Мени

Примери рударства података: Најчешћа примена рударства података 2021

  • Главни
  • Остало
  • Примери рударства података: Најчешћа примена рударства података 2021

data mining examples

Испробајте Наш Инструмент За Елиминисање Проблема

Овај приручник покрива најпопуларније примере рударења података у стварном животу. Сазнајте више о примени рударења података у финансијама, маркетингу, здравству и ЦРМ-у:

У ово Бесплатна серија обуке за рударење подацима , погледали смо Процес рударења података у нашем претходном водичу. Рударство података, које је познато и као Откривање знања у базама података (КДД), поступак је откривања образаца у великом скупу података и складишта података.

Разне технике као што су регресијска анализа, удруживање и кластерисање, класификација и вањска анализа примењују се на податке како би се идентификовали корисни исходи. Ове технике користе софтвер и позадинске алгоритме који анализирају податке и показују обрасце.

отварање .7з датотека на мац-у

Неке од познатих метода рударења података су анализа стабла одлучивања, Баиесова теоремска анализа, учестало руковање поставкама, итд. Тржиште софтвера има мноштво отворених кода као и плаћене алате за рударење подацима, као што су Века, Рапид Минер и Наранџасти алати за руковање подацима.

Примери рударства података

Процес рударења података започиње давањем одређеног уноса података алатима за рударење подацима који користе статистику и алгоритме за приказ извештаја и образаца. Резултати се могу визуализовати помоћу ових алата који се могу разумети и даље примењивати за обављање пословних модификација и побољшања.

Организације за истраживање података широко користе организације за изградњу маркетиншке стратегије, болнице за дијагностичке алате, е-трговина за унакрсну продају производа путем веб локација и на многе друге начине.

Неки од примера рударења података дати су у наставку за вашу референцу.

Шта ћете научити:

Примери рударства података у стварном животу

Важност рударења података и анализе расте из дана у дан у нашем стварном животу. Данас већина организација користи анализу података за анализу великих података.

Погледајмо како нам ове технологије користе.

# 1) Добављачи услуга мобилне телефоније

Добављачи услуга мобилне телефоније користе рударство података да би дизајнирали своје маркетиншке кампање и задржали купце да пређу код других добављача.

Из велике количине података као што су информације о наплати, е-пошта, текстуалне поруке, пренос података путем Интернета и корисничка услуга, алати за рударење подацима могу предвидети „одбој“ који поручује купцима који желе да промене добављаче.

Са овим резултатима даје се оцена вероватноће. Провајдери мобилних услуга су тада у могућности да пруже подстицаје, понуде купцима који су у већем ризику од уситњавања. Ову врсту рударства често користе велики добављачи услуга као што су широкопојасна мрежа, провајдери телефона, гаса итд.

Рударство података код добављача услуга мобилне телефоније

(слика извор )

# 2) Сектор малопродаје

Дата Мининг помаже власницима супермаркета и малопродаје да знају избор купаца. Гледајући историју куповине купаца, алати за рударење подацима показују преференције куповине купаца.

Уз помоћ ових резултата, супермаркети дизајнирају пласмане производа на полице и доносе понуде за производе попут купона за одговарајуће производе и посебне попусте на неке производе.

Ове кампање су засноване на РФМ груписању. РФМ означава недавност, учесталост и монетарно груписање. Промоције и маркетиншке кампање прилагођене су овим сегментима. Са купцем који троши пуно, али врло ретко, поступаће се другачије од купца који купује свака 2-3 дана, али са мањим износом.

Дата Мининг се може користити за препоручивање производа и укрштање производа.

Рударство података у малопродајном сектору из различитих извора података.

Рударство података у малопродајном сектору

(слика извор )

# 3) Вештачка интелигенција

Систем је направљен вештачки интелигентним храњењем релевантним обрасцима. Ови обрасци потичу из резултата рударења података. Излази вештачки интелигентних система такође се анализирају на релевантност помоћу техника рударења података.

Системи који препоручују користе технике претраживања података за давање персонализованих препорука када купац ступа у интеракцију са машинама. Вештачка интелигенција се користи на минираним подацима, као што је давање препорука за производе засноване на прошлој историји куповине купца у Амазону.

# 4) Е-трговина

Многе веб локације за е-трговину користе рударство података како би понудиле унакрсну продају и продају својих производа. Сајтови за куповину као што су Амазон, Флипкарт купцима који комуницирају са страницом приказују „Људи су такође гледали“, „Често се купују заједно“.

Ове препоруке се пружају коришћењем претраживања података током историје куповине купаца веб локације.

