data mining examples
Denna handledning tar upp de mest populära exemplen på datautvinning i verkligheten. Lär dig mer om datamineringstillämpning inom ekonomi, marknadsföring, sjukvård och CRM:
I denna Utbildningsserie för gratis gruvdrift , vi tittade på Data Mining Process i vår tidigare handledning. Data Mining, som också kallas Knowledge Discovery in Databases (KDD), är en process för att upptäcka mönster i en stor uppsättning data- och datalager.
Olika tekniker som regressionsanalys, association och gruppering, klassificering och outlier-analys används på data för att identifiera användbara resultat. Dessa tekniker använder programvara och backendalgoritmer som analyserar data och visar mönster.
vad är den bästa dvd-klipparen
Några av de välkända metoderna för datamining är beslutsträdanalys, Bayes-teoremanalys, frekvent gruvdrift, osv. Programvarumarknaden har många öppen källkod såväl som betalda verktyg för datamining som Weka, Rapid Miner Orange data mining verktyg.
Data mining processen börjar med att ge en viss inmatning av data till data mining verktyg som använder statistik och algoritmer för att visa rapporter och mönster. Resultaten kan visualiseras med hjälp av dessa verktyg som kan förstås och användas vidare för att genomföra affärsmodifiering och förbättringar.
Data mining används ofta av organisationer för att bygga en marknadsföringsstrategi, av sjukhus för diagnostiska verktyg, av e-handel för korsförsäljning av produkter via webbplatser och många andra sätt.
Några av exemplen på datautvinning ges nedan för din referens.
Vad du kommer att lära dig:
- Exempel på datautvinning i verkliga livet
- Exempel på datautvinning inom ekonomi
- Tillämpningar av datautvinning i marknadsföring
- Exempel på applikationer inom datahantering inom sjukvården
- Data Mining och rekommendationssystem
- Data Mining For CRM (Customer Relationship Management)
- Data Mining med hjälp av ett beslutsträdsexempel
- Mest populära exemplet på datautvinning: marknadsföring och försäljning
- Stora företag som använder Data Mining
- Slutsats
- Rekommenderad läsning
Exempel på datautvinning i verkliga livet
Vikten av datautvinning och analys växer dag för dag i vårt verkliga liv. Idag använder de flesta organisationer data mining för analys av Big Data.
Låt oss se hur dessa teknologier gynnar oss.
# 1) Mobila tjänsteleverantörer
Mobiltjänstleverantörer använder data mining för att utforma sina marknadsföringskampanjer och för att hindra kunder från att flytta till andra leverantörer.
Från en stor mängd data som faktureringsinformation, e-post, textmeddelanden, webbdataöverföringar och kundtjänst, kan datautvinningsverktygen förutsäga 'churn' som berättar för kunderna som vill byta leverantörer.
Med dessa resultat ges en sannolikhetspoäng. Mobiltjänstleverantörerna kan då ge incitament, erbjudanden till kunder som löper högre risk för kärvning. Denna typ av gruvdrift används ofta av stora tjänsteleverantörer som bredband, telefon, gasleverantörer etc.
[bild källa ]
# 2) Detaljhandel
Data Mining hjälper stormarknads- och detaljhandelsägare att känna kundernas val. Om man tittar på kundernas köphistorik visar datautvinningsverktygen kundernas köppreferenser.
Med hjälp av dessa resultat designar stormarknaderna placeringar av produkter i hyllor och ger erbjudanden på artiklar som kuponger på matchande produkter och specialrabatter på vissa produkter.
Dessa kampanjer är baserade på RFM-gruppering. RFM står för recency, frekvens och monetär gruppering. Kampanjerna och marknadsföringskampanjerna är anpassade för dessa segment. Kunden som spenderar mycket men mycket mindre ofta kommer att behandlas annorlunda än kunden som köper var 2-3: e dag men med mindre belopp.
Data Mining kan användas för produktrekommendationer och korsreferenser av artiklar.
