data mining examples
Ovaj vodič obrađuje najpopularnije primjere rudarenja podataka u stvarnom životu. Saznajte više o primjeni rudarstva podataka u financijama, marketingu, zdravstvu i CRM-u:
U ovome Besplatna serija podataka o rudarenju podataka , pogledali smo Proces rudarenja podataka u našem prethodnom vodiču. Rudarstvo podataka, koje je poznato i kao Otkrivanje znanja u bazama podataka (KDD), postupak je otkrivanja obrazaca u velikom skupu podataka i skladišta podataka.
Razne tehnike poput regresijske analize, udruživanja i grupiranja, klasifikacije i vanjske analize primjenjuju se na podatke kako bi se identificirali korisni ishodi. Ove se tehnike koriste softverom i pozadinskim algoritmima koji analiziraju podatke i pokazuju obrasce.
što vr radi s xbox one
Neke od poznatih metoda rudarenja podataka su analiza stabla odlučivanja, Bayesova teoremska analiza, učestalo rukovanje postavkama, itd. Tržište softvera ima mnoštvo otvorenih koda kao i plaćene alate za rudarenje podataka kao što su Weka, Rapid Miner i Narančasti alati za rudarenje podataka.
Proces rudarenja podataka započinje davanjem određenog unosa podataka alatima za rudarenje podacima koji koriste statistiku i algoritme za prikaz izvještaja i obrazaca. Rezultati se mogu vizualizirati pomoću ovih alata koji se mogu razumjeti i dalje primjenjivati za provođenje poslovnih modifikacija i poboljšanja.
Organizacije za istraživanje podataka široko koriste organizacije za izgradnju marketinške strategije, bolnice za dijagnostičke alate, e-trgovina za unakrsnu prodaju proizvoda putem web stranica i na mnoge druge načine.
Neki od primjera rudarenja podataka navedeni su u nastavku za vašu referencu.
Što ćete naučiti:
- Primjeri rudarenja podataka u stvarnom životu
- Primjeri rudarstva podataka u financijama
- Primjene rudarstva podataka u marketingu
- Primjeri aplikacija za rudarenje podataka u zdravstvu
- Sustavi za rudarenje podataka i preporuke
- Rudarstvo podataka za CRM (upravljanje odnosima s kupcima)
- Rudarstvo podataka na primjeru stabla odluka
- Najpopularniji primjer rudarstva podataka: marketing i prodaja
- Velike tvrtke koje koriste Data Mining
- Zaključak
- Preporučena literatura
Primjeri rudarenja podataka u stvarnom životu
Važnost rudarenja i analize podataka raste iz dana u dan u našem stvarnom životu. Danas većina organizacija koristi analizu podataka za analizu velikih podataka.
Pogledajmo kako nam ove tehnologije koriste.
# 1) Davatelji mobilnih usluga
Davatelji mobilnih usluga koriste rudarstvo podataka kako bi osmislili svoje marketinške kampanje i zadržali kupce da se presele kod drugih dobavljača.
Iz velike količine podataka poput podataka o naplati, e-pošte, tekstualnih poruka, prijenosa podataka putem interneta i korisničke usluge, alati za rudarenje podataka mogu predvidjeti 'odboj' koji poručuje kupcima koji žele promijeniti dobavljača.
Ovim rezultatima daje se ocjena vjerojatnosti. Davatelji mobilnih usluga tada mogu pružiti poticaje i ponude kupcima koji su u većem riziku od razbijanja. Ovu vrstu rudarstva često koriste veliki pružatelji usluga poput širokopojasnog, telefonskog, dobavljača plina itd.
(slika izvor )
# 2) Sektor maloprodaje
Data Mining pomaže vlasnicima supermarketa i maloprodaje da znaju izbor kupaca. Gledajući povijest kupovine kupaca, alati za rudarenje podacima pokazuju sklonosti kupca kupcima.
Pomoću ovih rezultata supermarketi dizajniraju plasmane proizvoda na police i donose ponude za proizvode poput kupona za odgovarajuće proizvode i posebne popuste na neke proizvode.
Te se kampanje temelje na RFM grupiranju. RFM označava nedavnost, učestalost i monetarno grupiranje. Promocije i marketinške kampanje prilagođene su tim segmentima. Kupac koji troši puno, ali vrlo rijetko, tretirat će se drugačije od kupca koji kupuje svaka 2-3 dana, ali s manjim iznosom.
Data Mining se može koristiti za preporuke proizvoda i za referenciranje proizvoda.
