Mekansal veri madenciliği, coğrafi verilerdeki kalıpları bulma çabasıdır. Perakendede en yaygın olarak kullanılan, başlangıçta metinsel ve sayısal elektronik bilgilerdeki kalıpları bulmaya odaklanan veri madenciliği alanından büyüdü. Mekansal veri madenciliği, uzay ve zamanda somut varlıkları olan nesnelerin analizi ile ilgili güçlükler nedeniyle, geleneksel madenciliğe göre daha karmaşık bir zorluk olarak kabul edilmektedir.
Standart veri madenciliğinde olduğu gibi, mekansal veri madenciliği öncelikle pazarlama ve perakende dünyasında kullanılmaktadır. Ne tür bir mağaza açılacağı konusunda kararlar vermek için bir tekniktir. Hangi faktörlerin tüketicileri başka bir yere değil, bir yere gitmeye motive ettiği hakkında önceden var olan verileri işleyerek bu kararları bilgilendirmeye yardımcı olabilir.
Ashley'nin belli bir şehir bloğunda bir gece kulübü açmak istediğini söyle. Uygun verilere erişimi varsa, hangi mekansal faktörlerin gece kulüplerini başarılı kıldığını bulmak için mekansal veri madenciliğini kullanabilir. Şunlar gibi sorular sorabilir: Toplu taşıma araçları yakındaysa, daha fazla kişi kulübe gelir mi? Diğer gece hayatı mekanlarına ne kadar uzaklık patronajı maksimuma çıkarır? Benzin istasyonlarına yakınlık artı mı yoksa eksi mi?
Ashley, gece kulübüne gelenlerin, bireysel bir gece boyunca eşit bir dağılıma ulaşmalarını sağlamak isteyebilir. Ayrıca insanların belirli zamanlarda şehir içinde nasıl hareket ettiğini bulmak için uzamsal veri madenciliğini (belki de daha doğru bir şekilde, uzamsal veri madenciliği) kullanabilirdi. Aynı işlem haftanın farklı gecelerinde himayeye de uygulanabilir.
Mekansal veri madenciliğinin zorlukları, dünyanın internet dışındaki karmaşıklığının bir sonucudur. Veri madenciliğindeki geçmişteki çabalar genellikle analiz için olgunlaşmış veritabanlarına sahipken, mekansal veri madenciliği için mevcut girdiler bilgi ağları değil haritalardır. Bu haritalar yollar, nüfuslar, işletmeler ve benzeri gibi farklı tür nesnelere sahiptir.
Bir şeyin bir şeye "yakın" olup olmadığını belirlemek, kesikli olmaktan sürekli bir değişkene kadar gider. Bu, analiz için gereken karmaşıklığı büyük ölçüde arttırır. İnanılmaz bir şekilde, bu, mekansal veri madenciliğine teşebbüs eden birisi için mümkün olan en basit ilişki türlerinden biridir.
Mekansal veri madenciliği de yanlış pozitif sorunuyla karşı karşıya. İlişki arayan veri arama sürecinde, pek çok görünen eğilim, istatistiksel yanlış pozitiflerin bir sonucu olarak ortaya çıkacaktır. Bu problem aynı zamanda madencilik görevi için daha basit bir veri tabanı var, ancak mekansal veri madencisi için mevcut verilerin büyüklüğü ile daha da arttırıldı. Sonuçta, uzamsal veri madenciliği tarafından belirlenen bir eğilim açıklama ve ek araştırmalar ile doğrulanmalıdır.
