Menu

Eksempler på datamining: De mest almindelige anvendelser af Data Mining 2021

  • Vigtigste
  • Andet
  • Eksempler på datamining: De mest almindelige anvendelser af Data Mining 2021

data mining examples

Denne vejledning dækker de mest populære eksempler på dataudvinding i det virkelige liv. Lær om anvendelse af datamining i økonomi, marketing, sundhedspleje og CRM:

I denne Gratis Data Mining Training Series , vi kiggede på Data Mining Process i vores tidligere tutorial. Data Mining, som også er kendt som Knowledge Discovery in Databases (KDD), er en proces til at opdage mønstre i et stort sæt data- og datalager.

Forskellige teknikker såsom regressionsanalyse, tilknytning og klyngedannelse, klassificering og outlier-analyse anvendes på data for at identificere nyttige resultater. Disse teknikker bruger software og backend-algoritmer, der analyserer dataene og viser mønstre.

Nogle af de velkendte dataminingmetoder er beslutningstræanalyse, Bayes-teoremanalyse, Hyppig minesæt-minedrift osv. Softwaremarkedet har mange open source såvel som betalte værktøjer til datamining som Weka, Rapid Miner og Orange data mining værktøjer.

Eksempler på Data Mining

Data mining processen starter med at give et bestemt input af data til data mining værktøjerne, der bruger statistik og algoritmer til at vise rapporter og mønstre. Resultaterne kan visualiseres ved hjælp af disse værktøjer, der kan forstås og anvendes yderligere til at foretage forretningsændringer og forbedringer.

Data mining bruges i vid udstrækning af organisationer til at opbygge en markedsføringsstrategi, af hospitaler til diagnostiske værktøjer, af e-handel til krydssalg af produkter via websteder og mange andre måder.

Nogle af eksemplerne på dataudvinding er angivet nedenfor til din reference.

Hvad du lærer:

Eksempler på dataudvinding i det virkelige liv

Vigtigheden af ​​datamining og analyse vokser dag for dag i vores virkelige liv. I dag bruger de fleste organisationer data mining til analyse af Big Data.

Lad os se, hvordan disse teknologier gavner os.

# 1) Mobile tjenesteudbydere

Mobiltjenesteudbydere bruger datamining til at designe deres marketingkampagner og for at forhindre kunder i at flytte til andre leverandører.

Fra en stor mængde data såsom faktureringsoplysninger, e-mail, tekstbeskeder, webdatatransmissioner og kundeservice kan dataudvindingsværktøjerne forudsige 'churn', der fortæller de kunder, der ønsker at skifte leverandører.

Med disse resultater gives en sandsynligheds score. Mobiltjenesteudbyderne er derefter i stand til at give incitamenter, tilbud til kunder, der har større risiko for at blive kørt. Denne form for minedrift bruges ofte af store tjenesteudbydere som bredbånd, telefon, gasudbydere osv.

Data Mining i Mobile Service Providers

[billede kilde ]

# 2) Detailsektor

Data Mining hjælper ejere af supermarkeder og detailhandlere med at kende kundernes valg. Ser man på kundernes købshistorik, viser data mining værktøjerne kundernes præferencer.

Ved hjælp af disse resultater designer supermarkederne placeringen af ​​produkter i hylderne og giver tilbud på varer såsom kuponer på matchende produkter og særlige rabatter på nogle produkter.

Disse kampagner er baseret på RFM-gruppering. RFM står for recency, frekvens og monetær gruppering. Kampagnerne og marketingkampagnerne er tilpasset disse segmenter. Kunden, der bruger meget, men meget sjældnere, behandles forskelligt fra kunden, der køber hver 2-3 dag, men med mindre beløb.

Data Mining kan bruges til produktanbefaling og krydshenvisning af varer.

Data Mining i detailsektoren fra forskellige datakilder.

