Informacinėje ekonomikoje duomenys yra klestinti valiuta. Kiekviena įmonė siekia surinkti didžiulį srautą žaliavų, iš kurių formuojami informacijos rinkimo ir analizės procesai. Tačiau visur pilna dekontekstualizuotų skaičių ir faktų, kurie neturi jokio pagrindo. Štai čia ir atsiranda duomenų gavyba.

Duomenų gavyba - tai procesų rinkinys, leidžiantis bendrovėms analizuoti dideles duomenų bazes ir taip gauti naudingų įžvalgų apie duomenis. Nors pagrindinės duomenų gavybos užduotys įvairiuose padaliniuose gali skirtis, visa ši sritis yra naudinga daugeliui verslo sektorių. Ši sparčiai populiarėjanti technologija labai išaugo ir už įmonių, kurios ją diegia savo reikmėms, ribų - konsultantai ją siūlo kaip paslaugą.

Pastaraisiais metais, natūraliai atsižvelgiant į informacinio amžiaus poreikius, buvo išplėsta jo, kaip įrankio, plėtra. Ji paplito ne tik verslo srityje, bet ir tokiose srityse kaip mokslinių duomenų gavyba mokslinių tyrimų tikslais. Apžvelkime, ką ji siūlo.

Duomenų gavyba verslo analizei

Duomenų gavybos procesai gali būti labai naudingi įvairioje verslo veikloje. Tačiau pirmiausia reikia suprasti, kad duomenų gavyba, kaip sąvoka, apima daugybę metodų. Toliau pateikiame keletą pagrindinių kategorijų ir tai, kaip įmonės jas įgyvendina.

• Klasifikacija: Kaip matyti iš pavadinimo, tai procesas, kurio metu imami duomenys ir jiems suteikiamos atskiros kategorijos tolesniam naudojimui. Pavyzdžiui, drabužių mažmenininkas gali rūšiuoti savo produktus į marškinėlius, marškinėlius, apatinius drabužius ir t. t. Tai padeda jiems daugiau sužinoti apie kiekvieną pirkėją.

• Klasterizavimas: Klasterizavimas panašus į ankstesnį metodą, tačiau kategorijos yra bendresnės. Pavyzdžiui, mažmeninės prekybos parduotuvės galėtų grupuoti savo duomenis į vyriškus ir moteriškus drabužius. Po to atliekama faktorinė ir klasterinė analizė.

• Asociacijos taisyklės: stebėjimo modeliai, pagrįsti susietais kintamaisiais. Prekybos centruose tai būtų panašu į tai, kad kas nors perka 2 maisto produktus, kurie tinka kartu, pvz., makaronus ir sūrį. Parduotuvė žinos, ką daryti su šiais produktais, sudėti juos arčiau, kartu išparduoti ir pan.

• Regresinė analizė: tai padeda atlikti statistinę analizę ir duomenų gavybos praktiką nustatant kintamuosius, kurie atsiranda kartu. Jis padeda nustatyti tikimybes, nustatyti 2 kintamųjų ryšius. Pavyzdys: jei padidėja prekės A paklausa, tai padidės ir prekės B paklausa.

• Anomalijų arba nukrypimų aptikimas: Šiame straipsnyje nagrinėjamas keistas duomenų rinkinys tarp įprastų. Neužtenka nustatyti tendenciją, reikia ištirti ir daugumos tendencijų vidurkį. Jis tiria nukrypimus ir supranta, kas juos sukėlė. Pavyzdžiui, labai padaugėjo vyrų, perkančių saldumynus, kuriuos paprastai perka moterys. Galima daryti klaidingą išvadą, kad tai lėmė besikeičianti nuolatinė tendencija, arba galima pripažinti, kad dabar vasaris ir už kampo - Valentino diena.

Duomenų gavyba ir duomenų analizė

Nors duomenų gavyba naudojama duomenų analitikoje, tai nėra tarpusavyje pakeičiamos sąvokos. Duomenų gavyba yra žingsnis prieš tai. Jos esmė - naudoti sistemą, kad duomenys taptų tinkami naudoti. Tai procesas, kurio metu imamos didžiulės neapdorotų duomenų taškų apimtys ir joms suteikiama struktūra. Duomenų analizė turi taisykles ir modelius, kuriais vadovaujasi, o duomenų gavyba (iš pradžių) tokių taisyklių ar iš anksto egzistuojančių modelių neturi.

Pavyzdžiui, socialinių tinklų duomenų gavyba ir socialinės žiniasklaidos duomenų analizė. Pirmuoju atveju duomenys renkami masiškai. Duomenys dažnai saugomi arba gaunami iš pažangių duomenų saugyklų.