# 5) Наука и инжењерство

Појавом рударења података, научне апликације сада прелазе са статистичких техника на употребу техника „прикупљања и чувања података“, а затим изводе рударство на новим подацима, дају нове резултате и експериментишу са процесом. Велика количина података прикупља се из научних домена као што су астрономија, геологија, сателитски сензори, систем глобалног позиционирања итд.

Истраживање података у рачунарским наукама помаже у праћењу статуса система, побољшању његових перформанси, откривању софтверских грешака, откривању плагијаризма и откривању кварова. Истраживање података такође помаже у анализи повратних информација корисника о производима, чланцима како би се утврдило мишљење и осећања ставова.

# 6) Спречавање злочина

Дата Мининг открива одступања у огромној количини података. Кривични подаци укључују све детаље злочина који се догодио. Дата Мининг ће проучавати обрасце и трендове и предвиђати будуће догађаје са бољом тачношћу.

Агенције могу да открију које је подручје склоније криминалу, колико полицијског особља треба распоредити, коју старосну групу треба циљати, бројеве возила која треба прегледати итд.

# 7) Истраживање

Истраживачи користе алате за рударење података како би истражили повезаност између параметара који се истражују, попут услова околине попут загађења ваздуха и ширења болести попут астме међу људима у циљаним регионима.

# 8) Ратарство

Пољопривредници користе Дата Мининг да би сазнали принос поврћа са количином воде која је потребна биљкама.

# 9) Аутоматизација

Користећи рударење подацима, рачунарски системи уче да препознају обрасце међу параметрима који су у поређењу. Систем ће чувати обрасце који ће бити корисни у будућности за постизање пословних циљева. Ово учење је аутоматизација, јер помаже у постизању циљева кроз машинско учење.

# 10) Динамичне цене

Истраживање података помаже добављачима услуга, као што су кабинске службе, да динамички наплате купце на основу потражње и понуде. То је један од кључних фактора за успех предузећа.

# 11) Превоз

Дата Мининг помаже у планирању селидбе возила од складишта до продајних места и анализирању начина утовара производа.

# 12) Осигурање

Методе руковања подацима помажу у предвиђању купаца који купују полисе, анализирају медицинске тврдње које се користе заједно, откривају превара и ризични купци.

Примери рударства података у финансијама

Примери рударства података у финансијама

( слика извор )

Финансијски сектор укључује банке, осигуравајуће компаније и инвестиционе компаније. Те институције прикупљају огромну количину података. Подаци су често комплетни, поуздани и висококвалитетни и захтевају систематску анализу података.

За чување финансијских података граде се складишта података која складиште податке у облику коцкица података. За анализу ових података користе се напредни концепти коцке података. Методе рударења подацима као што су груписање и анализа ван оквира, карактеризација користе се у анализи финансијских података и рударству.

У наставку су дати неки случајеви у финансијама у којима се користи рударење подацима.

# 1) Предвиђање исплате кредита

Методе руковања подацима, као што су избор атрибута и рангирање атрибута, анализираће историју плаћања купаца и одабрати важне факторе као што су однос плаћања и прихода, кредитна историја, рок зајма итд. Резултати ће помоћи банкама да одлуче о својој политици одобравања зајма и такође одобравати зајмове купцима према факторској анализи.

# 2) Циљани маркетинг

Методе груписања и класификовања података помоћи ће у проналажењу фактора који утичу на одлуке клијента о банкарству. Идентификација сличних бихевиоралних купаца олакшаће циљани маркетинг.

# 3) Откривање финансијских злочина

Подаци о банкама долазе из многих различитих извора, различитих градова и различитих локација банака. Вишеструки алати за анализу података се користе за проучавање и откривање необичних трендова попут трансакција велике вредности. Алати за визуелизацију података, алати за анализу изван оквира, алати за груписање итд. Користе се за идентификовање односа и образаца деловања.

Доња слика је студија компаније Инфосис која показује спремност клијента за банкарским системом на мрежи у различитим земљама. Инфосис је за ову студију користио Аналитику великих података.

студија из Инфосис-а

(слика извор )

Примене рударства података у маркетингу

Истраживање података појачава маркетиншку стратегију компаније и промовише пословање. То је један од кључних фактора за успех предузећа. Огромна количина података се прикупља о продаји, куповини купаца, потрошњи итд. Ови подаци се повећавају из дана у дан због е-трговине.

Истраживање података помаже у идентификовању понашања купаца при куповини, побољшању корисничке услуге, фокусирању на задржавање купаца, повећању продаје и смањењу трошкова пословања.

