Hva er de forskjellige typene teknikker for datagruvering?

Data mining refererer vanligvis til en metode som brukes til å analysere data fra en målkilde og komponere denne tilbakemeldingen til nyttig informasjon. Denne informasjonen brukes vanligvis til å hjelpe en organisasjon med å kutte kostnader i et bestemt område, øke inntektene eller begge deler. Ofte tilrettelagt av en data-mining-applikasjon, er dets primære mål å identifisere og trekke ut mønstre i et gitt datasett.

Det viktigste er at data mining-teknikker sikter på å gi innsikt som gir bedre forståelse av data og viktige funksjoner. Bedrifter og organisasjoner kan ansette mange forskjellige typer data mining-teknikker. Selv om de kan ta en lignende tilnærming, prøver alle vanligvis å oppfylle forskjellige mål.

Hensikten med prediktive data mining-teknikker er nesten alltid å identifisere statistiske modeller eller mønstre som kan brukes til å forutsi en respons av interesse. For eksempel kan en finansinstitusjon bruke den til å identifisere hvilke transaksjoner som har størst sannsynlighet for svindel. Dette er den vanligste data mining-teknikken og har blitt et effektivt beslutningsverktøy for mellomstore til store selskaper. Det har også vist seg effektiv til å forutsi kundeatferd, kategorisere kundesegmenter og forutsi forskjellige hendelser.

Sammendragsmodeller er avhengige av data mining-teknikker som svarer deretter til oppsummerte data. For eksempel kan en organisasjon tilordne flypassasjerer eller kredittkorttransaksjoner i forskjellige grupper basert på deres egenskaper som er hentet ut fra analyseprosessen. Denne modellen kan også hjelpe virksomheter å få en dypere forståelse av kundegrunnlaget.

Associeringsmodeller tar hensyn til at visse hendelser kan oppstå sammen regelmessig. Dette kan være samtidig kjøp av elementer som mus og tastatur eller en hendelsesrekkefølge som førte til feil på en bestemt maskinvareenhet. Assosiasjonsmodeller representerer data mining-teknikker som brukes til å identifisere og karakterisere disse tilknyttede forekomstene.

Nettverksmodeller bruker data mining-teknikker for å avsløre datastrukturer som er i form av noder og lenker. En organisert svindelring kan for eksempel sette sammen en liste over stjålne kredittkortnumre, og deretter snu og bruke dem til å kjøpe varer på nettet. I denne illustrasjonen representerer kredittkortene og online forhandlere nodene mens de faktiske transaksjonene fungerer som lenker.

Data mining har mange formål og kan brukes til både positiv og ondsinnet gevinst. Flere organisasjoner kommer for å oppdage fordelene ved å slå sammen data mining-teknikker for å danne hybridmodeller. Disse kraftige kombinasjonene resulterer ofte i applikasjoner med overlegen ytelse. Ved å integrere de viktigste funksjonene til forskjellige metoder i enkle hybridløsninger, kan organisasjoner vanligvis overvinne begrensningene i individuelle strategisystemer.