Data Mining i detailsektoren

[billede kilde ]

# 3) Kunstig intelligens

Et system er gjort kunstigt intelligent ved at fodre det med relevante mønstre. Disse mønstre kommer fra data mining output. Outputs fra de kunstigt intelligente systemer analyseres også for deres relevans ved hjælp af data mining teknikker.

Anbefalersystemerne bruger dataminingsteknikker til at komme med personlige anbefalinger, når kunden interagerer med maskinerne. Den kunstige intelligens bruges på minedata, såsom at give produktanbefalinger baseret på kundens tidligere købshistorik i Amazon.

# 4) E-handel

Mange e-handelswebsteder bruger datamining til at tilbyde krydssalg og upselling af deres produkter. Shoppingwebstederne som Amazon, Flipkart viser 'People also viewed', 'Ofte købt sammen' til de kunder, der interagerer med siden.

Disse anbefalinger leveres ved hjælp af datamining over indkøbshistorikken for webstedets kunder.

# 5) Videnskab og teknik

Med fremkomsten af ​​datamining skifter videnskabelige applikationer nu fra statistiske teknikker til brug af 'indsamle og gemme data' -teknikker, og derefter udføre minedrift på nye data, output nye resultater og eksperimentere med processen. En stor mængde data indsamles fra videnskabelige domæner som astronomi, geologi, satellitsensorer, globalt positioneringssystem osv.

Dataudvinding inden for datalogi hjælper med at overvåge systemstatus, forbedre dens ydeevne, finde ud af softwarefejl, opdage plagiering og finde ud af fejl. Data mining hjælper også med at analysere brugerfeedback vedrørende produkter, artikler for at udlede meninger og synspunkter om synspunkterne.

# 6) Forebyggelse af kriminalitet

Data Mining registrerer afvigende på tværs af en enorm mængde data. De kriminelle data inkluderer alle detaljer om den forbrydelse, der er sket. Data Mining vil undersøge mønstre og tendenser og forudsige fremtidige begivenheder med bedre nøjagtighed.

Agenturerne kan finde ud af, hvilket område der er mere udsat for kriminalitet, hvor meget politimedarbejdere der skal indsættes, hvilken aldersgruppe der skal målrettes mod, køretøjsnumre, der skal undersøges osv.

# 7) Forskning

Forskere bruger Data Mining-værktøjer til at undersøge sammenhængen mellem parametrene under forskning, såsom miljøforhold som luftforurening og spredning af sygdomme som astma blandt mennesker i målrettede regioner.

# 8) Landbrug

Landmænd bruger Data Mining til at finde ud af udbyttet af grøntsager med den mængde vand, der kræves af planterne.

# 9) Automatisering

Ved at bruge datamining lærer computersystemerne at genkende mønstre blandt de parametre, der er under sammenligning. Systemet gemmer de mønstre, der vil være nyttige i fremtiden for at nå forretningsmål. Denne læring er automatisering, da den hjælper med at nå målene gennem maskinindlæring.

# 10) Dynamisk prisfastsættelse

Data mining hjælper tjenesteudbydere som taxitjenester med dynamisk at oplade kunderne baseret på efterspørgsel og udbud. Det er en af ​​nøglefaktorerne for virksomhedernes succes.

# 11) Transport

Data Mining hjælper med at planlægge flytning af køretøjer fra lager til forretninger og analysere produktindlæsningsmønstre.

# 12) Forsikring

Data mining metoder hjælper med at forudsige de kunder, der køber politikkerne, analysere de medicinske påstande, der bruges sammen, finde ud af svigagtig adfærd og risikable kunder.

Eksempler på data minedrift i økonomi

Eksempler på dataudvinding i økonomi

[ billede kilde ]

Finanssektoren omfatter banker, forsikringsselskaber og investeringsselskaber. Disse institutioner indsamler en enorm mængde data. Dataene er ofte komplette, pålidelige og af høj kvalitet og kræver en systematisk dataanalyse.

For at gemme økonomiske data konstrueres datalager, der gemmer data i form af datakuber. For at analysere disse data anvendes avancerede datakubekoncepter. Data mining metoder såsom klyngedannelse og outlier analyse, karakterisering anvendes i finansiel dataanalyse og minedrift.