Неки примери рударења података у маркетингу су:

# 1) Предвиђање тржишта

Да би предвидели тржиште, маркетиншки професионалци ће користити технике рударења података, попут регресије, да би проучавали понашање купаца, промене и навике, одговор купаца и друге факторе као што су маркетиншки буџет, остали трошкови итд. У будућности ће професионалцима бити лакше да предвиди купце у случају промена било ког фактора.

# 2) Откривање аномалија

Технике претраживања података примењују се да би се откриле све абнормалности у подацима које могу проузроковати било какву ману у систему. Систем ће скенирати хиљаде сложених уноса да би извршио ову операцију.

# 3) Безбедност система

Алати за рударење подацима откривају упаде који могу наштетити бази података нудећи већу сигурност целом систему. Ови упади могу бити у облику дупликата, вируси у облику података од стране хакера итд.

Примери апликација за рударење података у здравству

Пример рударења података у здравству

(слика извор )

У здравству, рударење подацима постаје све популарније и неопходно.

Подаци које генерише здравство су сложени и обимни. Да би се избегле медицинске преваре и злоупотребе, алати за руковање подацима користе се за откривање непоштених предмета и на тај начин спречавају губитак.

У наставку су дати неки примери руковања подацима из здравствене делатности за вашу референцу.

# 1) Управљање здравством

Метода претраживања података користи се за идентификовање хроничних болести, праћење региона са високим ризиком који су склони ширењу болести, дизајнирање програма за смањење ширења болести. Здравствени радници ће анализирати болести, регионе пацијената са максималним пријемом у болницу.

Помоћу ових података осмислиће кампање за регион како би људе упознали са болешћу и видели како да је избегну. Ово ће смањити број пацијената примљених у болнице.

# 2) Ефикасни третмани

Коришћењем података, третмани се могу побољшати. Непрестаним упоређивањем симптома, узрока и лекова, може се извршити анализа података како би се постигли ефикасни третмани. Истраживање података се такође користи за лечење одређених болести и удруживање нежељених ефеката лечења.

# 3) Лажни и увредљиви подаци

Апликације за прикупљање података користе се за проналажење абнормалних образаца као што су лабораторија, резултати лекара, неприкладни рецепти и лажне медицинске тврдње.

Системи за рударење података и препоруке

Системи препоручивача дају купцима препоруке за производе које би могле бити од интереса за кориснике.

Препоручени производи су или слични ставкама које је корисник тражио у прошлости или гледајући остале преференције купаца које имају сличан укус као корисник. Овај приступ се назива приступ заснован на садржају и приступ сарадње на одговарајући начин.

Многе технике попут претраживања информација, статистике, машинског учења итд. Користе се у системима који препоручују.

Системи који препоручују претражују кључне речи, корисничке профиле, корисничке трансакције, уобичајене карактеристике међу ставкама како би проценили ставку за корисника. Ови системи такође проналазе друге кориснике који имају сличну историју куповине и предвиђају ставке које би ти корисници могли да купе.

имплементација реда приоритета ц ++

У овом приступу има много изазова. Систем препорука треба да претражује милионе података у реалном времену.

Постоје две врсте грешака које је направио Систем препорука:

Лажни негативци и лажни позитиви.

Лажни негативи су производи које систем није препоручио, али би их купац желео. Лажно позитиван су производи које је систем препоручио, али их купац није желео. Још један изазов је препорука за кориснике који су нови без икакве историје куповине.

Интелигентна техника одговарања на упит се користи за анализу упита и пружање уопштених повезаних информација релевантних за упит. На пример: Приказује се преглед ресторана уместо адресе и броја телефона ресторана који се тражи.

Рударство података за управљање односима са клијентима (Цустомер Релатионсхип Манагемент)

Управљање односима са купцима може се ојачати претраживањем података. Добри односи са купцима могу се изградити привлачењем погоднијих купаца, бољом унакрсном продајом и продајом више, бољим задржавањем.

Дата мининг може побољшати ЦРМ:

  1. Истраживање података може помоћи предузећима да створе циљане програме за већи одзив и бољи повраћај улагања.
  2. Предузећа могу понудити више производа и услуга по жељи купаца путем продаје и унакрсне продаје, повећавајући тако задовољство купаца.
  3. Уз помоћ претраживања података, предузеће може открити који купци траже друге опције. Користећи се тим информацијама, компаније могу створити идеје како задржати купца да оде.

