Grunden för den fjärde industriella revolutionen kommer till stor del att bero på data och anslutningar^{(Connectivity)} . Analystjänster^{(Analysis Services)} som kan utveckla eller skapa datautvinningslösningar kommer att spela en nyckelroll i detta avseende. Det kan hjälpa till att analysera och förutsäga resultatet av kunders köpbeteende för att rikta in sig på potentiella köpare. Data kommer att bli en ny naturresurs och processen att extrahera relevant information från denna osorterade data kommer att få enorm betydelse. Som sådan kan en korrekt förståelse av termen Data Mining , dess processer och tillämpning hjälpa oss att utveckla ett holistiskt förhållningssätt till detta modeord.

Grundläggande datautvinning^{(Data Mining Basics)} och dess tekniker

Data mining, även känd som Knowledge Discovery in Data ( KDD ) handlar om att söka i stora datalager för att avslöja mönster och trender som går utöver enkel analys. Detta är dock inte en enstegslösning utan en flerstegsprocess och genomförs i olika steg. Dessa inkluderar:

1] Datainsamling och förberedelse

Det börjar med datainsamling och dess korrekta organisation. Detta hjälper till att avsevärt förbättra chanserna att hitta den information som kan upptäckas genom datautvinning

2] Modellbyggnad och utvärdering

Det andra steget i datautvinningsprocessen är tillämpningen av olika modelleringstekniker. Dessa används för att kalibrera parametrarna till optimala värden. Tekniker som används beror till stor del på analytisk förmåga som krävs för att tillgodose ett spektrum av organisatoriska behov och för att komma fram till ett beslut.

Låt oss undersöka några datautvinningstekniker i korthet. Det har visat sig att de flesta organisationer kombinerar två eller flera datautvinningstekniker tillsammans för att bilda en lämplig process som uppfyller deras affärskrav.

Läs^(Read) : Vad är Big Data?^{(What is Big Data?)}

Datautvinningstekniker

1. Association –  Association är en av de allmänt kända teknikerna för datautvinning. Under detta dechiffreras ett mönster baserat på en relation mellan artiklar i samma transaktion. Därför^(Hence) är det också känt som relationstekniken. Stora varumärkesåterförsäljare förlitar sig på denna teknik för att undersöka kundernas köpvanor/preferenser. Till exempel, när man spårar människors köpvanor, kan återförsäljare identifiera att en kund alltid köper grädde när de köper choklad, och därför föreslår att de nästa gång de köper choklad också vill köpa grädde.
2. Klassificering^{(Classification)} – Denna datautvinningsteknik skiljer sig från ovanstående genom att den är baserad på maskininlärning och använder matematiska tekniker som linjär^(Linear) programmering, beslutsträd^(Decision) , neuralnätverk. I klassificering försöker företag bygga mjukvara som kan lära sig att klassificera dataposterna i grupper. Till exempel kan ett företag definiera en klassificering i ansökan som "med tanke på alla uppgifter om anställda som erbjöd sig att säga upp sig från företaget, förutsäga antalet individer som sannolikt kommer att säga upp sig från företaget i framtiden." Under ett sådant scenario kan företaget klassificera de anställdas register i två grupper, nämligen "avgår" och "stanna". Den kan sedan använda sin datautvinningsprogramvara för att klassificera de anställda i separata grupper som skapats tidigare.
3. Clustering – Olika^(Different)objekt som uppvisar liknande egenskaper grupperas tillsammans i ett enda kluster via automatisering. Många sådana kluster skapas som klasser och objekt (med liknande egenskaper) placeras i det i enlighet med detta. För att förstå detta bättre, låt oss överväga ett exempel på bokhantering i biblioteket. I ett bibliotek är den stora samlingen av böcker helt katalogiserad. Föremål av samma typ listas tillsammans. Detta gör det lättare för oss att hitta en bok av vårt intresse. På samma sätt kan vi, genom att använda klustringstekniken, föra böcker som har vissa slags likheter i ett kluster och ge det ett lämpligt namn. Så om en läsare letar efter en bok som är relevant för hans intresse behöver han bara gå till den hyllan istället för att söka i hela biblioteket. Sålunda definierar klustringstekniken klasserna och placerar objekt i varje klass,
4. Prediction – Förutsägelsen är en datautvinningsteknik som ofta används i kombination med andra datautvinningstekniker. Det innebär att analysera trender, klassificering, mönstermatchning och relation. Genom att analysera tidigare händelser eller tillfällen i rätt sekvens kan man säkert förutsäga en framtida händelse. Till exempel kan förutsägelseanalystekniken användas i försäljningen för att förutsäga framtida vinst om försäljningen väljs som en oberoende variabel och vinst som en variabel beroende av försäljning. Sedan kan man, baserat på historiska försäljnings- och vinstdata, rita en anpassad regressionskurva som används för vinstförutsägelse.
5. Beslutsträd^{(Decision trees)} – Inom beslutsträdet börjar vi med en enkel fråga som har flera svar. Varje svar leder till ytterligare en fråga för att hjälpa till att klassificera eller identifiera data så att de kan kategoriseras, eller så att en förutsägelse kan göras baserat på varje svar. Till exempel använder vi följande beslutsträd för att avgöra om vi ska spela cricket ODI eller inte : Data Mining Decision Tree : Börjar vid rotnoden, om väderprognosen förutspår regn då, bör vi undvika matchen för dagen. Alternativt, om väderprognosen är klar bör vi spela matchen.

Data Mining är kärnan i analysarbetet inom en mängd olika branscher och discipliner som kommunikation, försäkring^(Insurance) , utbildning^(Education) , tillverkning^{(Manufacturing)} , bank^(Banking) och detaljhandel med^(Retail) mera. Därför är det viktigt att ha korrekt information om det innan de olika teknikerna används.

