Data Mining Technologie

Data-Mining-Tools werden verwendet, um zukünftige Trends und Verhalten ermöglicht Unternehmen wissensbasierten, proaktive Entscheidungen treffen zu beurteilen. Die Data Mining bietet automatisierte, Interessenten Bewegung, die hinter der Analyse von Ereignissen der Vergangenheit durch rückwirkende Werkzeugen von Decision Support Systemen vorgesehen hinterlässt analysiert. Data-Mining-Tools beantworten können geschäftliche Fragen, die zeitaufwendig zu beheben waren. Sie suchen Datenbanken für versteckte Muster und finden prädiktive Informationen, die Experten können zu verpassen.

Data-Mining-Techniken können schnell auf vorhandene Hard-und Software-Plattformen implementiert werden, um den Wert der vorhandenen Informationen Ressourcen zu erhöhen und es kann leicht mit neuen Produkten und Systemen integriert werden.

Wie Data Mining Works

1) Vorbereiten der Information:

Die Daten müssen korrekt für eine effektive Informationsverarbeitung organisiert werden. In Data Mining, 70 Prozent bis 80 Prozent der Zeit auf die Sortierung und die Zusammenfassung der Informationen, bevor Bergbau Bemühungen tatsächlich beginnen verbracht. Daten werden auf der Grundlage der gewünschten Information Ziele hergestellt.

2) Modellierung:

Modell erstellt abhängig von vielen Faktoren wie Größe der Datenbank, die Anzahl der bekannten Variablen und welche Art von Daten-Mining-Algorithmen zum Einsatz kommen. Erfolgreiche Modelle helfen Unternehmen zu studieren und effektiv zu identifizieren ihre Zielgruppe. Data-Mining-Modelle sind gegen massive Transaktion Detail Data Warehouses von 10 TB bis 20 TB entwickelt. Diese Modelle werden oft als vorderen Ende durch intelligente Segmentierung Fähigkeiten eingesetzt, um die Ableitung umsetzbare Kundensegmente zu ermöglichen.

3) Scoring-Kunden:

Der beste Weg, um Modelle Lebensfähigkeit zuzugreifen, um sie gegen eine bestehende Daten, bei denen die Antwort auf eine bestimmte Frage ist bereits bekannt testen. Ergebnis ist die Ausgabe eines Modells, die Zahl liegt zwischen 0 und 1 als die Wahrscheinlichkeit der Antwort auf eine konkrete Frage.

4) Dynamische Scoring:

In dies ein Scoring-Verfahren wird von einem anderen Software-Anwendung, mit dem Ziel, diese Punktzahl für einige andere Zwecke verwenden bestimmt. Für up-to-date Ergebnisse und entfällt die Notwendigkeit, eine komplette Datenbank punkten, sind nur erforderlich, Rekord Untergruppen erzielt.

Scope von Data Mining

Data Mining gewinnt seinen Namen von den Ähnlichkeiten zwischen der Suche nach wertvollen Informationen in einer großen Datenbank. Data Mining findet genaue Informationen entweder Sichtung durch eine immense Menge an Material oder intelligent Sondieren es. Data-Mining-Technologie können neue Geschäftsmöglichkeiten durch diese Einrichtungen zu erzeugen:

1) Automatische Vorhersage von Trends und Verhalten:

Data Mining findet automatisch prädiktive Informationen in großen Datenbanken. Die Fragen, die umfangreiche Analyse erfordern, können nun direkt aus den Daten schnell beantwortet werden. Predictive Problem ist ein typisches Beispiel für gezielte Marketing. Data Mining nutzt Daten über vergangene Mailings, um die Ziele zu identifizieren und größtmögliche Rendite von Investitionen in zukünftige Mailings.

2) Automatische Erkennung von bisher unbekannten Mustern:

Data-Mining-Tools Suchdatenbanken und identifizieren zuvor verborgene Muster in einem Schritt. Pattern Entdeckung ist beispielsweise der Analyse der Einzelhandelsumsätze um scheinbar unzusammenhängenden Produkten, die oft gekauft werden, zusammen zu identifizieren.

Data-Mining-Tools können umfangreiche Datenbanken in wenigen Minuten analysieren, ob diese Tools auf Hochleistungs-parallele Verarbeitung Systemen umgesetzt werden. Schnellere Verarbeitung ermöglicht es Benutzern, automatisch mit mehr Modelle, um komplexe Daten zu verstehen experimentieren.

Datenbanken können sowohl größere Tiefe und Breite:

a) Weitere Spalten: Analysten müssen begrenzt die Anzahl der Variablen während der Analyse aus Zeitgründen. Datamining können Benutzer die volle Tiefe einer Datenbank ohne Auswählen einer Untermenge von Variablen zu erforschen.

b) Weitere Reihen: Größere Proben verursachen geringere Schätzfehler, Varianz und Benutzern erlauben Rückschlüsse auf kleine, wichtige Segmente der Bevölkerung zu machen.