Rudarstvo podataka u maloprodajnom sektoru iz različitih izvora podataka.
(slika izvor )
# 3) Umjetna inteligencija
Sustav je umjetno inteligentan čineći ga odgovarajućim uzorcima. Ti obrasci potječu iz rezultata za rudarstvo podataka. Izlazi umjetno inteligentnih sustava također se analiziraju na njihovu relevantnost pomoću tehnika rudarenja podataka.
Sustavi preporučitelja koriste tehnike rudarenja podataka za izradu personaliziranih preporuka kada kupac komunicira sa strojevima. Umjetna inteligencija koristi se na miniranim podacima, poput davanja preporuka za proizvode temeljene na prošloj povijesti kupnje kupca u Amazonu.
# 4) E-trgovina
Mnoga web mjesta za e-trgovinu koriste se pretraživanjem podataka kako bi ponudila unakrsnu prodaju i prodaju svojih proizvoda. Stranice za kupnju, poput Amazona, Flipkarta, korisnicima 'koji su u interakciji sa stranicom prikazuju' Ljudi su i gledali ',' Često se kupuju zajedno '.
Ove se preporuke pružaju pomoću pretraživanja podataka tijekom povijesti kupnje kupaca web stranice.
# 5) Znanost i inženjerstvo
Pojavom rudarenja podataka znanstvene aplikacije sada prelaze sa statističkih tehnika na tehnike 'prikupljanja i pohrane podataka', a zatim izvode rudarstvo na novim podacima, daju nove rezultate i eksperimentiraju s postupkom. Velika količina podataka prikuplja se iz znanstvenih područja kao što su astronomija, geologija, satelitski senzori, sustav globalnog pozicioniranja itd.
Istraživanje podataka u računalnoj znanosti pomaže pratiti status sustava, poboljšati njegovu izvedbu, otkriti programske pogreške, otkriti plagijarizam i otkriti greške. Istraživanje podataka također pomaže u analizi povratnih informacija korisnika o proizvodima, člancima kako bi se utvrdila mišljenja i osjećaji stavova.
# 6) Prevencija kriminala
Data Mining otkriva odstupanja u ogromnoj količini podataka. Kazneni podaci uključuju sve detalje zločina koji se dogodio. Data mining će proučavati obrasce i trendove i s boljom preciznošću predviđati buduće događaje.
Agencije mogu otkriti koje je područje sklonije kriminalu, koliko policijskog osoblja treba rasporediti, koju dobnu skupinu treba ciljati, brojeve vozila koja se pregledavaju itd.
# 7) Istraživanje
Istraživači koriste alate Data Mining za istraživanje povezanosti između parametara koji se istražuju, poput uvjeta okoliša poput onečišćenja zraka i širenja bolesti poput astme među ljudima u ciljanim regijama.
# 8) Ratarstvo
Poljoprivrednici koriste Data Mining kako bi saznali prinos povrća s količinom vode koja je potrebna biljkama.
# 9) Automatizacija
Koristeći rudarenje podataka, računalni sustavi uče prepoznavati uzorke među parametrima koji se uspoređuju. Sustav će pohraniti obrasce koji će u budućnosti biti korisni za postizanje poslovnih ciljeva. Ovo je učenje automatizacija jer pomaže u postizanju ciljeva kroz strojno učenje.
# 10) Dinamična cijena
Istraživanje podataka pomaže pružateljima usluga kao što su kabinske službe da dinamički naplaćuju kupce na temelju potražnje i ponude. To je jedan od ključnih čimbenika za uspjeh tvrtki.
# 11) Prijevoz
Data Mining pomaže u planiranju selidbe vozila od skladišta do prodajnih mjesta i analiziranju uzoraka utovara proizvoda.
# 12) Osiguranje
Metode rukovanja podacima pomažu u predviđanju kupaca koji kupuju police, analiziraju medicinske tvrdnje koje se koriste zajedno, otkrivaju prijevara i rizični kupci.
Primjeri rudarstva podataka u financijama
( slika izvor )
Financijski sektor uključuje banke, osiguravajuća društva i investicijske tvrtke. Te institucije prikupljaju ogromnu količinu podataka. Podaci su često cjeloviti, pouzdani i visokokvalitetni te zahtijevaju sustavnu analizu podataka.
Za pohranu financijskih podataka grade se skladišta podataka koja pohranjuju podatke u obliku kockica podataka. Za analizu ovih podataka koriste se napredni koncepti kocke podataka. Metode rudarenja podacima kao što su klasterizacija i vanjska analiza, karakterizacija koriste se u analizi financijskih podataka i rudarstvu.
