A base da quarta revolução industrial dependerá em grande parte de Dados^(Data) e Conectividade^{(Connectivity)} . Os Analysis Services^{(Analysis Services)} capazes de desenvolver ou criar soluções de mineração de dados desempenharão um papel fundamental nesse sentido. Pode ajudar a analisar e prever os resultados do comportamento de compra do cliente^{(customer purchasing behavior)} para direcionar potenciais compradores. Os dados^(Data) se tornarão um novo recurso natural e o processo de extração de informações relevantes desses dados não classificados assumirá imensa importância. Como tal, uma compreensão adequada do termo – ^{(term –)} Data Mining , seus processos e aplicação pode nos ajudar a desenvolver uma abordagem holística para essa palavra da moda.

Noções básicas de mineração de dados^{(Data Mining Basics)} e suas técnicas

A mineração de dados, também conhecida como Knowledge Discovery in Data ( KDD ), consiste em pesquisar grandes repositórios de dados para descobrir padrões e tendências que vão além da simples análise. Esta, no entanto, não é uma solução de etapa única, mas um processo de várias etapas e é concluído em várias etapas. Esses incluem:

1] Coleta e preparação de dados

Começa com a coleta de dados e sua organização adequada. Isso ajuda a melhorar significativamente as chances de encontrar as informações que podem ser descobertas por meio da mineração de dados

2] Construção e Avaliação do Modelo

A segunda etapa no processo de mineração^{(mining process)} de dados é a aplicação de várias técnicas de modelagem. Estes são usados ​​para calibrar os parâmetros para valores ótimos. As técnicas empregadas dependem em grande parte das capacidades analíticas necessárias para abordar uma gama de necessidades organizacionais e para chegar a uma decisão.

Vamos examinar brevemente algumas técnicas de mineração de dados. Verifica-se que a maioria das organizações combina duas ou mais técnicas de mineração de dados para formar um processo apropriado que atenda aos seus requisitos de negócios.

Leia^(Read) : O que é Big Data?

