dimostrato efficace nel prevedere il comportamento dei clienti, classificare i segmenti di clientela e prevedere vari eventi.
I modelli di riepilogo si basano su tecniche di data mining che rispondono di conseguenza ai dati riepilogati. Ad esempio, un'organizzazione potrebbe assegnare i passeggeri delle compagnie aeree o le transazioni con carta di credito in diversi gruppi in base alle loro caratteristiche estratte dal processo analitico. Questo modello può anche aiutare le aziende a comprendere meglio la loro base di clienti.
I modelli di associazione tengono conto del fatto che determinati eventi possono verificarsi insieme su base regolare. Questo potrebbe essere l'acquisto simultaneo di elementi come mouse e tastiera o una sequenza di eventi che hanno portato al guasto di un determinato dispositivo hardware. I modelli di associazione rappresentano tecniche di data mining utilizzate per identificare e caratterizzare queste occorrenze associate.
I modelli di rete utilizzano tecniche di data mining per rivelare strutture di dati sotto forma di nodi e collegamenti. Ad esempio, un anello di frode organizzato potrebbe compilare un elenco di numeri di carta di credito rubati, quindi girarsi e usarli per acquistare oggetti online. In questa illustrazione, le carte di credito e i commercianti online rappresentano i nodi mentre le transazioni effettive fungono da collegamenti.
Il data mining ha molti scopi e può essere utilizzato per guadagni sia positivi che dannosi. Altre organizzazioni stanno scoprendo i vantaggi della fusione di tecniche di data mining per formare modelli ibridi. Queste potenti combinazioni si traducono spesso in applicazioni con prestazioni superiori. Integrando le caratteristiche chiave di diversi metodi in singole soluzioni ibride, le organizzazioni di solito possono superare i limiti dei singoli sistemi di strategia.