Nogle tilfælde i økonomi, hvor data mining anvendes, er angivet nedenfor.

jira interview spørgsmål til scrum master

# 1) Forudsigelse om lånebetaling

Dataudvindingsmetoder som attributvalg og attributrangering vil analysere kundens betalingshistorik og vælge vigtige faktorer såsom betaling i forhold til indkomst, kredithistorik, lånets løbetid osv. Resultaterne hjælper bankerne med at beslutte deres politik for lånetildeling og yde også lån til kunderne i henhold til faktoranalyse.

# 2) Målrettet markedsføring

Klyngedannelse og klassificering af data mining-metoder hjælper med at finde de faktorer, der påvirker kundens beslutninger over for bankvirksomhed. Lignende adfærdskundes identifikation vil lette målrettet markedsføring.

# 3) Opdag økonomiske forbrydelser

Bankdata kommer fra mange forskellige kilder, forskellige byer og forskellige banksteder. Flere dataanalyseværktøjer er implementeret til at undersøge og opdage usædvanlige tendenser som store værditransaktioner. Datavisualiseringsværktøjer, outlier-analyseværktøjer, klyngeværktøjer osv. Bruges til at identificere forhold og handlingsmønstre.

Nedenstående figur er en undersøgelse fra Infosys, der viser kundens vilje til at banke online-system i forskellige lande. Infosys brugte Big Data Analytics til denne undersøgelse.

en undersøgelse fra Infosys

[billede kilde ]

Anvendelser af datamining i marketing

Data mining øger virksomhedens markedsføringsstrategi og fremmer forretning. Det er en af ​​nøglefaktorerne for virksomhedernes succes. En enorm mængde data indsamles om salg, kundeshopping, forbrug osv. Disse data stiger dag for dag på grund af e-handel.

Data mining hjælper med at identificere kunders købsadfærd, forbedre kundeservice, fokusere på kundefastholdelse, øge salget og reducere omkostningerne ved virksomheder.

Nogle eksempler på datamining i marketing er:

# 1) Prognosemarked

For at forudsige markedet vil marketingfolk bruge Data Mining-teknikker som regression til at studere kundeadfærd, ændringer og vaner, kunders respons og andre faktorer som marketingbudget, andre påløbne omkostninger osv. I fremtiden vil det være lettere for fagfolk at forudsige kunderne i tilfælde af eventuelle faktorændringer.

# 2) Opdagelse af anomali

Data mining teknikker er brugt til at opdage eventuelle abnormiteter i data, der kan forårsage enhver form for fejl i systemet. Systemet scanner tusinder af komplekse poster for at udføre denne handling.

# 3) Systemsikkerhed

Data Mining-værktøjer opdager indtrængen, der kan skade databasen, hvilket giver større sikkerhed for hele systemet. Disse indtrængen kan være i form af duplikatindgange, vira i form af data fra hackere osv.

Eksempler på applikationer til databrydning i sundhedsvæsenet

Eksempel på dataudvinding i sundhedsvæsenet

forskel mellem java og c ++

[billede kilde ]

Inden for sundhedssektoren bliver datamining stadig mere populær og vigtig.

Data genereret af sundhedsydelser er komplekse og omfangsrige. For at undgå medicinsk svindel og misbrug bruges data mining-værktøjer til at opdage falske genstande og derved forhindre tab.

Nogle eksempler på dataudvinding af sundhedsindustrien er angivet nedenfor til din reference.

# 1) Sundhedsstyring

Data mining-metoden bruges til at identificere kroniske sygdomme, spore højrisikoregioner, der er udsat for spredning af sygdomme, designe programmer til at reducere spredning af sygdom. Sundhedspersonale vil analysere sygdomme, regioner hos patienter med maksimal indlæggelse på hospitalet.