Дата Мининг помаже ЦРМ-у у:

  1. Датабасе Маркетинг: Маркетиншки софтвер омогућава компанијама да купцима шаљу поруке и е-поруке. Овај алат заједно са претраживањем података може да циљано продаје. Уз помоћ података може се извршити аутоматизација и распоређивање послова. Помаже у бољем доношењу одлука. Такође ће помоћи у техничким одлукама о томе какве купце занима нови производ, које је тржиште добро за лансирање производа.
  2. Кампања за аквизицију купаца: Уз руковање подацима, тржишни професионалац ће моћи да идентификује потенцијалне купце који нису свесни производа или нове купце. Они ће моћи да дизајнирају понуде и иницијативе за такве купце.
  3. Оптимизација кампање: Компаније користе експлоатацију података за ефикасност кампање. Може да моделира одговоре купаца на маркетиншке понуде.

Рударство података на примеру стабла одлука

Алгоритми стабла одлучивања називају се ЦАРТ (Класификација и регресиона стабла). То је надгледана метода учења. Структура дрвета изграђена је на одабраним карактеристикама, условима за цепање и када се зауставити. Стабла одлучивања користе се за предвиђање вредности променљивих разреда на основу учења из претходних података о обуци.

Интерни чвор представља атрибут, а лисни чвор ознаку класе.

Рударство података на примеру стабла одлука

(слика извор )

Следећи кораци се користе за изградњу структуре стабла одлука:

  1. Поставите најбољи атрибут на врх стабла (корен).
  2. Подскупови се креирају на такав начин да сваки подскуп представља податке са истом вредношћу за атрибут.
  3. Поновите исте кораке да бисте пронашли чворове листова свих грана.

Да би се предвидела ознака класе, атрибут записа се упоређује са кореном стабла. У поређењу се бира следећа грана. Унутрашњи чворови се такође упоређују на исти начин док досегнути чвор чвора не предвиди променљиву класе.

Неки алгоритми који се користе за индукцију стабла одлучивања укључују Хунтов алгоритам, ЦАРТ, ИД3, Ц4.5, СЛИК и СПРИНТ.

Најпопуларнији пример рударства података: маркетинг и продаја

Маркетинг и продаја су домени у којима компаније имају велике количине података.

# 1) Банке су први корисници технологије рударења података јер им помаже у процени кредитне способности. Истраживање података анализира које услуге које нуде банке користе купци, која врста клијената користи АТМ картице и шта углавном купују користећи њихове картице (за унакрсну продају).

Банке користе рударство података за анализу трансакција које клијент обавља пре него што одлуче да промене банку како би смањиле одбацивање клијента. Такође, неки одступања у трансакцијама се анализирају на откривање превара.

# 2) Мобилни телефон Предузећа користите технике рударења података како бисте избегли ускомешање. Стресање је мера која показује број купаца који напуштају услуге. Открива обрасце који показују како купци могу имати користи од услуга да би задржали купце.

# 3) Анализа тржишне корпе је техника проналажења група предмета који се купују заједно у продавницама. Анализа трансакција показује обрасце као што су ствари које се купују заједно, попут хлеба и путера, или који артикли имају већи обим продаје одређених дана, попут пива петком.

Ове информације помажу у планирању изгледа продавница, нудећи посебан попуст на производе који су мање тражени, стварајући понуде као што су „купите 2, добијте 1 бесплатно“ или „добити 50% при другој куповини“ итд.

Анализа тржишне корпе

(слика извор )

Велике компаније које користе рударство података

Неке компаније на мрежи које користе технике рударења подацима дате су у наставку:

  • АМАЗОН: Амазон користи Тект Мининг да би пронашао најнижу цену производа.
  • Мекдоналдс: МцДоналд’с користи руковање великим подацима за побољшање корисничког искуства. Проучава образац наручивања купаца, време чекања, величину поруџбина итд.
  • НЕТФЛИКС: Нетфлик сазнаје како да учини филм или серију популарним међу купцима користећи своје увиде у рударење подацима.

Закључак

Ископавање података користи се у разним апликацијама као што су банкарство, маркетинг, здравство, телекомуникације и многа друга подручја.

Технике рударења података помажу компанијама да стекну информисане информације, повећају своју профитабилност прилагођавањем процеса и операција. То је брз процес који помаже пословању у доношењу одлука кроз анализу скривених образаца и трендова.

Погледајте наш предстојећи водич да бисте сазнали више о алгоритму рударења података стабла одлука !!

ПРЕВ Туториал |. | СЛЕДЕЋА Лекција

Препоручено читање

^