What is Data Mining? Basics and its Techniques.

The foundation of the fourth industriаl revolution will largely depend upon Data and Connectivity. Analysis Services capable of developing or creating data mining solutions will play a key role in this regard. It could assist in analyzing and predicting outcomes of customer purchasing behavior for targeting potential buyers. Data will become a new natural resource and the process of extracting relevant information from this unsorted data will assume immense importance. As such, a proper understanding of the term – Data Mining, its processes, and application could help us in developing a holistic approach to this buzzword.

Data Mining Basics and its Techniques

Data mining, also known as Knowledge Discovery in Data (KDD) is about searching large stores of data to uncover patterns and trends that go beyond simple analysis. This, however, is not a single-step solution but a multi-step process and is completed in various stages. These include:

1] Data gathering and Preparation

It starts with data collection and its proper organization. This helps in significantly improving the chances of finding the information that can be discovered through data mining

2] Model Building and Evaluation

The second step in data mining process is the application of various modeling techniques. These are used to calibrate the parameters to optimal values. Techniques employed largely depend on analytic capabilities required to address a gamut of organizational needs and to arrive at a decision.

Let us examine some data mining techniques in brief. It is found that most organizations combine two or more data mining techniques together to form an appropriate process that meets their business requirements.

Read: What is Big Data?

Data Mining Techniques

1. Association – Association is one of the widely-known data mining techniques. Under this, a pattern is deciphered based on a relationship between items in the same transaction. Hence, it is also known as the relation technique. Big brand retailers rely on this technique to research customer’s buying habits/preferences. For example, when tracking people’s buying habits, retailers might identify that a customer always buys cream when they buy chocolates, and therefore suggest that the next time that they buy chocolates they might also want to buy cream.
2. Classification – This data mining technique differs from the above in the way that it is based on machine learning and uses mathematical techniques such as Linear programming, Decision trees, Neural network. In classification, companies try to build software that can learn how to classify the data items into groups. For instance, a company can define a classification in the application that “given all records of employees who offered to resign from the company, predict the number of individuals who are likely to resign from the company in future.” Under such a scenario, the company can classify the records of employees into two groups that namely “leave” and “stay”. It can then use its data mining software to classify the employees into separate groups created earlier.
3. Clustering – Different objects exhibiting similar characteristics are grouped together in a single cluster via automation. Many such clusters are created as classes and objects (with similar characteristics) are placed in it accordingly. To understand this better, let us consider an example of book management in the library. In a library, the vast collection of books is fully cataloged. Items of the same type are listed together. This makes it easier for us to find a book of our interest. Similarly, by using the clustering technique, we can keep books that have some kinds of similarities in one cluster and assign it a suitable name. So, if a reader is looking to grab a book relevant to his interest, he only has to go to that shelf instead of searching the entire library. Thus, the clustering technique defines the classes and puts objects in each class, while in the classification techniques, objects are assigned into predefined classes.
4. Prediction – The prediction is a data mining technique that is often used in combination with the other data mining techniques. It involves analyzing trends, classification, pattern matching, and relation. By analyzing past events or instances in a proper sequence one can safely predict a future event. For instance, the prediction analysis technique can be used in the sale to predict future profit if the sale is chosen as an independent variable and profit as a variable dependent on sale. Then, based on the historical sale and profit data, one can draw a fitted regression curve that is used for profit prediction.
5. Decision trees – Within the decision tree, we start with a simple question that has multiple answers. Each answer leads to a further question to help classify or identify the data so that it can be categorized, or so that a prediction can be made based on each answer. For example, We use the following decision tree to determine whether or not to play cricket ODI: Data Mining Decision Tree: Starting at the root node, if the weather forecast predicts rain then, we should avoid the match for the day. Alternatively, if the weather forecast is clear, we should play the match.

Data Mining is at the heart of analytics efforts across a variety of industries and disciplines like communications, Insurance, Education, Manufacturing, Banking and Retail and more. Therefore, having correct information about it is essential before apply the different techniques.

Related posts

• 26 bästa programvara för datautvinning

• Hur man använder funktionen Automatisk datatyp i Excel

• BitLocker Setup misslyckades med att exportera BCD-arkivet (Boot Configuration Data).

• Hur man hanterar dataanvändningsgränsen i Windows 11/10

• Kan inte importera registerfil. Inte all data skrevs till registret

• EaseUS Data Recovery Wizard Free låter dig återställa förlorad eller raderad data

• Bästa gratis verktyg för datavisualisering online

• Rensa cookies, webbplatsdata, cache för specifik webbplats: Chrome Edge Firefox

• Vad är dataremanens? Hur tar man bort eller skriver över det?

• 0xc0000098: Windows Boot Configuration Data innehåller inte OS-post

• Microarchitectural Data Sampling (MDS) sårbarhet förklaras

• Hur man återskapar BCD eller Boot Configuration Data-fil i Windows 11/10

• Gratis programvara för dataåterställning: Återställ raderade filer och mappar

• Ashampoo Burning Studio 2020 - Bränn CD, DVD, Blu-ray GRATIS!

• BurnAware gratis nedladdning: Gratis CD, DVD, Blu-Ray, HD-mediabrännare

• Hur man laddar ner Instagram-data med hjälp av Instagram Data Export Tool

• Vad är USB-datablockerare? Bästa USB-datablockerare att köpa på Amazon

• Hur du laddar ner eller extraherar din Google Maps-data

• 10 bästa professionella programvara för säkerhetskopiering och dataåterställning för Windows 10

• Vad är skillnaden mellan data och information