Menu

Príklady dolovania dát: Najčastejšie aplikácie dolovania dát 2021

  • Hlavná
  • Iné
  • Príklady dolovania dát: Najčastejšie aplikácie dolovania dát 2021

data mining examples

Vyskúšajte Náš Nástroj Na Odstránenie Problémov

Tento výukový program pokrýva najobľúbenejšie príklady ťažby dát v reálnom živote. Dozviete sa viac o aplikáciách na dolovanie dát v oblasti financií, marketingu, zdravotníctva a CRM:

V tomto Séria školení na ťažbu dát zdarma , pozreli sme sa na Proces ťažby dát v našom predchádzajúcom návode. Dolovanie dát, ktoré je tiež známe ako Knowledge Discovery in Databases (KDD), je proces objavovania vzorov vo veľkej množine dát a dátových skladov.

Na identifikáciu užitočných výsledkov sa na údaje používajú rôzne techniky, ako napríklad regresná analýza, asociácia a zhlukovanie, klasifikácia a analýza odľahlých hodnôt. Tieto techniky využívajú softvér a koncové algoritmy, ktoré analyzujú údaje a zobrazujú vzory.

najlepší externý softvér na obnovenie pevného disku

Medzi známe metódy ťažby dát patria analýza rozhodovacích stromov, Bayesova veta, ťažba častých množín položiek atď. Softwarový trh má veľa otvorených a platených nástrojov na ťažbu dát, ako sú Weka, Rapid Miner a Orange data mining tools.

Príklady ťažby dát

Proces dolovania dát začína poskytnutím určitého vstupu údajov do nástrojov na dolovanie údajov, ktoré používajú štatistické údaje a algoritmy na zobrazovanie správ a vzorov. Výsledky je možné vizualizovať pomocou týchto nástrojov, ktoré je možné pochopiť a ďalej aplikovať pri podnikových úpravách a vylepšeniach.

Ťažbu dát organizácie často využívajú pri vytváraní marketingovej stratégie, nemocnice pre diagnostické nástroje, eCommerce na krížový predaj produktov prostredníctvom webových stránok a mnohými inými spôsobmi.

Niektoré príklady ťažby údajov sú uvedené nižšie pre vašu informáciu.

Čo sa dozviete:

Príklady ťažby dát v reálnom živote

Dôležitosť ťažby a analýzy údajov v našom skutočnom živote každým dňom rastie. V súčasnosti väčšina organizácií využíva dolovanie dát na analýzu veľkých dát.

Pozrime sa, ako nám tieto technológie prospievajú.

# 1) Poskytovatelia mobilných služieb

Poskytovatelia mobilných služieb používajú dolovanie dát na navrhovanie svojich marketingových kampaní a na zabránenie zákazníkom v prechode na iných dodávateľov.

Z veľkého množstva údajov, ako sú fakturačné informácie, e-mailové správy, textové správy, webové dátové prenosy a zákaznícke služby, môžu nástroje na dolovanie dát predvídať „mrznutie“, ktoré hovorí zákazníkom, ktorí chcú zmeniť dodávateľa.

S týmito výsledkami je dané skóre pravdepodobnosti. Poskytovatelia mobilných služieb sú potom schopní poskytovať stimuly a ponuky zákazníkom, ktorí sú vystavení väčšiemu riziku stroskotania. Tento druh ťažby často využívajú hlavní poskytovatelia služieb, ako sú širokopásmové pripojenie, telefón, poskytovatelia plynu atď.

Ťažba dát u poskytovateľov mobilných služieb

(obrázok zdroj )

# 2) Maloobchodný sektor

Data Mining pomáha majiteľom supermarketov a maloobchodu spoznať možnosti zákazníkov. Keď sa pozrieme na históriu nákupu zákazníkov, nástroje na získavanie údajov ukazujú nákupné preferencie zákazníkov.