U nastavku su navedeni neki slučajevi u financijama gdje se koristi rudarenje podacima.
# 1) Predviđanje isplate zajma
Metode pretraživanja podataka poput odabira atributa i rangiranja atributa analizirat će povijest plaćanja kupaca i odabrati važne čimbenike kao što su omjer plaćanja i dohotka, kreditna povijest, rok zajma itd. Rezultati će pomoći bankama da odluče o svojoj politici odobravanja zajma i također odobravati zajmove kupcima prema faktorskoj analizi.
# 2) Ciljani marketing
Metode klasteriranja i klasificiranja podataka pomoći će u pronalaženju čimbenika koji utječu na odluke klijenta prema bankarstvu. Identifikacija identičnih kupaca u ponašanju olakšat će ciljani marketing.
# 3) Otkrivanje financijskih zločina
Podaci o bankama dolaze iz mnogih različitih izvora, raznih gradova i različitih lokacija banaka. Višestruki alati za analizu podataka koriste se za proučavanje i otkrivanje neobičnih trendova poput transakcija velike vrijednosti. Alati za vizualizaciju podataka, alati za analizu izvan okvira, alati za klasteriranje itd. Koriste se za utvrđivanje odnosa i obrazaca djelovanja.
Donja slika je studija tvrtke Infosys koja pokazuje spremnost klijenta za bankarskim internetskim sustavom u različitim zemljama. Infosys je za ovu studiju koristio analitiku velikih podataka.
(slika izvor )
Primjene rudarstva podataka u marketingu
Istraživanje podataka pojačava marketinšku strategiju tvrtke i promovira poslovanje. To je jedan od ključnih čimbenika za uspjeh tvrtki. Ogromna količina podataka prikuplja se o prodaji, kupcima, potrošnji itd. Ti se podaci povećavaju iz dana u dan zbog e-trgovine.
Istraživanje podataka pomaže identificirati ponašanje kupaca pri kupnji, poboljšati korisničku uslugu, usredotočiti se na zadržavanje kupaca, povećati prodaju i smanjiti troškove poslovanja.
Neki primjeri rudarenja podacima u marketingu su:
# 1) Predviđanje tržišta
Da bi predvidjeli tržište, marketinški će profesionalci koristiti tehnike rudarenja podataka, poput regresije, kako bi proučavali ponašanje kupaca, promjene i navike, odgovor kupaca i druge čimbenike poput marketinškog proračuna, ostalih nastalih troškova itd. U budućnosti će profesionalcima biti lakše za predviđanje kupaca u slučaju bilo kakvih promjena čimbenika.
# 2) Otkrivanje anomalija
Tehnike rudarenja podataka primijenjene su za otkrivanje bilo kakvih abnormalnosti u podacima koje mogu uzrokovati bilo kakvu manu u sustavu. Sustav će skenirati tisuće složenih unosa kako bi izveo ovu operaciju.
# 3) Sigurnost sustava
Alati za miniranje podataka otkrivaju upade koji mogu naštetiti bazi podataka nudeći veću sigurnost cijelom sustavu. Ti upadi mogu biti u obliku duplikata, virusi u obliku podataka od strane hakera itd.
Primjeri aplikacija za rudarenje podataka u zdravstvu
(slika izvor )
U zdravstvu je rudarenje podacima sve popularnije i neophodno.
Podaci generirani u zdravstvu složeni su i obimni. Da bi se izbjegle medicinske prijevare i zlouporabe, alati za rukovanje podacima koriste se za otkrivanje lažnih predmeta i na taj način sprečavaju gubitak.
U nastavku su dati neki primjeri rudarstva podataka iz zdravstvene djelatnosti za vašu referencu.
# 1) Upravljanje zdravstvom
Metoda pretraživanja podataka koristi se za identificiranje kroničnih bolesti, praćenje regija s visokim rizikom sklonih širenju bolesti, dizajniranje programa za smanjenje širenja bolesti. Zdravstveni radnici analizirat će bolesti, regije pacijenata s maksimalnim prijemom u bolnicu.
Pomoću tih podataka osmislit će kampanje za regiju kako bi ljude osvijestili i vidjeli kako ih izbjeći. To će smanjiti broj pacijenata primljenih u bolnice.
