Hinweis: Im nächsten Thema, das Sie lesen werden, erfahren Sie Folgendes: Was ist Data Mining? Grundlagen und ihre Methoden.
Die Grundlage der vierten industriellen Revolution wird in hohem Maße davon abhängen Daten(Daten) und Fähigkeiten Verbindungen(Konnektivität) . Analysedienstleistungen(Analysis Services), die in der Lage sind, Data-Mining-Lösungen zu entwerfen oder zu erstellen, werden in dieser Hinsicht eine Schlüsselrolle spielen. Dies kann dabei helfen, die Ergebnisse des Kaufverhaltens der Kunden zu analysieren und vorherzusagen, um potenzielle Käufer anzusprechen. Daten(Daten) werden zu einer neuen natürlichen Ressource, und der Prozess der Extraktion relevanter Informationen aus diesen nicht klassifizierten Daten wird von großer Bedeutung sein. Somit ist das richtige Verständnis des Begriffs gegeben Datenverarbeitung Ihre Prozesse und Anwendungen können uns helfen, einen ganzheitlichen Ansatz für dieses Schlagwort zu entwickeln.
Grundlagen des Data Mining(Grundlagen des Data Mining) und seine Methoden
Data Mining, auch bekannt als Entdeckung von Wissen in Daten(Entdeckung von Wissen in Daten) ( kdd ) besteht darin, große Data Warehouses zu durchsuchen, um Muster und Trends zu erkennen, die über eine einfache Analyse hinausgehen. Hierbei handelt es sich jedoch nicht um eine einstufige Lösung, sondern um einen mehrstufigen Prozess, der in verschiedenen Schritten abläuft. Das beinhaltet:
1]Datenerfassung und -aufbereitung
Alles beginnt mit der Datenerfassung und deren ordnungsgemäßer Organisation. Dies trägt erheblich dazu bei, die Chancen, durch Data Mining auffindbare Informationen zu finden, erheblich zu verbessern.
2]Konstruktion und Bewertung von Modellen
Der zweite Schritt im Data-Mining-Prozess ist die Anwendung verschiedener Modellierungstechniken. Sie werden verwendet, um Parameter auf optimale Werte zu kalibrieren. Die verwendeten Methoden hängen in hohem Maße von der Analysefähigkeit ab, die erforderlich ist, um eine Reihe von Organisations- und Entscheidungsanforderungen zu erfüllen.
Werfen wir einen kurzen Blick auf einige Data-Mining-Techniken. Es hat sich herausgestellt, dass die meisten Unternehmen zwei oder mehr Data-Mining-Techniken kombinieren, um einen geeigneten Prozess zu bilden, der ihren Geschäftsanforderungen entspricht.
Lesen(Lesen) : Was ist Big Data?
Data-Mining-Methoden
- Verband. (Verband – )Verband(Assoziation) ist eine der bekanntesten Data-Mining-Methoden. In diesem Fall wird die Vorlage basierend auf der Beziehung zwischen Elementen in derselben Transaktion entschlüsselt. Fällig(Daher wird es auch als Verhältnismethode bezeichnet. Große Markeneinzelhändler verlassen sich auf diese Methode, um die Kaufgewohnheiten/-präferenzen der Kunden zu untersuchen. Durch die Verfolgung der Kaufgewohnheiten der Menschen können Einzelhändler beispielsweise feststellen, dass ein Kunde beim Schokoladenkauf immer auch Sahne kauft, und daher davon ausgehen, dass er beim nächsten Schokoladenkauf auch Sahne kaufen möchte.