S pomocou týchto výsledkov navrhujú supermarkety umiestnenie výrobkov na regáloch a prinášajú ponuky položiek, ako sú kupóny na zodpovedajúce výrobky a špeciálne zľavy na niektoré výrobky.

Tieto kampane sú založené na zoskupení RFM. RFM je skratka pre aktuálnosť, frekvenciu a menové zoskupenie. Propagačné a marketingové kampane sú prispôsobené pre tieto segmenty. So zákazníkom, ktorý trávi veľa, ale veľmi zriedkavo, sa bude zaobchádzať inak ako so zákazníkom, ktorý nakupuje každé 2 - 3 dni, ale v menšom množstve.

Data Mining sa dá využiť na odporúčanie produktov a krížové odkazy na položky.

Ťažba dát v maloobchode z rôznych zdrojov údajov.

Ťažba dát v maloobchode

(obrázok zdroj )

# 3) Umelá inteligencia

Systém je umelo inteligentný tým, že ho napája príslušnými vzormi. Tieto vzory pochádzajú z výstupov ťažby dát. Ich výstupy z umelo inteligentných systémov sú tiež analyzované z hľadiska ich relevantnosti pomocou techník dolovania dát.

Systémy odporúčajúcich používajú techniky ťažby dát na poskytovanie osobných odporúčaní pri interakcii zákazníka so strojmi. Umelá inteligencia sa používa na vyťažené údaje, ako napríklad na poskytovanie odporúčaní produktov na základe minulej histórie nákupu zákazníka v Amazone.

# 4) Elektronický obchod

Mnoho webov elektronického obchodu využíva dolovanie dát na ponúkanie krížového predaja a predaja svojich produktov. Nákupné stránky ako Amazon, Flipkart zobrazujú zákazníkom, ktorí interagujú s webom, „Ľudia si tiež prezerali“, „Často nakupované spoločne“.

Tieto odporúčania sú poskytované pomocou ťažby dát v priebehu histórie nákupu zákazníkov webových stránok.

# 5) Veda a technika

S príchodom dolovania údajov sa vedecké aplikácie teraz prechádzajú od štatistických metód k technikám „zhromažďovania a ukladania údajov“ a potom vykonávajú dolovanie nových údajov, poskytujú nové výsledky a experimentujú s týmto procesom. Veľké množstvo údajov sa zhromažďuje z vedeckých oblastí, ako sú astronómia, geológia, satelitné snímače, globálny pozičný systém atď.

Data mining v informatike pomáha monitorovať stav systému, zlepšovať jeho výkon, zisťovať chyby softvéru, objavovať plagiáty a zisťovať chyby. Data mining tiež pomáha pri analýze spätnej väzby používateľov ohľadne produktov a článkov, aby sa z nich odvodili názory a sentiment názorov.

# 6) Prevencia kriminality

Data Mining detekuje odľahlé hodnoty v obrovskom množstve dát. Trestné údaje zahŕňajú všetky podrobnosti o trestnom čine, ktorý sa stal. Data Mining bude študovať vzorce a trendy a predpovedať budúce udalosti s vyššou presnosťou.

Agentúry môžu zistiť, ktorá oblasť je náchylnejšia na trestnú činnosť, koľko policajného personálu by malo byť nasadených, ktorá veková skupina by mala byť zameraná, počet vozidiel, ktoré sa majú skontrolovať, atď.

# 7) Výskum

Vedci používajú nástroje na dolovanie dát na skúmanie súvislostí medzi parametrami výskumu, ako sú podmienky prostredia, ako je znečistenie ovzdušia, a šírenie chorôb, ako je astma, medzi ľuďmi v cieľových regiónoch.

# 8) Poľnohospodárstvo

Poľnohospodári používajú technológiu Data Mining na zistenie výnosu zeleniny a množstva vody potrebnej pre rastliny.

