Menu

Przykłady eksploracji danych: najczęstsze zastosowania eksploracji danych 2021

  • Główny
  • Inny
  • Przykłady eksploracji danych: najczęstsze zastosowania eksploracji danych 2021

data mining examples

Wypróbuj Nasz Instrument Do Eliminowania Problemów

Ten samouczek obejmuje najpopularniejsze przykłady wyszukiwania danych w prawdziwym życiu. Dowiedz się o aplikacji Data Mining w finansach, marketingu, opiece zdrowotnej i CRM:

W tym Bezpłatne serie szkoleń dotyczących eksploracji danych , przyjrzeliśmy się plikowi Proces wyszukiwania danych w naszym poprzednim samouczku. Data Mining, znane również jako Knowledge Discovery in Databases (KDD), to proces wykrywania wzorców w dużym zestawie danych i hurtowni danych.

Różne techniki, takie jak analiza regresji, asocjacja i grupowanie, klasyfikacja i analiza wartości odstających są stosowane do danych w celu zidentyfikowania użytecznych wyników. Techniki te wykorzystują oprogramowanie i algorytmy zaplecza, które analizują dane i pokazują wzorce.

jak otworzyć plik xml w programie Word

Niektóre z dobrze znanych metod eksploracji danych to analiza drzew decyzyjnych, analiza twierdzeń Bayesa, częste eksploracja zestawów elementów itp. Rynek oprogramowania ma wiele otwartych i płatnych narzędzi do eksploracji danych, takich jak Weka, Rapid Miner i Narzędzia do eksploracji danych Orange.

Przykłady eksploracji danych

Proces eksploracji danych rozpoczyna się od podania określonych danych wejściowych do narzędzi eksploracji danych, które wykorzystują statystyki i algorytmy do wyświetlania raportów i wzorców. Wyniki można wizualizować za pomocą tych narzędzi, które można zrozumieć i zastosować w celu przeprowadzenia modyfikacji i ulepszeń biznesowych.

Eksploracja danych jest szeroko wykorzystywana przez organizacje do budowania strategii marketingowej, przez szpitale w zakresie narzędzi diagnostycznych, przez eCommerce do sprzedaży krzyżowej produktów za pośrednictwem witryn internetowych i na wiele innych sposobów.

Niektóre przykłady eksploracji danych podano poniżej w celach informacyjnych.

Czego się nauczysz:

Przykłady eksploracji danych w prawdziwym życiu

Znaczenie eksploracji i analizy danych rośnie z dnia na dzień w naszym prawdziwym życiu. Obecnie większość organizacji wykorzystuje eksplorację danych do analizy Big Data.

Zobaczmy, jakie korzyści przyniosą nam te technologie.

# 1) Dostawcy usług mobilnych

Dostawcy usług mobilnych wykorzystują eksplorację danych do projektowania swoich kampanii marketingowych i powstrzymywania klientów przed przenoszeniem się do innych dostawców.

Z dużej ilości danych, takich jak informacje rozliczeniowe, wiadomości e-mail, wiadomości tekstowe, transmisje danych internetowych i obsługa klienta, narzędzia do eksploracji danych mogą przewidywać „rezygnację”, która informuje klientów, którzy chcą zmienić dostawców.

Z tymi wynikami podawany jest wynik prawdopodobieństwa. Dostawcy usług telefonii komórkowej mogą wtedy oferować zachęty, oferty klientom, którzy są bardziej narażeni na odejście. Ten rodzaj wydobycia jest często stosowany przez głównych dostawców usług, takich jak dostawcy usług szerokopasmowych, telefonicznych, gazu itp.

Eksploracja danych u dostawców usług mobilnych

(wizerunek źródło )

# 2) Sektor detaliczny

Data Mining pomaga właścicielom supermarketów i handlu detalicznego poznać wybory klientów. Patrząc na historię zakupów klientów, narzędzia do eksploracji danych pokazują preferencje zakupowe klientów.

Korzystając z tych wyników, supermarkety projektują rozmieszczenie produktów na półkach i przedstawiają oferty, takie jak kupony na pasujące produkty i specjalne rabaty na niektóre produkty.

Kampanie te są oparte na grupowaniu RFM. RFM oznacza aktualność, częstotliwość i grupowanie pieniężne. Promocje i kampanie marketingowe są dostosowane do tych segmentów. Klient, który wydaje dużo, ale bardzo rzadziej, będzie traktowany inaczej niż klient, który kupuje co 2-3 dni, ale za mniejszą kwotę.

Data Mining może być używany do rekomendowania produktów i porównywania pozycji.

Eksploracja danych w sektorze detalicznym z różnych źródeł danych.