Med disse data vil de designe kampagnerne for regionen for at gøre folk opmærksomme på sygdommen og se, hvordan man undgår den. Dette vil reducere antallet af patienter indlagt på hospitaler.

# 2) Effektive behandlinger

Ved hjælp af datamining kan behandlingerne forbedres. Ved kontinuerlig sammenligning af symptomer, årsager og medicin kan dataanalyse udføres for at foretage effektive behandlinger. Data mining bruges også til behandling af specifikke sygdomme og sammenhængen mellem bivirkninger af behandlinger.

# 3) Bedrageriske og voldelige data

Data mining applikationer bruges til at finde unormale mønstre såsom laboratorium, læge resultater, upassende recepter og falske medicinske påstande.

Data Mining og Anbefalingssystemer

Anbefalingssystemer giver kunder produktanbefalinger, der kan være af interesse for brugerne.

De anbefalede varer ligner enten de varer, som brugeren tidligere har spurgt om, eller ved at se på de andre kundepræferencer, der har samme smag som brugeren. Denne tilgang kaldes en indholdsbaseret tilgang og en samarbejdsbaseret tilgang på passende vis.

Mange teknikker som informationssøgning, statistik, maskinindlæring osv. Bruges i anbefalingssystemer.

Anbefalersystemer søger efter nøgleord, brugerprofiler, brugertransaktioner, fælles funktioner blandt emner for at estimere et emne for brugeren. Disse systemer finder også de andre brugere, der har en lignende købshistorie, og forudsiger varer, som disse brugere kunne købe.

Der er mange udfordringer i denne tilgang. Anbefalingssystemet skal søge gennem millioner af data i realtid.

Der er to typer fejl foretaget af Recommender Systems:

Falske negativer og falske positive.

Falske negativer er produkter, der ikke blev anbefalet af systemet, men kunden ønsker dem. Falsk positiv er produkter, der blev anbefalet af systemet, men ikke ønsket af kunden. En anden udfordring er anbefalingen til de brugere, der er nye uden nogen købshistorik.

En intelligent forespørgselssvarteknik bruges til at analysere forespørgslen og give generaliserede, tilknyttede oplysninger, der er relevante for forespørgslen. For eksempel: Viser gennemgangen af ​​restauranter i stedet for kun adressen og telefonnummeret på den restaurant, der er søgt efter.

Data Mining For CRM (Customer Relationship Management)

Customer Relationship Management kan styrkes med data mining. Gode ​​kundeforhold kan bygges ved at tiltrække mere egnede kunder, bedre krydssalg og op-salg, bedre fastholdelse.

Data Mining kan forbedre CRM ved at:

  1. Data mining kan hjælpe virksomheder med at skabe målrettede programmer til højere respons og bedre ROI.
  2. Virksomheder kan tilbyde flere produkter og tjenester som ønsket af kunderne gennem op-salg og krydssalg og derved øger kundetilfredsheden.
  3. Med datamining kan en virksomhed registrere, hvilke kunder der søger andre muligheder. Brug af denne information kan virksomheder opbygge ideer til at forhindre kunden i at forlade.

Data Mining hjælper CRM med:

  1. Database Marketing: Marketingsoftware gør det muligt for virksomheder at sende meddelelser og e-mails til kunder. Dette værktøj sammen med datamining kan gøre målrettet markedsføring. Med datamining kan automatisering og planlægning af job udføres. Det hjælper med bedre beslutningstagning. Det hjælper også med tekniske beslutninger om, hvilken type kunder der er interesseret i et nyt produkt, hvilket markedsområde der er godt for produktlancering.
  2. Kundeadgangskampagne: Med datamining vil markedsprofessionellen være i stand til at identificere potentielle kunder, der ikke er opmærksomme på produkterne eller nye købere. De vil være i stand til at designe tilbud og initiativer til sådanne kunder.
  3. Kampagneoptimering: Virksomheder bruger datamining til effektiviteten af ​​kampagnen. Det kan modellere kunders svar på markedsføringstilbud.