# 9) Automatizácia

Pomocou ťažby dát sa počítačové systémy naučia rozpoznávať vzory medzi porovnávanými parametrami. Systém bude ukladať vzory, ktoré budú v budúcnosti užitočné pri dosahovaní obchodných cieľov. Toto učenie je automatizácia, pretože pomáha pri dosahovaní cieľov pomocou strojového učenia.

# 10) Dynamické ceny

Dolovanie dát pomáha poskytovateľom služieb, ako sú taxislužby, dynamicky nabíjať zákazníkov na základe dopytu a ponuky. Je to jeden z kľúčových faktorov úspechu spoločností.

# 11) Preprava

Data Mining pomáha pri plánovaní presunu vozidiel zo skladov do predajní a pri analýze vzorov načítania produktu.

# 12) Poistenie

Metódy dolovania dát pomáhajú predpovedať zákazníkov, ktorí si kúpia poistné zmluvy, analyzovať lekárske tvrdenia, ktoré sa používajú spoločne, zistiť podvodné správanie a rizikových zákazníkov.

Príklady ťažby dát vo financiách

Príklady ťažby dát vo financiách

( obrázok zdroj )

Finančný sektor zahŕňa banky, poisťovacie spoločnosti a investičné spoločnosti. Tieto inštitúcie zhromažďujú obrovské množstvo údajov. Údaje sú často úplné, spoľahlivé a vysoko kvalitné a vyžadujú si systematickú analýzu údajov.

Na ukladanie finančných údajov sú skonštruované dátové sklady, ktoré ukladajú údaje vo forme dátových kociek. Na analýzu týchto údajov sa používajú pokročilé koncepcie dátových kociek. Pri analýze a ťažbe finančných údajov sa používajú metódy dolovania dát, ako sú klastrovanie a analýza odľahlých hodnôt, charakterizácia.

Niektoré prípady v oblasti financií, kde sa používa dolovanie dát, sú uvedené nižšie.

# 1) Predikcia splátok pôžičky

Metódy dolovania dát, ako je výber atribútov a hodnotenie atribútov, budú analyzovať históriu platieb zákazníka a vyberú dôležité faktory, ako je pomer platieb k príjmom, úverová história, doba pôžičky atď. Výsledky pomôžu bankám rozhodnúť sa o jej politike poskytovania úverov a tiež poskytovať pôžičky zákazníkom podľa faktorovej analýzy.

# 2) Cielený marketing

Klastrovanie a klasifikácia metód dolovania dát pomôžu nájsť faktory, ktoré ovplyvňujú rozhodnutia zákazníkov smerom k bankovníctvu. Podobná identifikácia zákazníkov na základe správania uľahčí cielený marketing.

# 3) Odhaľte finančné trestné činy

Bankové údaje pochádzajú z mnohých rôznych zdrojov, rôznych miest a rôznych bankových umiestnení. Na štúdium a zisťovanie neobvyklých trendov, ako sú transakcie vysokej hodnoty, je nasadených viac nástrojov na analýzu údajov. Na identifikáciu vzťahov a vzorcov činnosti sa používajú nástroje na vizualizáciu údajov, nástroje na odľahlú analýzu, nástroje na vytváranie klastrov atď.

Na nasledujúcom obrázku je štúdia spoločnosti Infosys, ktorá ukazuje ochotu zákazníka bankovať online v rôznych krajinách. Spoločnosť Infosys pre túto štúdiu použila analýzu veľkých dát.

štúdia od spoločnosti Infosys

(obrázok zdroj )

najlepší bezplatný menič hlasu pre nezhody

Aplikácia ťažby dát v marketingu

Data mining zvyšuje marketingovú stratégiu spoločnosti a podporuje podnikanie. Je to jeden z kľúčových faktorov úspechu spoločností. Zhromažďuje sa obrovské množstvo údajov o predaji, nákupoch zákazníkov, spotrebe atď. Tieto údaje sa každým dňom zväčšujú v dôsledku elektronického obchodu.