Eksploracja danych w handlu detalicznym

(wizerunek źródło )

# 3) Sztuczna inteligencja

System jest sztucznie inteligentny, zasilając go odpowiednimi wzorami. Te wzorce pochodzą z wyników wyszukiwania danych. Wyniki sztucznie inteligentnych systemów są również analizowane pod kątem ich znaczenia przy użyciu technik eksploracji danych.

Systemy rekomendujące wykorzystują techniki eksploracji danych do wydawania spersonalizowanych zaleceń, gdy klient wchodzi w interakcję z maszynami. Sztuczna inteligencja jest wykorzystywana do wydobywania danych, takich jak wydawanie rekomendacji produktów na podstawie historii zakupów klienta w Amazon.

4) E-commerce

Wiele witryn handlu elektronicznego wykorzystuje eksplorację danych do oferowania sprzedaży krzyżowej i dosprzedaży swoich produktów. Witryny handlowe, takie jak Amazon, Flipkart, pokazują klientom, którzy wchodzą w interakcję z witryną, „Również oglądane”, „Często kupowane razem”.

Zalecenia te są dostarczane za pomocą eksploracji danych z historii zakupów klientów witryny.

# 5) Nauka i inżynieria

Wraz z pojawieniem się eksploracji danych, aplikacje naukowe przechodzą obecnie od technik statystycznych do technik „zbierania i przechowywania danych”, a następnie do eksploracji nowych danych, generowania nowych wyników i eksperymentowania z tym procesem. Ogromna ilość danych jest gromadzona z dziedzin naukowych, takich jak astronomia, geologia, czujniki satelitarne, globalny system pozycjonowania itp.

Eksploracja danych w informatyce pomaga monitorować stan systemu, poprawiać jego wydajność, znajdować błędy oprogramowania, wykrywać plagiat i znajdować usterki. Eksploracja danych pomaga również w analizowaniu opinii użytkowników na temat produktów, artykułów, aby wydedukować opinie i uczucia poglądów.

# 6) Zapobieganie przestępczości

Data Mining wykrywa wartości odstające w ogromnej ilości danych. Dane karne zawierają wszystkie szczegóły popełnionego przestępstwa. Data Mining będzie badać wzorce i trendy oraz przewidywać przyszłe wydarzenia z większą dokładnością.

Agencje mogą dowiedzieć się, który obszar jest bardziej narażony na przestępczość, ilu funkcjonariuszy policji należy rozmieścić, do której grupy wiekowej należy objąć celem, numery pojazdów do zbadania itp.

# 7) Badania

Naukowcy wykorzystują narzędzia Data Mining do zbadania powiązań między badanymi parametrami, takimi jak warunki środowiskowe, takie jak zanieczyszczenie powietrza, a rozprzestrzenianiem się chorób, takich jak astma, wśród ludzi w wybranych regionach.

# 8) Rolnictwo

Rolnicy używają Data Mining, aby dowiedzieć się o plonie warzyw wraz z ilością wody wymaganej przez rośliny.

# 9) Automatyzacja

Wykorzystując eksplorację danych, systemy komputerowe uczą się rozpoznawać wzorce wśród porównywanych parametrów. System będzie przechowywał wzorce, które będą przydatne w przyszłości do osiągania celów biznesowych. Ta nauka jest automatyzacją, ponieważ pomaga w osiągnięciu celów poprzez uczenie maszynowe.

# 10) Dynamiczne ceny

Eksploracja danych pomaga dostawcom usług, takim jak taksówki, dynamicznie obciążać klientów na podstawie popytu i podaży. To jeden z kluczowych czynników sukcesu firm.

# 11) Transport

Data Mining pomaga w planowaniu przemieszczania pojazdów z magazynów do punktów sprzedaży i analizowaniu wzorców załadunku produktów.

# 12) Ubezpieczenie

Metody eksploracji danych pomagają prognozować klientów kupujących polisy, analizować wspólnie wykorzystywane roszczenia medyczne, wykrywać nieuczciwe zachowania i ryzykownych klientów.

Przykłady eksploracji danych w finansach

Przykłady eksploracji danych w finansach

( wizerunek źródło )

Sektor finansowy obejmuje banki, firmy ubezpieczeniowe i firmy inwestycyjne. Instytucje te gromadzą ogromne ilości danych. Dane są często kompletne, wiarygodne i wysokiej jakości oraz wymagają systematycznej analizy danych.

Do przechowywania danych finansowych budowane są hurtownie danych przechowujące dane w postaci kostek danych. Do analizy tych danych wykorzystywane są zaawansowane koncepcje kostek danych. Metody eksploracji danych, takie jak grupowanie i analiza wartości odstających, charakterystyka są wykorzystywane w analizie i eksploracji danych finansowych.