# 2) Učinkoviti tretmani
Korištenjem podataka, tretmani se mogu poboljšati. Kontinuiranom usporedbom simptoma, uzroka i lijekova može se provesti analiza podataka kako bi se napravili učinkoviti tretmani. Istraživanje podataka također se koristi za liječenje određenih bolesti i pridruživanje nuspojava liječenja.
# 3) Lažni i uvredljivi podaci
Aplikacije za istraživanje podataka koriste se za pronalaženje abnormalnih obrazaca poput laboratorija, rezultata liječnika, neprikladnih recepata i lažnih medicinskih tvrdnji.
Sustavi za rudarenje podataka i preporuke
Sustavi preporuke daju kupcima preporuke za proizvode koje bi mogle biti zanimljive za korisnike.
Preporučeni artikli slični su artiklima koje je korisnik tražio u prošlosti ili uvidom u ostale preferencije kupaca koji imaju sličan ukus kao i korisnik. Ovaj pristup naziva se pristup zasnovan na sadržaju i pristup suradnje na odgovarajući način.
Mnoge tehnike poput pretraživanja podataka, statistike, strojnog učenja itd. Koriste se u sustavima koji preporučuju.
Sustavi preporučivača pretražuju ključne riječi, korisničke profile, korisničke transakcije, uobičajene značajke među stavkama kako bi procijenili stavku za korisnika. Ovi sustavi također pronalaze ostale korisnike koji imaju sličnu povijest kupnje i predviđaju stavke koje bi ti korisnici mogli kupiti.
Mnogo je izazova u ovom pristupu. Sustav preporuka mora pretraživati milijune podataka u stvarnom vremenu.
Postoje dvije vrste pogrešaka koje su napravili sustavi za preporuke:
Lažni negativci i Lažni pozitivi.
Lažni negativci su proizvodi koje sustav nije preporučio, ali bi ih kupac želio. Lažno pozitivno su proizvodi koje je sustav preporučio, ali ih kupac nije želio. Drugi izazov je preporuka za korisnike koji su novi bez ikakve povijesti kupovine.
Inteligentna tehnika odgovaranja na upit koristi se za analizu upita i pružanje generaliziranih, povezanih informacija relevantnih za upit. Na primjer: Prikazuje se pregled restorana, a ne samo adresa i telefonski broj traženog restorana.
Rudarstvo podataka za CRM (upravljanje odnosima s kupcima)
Upravljanje odnosima s kupcima može se ojačati pretraživanjem podataka. Dobri odnosi s kupcima mogu se izgraditi privlačenjem prikladnijih kupaca, boljom unakrsnom prodajom i prodajom, boljim zadržavanjem.
Data mining može poboljšati CRM:
- Istraživanje podataka može pomoći tvrtkama u stvaranju ciljanih programa za veći odaziv i bolji povrat ulaganja.
- Tvrtke mogu ponuditi više proizvoda i usluga po želji kupaca putem prodaje i unakrsne prodaje, čime se povećava zadovoljstvo kupaca.
- Uz rukovanje podacima tvrtka može otkriti koji kupci traže druge mogućnosti. Koristeći se tim informacijama, tvrtke mogu stvoriti ideje kako zadržati kupca da ode.
Data Mining pomaže CRM-u u:
- Marketing baze podataka: Marketinški softver omogućuje tvrtkama slanje poruka i e-pošte kupcima. Ovaj alat, zajedno s pretraživanjem podataka, može obavljati ciljani marketing. Uz pomoć podataka može se izvršiti automatizacija i raspoređivanje poslova. Pomaže u boljem donošenju odluka. Također će pomoći u tehničkim odlukama o tome kakve su kupce zainteresirane za novi proizvod, koje je tržišno područje dobro za lansiranje proizvoda.
- Kampanja za akviziciju kupaca: Uz pomoć podataka, tržišni će profesionalci moći prepoznati potencijalne kupce koji nisu svjesni proizvoda ili nove kupce. Moći će dizajnirati ponude i inicijative za takve kupce.
- Optimizacija kampanje: Tvrtke koriste rudarstvo podataka za učinkovitost kampanje. Može modelirati odgovore kupaca na marketinške ponude.
Rudarstvo podataka na primjeru stabla odluka
Algoritmi stabla odluka nazivaju se CART (Klasifikacija i regresijska stabla). To je nadzirana metoda učenja. Struktura stabla izgrađena je na odabranim značajkama, uvjetima za cijepanje i kada se zaustaviti. Stabla odlučivanja koriste se za predviđanje vrijednosti varijabli razreda na temelju učenja iz prethodnih podataka treninga.