Datautvinning i detaljhandeln från olika datakällor.
[bild källa ]
# 3) Artificiell intelligens
Ett system görs konstgjort intelligent genom att mata det med relevanta mönster. Dessa mönster kommer från data mining-utdata. Utgångarna från de artificiellt intelligenta systemen analyseras också för deras relevans med hjälp av data miningstekniker.
Rekommendatorsystemen använder data miningstekniker för att göra personliga rekommendationer när kunden interagerar med maskinerna. Den artificiella intelligensen används på utvunna data som att ge produktrekommendationer baserade på kundens tidigare köphistorik i Amazon.
# 4) E-handel
Många e-handelssajter använder data mining för att erbjuda korsförsäljning och försäljning av sina produkter. Shoppingwebbplatserna som Amazon, Flipkart visar 'People also viewed', 'Ofta köpt tillsammans' till kunderna som interagerar med webbplatsen.
Dessa rekommendationer tillhandahålls med hjälp av datautvinning över inköpshistoriken för webbplatsens kunder.
# 5) Vetenskap och teknik
Med tillkomsten av datautvinning går nu vetenskapliga tillämpningar från statistiska tekniker till att använda 'samla in och lagra data' -tekniker, och sedan utföra gruvdrift på nya data, leverera nya resultat och experimentera med processen. En stor mängd data samlas in från vetenskapliga domäner som astronomi, geologi, satellitsensorer, globalt positioneringssystem etc.
Datautvinning inom datavetenskap hjälper till att övervaka systemstatus, förbättra dess prestanda, ta reda på programfel, upptäcka plagiering och ta reda på fel. Data mining hjälper också till att analysera användarens feedback om produkter, artiklar för att härleda åsikter och åsikter om åsikterna.
# 6) Förebyggande av brott
Data Mining upptäcker avvikare över en stor mängd data. Brottsuppgifterna innehåller alla detaljer om brottet som har hänt. Data Mining kommer att studera mönster och trender och förutsäga framtida händelser med bättre noggrannhet.
Byråerna kan ta reda på vilket område som är mer benägen för brott, hur mycket polispersonal som ska placeras, vilken åldersgrupp som ska riktas in, fordonsnummer som ska granskas etc.
# 7) Forskning
Forskare använder Data Mining-verktyg för att utforska sambandet mellan parametrarna under forskning, såsom miljöförhållanden som luftföroreningar och spridning av sjukdomar som astma bland människor i riktade regioner.
# 8) Jordbruk
Jordbrukare använder Data Mining för att ta reda på avkastningen av grönsaker med den mängd vatten som växterna behöver.
# 9) Automation
Genom att använda datautvinning lär sig datorsystemen att känna igen mönster bland de parametrar som är under jämförelse. Systemet lagrar de mönster som kommer att vara användbara i framtiden för att uppnå affärsmål. Detta lärande är automatisering eftersom det hjälper till att nå målen genom maskininlärning.
# 10) Dynamisk prissättning
Data mining hjälper tjänsteleverantörer som hytttjänster att dynamiskt debitera kunderna baserat på efterfrågan och utbudet. Det är en av de viktigaste faktorerna för företagens framgång.
# 11) Transport
Data Mining hjälper till att planera förflyttning av fordon från lager till försäljningsställen och analysera produktens laddningsmönster.
# 12) Försäkring
Data mining metoder hjälper till att prognostisera kunder som köper policyn, analysera de medicinska påståenden som används tillsammans, ta reda på bedrägligt beteende och riskabla kunder.
Exempel på datautvinning inom ekonomi
[ bild källa ]
Finanssektorn omfattar banker, försäkringsbolag och investeringsbolag. Dessa institutioner samlar en enorm mängd data. Uppgifterna är ofta fullständiga, tillförlitliga och av hög kvalitet och kräver en systematisk dataanalys.