Poniżej podano niektóre przypadki w finansach, w których wykorzystuje się eksplorację danych.

1) Przewidywanie spłaty pożyczki

Metody eksploracji danych, takie jak wybór atrybutów i ranking atrybutów, będą analizować historię płatności klientów i wybierać ważne czynniki, takie jak wskaźnik płatności do dochodu, historia kredytowa, okres kredytowania itp. Wyniki pomogą bankom w podjęciu decyzji o polityce przyznawania kredytu, oraz udzielają również pożyczek klientom zgodnie z analizą czynnikową.

# 2) Marketing ukierunkowany

Klastry i metody eksploracji danych klasyfikacyjnych pomogą w znalezieniu czynników, które wpływają na decyzje klienta dotyczące bankowości. Identyfikacja podobnych behawioralnych klientów ułatwi ukierunkowany marketing.

# 3) Wykrywaj przestępstwa finansowe

Dane bankowe pochodzą z wielu różnych źródeł, różnych miast i różnych lokalizacji banków. Do badania i wykrywania nietypowych trendów, takich jak transakcje o dużej wartości, wdrażanych jest wiele narzędzi do analizy danych. Narzędzia do wizualizacji danych, narzędzia do analizy wartości odstających, narzędzia do tworzenia klastrów itp. Służą do identyfikowania relacji i wzorców działania.

Poniższy rysunek to badanie firmy Infosys pokazujące chęć klienta do korzystania z systemu bankowego online w różnych krajach. Infosys wykorzystał do tego badania Big Data Analytics.

badanie z Infosys

(wizerunek źródło )

Zastosowania eksploracji danych w marketingu

Eksploracja danych wzmacnia strategię marketingową firmy i promuje biznes. To jeden z kluczowych czynników sukcesu firm. Gromadzone są ogromne ilości danych o sprzedaży, zakupach klientów, zużyciu itp. Dane te rosną z dnia na dzień dzięki e-commerce.

Eksploracja danych pomaga zidentyfikować zachowania zakupowe klientów, poprawić obsługę klienta, skupić się na utrzymaniu klienta, zwiększyć sprzedaż i obniżyć koszty działalności.

Oto kilka przykładów eksploracji danych w marketingu:

1) Rynek prognoz

Aby przewidzieć rynek, specjaliści od marketingu wykorzystają techniki eksploracji danych, takie jak regresja do badania zachowań klientów, zmian i nawyków, reakcji klientów i innych czynników, takich jak budżet marketingowy, inne ponoszone koszty itp. W przyszłości profesjonalistom będzie łatwiej. przewidywać klientów w przypadku zmian czynników.

# 2) Wykrywanie anomalii

Techniki eksploracji danych są wdrażane w celu wykrywania wszelkich nieprawidłowości w danych, które mogą powodować wszelkiego rodzaju błędy w systemie. System przeskanuje tysiące złożonych wpisów w celu wykonania tej operacji.

# 3) Bezpieczeństwo systemu

Narzędzia Data Mining wykrywają włamania, które mogą zaszkodzić bazie danych, zapewniając większe bezpieczeństwo całego systemu. Te włamania mogą mieć postać zduplikowanych wpisów, wirusów w postaci danych przez hakerów itp.

przykłady drzew decyzyjnych w eksploracji danych

Przykłady zastosowań eksploracji danych w opiece zdrowotnej

Przykład wyszukiwania danych w opiece zdrowotnej

(wizerunek źródło )

W służbie zdrowia eksploracja danych staje się coraz bardziej popularna i niezbędna.

Dane generowane przez opiekę zdrowotną są złożone i obszerne. Aby uniknąć oszustw i nadużyć medycznych, narzędzia do eksploracji danych służą do wykrywania fałszywych przedmiotów, a tym samym do zapobiegania stratom.

Niektóre przykłady eksploracji danych z branży opieki zdrowotnej podano poniżej w celach informacyjnych.

1) Zarządzanie opieką zdrowotną

Metoda eksploracji danych służy do identyfikowania chorób przewlekłych, śledzenia regionów wysokiego ryzyka podatnych na rozprzestrzenianie się chorób, projektowania programów ograniczających rozprzestrzenianie się chorób. Pracownicy służby zdrowia przeanalizują choroby, regiony pacjentów z maksymalną liczbą przyjęć do szpitala.

Na podstawie tych danych opracują kampanie dla regionu, aby uświadomić ludziom chorobę i zobaczyć, jak jej uniknąć. Zmniejszy to liczbę pacjentów przyjmowanych do szpitali.

