Comment l'exploitation charbonnière données ne, notes Business Intelligence
Une bonne compréhension des données est importante pour déterminer comment exploiter l'information à des fins commerciales. Une façon de comprendre les données est de créer un ou plusieurs des groupes connexes suivants:
Les classes de données sont des groupes qui partagent facilement les caractéristiques identifiables. Ceci explique pourquoi ils sont aussi appelés groupes prédéterminés. Dans le cadre d'une entreprise de vente au détail, les clients qui ont acheté un produit particulier constitue une classe de données.
Encore une fois, en utilisant Amazon.com comme un exemple, les clusters de données permettent au détaillant d'identifier ce que les autres produits sont achetés par les clients qui achètent des livres d'affaires. Armés de cette information, le détaillant peut se développer « des recommandations de produits » dans le cadre de ses programmes de gestion des relations avec la clientèle (CRM). La capacité de nourrir efficacement conduit est essentiel à la vente.
Lors de l'analyse des achats passés est utile, certains experts estiment que le véritable avantage de l'exploitation des données est d'anticiper les achats des clients par le biais de l'analyse prédictive. En construisant sur des données historiques, les modèles séquentiels permettent des projections à développer. Les tendances de l'industrie projetées sont essentielles pour la planification et la veille concurrentielle affaires tournée vers l'avenir.
Composants des modèles de Data Mining
Sans exception, les avantages potentiels des relations de données charnière sur la qualité des données sous-jacentes. Le bien connu en disant que « les déchets en déchets-out » s'applique. Des données inexactes ou mal codées produiront des groupes inexacts et trompeurs, qui à son tour produire des signaux d'affaires faux.
En plus de la qualité des données, la fonctionnalité d'un outil d'exploration de données dépend de la méthodologie de modélisation sous-jacente. Pratiquement tous les modèles d'exploration de données préconisent la collecte minutieuse des données, la préparation des données, l'évaluation et les contrôles analytiques.
Par exemple, les solutions d'exploration de données mis au point par l'Institut SAS intègrent une séquence d'étapes baptisée SEMMA. qui signifie Sample, Explorer, Modifier, modèle et évaluer. Selon SAS, sa méthodologie de modélisation rationalise le processus d'extraction de données, permettant aux analystes de données commerciales et mineurs pour créer des modèles prédictifs et descriptifs très précis basé sur l'analyse de grandes quantités de données de toute l'entreprise.
Précision prédictive est essentielle.
Peu disputera le potentiel des outils d'exploration de données pour créer des perspectives d'affaires précieuses. Cependant, comme toutes les technologies, le déploiement de l'exploitation des données doit être axé sur les besoins de l'entreprise bien documentés, ainsi que des considérations de coûts et de facilité d'utilisation.