В информационната икономика данните са процъфтяваща валута. Всяка компания се стреми да събере огромния приток от суровини, които формират процесите на събиране и анализ на информация. Деконтекстуализираните цифри и факти обаче са навсякъде, без особена логика и причина. Именно тук се намесва извличането на данни.

Извличането на данни е съвкупност от процеси, които позволяват на компаниите да анализират големи бази данни като средство за генериране на полезни прозрения за данните. Въпреки че основните задачи на извличането на данни могат да варират в различните отдели, цялата област е полезна за много сектори на бизнес. Тази бързоразвиваща се технология бележи значителен ръст и извън фирмите, които я прилагат за свои нужди, като консултантите я предлагат като услуга.

Като естествено продължение на изискванията на информационната епоха, през последните години развитието му като инструмент се разшири. Той се разпространи извън бизнеса, като откри области като извличане на научни данни за изследователски цели. Нека разгледаме какво предлага той.

Извличане на данни за бизнес анализи

Процесите на извличане на данни могат да бъдат много полезни за редица различни бизнес дейности. Въпреки това първо трябва да се разбере, че извличането на данни като концепция включва множество техники. Ето някои от основните категории и начините, по които предприятията ги прилагат.

• Класификация: Както подсказва името, това е процесът на събиране на данни и придаването им на отделни категории за по-нататъшно използване. Например, търговец на дребно с модни стоки може да сортира своите продукти в ризи, тениски, бельо и др. Това им помага да научат повече за всеки купувач.

• Създаване на клъстери: Клъстеризацията е подобна на предишната техника, но категориите са по-общи. Магазините за търговия на дребно могат да клъстеризират данните си например на мъжки и дамски дрехи. Това е последвано от факторен и клъстерен анализ.

• Правила на асоциацията: модели за проследяване въз основа на свързани променливи. За супермаркетите това би било като някой да купи 2 хранителни продукта, които вървят заедно, например макарони и сирене. Магазинът ще знае какво да прави с тези продукти, ще ги доближи, ще ги пусне в продажба заедно и т.н.

• Регресионен анализ: това подпомага статистическия анализ и практиките за извличане на данни чрез идентифициране на променливи, които се срещат заедно. Тя помага за определяне на вероятностите, за определяне на връзките между 2 променливи. Пример: ако има увеличение на търсенето на стока А, тогава ще има увеличение на търсенето на стока Б.

• Откриване на аномалии или отклонения: Тази статия разглежда странните набори от данни сред нормалните. Не е достатъчно да се определи една тенденция, а трябва да се изследва и средната стойност на повечето тенденции. Той изучава отклоненията и разбира какво ги е причинило. Например има огромно увеличение на броя на мъжете, които пазаруват сладкиши, обикновено купувани от жени. Човек може погрешно да заключи, че това е резултат от изместване на постоянна тенденция, или може да признае, че е февруари и Свети Валентин е зад ъгъла.

Извличане на данни срещу анализ на данни

Макар че извличането на данни се използва в анализа на данни, те не са взаимозаменяеми термини. Извличането на данни е стъпка преди това. Става въпрос за използване на рамка, за да се направят данните използваеми. Това е процесът на вземане на огромни масиви от необработени точки от данни и придаването им на структура. Анализът на данни има правила и модели, които следва, докато извличането на данни няма (първоначално) такива правила или предварително съществуващи модели.

Вземете за пример извличането на данни от социални мрежи спрямо анализа на данни от социални медии. В първия случай събирането на данни е масово. Данните често се съхраняват или извличат от усъвършенствани операции за съхранение на данни.

Бизнес разузнаване и предсказващ анализ

Макар че в наши дни предсказващият уеб анализ е на мода, компаниите могат да надминат тези усилия с извличане на информация. Например един бизнес може да създаде по-добри онлайн анализ на данни за търговията на дребно чрез разглеждане на каталози с информация за покупки от различни магазини. Тази информация може да бъде категоризирана, за да се създаде набор от прогнозни данни за онлайн таргетиране и клиент за целите на сегментирането.

Използването на прогнозни анализи на данни за привличане на клиенти не е нещо ново. Институции като Университета в Сидни ги използват за различни цели. Той е подпомогнал процедурите по записване и дори идентифицирането на студенти с големи шансове да предоставят дарения на училището. Обратно, при анализа може да се използват изследвания, които са предварително категоризирани от Google или Facebook или анализ на страницата.

Някои от характеристиките на извличането на данни, които го отличават от анализа, са:

• Огромни количества некатегоризирани данни.
• Структурите от данни са толкова сложни, че не е възможно да се извърши конвенционален статистически анализ.
• Данните често са шумни и непълни.
• Анализите за извличане на данни са или прогнозни, или описателни.

Примери за извличане на данни в бизнеса

Има много приложения на тези процеси. Техниките за извличане на данни и сегментиране отдавна се използват от десетки компании. Проучванията очертават техните приложения за многосегментен маркетинг и търговия на дребно. По подобен начин прозренията за клиентите, свързани с големи данни, често се основават на много от изброените тук методи. Най-известни са компании като Cambridge Analytica, които ги използваха за противоречиви предизборни кампании.

Клъстерен анализ маркетинг често разчитат на този вид данни и без категоризацията, която предоставя добивът на данни, това често може да бъде много трудно. Заедно тези процеси формират набор от усъвършенствани практики за сегментиране на пазара от страна на потребителите, за да се намерят повече купувачи. Тя може да има дори прогнозни способности по отношение на анализа на данните за придобиване на клиенти и намиране на желано поведение.

Процедурите за извличане на данни могат също така да помогнат за придаване на форма на неструктурирани статистически данни чрез бързо извличане на данни. Събирането на данни в реално време може да даде много цифри в ръцете ви. Осмислянето на част от тях обаче може да усъвършенства процеса в процеса на работа.

По същия начин създаването на клъстери за данните, които получавате чрез социалните медии, може да ви помогне да проследите повече подобни данни, ако е необходимо, или да позволи прогнозни анализи. Това може да бъде за предпочитане пред получаването на случайни данни, ако търсите специфични променливи, целеви групи или поведение.

Тестването на бизнес разузнаването е друг начин за използване на тези методи. Извличането на данни е първата стъпка към тестване на хипотези за конкуренцията и създаване на "военни игри" за определяне на най-добрите практики срещу дейността на конкурентите или създаване ефективни личности на купувачите.

Решения за събиране на данни

Ето някои програми за обработка на данни и кратко обобщение на областите, в които те се отличават:

DataMelt е полезен за пресмятане на числа. Той предлага програми за математика, статистика, изчисления, анализ на данни и визуализация. ELKI В същото време рамката се фокусира повече върху алгоритмите, като предлага чудесни системи за клъстерен анализ. ELKI също така е по-удобен за използване от изследователи, студенти и бизнес организации.

Извличане на данни от Orange помага на организациите да правят прости анализи на данни и да използват най-добрите визуализации и графики. Чудесно за създаване на топлинни карти, йерархични клъстери, дървета на решенията. Графичен интерфейс на Rattle работи върху статистически и визуални обобщения на данни, подготвя ги за моделиране и след това използва операции за машинно обучение, за да представи информацията.