# 2) Skuteczne zabiegi

Wykorzystując eksplorację danych, można ulepszyć zabiegi. Dzięki ciągłemu porównywaniu objawów, przyczyn i leków można przeprowadzić analizę danych w celu opracowania skutecznych metod leczenia. Eksploracja danych jest również wykorzystywana do leczenia określonych chorób i kojarzenia skutków ubocznych leczenia.

# 3) Fałszywe i obraźliwe dane

Aplikacje do eksploracji danych służą do znajdowania nietypowych wzorców, takich jak wyniki laboratoryjne, wyniki lekarskie, nieodpowiednie recepty i oszukańcze roszczenia medyczne.

Systemy wyszukiwania i rekomendowania danych

Systemy rekomendujące dają klientom rekomendacje produktów, które mogą być interesujące dla użytkowników.

Zalecane produkty są albo podobne do artykułów, o które prosił użytkownik w przeszłości, albo patrząc na inne preferencje klientów, które mają podobny gust jak użytkownik. To podejście nazywa się podejściem opartym na treści i odpowiednio podejściem opartym na współpracy.

Wiele technik, takich jak wyszukiwanie informacji, statystyki, uczenie maszynowe itp., Jest używanych w systemach rekomendujących.

Systemy rekomendujące wyszukują słowa kluczowe, profile użytkowników, transakcje użytkowników, wspólne cechy pozycji w celu oszacowania pozycji dla użytkownika. Systemy te znajdują również innych użytkowników, którzy mają podobną historię zakupów, i przewidują przedmioty, które ci użytkownicy mogliby kupić.

W tym podejściu jest wiele wyzwań. System rekomendacji musi przeszukiwać miliony danych w czasie rzeczywistym.

Istnieją dwa rodzaje błędów popełnianych przez systemy polecające:

Fałszywe negatywy i fałszywe pozytywy.

Fałszywe negatywy to produkty, które nie były rekomendowane przez system, ale klient by ich chciał. Wynik fałszywie pozytywny to produkty, które były rekomendowane przez system, ale nie były pożądane przez klienta. Kolejnym wyzwaniem jest rekomendacja dla nowych użytkowników bez historii zakupów.

Technika inteligentnego odpowiadania na zapytania służy do analizowania zapytania i dostarczania uogólnionych, powiązanych informacji istotnych dla zapytania. Na przykład: Wyświetlenie recenzji restauracji zamiast tylko adresu i numeru telefonu wyszukiwanej restauracji.

Eksploracja danych dla CRM (zarządzanie relacjami z klientami)

Zarządzanie relacjami z klientami można wzmocnić eksploracją danych. Dobre relacje z klientami można budować poprzez przyciąganie bardziej odpowiednich klientów, lepszą sprzedaż krzyżową i wyższą oraz lepsze utrzymanie.

Data Mining może ulepszyć CRM poprzez:

  1. Eksploracja danych może pomóc firmom w tworzeniu programów ukierunkowanych na szybszą reakcję i lepszy zwrot z inwestycji.
  2. Firmy mogą oferować więcej produktów i usług zgodnie z życzeniem klientów poprzez sprzedaż dosprzedażną i krzyżową, zwiększając tym samym satysfakcję klientów.
  3. Dzięki eksploracji danych firma może wykryć, którzy klienci szukają innych opcji. Korzystając z tych informacji, firmy mogą budować pomysły, aby powstrzymać klienta przed odejściem.

Data Mining pomaga CRM w:

  1. Marketing baz danych: Oprogramowanie marketingowe umożliwia firmom wysyłanie wiadomości i e-maili do klientów. To narzędzie wraz z eksploracją danych umożliwia ukierunkowany marketing. Dzięki eksploracji danych można wykonywać automatyzację i planowanie zadań. Pomaga w lepszym podejmowaniu decyzji. Pomoże też w technicznych decyzjach, jacy klienci są zainteresowani nowym produktem, jaki obszar rynku jest dobry do wprowadzenia produktu na rynek.
  2. Kampania pozyskiwania klientów: Dzięki eksploracji danych specjalista rynkowy będzie w stanie zidentyfikować potencjalnych klientów, którzy nie są świadomi produktów lub nowych nabywców. Będą mogli projektować oferty i inicjatywy dla takich klientów.
  3. Optymalizacja kampanii: Firmy wykorzystują eksplorację danych dla skuteczności kampanii. Może modelować reakcje klientów na oferty marketingowe.