Data mining pomáha identifikovať nákupné správanie zákazníkov, zlepšovať služby zákazníkom, zameriavať sa na udržanie zákazníkov, zvyšovať predaj a znižovať náklady firiem.

Niektoré príklady ťažby údajov v marketingu sú:

# 1) Prognózovaný trh

Na predpovedanie trhu budú marketingoví profesionáli používať techniky ťažby dát, ako je regresia, na štúdium správania, zmien a návykov zákazníkov, reakcií zákazníkov a ďalších faktorov, ako je marketingový rozpočet, ďalšie náklady a pod. V budúcnosti to bude pre profesionálov jednoduchšie predvídať zákazníkov v prípade akýchkoľvek zmien faktorov.

# 2) Detekcia anomálie

Na detekciu akýchkoľvek abnormalít v údajoch, ktoré by mohli spôsobiť akýkoľvek druh chyby v systéme, sú nasadené techniky na dolovanie údajov. Systém na vykonanie tejto operácie naskenuje tisíce zložitých záznamov.

# 3) Zabezpečenie systému

Nástroje na dolovanie údajov zisťujú prieniky, ktoré môžu poškodiť databázu, a poskytujú tak väčšiu bezpečnosť celému systému. Tieto vniknutia môžu mať formu duplicitných záznamov, vírusov vo forme údajov hackermi atď.

Príklady aplikácií na dolovanie dát v zdravotníctve

Príklad dolovania dát v zdravotníctve

(obrázok zdroj )

V zdravotníctve je ťažba dát čoraz populárnejšia a nevyhnutnejšia.

Údaje generované zdravotnou starostlivosťou sú zložité a objemné. Aby sa zabránilo lekárskym podvodom a zneužitiam, používajú sa nástroje na získavanie údajov na zisťovanie podvodných predmetov, a tým na zabránenie straty.

Niektoré príklady ťažby údajov v zdravotníctve sú uvedené nižšie pre vašu informáciu.

# 1) Manažment zdravotnej starostlivosti

Metóda dolovania údajov sa používa na identifikáciu chronických chorôb, na sledovanie vysoko rizikových oblastí náchylných na šírenie chorôb, na navrhovanie programov na zníženie šírenia chorôb. Zdravotnícki pracovníci budú analyzovať choroby, oblasti pacientov s maximálnym príjmom do nemocnice.

Na základe týchto údajov navrhnú kampane pre tento región, aby ľudí upozornili na túto chorobu a zistili, ako sa jej dá vyhnúť. Tým sa zníži počet pacientov prijatých do nemocníc.

# 2) Účinné liečby

Pomocou dolovania dát je možné vylepšiť liečbu. Neustálym porovnávaním príznakov, príčin a liekov je možné vykonať analýzu údajov a dosiahnuť tak účinnú liečbu. Získavanie údajov sa tiež používa na liečbu špecifických chorôb a na spájanie vedľajších účinkov liečby.

# 3) Podvodné a zneužívajúce údaje

Aplikácie na dolovanie dát sa používajú na nájdenie abnormálnych vzorcov, ako sú laboratórium, výsledky lekárov, nevhodné recepty a podvodné lekárske tvrdenia.

Systémy na dolovanie a odporúčanie údajov

Systémy odporúčaní poskytujú zákazníkom odporúčania produktov, ktoré by mohli používateľov zaujímať.

Odporúčané položky sú buď podobné položkám, ktoré používateľ v minulosti dopytoval, alebo pri pohľade na ďalšie preferencie zákazníkov, ktoré majú podobný vkus ako používateľ. Tento prístup sa primerane nazýva obsahový prístup a prístup založený na spolupráci.

V systémoch odporúčajúcich sa používa veľa techník, ako je získavanie informácií, štatistika, strojové učenie atď.

Systémy odporúčajúcich vyhľadávajú kľúčové slová, profily používateľov, používateľské transakcie, spoločné prvky medzi položkami na odhad položky pre používateľa. Tieto systémy tiež nájdu ďalších používateľov, ktorí majú podobnú históriu nákupu, a predpovedajú položky, ktoré by si títo používatelia mohli kúpiť.

