Mineração de Dados Tecnologia

Ferramentas de mineração de dados são utilizados para julgar as tendências e comportamentos futuros, permitindo às empresas tomar conhecimento orientadas, decisões pró-ativas. A mineração de dados fornece automatizado, prospectivo analisa movimento que deixa para trás o analisa de eventos passados ​​fornecidos pelas ferramentas de retrospectiva de sistemas de apoio à decisão. Ferramentas de mineração de dados pode responder a perguntas de negócios que eram demorados para resolver. Eles pesquisar bancos de dados de padrões ocultos e encontrar informações de previsão que especialistas podem perder.

Técnicas de mineração de dados podem ser rapidamente implementadas no hardware existente e plataformas de software para aumentar o valor dos recursos de informação existentes e pode ser facilmente integrado com novos produtos e sistemas.

Como Mineração de Dados funciona

1) Preparar a informação:

Os dados têm de ser devidamente organizado para o processamento de informação eficaz. Em mineração de dados, 70 por cento a 80 por cento do tempo é gasto na triagem e síntese das informações antes que os esforços de mineração de realmente começar. Os dados são preparadas com base na informação objectivos desejados.

2) Modelagem:

Modelo é criado, dependendo de muitos factores tais como o tamanho do banco de dados, o número de variáveis ​​conhecidas e que tipo de algoritmos de extracção de dados para ser utilizado. Modelos de sucesso para ajudar as empresas a estudar e identificar de forma eficaz o seu mercado-alvo. Modelos de mineração de dados são projetados contra enormes armazéns de detalhes de transações de dados de 10 TB para 20 TB. Estes modelos são frequentemente utilizados como front-end pela capacidade de segmentação inteligentes para a derivação de segmentos de clientes acionáveis.

3) Os clientes de pontuação:

A melhor maneira de acessar a viabilidade de modelos é testá-lo contra uma dados existentes, quando a resposta a uma questão particular já é conhecido. Pontuação é a saída de um modelo, que é um número entre 0 e 1 como a probabilidade de resposta a uma pergunta específica.

4) Scoring dinâmica:

Neste um processo de pontuação é determinada por outra aplicação de software com o objetivo de usar essa pontuação para alguns outros fins. Para up-to-date resultados e eliminando a necessidade de marcar um banco de dados inteiro, subconjuntos gravar apenas necessários estão marcados.

Âmbito de Data Mining

A mineração de dados ganha seu nome das semelhanças entre a busca de informações de negócios valiosas em um grande banco de dados. A mineração de dados encontra informação exata ou peneirar uma imensa quantidade de material ou inteligente sondando ele. Tecnologia de mineração de dados pode gerar novas oportunidades de negócios, fornecendo estas instalações:

1) previsão automatizada de tendências e comportamento:

A mineração de dados automaticamente encontra informações preditivas em grandes bases de dados. As perguntas, que exigem extensa análise agora podem ser respondidas diretamente a partir dos dados de forma rápida. Problema previsto é um exemplo típico de marketing dirigido. A mineração de dados utiliza dados em expedições anteriores para identificar os alvos e fornecer maximizar o retorno sobre o investimento em futuras expedições.

2) a descoberta automática de padrões previamente desconhecidas:

Ferramentas de mineração de dados bancos de dados de pesquisa e identificar padrões previamente escondidos em uma única etapa. Descoberta de padrões é exemplo da análise de dados de vendas no varejo para identificar produtos aparentemente não relacionados que muitas vezes são comprados juntos.

Ferramentas de mineração de dados pode analisar grandes bases de dados em minutos se essas ferramentas são implementados em sistemas de alto desempenho de processamento paralelo. Processamento mais rápido permite aos usuários automaticamente experimentar com mais modelos para compreender dados complexos.

Os bancos de dados podem ser maiores em profundidade e largura:

a) mais colunas: Analistas deve fornecer o número limitado de variáveis ​​durante a análise, devido a limitações de tempo. A mineração de dados permite aos usuários explorar a profundidade de um banco de dados sem selecionar um subconjunto de variáveis.

b) Mais linhas: amostras maiores implicam em menor estimativa de erros de variância, e permitir aos usuários fazer inferências sobre pequenos segmentos importantes da população.