Unutarnji čvor predstavlja atribut, a lisni čvor oznaku klase.
(slika izvor )
Sljedeći koraci koriste se za izgradnju strukture stabla odluka:
- Stavite najbolji atribut na vrh stabla (korijen).
- Podskupovi su stvoreni na takav način da svaki podskup predstavlja podatke s istom vrijednošću za atribut.
- Ponovite iste korake da biste pronašli čvorove listova svih grana.
Da bi se predvidjela oznaka klase, atribut zapisa uspoređuje se s korijenom stabla. Usporedbom se bira sljedeća grana. Unutarnji čvorovi također se uspoređuju na isti način dok dosegnuti čvor čvora ne predvidi varijablu klase.
Neki algoritmi koji se koriste za indukciju stabla odluka uključuju Huntov algoritam, CART, ID3, C4.5, SLIQ i SPRINT.
Najpopularniji primjer rudarstva podataka: marketing i prodaja
Marketing i prodaja domene su u kojima tvrtke imaju velike količine podataka.
# 1) Banke prvi su korisnici tehnologije rudarenja podataka jer im pomaže u procjeni kreditne sposobnosti. Istraživanje podataka analizira koje usluge koje banke nude koriste korisnici, kakva vrsta klijenata koristi ATM kartice i što općenito kupuju koristeći njihove kartice (za unakrsnu prodaju).
Banke koriste rudarstvo podataka za analizu transakcija koje klijent obavlja prije nego što odluče promijeniti banku kako bi smanjili odbacivanje klijenta. Također se analiziraju neki izvanredni iznosi u transakcijama radi otkrivanja prijevare.
# 2) Mobilni telefon Tvrtke koristite tehnike rudarenja podataka kako biste izbjegli uskomešanje. Stresanje je mjera koja pokazuje broj kupaca koji napuštaju usluge. Otkriva obrasce koji pokazuju kako kupci mogu imati koristi od usluga kako bi zadržali kupce.
# 3) Analiza tržišne košarice je tehnika pronalaženja grupa predmeta koji se kupuju zajedno u trgovinama. Analiza transakcija pokazuje obrasce kao što su stvari koje se kupuju zajedno, poput kruha i maslaca, ili koji artikli imaju veći obujam prodaje u određene dane, poput piva petkom.
kako pronaći apk datoteke na androidu
Ove informacije pomažu u planiranju izgleda trgovina, nudeći poseban popust na proizvode koji su manje traženi, stvarajući ponude poput 'kupi 2, dobij 1 besplatno' ili '50% pri drugoj kupnji' itd.
(slika izvor )
Velike tvrtke koje koriste Data Mining
Neke internetske tvrtke koje koriste tehnike rudarenja podataka dane su u nastavku:
- AMAZON: Amazon koristi Text Mining kako bi pronašao najnižu cijenu proizvoda.
- MC Donald's: McDonald’s koristi rukovanje velikim podacima za poboljšanje korisničkog iskustva. Proučava obrazac narudžbe kupaca, vrijeme čekanja, veličinu narudžbi itd.
- NETFLIX: Netflix otkriva kako film ili seriju učiniti popularnom među kupcima koristeći svoje uvide u rudarenje podacima.
Zaključak
Iskopavanje podataka koristi se u raznim aplikacijama poput bankarstva, marketinga, zdravstva, telekomunikacijske industrije i mnogim drugim područjima.
Tehnike rudarenja podataka pomažu tvrtkama da dobiju poučne informacije, povećavaju svoju profitabilnost prilagođavanjem procesa i operacija. To je brz proces koji pomaže poslovanju u donošenju odluka kroz analizu skrivenih obrazaca i trendova.
Pogledajte naš predstojeći vodič da biste saznali više o algoritmu rudarenja podataka stabla odluka !!
Preporučena literatura
- Rudarstvo podataka: proces, tehnike i glavni problemi u analizi podataka
- Tehnike rudarstva podataka: algoritam, metode i vrhunski alati za miniranje podataka
- Proces rudarenja podataka: uključeni modeli, koraci i izazovi
- Data Mining vs Machine Learning vs Artificial Intelligence vs Deep Learning
- 10+ najboljih alata za upravljanje podacima koji će ispuniti vaše potrebe za podacima 2021
- 14 najboljih NAJBOLJIH alata za upravljanje podacima 2021
- 15 najboljih besplatnih alata za rudarenje podataka: Najopsežniji popis
- 10 najboljih konferencija za velike podatke koje morate slijediti 2021. godine