Técnicas de Mineração de Dados

1. Associação –  A ^{(Association – )}associação^{(Association)} é uma das técnicas de mineração de dados amplamente conhecidas. Sob isso, um padrão é decifrado com base em um relacionamento entre itens na mesma transação. Por isso^(Hence) , também é conhecida como técnica de relação^{(relation technique)} . Os varejistas de grandes marcas contam com essa técnica para pesquisar os hábitos/preferências de compra do cliente. Por exemplo, ao rastrear os hábitos de compra das pessoas, os varejistas podem identificar que um cliente sempre compra creme quando compra chocolates e, portanto, sugerir que, na próxima vez que comprar chocolates, também compre creme.
2. Classificação^{(Classification)} – Esta técnica de mineração de dados^{(data mining technique)} difere da anterior na forma como é baseada em aprendizado de máquina^{(machine learning)} e usa técnicas matemáticas como programação linear^{(Linear programming)} , árvores de decisão , ^(Decision)rede neural^{(Neural network)} . Na classificação, as empresas tentam construir um software que possa aprender a classificar os itens de dados em grupos. Por exemplo, uma empresa pode definir uma classificação no aplicativo que “dado todos os registros de funcionários que se ofereceram para se demitir da empresa, preveja o número de indivíduos que provavelmente se demitirão da empresa no futuro”. Nesse cenário, a empresa pode classificar os registros de funcionários em dois grupos que são “sair” e “ficar”. Ele pode então usar seus dadossoftware de mineração^{(mining software)} para classificar os funcionários em grupos separados criados anteriormente.
3. Clustering – Diferentes^(Different) objetos com características semelhantes são agrupados em um único cluster via automação. Muitos desses clusters são criados à medida que classes e objetos (com características semelhantes) são colocados neles de acordo. Para entender isso melhor, vamos considerar um exemplo de gerenciamento de livros^{(book management)} na biblioteca. Em uma biblioteca, a vasta coleção de livros é totalmente catalogada. Itens do mesmo tipo são listados juntos. Isso torna mais fácil para nós encontrar um livro de nosso interesse. Da mesma forma, usando a técnica de agrupamento^{(clustering technique)} , podemos manter livros que possuem alguns tipos de semelhanças em um agrupamento e atribuir a ele um nome adequado. Então, se um leitor está querendo pegar um livro relevante^{(book relevant)}para seu interesse, ele só precisa ir até aquela estante em vez de vasculhar a biblioteca inteira. Assim, a técnica de agrupamento^{(clustering technique)} define as classes e coloca objetos em cada classe, enquanto nas técnicas de classificação, os objetos são atribuídos em classes pré-definidas.
4. Previsão^(Prediction) – A previsão é uma técnica de mineração de dados^{(data mining technique)} que é frequentemente usada em combinação com outras técnicas de mineração de dados^{(data mining technique)} . Envolve a análise de tendências, classificação, correspondência de padrões^{(pattern matching)} e relação. Ao analisar eventos ou instâncias passadas em uma sequência^{(sequence one)} adequada , pode-se prever com segurança um evento futuro. Por exemplo, a técnica de análise de previsão^{(prediction analysis technique)} pode ser usada na venda para prever o lucro futuro se a venda for escolhida como variável independente e o lucro^{(variable and profit)} como variável dependente da venda. Então, com base nos dados históricos de vendas e lucros , pode-se desenhar uma ^{(sale and profit data)}curva de regressão^{(regression curve)} ajustada que é usada paraprevisão de lucro^{(profit prediction)} .
5. Árvores de decisão^{(Decision trees)} – Dentro da árvore de decisão^{(decision tree)} , começamos com uma pergunta simples que tem várias respostas. Cada resposta leva a uma pergunta adicional para ajudar a classificar ou identificar os dados para que possam ser categorizados ou para que uma previsão possa ser feita com base em cada resposta. Por exemplo, usamos a seguinte árvore de decisão^{(decision tree)} para determinar se devemos ou não jogar críquete ODI : Data Mining Decision Tree : Começando no nó raiz^{(root node)} , se a previsão do tempo^{(weather forecast)} prevê chuva, devemos evitar a partida para o dia. Alternativamente, se a previsão do tempo^{(weather forecast)} estiver clara, devemos jogar a partida.

A mineração^{(Data Mining)} de dados está no centro dos esforços de análise em vários setores e disciplinas, como comunicações, seguros^(Insurance) , educação^(Education) , manufatura^{(Manufacturing)} , bancos e varejo^{(Banking and Retail)} e muito mais. Portanto, ter informações corretas sobre o assunto é essencial antes de aplicar as diferentes técnicas.

What is Data Mining? Basics and its Techniques.

The foundation of the fourth industrial revolution will largely depend upon Data and Connectivity. Analysis Services capable of developing or creating data mining solutions will play a key role in this regard. It could assist in analyzing and predicting outcomes of customer purchasing behavior for targeting potential buyers. Data will become a new natural resource and the process of extracting relevant information from this unsorted data will assume immense importance. As such, a proper understanding of the term – Data Mining, its processes, and application could help us in developing a holistic approach to this buzzword.

Data Mining Basics and its Techniques

Data mining, also known as Knowledge Discovery in Data (KDD) is about searching large stores of data to uncover patterns and trends that go beyond simple analysis. This, however, is not a single-step solution but a multi-step process and is completed in various stages. These include:

1] Data gathering and Preparation

It starts with data collection and its proper organization. This helps in significantly improving the chances of finding the information that can be discovered through data mining

2] Model Building and Evaluation

The second step in data mining process is the application of various modeling techniques. These are used to calibrate the parameters to optimal values. Techniques employed largely depend on analytic capabilities required to address a gamut of organizational needs and to arrive at a decision.

Let us examine some data mining techniques in brief. It is found that most organizations combine two or more data mining techniques together to form an appropriate process that meets their business requirements.

Read: What is Big Data?