Eksploracja danych na przykładzie drzewa decyzyjnego

Algorytmy drzew decyzyjnych nazywane są CART (Drzewa Klasyfikacyjne i Regresyjne). Jest to metoda nauki nadzorowanej. Struktura drzewa jest zbudowana na podstawie wybranych cech, warunków podziału i tego, kiedy przestać. Drzewa decyzyjne służą do przewidywania wartości zmiennych klas na podstawie uczenia się na podstawie poprzednich danych szkoleniowych.

Węzeł wewnętrzny reprezentuje atrybut, a węzeł liścia reprezentuje etykietę klasy.

Eksploracja danych przy użyciu przykładu drzewa decyzyjnego

(wizerunek źródło )

Poniższe kroki służą do tworzenia struktury drzewa decyzyjnego:

  1. Umieść najlepszy atrybut na szczycie drzewa (korzeń).
  2. Podzbiory są tworzone w taki sposób, że każdy podzbiór reprezentuje dane o tej samej wartości atrybutu.
  3. Powtórz te same kroki, aby znaleźć węzły liściowe wszystkich gałęzi.

Aby przewidzieć etykietę klasy, atrybut rekordu jest porównywany z korzeniem drzewa. Porównując, wybierana jest następna gałąź. Węzły wewnętrzne są również porównywane w ten sam sposób, dopóki osiągnięty węzeł liścia nie przewiduje zmiennej klasy.

Niektóre algorytmy używane do indukcji drzew decyzyjnych to Algorytm Hunta, CART, ID3, C4.5, SLIQ i SPRINT.

Najpopularniejszy przykład eksploracji danych: marketing i sprzedaż

Marketing i sprzedaż to dziedziny, w których firmy mają duże ilości danych.

# 1) Banki są pierwszymi użytkownikami technologii data mining, która pomaga im w ocenie zdolności kredytowej. Eksploracja danych analizuje, z jakich usług bankowych korzystają klienci, jacy klienci korzystają z kart bankomatowych i co najczęściej kupują za pomocą swoich kart (do sprzedaży krzyżowej).

Banki wykorzystują eksplorację danych do analizy transakcji, które klient robi, zanim zdecyduje się na zmianę banku w celu zmniejszenia utraty klientów. Ponadto niektóre wartości odstające w transakcjach są analizowane pod kątem wykrywania oszustw.

# 2) Telefon komórkowy Firmy używaj technik eksploracji danych, aby uniknąć utraty danych. Odejście to miara pokazująca liczbę klientów opuszczających usługi. Wykrywa wzorce, które pokazują, w jaki sposób klienci mogą skorzystać z usług, aby zatrzymać klientów.

# 3) Analiza koszyka rynkowego to technika znajdowania grup przedmiotów, które są kupowane razem w sklepach. Analiza transakcji pokazuje wzorce, takie jak to, które rzeczy są często kupowane razem, jak chleb i masło, lub które produkty mają większą sprzedaż w określone dni, np. Piwo w piątki.

Informacje te pomagają w planowaniu układu sklepu, oferowaniu specjalnych rabatów na produkty, na które jest mniejszy popyt, tworzeniu ofert typu „kup 2 dostaniesz 1 gratis” lub „uzyskaj 50% przy drugim zakupie” itp.

Analiza koszyka rynkowego

(wizerunek źródło )

Duże firmy wykorzystujące eksplorację danych

Niektóre firmy internetowe korzystające z technik eksploracji danych podano poniżej:

  • AMAZONKA: Amazon wykorzystuje Text Mining, aby znaleźć najniższą cenę produktu.
  • MC Donald’s: McDonald's wykorzystuje eksplorację dużych zbiorów danych, aby poprawić jakość obsługi klienta. Bada schemat zamawiania klientów, czas oczekiwania, wielkość zamówień itp.
  • NETFLIX: Netflix dowiaduje się, jak sprawić, by film lub serial stał się popularny wśród klientów, korzystając ze swoich spostrzeżeń dotyczących eksploracji danych.

Wniosek

Eksploracja danych jest wykorzystywana w różnych zastosowaniach, takich jak bankowość, marketing, opieka zdrowotna, branża telekomunikacyjna i wiele innych.

Techniki eksploracji danych pomagają firmom w zdobywaniu wiedzy, zwiększaniu rentowności poprzez wprowadzanie korekt w procesach i operacjach. Jest to szybki proces, który pomaga biznesowi w podejmowaniu decyzji poprzez analizę ukrytych wzorców i trendów.

Sprawdź nasz nadchodzący samouczek, aby dowiedzieć się więcej o algorytmie wyszukiwania danych drzewa decyzyjnego !!

POPRZEDNIA samouczek | NEXT Tutorial

rekomendowane lektury

^