Data Mining ved hjælp af beslutningstræeksempel

Beslutningstræalgoritmer kaldes CART (Classification and Regression Trees). Det er en overvåget læringsmetode. En træstruktur er bygget på de valgte funktioner, betingelser for opdeling og hvornår man skal stoppe. Beslutningstræer bruges til at forudsige værdien af ​​klassevariabler baseret på indlæring fra de tidligere træningsdata.

Den interne node repræsenterer en attribut, og bladknuden repræsenterer en klassemærkning.

Data Mining ved hjælp af eksempel på beslutningstræ

[billede kilde ]

Følgende trin bruges til at opbygge en beslutningstræstruktur:

  1. Placer den bedste attribut øverst på træet (rod).
  2. Delsæt oprettes på en sådan måde, at hvert delsæt repræsenterer data med den samme værdi for en attribut.
  3. Gentag de samme trin for at finde bladknudepunkterne i alle grene.

For at forudsige et klasselabel sammenlignes postens attribut med træets rod. Ved sammenligning vælges den næste gren. De interne noder sammenlignes også på samme måde, indtil bladnoden nåede forudsiger klassevariablen.

Nogle algoritmer, der bruges til beslutningstræinduktion, inkluderer Hunt's algoritme, CART, ID3, C4.5, SLIQ og SPRINT.

Mest populære eksempel på datamining: markedsføring og salg

Marketing og salg er de domæner, hvor virksomheder har store datamængder.

# 1) Banker er de første brugere af data mining teknologi, da det hjælper dem med kreditvurdering. Data mining analyserer, hvilke tjenester bankerne tilbyder af kunder, hvilken type kunder der bruger ATM-kort, og hvad køber de generelt ved hjælp af deres kort (til krydssalg).

Banker bruger datamining til at analysere de transaktioner, som kunden foretager, inden de beslutter at skifte bank for at reducere kundeslid. Desuden analyseres nogle outliers i transaktioner for afsløring af svig.

# 2) Mobiltelefon Virksomheder bruge teknikker til minedrift for at undgå karning. Churning er et mål, der viser antallet af kunder, der forlader tjenesterne. Det registrerer mønstre, der viser, hvordan kunder kan drage fordel af tjenesterne for at fastholde kunder.

# 3) Analyse af markedskurven er teknikken til at finde de grupper af varer, der købes sammen i butikkerne. Analyser af transaktionerne viser mønstre, som f.eks. Ting, der købes sammen som brød og smør, eller hvilke varer der har større salg på bestemte dage, såsom øl på fredage.

Disse oplysninger hjælper med at planlægge butikslayouterne, tilbyde en særlig rabat på de varer, der er mindre efterspurgte, skabe tilbud som 'køb 2 få 1 gratis' eller 'få 50% på andet køb' osv.

Analyse af markedskurven

[billede kilde ]

Store virksomheder, der bruger datamining

Nogle online virksomheder, der bruger data mining teknikker, er angivet nedenfor:

  • AMAZON: Amazon bruger Text Mining til at finde den laveste pris på produktet.
  • MC Donald's: McDonald's bruger big data mining til at forbedre sin kundeoplevelse. Det studerer kundernes bestillingsmønster, ventetider, størrelsen på ordrer osv.
  • NETFLIX: Netflix finder ud af, hvordan man laver en film eller en serie populær blandt kunderne ved hjælp af sin data mining-indsigt.

Konklusion

Data mining bruges i forskellige applikationer såsom bank, marketing, sundhedspleje, telekomindustri og mange andre områder.

Data mining teknikker hjælper virksomheder med at få kyndig information, øge deres rentabilitet ved at foretage justeringer i processer og operationer. Det er en hurtig proces, der hjælper virksomheder med at træffe beslutninger gennem analyse af skjulte mønstre og tendenser.

Se vores kommende tutorial for at vide mere om Decision Tree Data Mining Algorithm !!

PREV-vejledning | NÆSTE vejledning

Anbefalet læsning

^