In de informatie-economie zijn gegevens een bloeiende valuta. Elk bedrijf is op zoek naar de massale toevloed van ruw materiaal die hun informatieverzamelings- en analyseprocessen vormen. Echter, decontextuele getallen en feiten zijn overal zonder rijm of reden. Dit is waar datamining om de hoek komt kijken.

Datamining is een reeks processen die bedrijven in staat stelt om grote databases te analyseren om zo bruikbare inzichten te genereren. Hoewel basistaken op het gebied van datamining kunnen variëren tussen verschillende afdelingen, is het hele gebied nuttig voor veel sectoren van bedrijf. Deze snelgroeiende technologie heeft ook een grote groei doorgemaakt buiten de bedrijven die het voor hun eigen gebruik implementeren, met consultants die het aanbieden als een service.

Als natuurlijk verlengstuk van de eisen van het informatietijdperk is de ontwikkeling als hulpmiddel de laatste jaren sterk toegenomen. Het heeft zich ook buiten het bedrijfsleven verspreid, waardoor gebieden zoals wetenschappelijke datamining voor onderzoeksdoeleinden zijn opengegaan. Laten we eens kijken naar wat het te bieden heeft.

Gegevensverwerking voor bedrijfsanalyse

Dataminingprocessen kunnen zeer nuttig zijn voor een reeks verschillende bedrijfsactiviteiten. Men moet echter eerst begrijpen dat datamining als concept meerdere technieken in zich heeft. Hier volgen enkele van de hoofdcategorieën en hoe bedrijven ze implementeren.

• Classificatie: Zoals de naam al doet vermoeden, is dit het proces waarbij gegevens in verschillende categorieën worden ingedeeld voor verder gebruik. Een detailhandelaar in mode kan bijvoorbeeld zijn producten in overhemden, T-shirts, ondergoed enz. Zo komen ze meer te weten over elke koper.

• Clustering: Clusteren is vergelijkbaar met de vorige techniek, maar de categorieën zijn algemener. Winkels zouden hun gegevens bijvoorbeeld kunnen clusteren in mannen- en vrouwenkleding. Dit wordt gevolgd door factor- en clusteranalyse.

• Verenigingsregels: patronen volgen op basis van gekoppelde variabelen. Voor supermarkten zou dit zijn alsof iemand 2 voedingsmiddelen koopt die bij elkaar passen, bijv. macaroni en kaas. De winkel weet wat hij met deze artikelen moet doen, zet ze dichter bij elkaar, zet ze samen in de uitverkoop enz.

• RegressieanalyseDit helpt bij statistische analyse en datamining door variabelen te identificeren die samen voorkomen. Het helpt bij het vaststellen van waarschijnlijkheden en het bepalen van relaties tussen 2 variabelen. Voorbeeld: als er een toename is in de vraag naar goed A, dan zal er ook een toename zijn in de vraag naar goed B.

• Detectie van afwijkingen of uitschieters: Deze kijkt naar de vreemde dataset onder de norm. Het is niet genoeg om een trend te identificeren, maar je moet ook het gemiddelde van de meeste trends onderzoeken. Het bestudeert uitschieters en begrijpt wat de oorzaak daarvan is. Er is bijvoorbeeld een enorme toename van mannen die snoep kopen dat normaal door vrouwen wordt gekocht. Men kan ten onrechte concluderen dat dit het gevolg was van een verschuivende permanente trend of men kan erkennen dat het februari is en Valentijnsdag om de hoek staat.

Gegevensverwerking versus gegevensanalyse

Hoewel datamining wordt gebruikt in data analytics, zijn het geen uitwisselbare termen. Datamining is een stap eerder. Het gaat om het gebruik van een raamwerk om gegevens bruikbaar te maken. Het is het proces waarbij enorme hoeveelheden ruwe gegevenspunten worden genomen en een structuur krijgen. Data analytics heeft regels en patronen die het volgt, terwijl mining (in eerste instantie) dergelijke regels of reeds bestaande patronen niet heeft.

Neem bijvoorbeeld datamining van sociale netwerken versus data-analyse van sociale media. In het eerste geval worden gegevens massaal verzameld. Gegevens worden vaak opgeslagen in of opgehaald uit geavanceerde datawarehousing.