För att lagra finansiell data konstrueras datalager som lagrar data i form av datakuber. För att analysera dessa data används avancerade datakubbegrepp. Data mining metoder såsom kluster och outlier analys, karakterisering används i finansiell dataanalys och gruvdrift.
Några fall inom ekonomi där datautvinning används anges nedan.
# 1) Förutsägelse om lånebetalning
Datautvinningsmetoder som attributval och attributrankning analyserar kundens betalningshistorik och väljer viktiga faktorer som betalningsförhållande, kredithistorik, lånets löptid etc. Resultaten hjälper bankerna att besluta om lånetilldelningspolicy och bevilja även lån till kunderna enligt faktoranalys.
# 2) Riktad marknadsföring
Kluster och klassificering av datautvinningsmetoder hjälper till att hitta de faktorer som påverkar kundens beslut gentemot bank. Liknande beteendekunders identifiering kommer att underlätta riktad marknadsföring.
# 3) Upptäck ekonomiska brott
Bankuppgifter kommer från många olika källor, olika städer och olika bankplatser. Flera dataanalysverktyg används för att studera och upptäcka ovanliga trender som stora värdetransaktioner. Verktyg för datavisualisering, analysverktyg för outlier, klusterverktyg etc. används för att identifiera förhållanden och handlingsmönster.
Figuren nedan är en studie från Infosys som visar kundens vilja att banka online-system i olika länder. Infosys använde Big Data Analytics för denna studie.
[bild källa ]
Tillämpningar av datautvinning i marknadsföring
Data mining ökar företagets marknadsföringsstrategi och främjar affärer. Det är en av de viktigaste faktorerna för företagens framgång. En enorm mängd data samlas in om försäljning, kundshopping, konsumtion etc. Dessa data ökar dag för dag på grund av e-handel.
Data mining hjälper till att identifiera kundköpsbeteende, förbättra kundservice, fokusera på kundretention, öka försäljningen och sänka företagskostnaderna.
Några exempel på datautvinning vid marknadsföring är:
# 1) Prognosmarknad
För att förutsäga marknaden kommer marknadsföringspersonalen att använda Data Mining-tekniker som regression för att studera kundbeteende, förändringar och vanor, kundrespons och andra faktorer som marknadsföringsbudget, andra kostnader som uppstår etc. I framtiden blir det lättare för proffs att förutsäga kunderna i händelse av eventuella faktorändringar.
# 2) Avvikelse upptäckt
Data miningstekniker används för att upptäcka eventuella avvikelser i data som kan orsaka någon form av fel i systemet. Systemet skannar tusentals komplexa poster för att utföra den här åtgärden.
# 3) System säkerhet
Data Mining-verktyg upptäcker intrång som kan skada databasen och erbjuder större säkerhet för hela systemet. Dessa intrång kan vara i form av dubbla poster, virus i form av data från hackare etc.
Exempel på applikationer inom datahantering inom sjukvården
[bild källa ]
Inom sjukvården blir datautvinning alltmer populär och nödvändig.
Data som genereras av vården är komplexa och omfattande. För att undvika medicinskt bedrägeri och missbruk används data mining-verktyg för att upptäcka bedrägliga föremål och därigenom förhindra förlust.
Några exempel på datautvinning av vårdindustrin ges nedan för din referens.
# 1) Hälsovårdshantering
Data mining-metoden används för att identifiera kroniska sjukdomar, spåra högriskregioner som är utsatta för sjukdomsspridning, utforma program för att minska spridningen av sjukdomar. Hälso- och sjukvårdspersonal kommer att analysera sjukdomar, regioner hos patienter med maximalt intag till sjukhuset.
Med dessa uppgifter kommer de att utforma kampanjer för regionen för att göra människor medvetna om sjukdomen och se hur man kan undvika den. Detta kommer att minska antalet patienter som läggs in på sjukhus.
# 2) Effektiva behandlingar
Med hjälp av datautvinning kan behandlingarna förbättras. Genom kontinuerlig jämförelse av symtom, orsaker och läkemedel kan dataanalys utföras för att göra effektiva behandlingar. Data mining används också för behandling av specifika sjukdomar och föreningen av biverkningar av behandlingar.