Data Mining Techniques

1. Association – Association is one of the widely-known data mining techniques. Under this, a pattern is deciphered based on a relationship between items in the same transaction. Hence, it is also known as the relation technique. Big brand retailers rely on this technique to research customer’s buying habits/preferences. For example, when tracking people’s buying habits, retailers might identify that a customer always buys cream when they buy chocolates, and therefore suggest that the next time that they buy chocolates they might also want to buy cream.
2. Classification – This data mining technique differs from the above in the way that it is based on machine learning and uses mathematical techniques such as Linear programming, Decision trees, Neural network. In classification, companies try to build software that can learn how to classify the data items into groups. For instance, a company can define a classification in the application that “given all records of employees who offered to resign from the company, predict the number of individuals who are likely to resign from the company in future.” Under such a scenario, the company can classify the records of employees into two groups that namely “leave” and “stay”. It can then use its data mining software to classify the employees into separate groups created earlier.
3. Clustering – Different objects exhibiting similar characteristics are grouped together in a single cluster via automation. Many such clusters are created as classes and objects (with similar characteristics) are placed in it accordingly. To understand this better, let us consider an example of book management in the library. In a library, the vast collection of books is fully cataloged. Items of the same type are listed together. This makes it easier for us to find a book of our interest. Similarly, by using the clustering technique, we can keep books that have some kinds of similarities in one cluster and assign it a suitable name. So, if a reader is looking to grab a book relevant to his interest, he only has to go to that shelf instead of searching the entire library. Thus, the clustering technique defines the classes and puts objects in each class, while in the classification techniques, objects are assigned into predefined classes.
4. Prediction – The prediction is a data mining technique that is often used in combination with the other data mining techniques. It involves analyzing trends, classification, pattern matching, and relation. By analyzing past events or instances in a proper sequence one can safely predict a future event. For instance, the prediction analysis technique can be used in the sale to predict future profit if the sale is chosen as an independent variable and profit as a variable dependent on sale. Then, based on the historical sale and profit data, one can draw a fitted regression curve that is used for profit prediction.
5. Decision trees – Within the decision tree, we start with a simple question that has multiple answers. Each answer leads to a further question to help classify or identify the data so that it can be categorized, or so that a prediction can be made based on each answer. For example, We use the following decision tree to determine whether or not to play cricket ODI: Data Mining Decision Tree: Starting at the root node, if the weather forecast predicts rain then, we should avoid the match for the day. Alternatively, if the weather forecast is clear, we should play the match.

Data Mining is at the heart of analytics efforts across a variety of industries and disciplines like communications, Insurance, Education, Manufacturing, Banking and Retail and more. Therefore, having correct information about it is essential before apply the different techniques.

Related posts

• 26 melhores softwares de mineração de dados

• Como usar Automatic Data Type feature em Excel

• BitLocker Setup Falha ao exportar a loja BCD (Boot Configuration Data)

• Como gerenciar o Data Usage Limit no Windows 10

• Não é possível importar Registry File. Nem todo o Data foi escrito no Registro

• Por que as empresas recolher, vender, comprar ou armazenar dados pessoais

• Como renomear Data Series em Excel graph or chart

• Microsoft Personal Data Dashboard permite que você decida como seus dados são usados

• Google Chrome não limpará Browsing History and Data

• 0xc0000098: Windows Botão Configuration Data não contém OS entry

• Desativar Telemetry & Data Collection em Windows 10 usando Task Scheduler

• Burn para disco acinzentado em Windows 10; Não é possível queimar DVD

• Download and Backup seu Google Data usando Google Takeout

• Ligue ou Off Diagnostic Data sobre Narrator usage em Windows 10

• Disk Drill para Windows: Recover Acidentalmente Excluído arquivos

• O que são USB Data Blockers? Melhor USB Data Blockers para comprar em Amazon

• Error 0x8004010F, Outlook Data File não pode ser acessado

• Microarchitectural Data Sampling (MDS) Vulnerabilidade explicada

• Ashampoo Burning Studio 2020 - Burn CDs, DVDs, Blu-rays FREE!

• O que esperar quando você baixar Facebook Data History