- Einstufung(Einstufung). Diese Data-Mining-Methode unterscheidet sich von der oben beschriebenen dadurch, dass sie auf maschinellem Lernen basiert und mathematische Methoden wie z linearProgrammierung (linear), Bäume Entscheidungen, (Entscheidung)Neuronale Netze.Netzwerk (neuronal). Im Bereich der Klassifizierung versuchen Unternehmen, Software zu entwickeln, die lernen kann, Datenelemente in Gruppen zu klassifizieren. Beispielsweise könnte ein Unternehmen in einer Anwendung eine Klassifizierung definieren, die „anhand aller Aufzeichnungen von Mitarbeitern, die vorgeschlagen haben, das Unternehmen zu verlassen, die Anzahl der Personen vorhersagt, die das Unternehmen in Zukunft möglicherweise verlassen.“ In einem solchen Szenario kann ein Unternehmen Mitarbeiterdatensätze in zwei Gruppen einteilen, nämlich „Verlassen“ und „Bleiben“. Anschließend können Sie Ihre Data-Mining-Software verwenden, um Mitarbeiter in die einzelnen Gruppen zu kategorisieren, die Sie zuvor erstellt haben.
- Gruppe(Gruppierung) – anders(Verschiedene) Objekte mit ähnlichen Eigenschaften werden durch Automatisierung zu einer Gruppe zusammengefasst. Viele dieser Cluster werden erstellt, indem Klassen und Objekte (mit ähnlichen Eigenschaften) entsprechend darin platziert werden. Um dies besser zu verstehen, nehmen wir ein Beispiel der Buchverwaltung in einer Bibliothek. Die Bibliothek verfügt über eine umfangreiche Sammlung vollständig katalogisierter Bücher. Elemente desselben Typs werden zusammen aufgelistet. Dadurch fällt es uns leichter, das Buch zu finden, das uns interessiert. Auf ähnliche Weise können wir mit der Gruppierungsmethode Bücher, die eine gewisse Ähnlichkeit aufweisen, in derselben Gruppe speichern und ihr einen passenden Namen geben. Wenn ein Leser also ein Buch ausleihen möchte, das seinen Interessen entspricht, muss er nur zu diesem Regal gehen, anstatt die gesamte Bibliothek zu durchsuchen. Die Gruppierungsmethode definiert also Klassen und platziert Objekte in jeder Klasse.
- Vorhersage(Vorhersage). Vorhersage ist eine Data-Mining-Technik, die häufig in Verbindung mit anderen Data-Mining-Techniken verwendet wird. Beinhaltet Trendanalyse, Klassifizierung, Mustervergleich und Beziehung. Durch die Analyse vergangener Ereignisse oder Ereignisse in der richtigen Reihenfolge kann ein zukünftiges Ereignis mit Sicherheit vorhergesagt werden. Beispielsweise kann die Predictive-Analytics-Methode im Vertrieb eingesetzt werden, um zukünftige Gewinne vorherzusagen, indem der Umsatz als unabhängige Variable und der Gewinn als umsatzabhängige Variable ausgewählt werden. Anschließend kann auf der Grundlage der historischen Umsatz- und Gewinndaten eine angepasste Regressionskurve erstellt und zur Gewinnvorhersage verwendet werden.
- Entscheidungsbäume(Entscheidungsbäume). In einem Entscheidungsbaum beginnen wir mit einer einfachen Frage, die mehrere Antworten hat. Jede Antwort führt zur nächsten Frage, die dabei hilft, die Daten zu klassifizieren oder zu identifizieren, sodass sie klassifiziert werden können oder auf der Grundlage jeder Antwort eine Vorhersage getroffen werden kann. Beispielsweise verwenden wir den folgenden Entscheidungsbaum, um zu bestimmen, ob Cricket gespielt werden soll ODI : Data-Mining-Entscheidungsbaum(Data-Mining-Entscheidungsbaum): Wenn die Wettervorhersage Regen vorhersagt, sollten wir ausgehend vom Wurzelknoten den Abgleich für diesen Tag vermeiden. Alternativ, wenn die Wettervorhersage klar ist, sollten wir ein Spiel spielen.