As técnicas mais usadas na mineração de dados são:

i) As redes neurais artificiais: fornece não-lineares de modelos preditivos que aprendem por meio de treinamento e se assemelham a redes neurais biológicas na estrutura.

árvores ii) Decisão: Trata-se de árvore em forma de estruturas que representam conjuntos de decisões. Esta árvore de decisão gera regras para a classificação de um conjunto de dados. Alguns métodos de árvore de decisão incluem árvores de classificação e regressão (CART).

iii) Os algoritmos genéticos: Ele fornece técnicas de otimização de processo que usam tais como combinação genética, mutação e seleção natural em um projeto baseado nos conceitos de evolução.

iv indução Regra): Útil se-então as regras são baseadas em significância estatística.

Arquitetura de Data Mining

A mineração de dados é totalmente integrado com um data warehouse e flexíveis ferramentas de análise de negócios interativos. Muitas ferramentas de mineração de dados atualmente trabalho fora do armazém de dados e requer medidas adicionais para a importação, extração e análise dos dados. Enquanto nova abordagem requer a implementação operacional, integração com o armazém simplifica a aplicação de mineração de dados. O resultado do armazém de dados analítico pode ser útil para melhorar os processos de negócios em toda a organização na gestão de campanhas promocionais, lançamento de novos produtos e detecção de fraudes.

Data warehouse é o ponto de partida ideal que contém uma combinação de dados internos de rastreamento tudo contato com o cliente juntamente com os dados do mercado externo sobre a atividade concorrente. Para a prospecção de informações de fundo sobre os potenciais clientes proporciona uma base excelente. Este depósito pode ser implementado em Sybase, Oracle, Redbrick, e assim por diante, e devem ser optimizados para um acesso rápido e flexível de dados.

Ao navegar no data warehouse de um servidor OLAP (On-Line Analytical Processing) permite um modelo de negócio mais sofisticado do usuário final. Estas estruturas multidimensionais permitem ao usuário analisar os dados de acordo com seu ponto de vista. O Servidor de Data Mining é totalmente integrado com o armazém de dados e servidor OLAP para incorporar ROI análise de negócios focada. Modelo de metadados que é centrada em processos define os objectivos de mineração de dados para questões de negócios específicos, como o gerenciamento de campanhas, prospecção e otimização de promoção. Integração com o data warehouse permite que as decisões operacionais a serem implementados diretamente e rastreadas. Com novas decisões e resultados do armazém cresce ea organização pode extrair continuamente as melhores práticas e aplicá-las para futuras decisões.

Aplicações

Áreas de aplicação de mineração de dados são:

1) Uma empresa farmacêutica pode examinar sua actividade recente força de vendas e seus resultados para melhorar as atividades de marketing, que terá o maior impacto nos próximos meses. Os dados devem incluir informações sobre os sistemas de saúde locais, bem como a atividade do mercado concorrente. Usando uma rede de área ampla, os resultados podem ser distribuídos para a força de vendas que permite que os representantes para rever as recomendações a partir da perspectiva dos atributos-chave no processo de decisão. Esta análise dinâmica do armazém de dados permite que as melhores práticas de toda a organização para ser aplicada em situações específicas de vendas.

2) Uma empresa de cartão de crédito pode forçar seu grande armazém de dados de transações dos clientes para identificar os clientes a se interessar por um produto novo crédito. Usando um pequeno teste de discussão pode identificar os atributos dos clientes, com uma afinidade para o produto.

3) Uma grande empresa de bens de consumo embalados aplica mineração de dados para melhorar o seu processo de vendas para os seus revendedores. Os dados coletados a partir de painéis de consumidores, os embarques e atividade concorrente pode ser usado para determinar as razões da marca e comutação loja. Usando esta análise, o fabricante selecionar as melhores estratégias que alcancem seus segmentos de clientes-alvo....