Verslo žvalgyba ir prognozavimo analizė

Nors šiais laikais prognozuojamoji žiniatinklio analizė yra labai populiari, įmonės gali ją pranokti naudodamos gavybos metodą. Pavyzdžiui, įmonė galėtų sukurti geresnę internetinės mažmeninės prekybos duomenų analizę, peržiūrėdama įvairių parduotuvių pirkimo informacijos katalogus. Šią informaciją galima suskirstyti į kategorijas ir sukurti prognozuojamų duomenų rinkinį, skirtą interneto tikslinės atrankos ir klientų segmentavimo tikslais.

Prognozuojamosios duomenų analizės naudojimas klientams pritraukti nėra naujiena. Tokios institucijos kaip Sidnėjaus universitetas ją taiko įvairiais tikslais. Ji padėjo atlikti priėmimo į mokyklą procedūras ir net nustatyti studentus, turinčius dideles galimybes suteikti mokyklai dotacijas. Ir atvirkščiai, analizei gali būti naudojami iš anksto suklasifikuoti "Google" ar "Facebook" arba puslapio analizės tyrimai.

Kai kurios duomenų gavybos savybės, skiriančios ją nuo analitikos, yra šios:

• Didžiuliai nekategorizuotų duomenų kiekiai.
• Duomenų struktūros yra tokios sudėtingos, kad neįmanoma atlikti įprastinės statistinės analizės.
• Duomenys dažnai būna triukšmingi ir neišsamūs.
• Duomenų gavybos analizė yra arba prognozavimo, arba aprašomoji.

Duomenų gavybos pavyzdžiai versle

Šie procesai gali būti įvairiai pritaikomi. Duomenų gavybos ir segmentavimo metodus jau seniai taiko dešimtys įmonių. Tyrimuose aprašyti jų taikymo būdai kelių segmentų rinkodarai ir mažmeninei prekybai. Panašiai ir didelių duomenų klientų įžvalgos dažnai remiasi daugeliu čia išvardytų metodų. Labiausiai žinoma, kad tokios įmonės kaip "Cambridge Analytica" naudojo juos prieštaringai vertinamai rinkimų kampanijai.

Klasterinė rinkodaros analizė dažnai remiasi tokio pobūdžio duomenimis, o be kategorizavimo, kurį suteikia kasyba, dažnai gali būti labai sudėtinga. Kartu šie procesai sudaro įvairią pažangią rinkos segmentavimo praktiką vartotojų pusėje, kad būtų galima rasti daugiau pirkėjų. Ji gali turėti net prognozavimo gebėjimų, susijusių su klientų įsigijimo duomenų analize ir pageidaujamos elgsenos paieška.

Kasybos procedūros taip pat gali padėti suteikti formą nestruktūrizuotiems statistiniams duomenims iš greitos duomenų taškų paieškos. Renkant duomenis realiuoju laiku, į jūsų rankas gali patekti daugybė skaičių. Tačiau įprasminant dalį jų galima patobulinti vykstantį procesą.

Taip pat, sukūrę socialinės žiniasklaidos priemonėmis gaunamų duomenų klasterius, prireikus galite stebėti daugiau panašių duomenų arba atlikti prognozuojamąją analizę. Tai gali būti geriau nei gauti atsitiktinius duomenis, jei ieškote konkrečių kintamųjų, tikslinių grupių ar elgsenos.

Verslo žvalgybos testavimas - dar vienas būdas pasinaudoti šiais metodais. Duomenų analizė - tai pirmas žingsnis tikrinant hipotezes apie jūsų konkurentus ir rengiant "karo žaidimus", kad būtų galima apibrėžti geriausią praktiką prieš konkurentų veiklą arba sukurti veiksmingos pirkėjų asmenybės.

Duomenų rinkimo sprendimai

Čia pateikiamos kelios duomenų apdorojimo programos ir trumpa santrauka, kuriose srityse jos puikiai veikia:

"DataMelt" naudinga skaičiuojant skaičius. Joje yra matematikos, statistikos, skaičiavimų, duomenų analizės ir vizualizavimo programų. ELKI tuo tarpu sistema daugiau dėmesio skiria algoritmams ir siūlo puikias klasterių analizės sistemas. Be to, ELKI yra patogesnė naudoti mokslininkams, studentams ir verslo organizacijoms.

Oranžinė duomenų gavyba padeda organizacijoms atlikti paprastą duomenų analizę ir naudoti geriausią vizualizaciją bei grafiką. Puikiai tinka kurti šilumos žemėlapius, hierarchinius klasterius, sprendimų medžius. Rattle GUI dirba su statistinėmis ir vaizdinėmis duomenų santraukomis, parengia jas modeliavimui ir naudoja mašininio mokymosi operacijas informacijai pateikti.