Datenverarbeitung(Data Mining) steht im Mittelpunkt analytischer Bemühungen in verschiedenen Branchen und Disziplinen wie Kommunikation, Sicher(Sicher) , Ausbildung(Ausbildung) , Produktion(Herstellung) Bankwesen(Bankwesen) und Einzelverkauf(Einzelhandel) und viele andere. Daher ist es wichtig, vor der Anwendung verschiedener Methoden die richtigen Informationen darüber zu haben.
Die Grundlage der vierten industriellen Revolution wird in hohem Maße davon abhängen Daten Und Konnektivität. Eine Schlüsselrolle werden in diesem Zusammenhang diejenigen spielen, die in der Lage sind, Data-Mining-Lösungen zu entwickeln oder zu erstellen. Es könnte dabei helfen, die Ergebnisse des Kaufverhaltens der Kunden zu analysieren und vorherzusagen, um potenzielle Käufer anzusprechen. Daten werden zu einer neuen natürlichen Ressource und der Prozess der Extraktion relevanter Informationen aus diesen nicht klassifizierten Daten wird enorme Bedeutung erlangen. Daher ein richtiges Verständnis des Begriffs DatenverarbeitungIhre Prozesse und Anwendungen könnten uns helfen, einen ganzheitlichen Ansatz für dieses Schlagwort zu entwickeln.
Grundlagen des Data Mining und seiner Techniken

Data Mining, auch bekannt als Entdeckung von Erkenntnissen in Daten (kdd) geht es darum, große Datenmengen zu durchsuchen, um Muster und Trends zu entdecken, die über eine einfache Analyse hinausgehen. Hierbei handelt es sich jedoch nicht um eine einstufige Lösung, sondern um einen mehrstufigen Prozess, der in mehreren Stufen abgeschlossen wird. Diese beinhalten:
1]Datenerfassung und -aufbereitung
Es beginnt mit der Datenerhebung und deren ordnungsgemäßer Organisation. Dies trägt dazu bei, die Chancen, die Informationen zu finden, die durch Data Mining ermittelt werden können, deutlich zu verbessern.
2]Konstruktion und Bewertung von Modellen
Der zweite Schritt im Data-Mining-Prozess ist die Anwendung verschiedener Modellierungstechniken. Diese werden verwendet, um die Parameter auf optimale Werte zu kalibrieren. Die verwendeten Techniken hängen in hohem Maße von den analytischen Fähigkeiten ab, die erforderlich sind, um auf eine Reihe organisatorischer Anforderungen einzugehen und eine Entscheidung zu treffen.
Lassen Sie uns kurz einige Data-Mining-Techniken untersuchen. Es zeigt sich, dass die meisten Organisationen zwei oder mehr Data-Mining-Techniken kombinieren, um einen geeigneten Prozess zu bilden, der ihren Geschäftsanforderungen entspricht.
lesen: Was ist Big Data?
Data-Mining-Techniken
- Verband- Die Assoziation ist eine der bekanntesten Data-Mining-Techniken. Darunter wird ein Muster entschlüsselt, das auf einer Beziehung zwischen Artikeln in derselben Transaktion basiert. Daher wird sie auch als Beziehungstechnik bezeichnet. Einzelhändler großer Marken nutzen diese Technik, um die Kaufgewohnheiten/-präferenzen der Kunden zu untersuchen. Durch die Verfolgung der Kaufgewohnheiten der Menschen können Einzelhändler beispielsweise erkennen, dass ein Kunde beim Schokoladenkauf immer Sahne kauft, und ihnen daher vorschlagen, dass er beim nächsten Schokoladenkauf vielleicht auch Sahne kaufen möchte.