Bedrijfsinformatie en voorspellende analyses

Hoewel voorspellende webanalyse tegenwoordig een rage is, kunnen bedrijven deze inspanningen overtreffen met mining. Een bedrijf kan bijvoorbeeld betere online analytics van detailhandelsgegevens door catalogi met aankoopinformatie van verschillende winkels te bekijken. Deze informatie kan worden gecategoriseerd om een voorspellende gegevensset te maken voor online targeting en klant segmentatiedoeleinden.

Het gebruik van voorspellende gegevensanalyse voor klantenwerving is niets nieuws. Instellingen zoals de Universiteit van Sydney gebruiken ze al voor verschillende doeleinden. Het heeft geholpen bij inschrijvingsprocedures en zelfs bij het identificeren van studenten met een hoge kans op het verstrekken van schenkingen aan de school. Omgekeerd kan een analyse gebruikmaken van onderzoek dat vooraf is gecategoriseerd uit Google of Facebook of on-page analytics.

Enkele kenmerken van datamining die het onderscheiden van analytics zijn:

• Enorme hoeveelheden ongecategoriseerde gegevens.
• Gegevensstructuren zijn zo complex dat conventionele statistische analyse niet mogelijk is
• De gegevens zijn vaak lawaaierig en onvolledig.
• Datamininganalyses zijn voorspellend of beschrijvend.

Voorbeelden van datamining in het bedrijfsleven

Er zijn veel toepassingen van deze processen. Datamining- en segmentatietechnieken worden al lang toegepast door tientallen bedrijven. Studies hebben hun toepassingen beschreven voor marketing en detailhandel in meerdere segmenten. Ook inzichten in klanten op basis van big data zijn vaak gebaseerd op veel van de hier genoemde methoden. Bedrijven als Cambridge Analytica hebben dit het meest gebruikt voor controversiële verkiezingscampagnes.

Clusteranalyse marketing is vaak afhankelijk van dit soort gegevens en zonder de categorisatie die mining biedt, kan het vaak erg moeilijk zijn. Samen vormen deze processen een reeks geavanceerde marktsegmentatiepraktijken aan de consumentenkant om meer kopers te vinden. Het kan zelfs voorspellend werken in termen van gegevensanalyse voor klantenwerving en vinden gewenst gedrag.

Miningprocedures kunnen ook helpen bij het vormgeven van ongestructureerde statistieken door het snel ophalen van gegevenspunten. Real-time gegevensverzameling kan een heleboel cijfers in uw handen leggen. Door er echter een deel van te begrijpen, kan het proces worden verfijnd terwijl het plaatsvindt.

In dezelfde geest kan het maken van clusters voor gegevens die je ontvangt via sociale media je dan helpen om meer van soortgelijke gegevens op te sporen als dat nodig is of voorspellende analyses mogelijk maken. Dit kan te verkiezen zijn boven het ontvangen van willekeurige gegevens als je op zoek bent naar specifieke variabelen, doelgroepen of gedragingen.

Het testen van bedrijfsinformatie is een andere manier om gebruik te maken van deze methoden. Datamining is de eerste stap naar het testen van hypotheses over je concurrentie en het opzetten van "oorlogsspelletjes" om best practices te definiëren tegen activiteiten van concurrenten of het creëren van effectieve koperpersona's.

Oplossingen voor gegevensverzameling

Hier zijn enkele programma's voor gegevensverwerking en een korte samenvatting van de gebieden waarin ze uitblinken:

DataMelt is handig voor het kraken van getallen. Het biedt programma's voor wiskunde, statistiek, berekeningen, gegevensanalyse en visualisatie. ELKI framework richt zich meer op algoritmen en biedt geweldige systemen voor clusteranalyse. ELKI is ook gebruiksvriendelijker voor onderzoekers, studenten en bedrijfsorganisaties.

Oranje datamining Helpt organisaties eenvoudige gegevensanalyses uit te voeren en topvisualisatie en grafieken te gebruiken. Zeer geschikt voor het maken van heat maps, hiërarchische clustering, beslisbomen. Rattle GUI werkt aan statistische en visuele samenvattingen van gegevens, bereidt deze voor op modellering en gebruikt vervolgens machine learning-bewerkingen om de informatie te presenteren.