# 3) Bedrägliga och missbrukande data
Data mining-applikationer används för att hitta onormala mönster som laboratorium, läkares resultat, olämpliga recept och bedrägliga medicinska påståenden.
Data Mining och rekommendationssystem
Rekommendationssystem ger kunderna produktrekommendationer som kan vara av intresse för användarna.
De rekommenderade artiklarna liknar antingen de artiklar som användaren har förfrågat tidigare eller genom att titta på de andra kundernas preferenser som har samma smak som användaren. Detta tillvägagångssätt kallas ett innehållsbaserat tillvägagångssätt och en samarbetsmetod på lämpligt sätt.
Många tekniker som informationshämtning, statistik, maskininlärning etc. används i rekommendatorsystem.
Rekommendationssystem söker efter nyckelord, användarprofiler, användartransaktioner, vanliga funktioner bland artiklar för att uppskatta ett objekt för användaren. Dessa system hittar också de andra användarna som har en liknande historia för att köpa och förutsäger artiklar som dessa användare kan köpa.
Det finns många utmaningar i detta tillvägagångssätt. Rekommendationssystemet måste söka igenom miljontals data i realtid.
Det finns två typer av fel som görs av Recommender Systems:
Falska negativa och falska positiva.
Falska negativ är produkter som inte rekommenderades av systemet men kunden vill ha dem. Falskt positivt är produkter som rekommenderats av systemet men som inte önskas av kunden. En annan utmaning är rekommendationen för användare som är nya utan inköpshistorik.
En intelligent svarssvarsteknik används för att analysera frågan och tillhandahålla generaliserad, tillhörande information som är relevant för frågan. Till exempel: Visar recensionen av restauranger istället för bara adressen och telefonnumret till den restaurang som du sökte efter.
Data Mining For CRM (Customer Relationship Management)
Customer Relationship Management kan förstärkas med data mining. Bra kundrelationer kan byggas genom att locka mer lämpliga kunder, bättre korsförsäljning och försäljning, bättre kvarhållning.
Data Mining kan förbättra CRM genom att:
- Data mining kan hjälpa företag att skapa riktade program för högre respons och bättre ROI.
- Företag kan erbjuda fler produkter och tjänster efter önskemål från kunderna genom försäljning och korsförsäljning, vilket ökar kundnöjdheten.
- Med datautvinning kan ett företag upptäcka vilka kunder som letar efter andra alternativ. Med den informationen kan företag bygga idéer för att hindra kunden från att lämna.
Data Mining hjälper CRM att:
- Databasmarknadsföring: Marknadsföringsprogramvara gör det möjligt för företag att skicka meddelanden och e-post till kunder. Detta verktyg tillsammans med datautvinning kan göra riktad marknadsföring. Med datautvinning kan automatisering och schemaläggning av jobb utföras. Det hjälper till bättre beslutsfattande. Det kommer också att hjälpa till vid tekniska beslut om vilken typ av kunder som är intresserade av en ny produkt, vilket marknadsområde som är bra för produktlansering.
- Kundförvärvskampanj: Med datautvinning kommer marknaden att kunna identifiera potentiella kunder som inte är medvetna om produkterna eller nya köpare. De kommer att kunna utforma erbjudanden och initiativ för sådana kunder.
- Kampanjoptimering: Företagen använder data mining för kampanjens effektivitet. Det kan modellera kundernas svar på marknadsföringserbjudanden.
Data Mining med hjälp av ett beslutsträdsexempel
Beslutsträdalgoritmer kallas CART (Classification and Regression Trees). Det är en övervakad inlärningsmetod. En trädstruktur är byggd på de valda funktionerna, villkor för delning och när man ska stanna. Beslutsträd används för att förutsäga värdet på klassvariabler baserat på lärande från tidigare träningsdata.