Tento prístup má veľa výziev. Systém odporúčaní musí prehľadávať milióny údajov v reálnom čase.

Systémy doporučení odporúčajú dva typy chýb:

Falošné negatíva a falošné pozitíva.

Falošné negatíva sú produkty, ktoré systém neodporúčal, ale zákazník by ich chcel. Falošne pozitívne sú produkty, ktoré systém odporučil, ale zákazník ich nechcel. Ďalšou výzvou je odporúčanie pre používateľov, ktorí sú noví bez akejkoľvek histórie nákupu.

Na analýzu dotazu a poskytnutie zovšeobecnených a súvisiacich informácií týkajúcich sa dotazu sa používa inteligentná technika odpovedania na dotaz. Napríklad: Zobrazenie kontroly reštaurácií namiesto iba adresy a telefónneho čísla hľadanej reštaurácie.

Ťažba dát pre CRM (riadenie vzťahov so zákazníkmi)

Riadenie vzťahov so zákazníkmi je možné posilniť pomocou ťažby dát. Dobré vzťahy so zákazníkmi je možné budovať priťahovaním vhodnejších zákazníkov, lepším krížovým a popredajným predajom, lepšou retenciou.

Data Mining môže vylepšiť CRM pomocou:

  1. Data mining môže pomôcť podnikom vytvárať cielené programy pre vyššiu odozvu a lepšiu návratnosť investícií.
  2. Firmy môžu ponúkať viac produktov a služieb podľa želania zákazníkov prostredníctvom ďalšieho predaja a krížového predaja, čím zvyšujú spokojnosť zákazníkov.
  3. Vďaka dolovaniu dát môže podnik zistiť, ktorí zákazníci hľadajú ďalšie možnosti. Pomocou týchto informácií môžu spoločnosti vytvárať nápady, aby zabránili zákazníkovi v odchode.

Dolovanie dát pomáha CRM v:

  1. Databázový marketing: Marketingový softvér umožňuje spoločnostiam odosielať správy a e-maily zákazníkom. Tento nástroj spolu s dolovaním údajov umožňuje cielený marketing. Vďaka dolovaniu údajov je možné vykonať automatizáciu a plánovanie úloh. Pomáha to pri lepšom rozhodovaní. Pomôže tiež pri technických rozhodnutiach o tom, aký druh zákazníkov má záujem o nový produkt, ktorá oblasť trhu je vhodná na uvedenie produktu na trh.
  2. Kampaň na získanie zákazníka: Vďaka dolovaniu dát bude odborník na trhu schopný identifikovať potenciálnych zákazníkov, ktorí nevedia o produktoch alebo nových kupujúcich. Budú schopní navrhnúť ponuky a iniciatívy pre týchto zákazníkov.
  3. Optimalizácia kampane: Spoločnosti využívajú dolovanie dát na zefektívnenie kampane. Môže modelovať reakcie zákazníkov na marketingové ponuky.

Ťažba dát pomocou príkladu rozhodovacieho stromu

Algoritmy rozhodovacieho stromu sa nazývajú CART (Classification and Regression Trees). Je to metóda učenia pod dohľadom. Stromová štruktúra je postavená na vybraných vlastnostiach, podmienkach rozdelenia a čase zastavenia. Rozhodovacie stromy sa používajú na predpovedanie hodnoty premenných triedy na základe poučenia z predchádzajúcich tréningových údajov.

Interný uzol predstavuje atribút a listový uzol predstavuje štítok triedy.

Ťažba dát pomocou príkladu rozhodovacieho stromu

(obrázok zdroj )

Na zostavenie štruktúry rozhodovacieho stromu sa používajú nasledujúce kroky:

  1. Najlepší atribút umiestnite do hornej časti stromu (koreň).
  2. Podmnožiny sa vytvárajú tak, že každá podmnožina predstavuje údaje s rovnakou hodnotou pre atribút.
  3. Rovnakým spôsobom vyhľadajte listové uzly všetkých konárov.