Die am häufigsten verwendeten Techniken des Data Mining sind:

i) Künstliche neuronale Netze: Es bietet nicht-linearen prädiktiven Modelle, die durch Schulungen lernen und erinnern biologischer neuronaler Netze in der Struktur.

ii) Entscheidungsbäume: Es ist Baum-förmige Strukturen, die Sätze von Entscheidungen darstellen. Dieser Entscheidungsbaum generiert Vorschriften für die Einstufung eines Datensatzes. Einige Entscheidungsbaum Methoden umfassen Klassifikation und Regression Trees (CART).

iii) Genetische Algorithmen: Es bietet die Optimierung Techniken, Verfahren zu verwenden, wie genetische Kombination, Mutation und natürliche Selektion in einem Design auf den Konzepten der Evolution.

iv) Rule Induktion: Nützlich, wenn-dann-Regeln basieren auf statistischen Signifikanz basieren.

Architektur für Data Mining

Data Mining ist voll ausgestattet mit einem Data Warehouse und flexible interaktive Business-Analyse-Tools integriert. Viele Data Mining-Tools derzeit außerhalb des Data Warehouse zu arbeiten, und es erfordert zusätzliche Schritte für den Import, Extrahieren und Analysieren der Daten. Während neue Ansatz erfordert die operative Umsetzung, vereinfacht die Integration mit dem Lager die Anwendung von Data Mining. Die daraus resultierende analytische Data Warehouse kann nützlich sein, um Geschäftsprozesse in der gesamten Organisation in Werbe-Kampagnen-Management, Einführungen neuer Produkte und Aufdeckung von Betrug zu verbessern.

Data Warehouse ist der ideale Ausgangspunkt, die eine Kombination von internen Daten-Tracking alle Kunden den Kontakt mit externen Marktdaten über Konkurrenten Aktivität gekoppelt. Für die Prospektion Hintergrundinformationen über potenzielle Kunden bietet eine hervorragende Basis. Dieses Lager kann in Sybase, Oracle, Redbrick, und so weiter umgesetzt werden, und sollte für die flexible und schnellen Datenzugriff optimiert werden.

Bei der Navigation das Data Warehouse eine OLAP (On-Line Analytical Processing)-Server ermöglicht eine differenziertere Endbenutzer-Geschäftsmodell. Diese mehrdimensionale Strukturen erlauben es dem Benutzer, Daten gemäß ihrer Sicht zu analysieren. Der Data Mining-Server ist vollständig in die Data Warehouse-und OLAP-Server, um den ROI fokussierter Business Analyse einzubetten integriert. Metadaten-Vorlage, die Prozess-centric ist definiert die Data-Mining-Ziele für einzelne Geschäfte Themen wie Kampagnen-Management, für Exploration und Förderung Optimierung. Integration mit dem Data Warehouse ermöglicht operativen Entscheidungen direkt umgesetzt und verfolgt werden. Mit neuen Entscheidungen und Ergebnisse das Lager wächst und die Organisation kontinuierlich abbauen die besten Praktiken und sie auf zukünftige Entscheidungen.

Anwendungen

Data Mining-Anwendung sind:

1) Ein Pharmaunternehmen untersuchen können ihrer jüngsten Außendienst Tätigkeit und ihre Ergebnisse zu verbessern, welche Marketing-Aktivitäten werden die größten Auswirkungen in den nächsten Monaten haben. Die Daten müssen Informationen über die lokalen Gesundheitssysteme sowie Konkurrenten Marktaktivitäten sind. Durch die Verwendung eines Wide Area Network können die Ergebnisse an den Außendienst, die Vertreter können die Empfehlungen aus der Perspektive der wichtigsten Attribute in den Entscheidungsprozess bewertet verteilt werden. Diese dynamische Analyse der Data Warehouse ermöglicht Best Practices aus der gesamten Organisation in bestimmten Umsatz Situationen angewandt werden.

2) Eine Kreditkarten-Unternehmen zwingen kann seine große Lager von Kunden Transaktionsdaten, Kunden zu identifizieren sein Interesse an einem neuen Kredit Produkt. Mit einem kleinen Testmailing können die Attribute von Kunden mit einer Affinität für das Produkt zu identifizieren.

3) Eine große Konsumgüterindustrie Unternehmen wendet Data Mining seinen Umsatz Prozess seinen Händlern zu verbessern. Daten von Verbraucher-Panels, Lieferungen und Konkurrenten Aktivitäten gesammelt werden können verwendet werden, um die Gründe für die Marke und Shop Umschaltung bestimmen. Durch die Nutzung dieser Analyse, Auswahl der Hersteller die besten Strategien, die ihre Zielkundensegmente erreichen.