Den interna noden representerar ett attribut och bladnoden representerar en klassetikett.
[bild källa ]
Följande steg används för att bygga en beslutsträdstruktur:
- Placera det bästa attributet högst upp på trädet (roten).
- Delmängder skapas på ett sådant sätt att varje delmängd representerar data med samma värde för ett attribut.
- Upprepa samma steg för att hitta bladnoderna för alla grenar.
För att förutsäga en klassetikett jämförs postens attribut med trädets rot. Vid jämförelse väljs nästa gren. De interna noderna jämförs också på samma sätt tills bladnoden nått förutsäger klassvariabeln.
Vissa algoritmer som används för beslutsträdinduktion inkluderar Hunt's Algorithm, CART, ID3, C4.5, SLIQ och SPRINT.
Mest populära exemplet på datautvinning: marknadsföring och försäljning
Marknadsföring och försäljning är domänerna där företag har stora datamängder.
# 1) Banker är de första användarna av data miningsteknik eftersom det hjälper dem med kreditbedömning. Data mining analyserar vilka tjänster som bankerna erbjuder av kunder, vilken typ av kunder som använder ATM-kort och vad köper de i allmänhet med sina kort (för korsförsäljning).
Banker använder data mining för att analysera de transaktioner som kunden gör innan de bestämmer sig för att byta bank för att minska kundens slitage. Dessutom analyseras vissa avvikelser i transaktioner för att upptäcka bedrägerier.
# 2) Mobiltelefon Företag använd datagruppstekniker för att undvika sprickbildning. Churning är ett mått som visar antalet kunder som lämnar tjänsterna. Den upptäcker mönster som visar hur kunder kan dra nytta av tjänsterna för att behålla kunder.
# 3) Analys av marknaden är tekniken för att hitta de grupper av artiklar som köps tillsammans i butiker. Analyser av transaktionerna visar mönster som saker som köps ihop ofta som bröd och smör eller vilka artiklar som har högre försäljningsvolym vissa dagar som öl på fredagar.
Denna information hjälper till att planera butikslayouterna, erbjuda en speciell rabatt på de varor som är mindre efterfrågade, skapa erbjudanden som 'köp 2 få 1 gratis' eller 'få 50% vid andra köp' etc.
hur många typer av filer finns det python
[bild källa ]
Stora företag som använder Data Mining
Vissa onlineföretag som använder data miningstekniker ges nedan:
- AMAZON: Amazon använder Text Mining för att hitta det lägsta priset på produkten.
- MC Donald's: McDonald's använder big data mining för att förbättra sin kundupplevelse. Den studerar beställningsmönstret hos kunder, väntetider, orderstorlek etc.
- NETFLIX: Netflix får reda på hur man gör en film eller en serie populär bland kunderna med hjälp av dess data mining insikter.
Slutsats
Data mining används i olika applikationer som bank, marknadsföring, hälso- och sjukvård, telekomindustrin och många andra områden.
Data mining tekniker hjälper företag att få kunnig information, öka deras lönsamhet genom att göra justeringar i processer och operationer. Det är en snabb process som hjälper företag att fatta beslut genom analys av dolda mönster och trender.
Kolla in vår kommande handledning för att veta mer om Decision Tree Data Mining Algorithm !!
PREV-handledning | NÄSTA självstudie
Rekommenderad läsning
- Data Mining: Process, Techniques & Major Issues In Data Analysis
- Data Mining Techniques: Algoritm, Methods & Top Data Mining Tools
- Data Mining Process: Modeller, Process Steps & Challenges Involved
- Data Mining Vs Machine Learning Vs Artificial Intelligence Vs Deep Learning
- 10+ bästa datastyrningsverktyg för att uppfylla dina behov av data 2021
- 14 bästa verktyg för testdatahantering 2021
- Topp 15 bästa gratis datavärvningsverktyg: den mest omfattande listan
- Topp 10 stora datakonferenser du måste följa 2021