- Einstufung – Diese Data-Mining-Technik unterscheidet sich von den vorherigen dadurch, dass sie auf maschinellem Lernen basiert und mathematische Techniken wie lineare Programmierung, Entscheidungsbäume und das neuronale Netzwerk verwendet. Bei der Klassifizierung versuchen Unternehmen, Software zu entwickeln, die lernen kann, Datenelemente in Gruppen zu klassifizieren. Beispielsweise könnte ein Unternehmen in der App eine Rangfolge definieren, die „anhand aller Datensätze von Mitarbeitern, die angeboten haben, aus dem Unternehmen auszutreten, die Anzahl der Personen vorhersagt, die in Zukunft wahrscheinlich aus dem Unternehmen ausscheiden werden.“ In einem solchen Szenario kann das Unternehmen die Mitarbeiterdatensätze in zwei Gruppen einteilen, nämlich „Verlassen“ und „Bleiben“. Anschließend können Sie Ihre Data-Mining-Software verwenden, um die Mitarbeiter in zuvor erstellte separate Gruppen einzuteilen.
- Gruppe – Verschiedene Objekte, die ähnliche Eigenschaften aufweisen, werden durch Automatisierung zu einer einzigen Gruppe zusammengefasst. Viele dieser Cluster werden als Klassen erstellt und Objekte (mit ähnlichen Eigenschaften) entsprechend darin platziert. Um dies besser zu verstehen, betrachten wir ein Beispiel der Buchverwaltung in der Bibliothek. In einer Bibliothek ist die umfangreiche Buchsammlung vollständig katalogisiert. Elemente desselben Typs werden zusammen aufgelistet. Dies macht es für uns einfacher, ein Buch zu finden, das uns interessiert. Auf ähnliche Weise können wir mithilfe der Clustering-Technik Bücher, die gewisse Ähnlichkeiten aufweisen, in einer Gruppe zusammenfassen und ihr einen passenden Namen geben. Wenn ein Leser also nach einem für ihn relevanten Buch sucht, muss er einfach zu diesem Regal gehen, anstatt die gesamte Bibliothek zu durchsuchen. Somit definiert die Clustering-Technik die Klassen und ordnet Objekte jeder Klasse zu, während bei den Klassifizierungstechniken Objekte vordefinierten Klassen zugewiesen werden.
- Vorhersage – Vorhersage ist eine Data-Mining-Technik, die oft in Kombination mit anderen Data-Mining-Techniken verwendet wird. Es umfasst Trendanalyse, Klassifizierung, Mustervergleich und Beziehungen. Durch die Analyse vergangener Ereignisse oder Instanzen in der richtigen Reihenfolge kann man ein zukünftiges Ereignis sicher vorhersagen. Beispielsweise kann die Prognoseanalysetechnik beim Verkauf verwendet werden, um zukünftige Gewinne vorherzusagen, indem der Verkauf als unabhängige Variable und der Gewinn als abhängige Variable für den Verkauf ausgewählt werden. Anschließend kann auf Basis der historischen Umsatz- und Gewinndaten eine angepasste Regressionskurve erstellt werden, die zur Gewinnvorhersage verwendet wird.
- Entscheidungsbäume – Innerhalb des Entscheidungsbaums beginnen wir mit einer einfachen Frage, die mehrere Antworten hat. Jede Antwort führt zu einer zusätzlichen Frage, die dabei hilft, die Daten zu klassifizieren oder zu identifizieren, sodass sie kategorisiert oder auf der Grundlage jeder Antwort eine Vorhersage getroffen werden kann. Beispielsweise verwenden wir den folgenden Entscheidungsbaum, um zu bestimmen, ob ODI-Cricket gespielt werden soll oder nicht: Data-Mining-Entscheidungsbaum: Beginnend am Wurzelknoten: Wenn die Wettervorhersage Regen vorhersagt, sollten wir das Spiel an diesem Tag vermeiden. Alternativ sollten wir das Spiel austragen, wenn die Wettervorhersage klar ist.
Data Mining steht im Mittelpunkt der Analysebemühungen in einer Vielzahl von Branchen und Disziplinen wie Kommunikation, Versicherungen, Bildung, Fertigung, Banken und Einzelhandel und mehr. Daher ist es wichtig, dass Sie über korrekte Informationen in dieser Hinsicht verfügen, bevor Sie die verschiedenen Techniken anwenden.