Na predpovedanie označenia triedy sa atribút záznamu porovnáva s koreňom stromu. Pri porovnaní sa zvolí nasledujúca vetva. Rovnakým spôsobom sa porovnávajú aj vnútorné uzly, kým dosiahnutý listový uzol predpovedá premennú triedy.

Niektoré algoritmy používané na indukciu rozhodovacích stromov zahŕňajú Hunt’s Algorithm, CART, ID3, C4.5, SLIQ a SPRINT.

Najobľúbenejší príklad ťažby dát: marketing a predaj

Marketing a predaj sú domény, v ktorých majú spoločnosti veľké objemy dát.

# 1) Banky sú prvými používateľmi technológie na dolovanie dát, pretože im pomáha pri hodnotení kreditu. Data mining analyzuje, aké služby ponúkané bankami zákazníci využívajú, aký typ zákazníkov používajú karty ATM a čo si všeobecne kupujú prostredníctvom svojich kariet (na krížový predaj).

Banky používajú dolovanie dát na analýzu transakcií, ktoré zákazník urobí skôr, ako sa rozhodne zmeniť banku, aby znížil úbytok zákazníkov. Na zistenie podvodu sa analyzujú aj niektoré mimoriadne hodnoty v transakciách.

# 2) Mobilný telefón Spoločnosti používať techniky na dolovanie údajov, aby sa zabránilo ich roztočeniu Churning je opatrenie ukazujúce počet zákazníkov opúšťajúcich služby. Zisťuje vzorce, ktoré ukazujú, ako môžu zákazníci využívať služby na udržanie zákazníkov.

# 3) Analýza trhového košíka je technika na vyhľadanie skupín položiek, ktoré sa kupujú spoločne v obchodoch. Analýza transakcií ukazuje vzorce, ako napríklad to, ktoré veci sa kupujú často, napríklad chlieb s maslom, alebo ktoré položky majú v určitých dňoch vyšší objem predaja, napríklad pivo v piatok.

Tieto informácie pomáhajú pri plánovaní rozloženia obchodu, ponúkajú špeciálnu zľavu na položky, ktoré sú menej žiadané, vytvárajú ponuky typu „kúpiť 2, získať 1 zadarmo“ alebo „získať 50% pri druhom nákupe“ atď.

Analýza trhového košíka

(obrázok zdroj )

Veľké spoločnosti využívajúce dolovanie dát

Nižšie sú uvedené niektoré online spoločnosti využívajúce techniky ťažby dát.

  • AMAZON: Spoločnosť Amazon používa na vyhľadanie najnižšej ceny produktu Text Mining.
  • MC Donald’s: Spoločnosť McDonald’s využíva ťažbu veľkých dát na zlepšenie svojich zákazníckych skúseností. Študuje vzor objednávania zákazníkov, čakacie doby, veľkosť objednávok atď.
  • NETFLIX: Netflix zisťuje, ako urobiť z filmu alebo seriálu populárny medzi zákazníkmi pomocou poznatkov o dolovaní dát.

Záver

Ťažba dát sa používa v rôznych aplikáciách, ako sú bankovníctvo, marketing, zdravotníctvo, telekomunikačný priemysel a mnoho ďalších oblastí.

Techniky dolovania dát pomáhajú spoločnostiam získavať vedomosti a informácie, zvyšovať ich ziskovosť úpravami procesov a operácií. Je to rýchly proces, ktorý pomáha podnikom pri rozhodovaní prostredníctvom analýzy skrytých vzorov a trendov.

V našom pripravovanom výučbe sa dozviete viac o algoritme ťažby dát v rozhodovacom strome !!

Výukový program PREV | NEXT Tutorial

Odporúčané čítanie

^