Landasan revolusi industri keempat akan sangat bergantung pada Data dan Konektivitas. Layanan Analisis mampu mengembangkan atau menciptakan solusi penambangan data akan memainkan peran kunci dalam hal ini. Ini dapat membantu dalam menganalisis dan memprediksi hasil perilaku pembelian pelanggan untuk menargetkan pembeli potensial. Data akan menjadi sumber daya alam baru dan proses penggalian informasi yang relevan dari data yang tidak disortir ini akan dianggap sangat penting. Dengan demikian, pemahaman yang tepat tentang istilah - Pertambangan Data, proses, dan aplikasinya dapat membantu kami dalam mengembangkan pendekatan holistik tentang kata kunci ini.
Dasar-Dasar Penambangan Data dan Tekniknya
Penambangan data, juga dikenal sebagai Penemuan Pengetahuan dalam Data (KDD) adalah tentang mencari toko besar data untuk mengungkap pola dan tren yang melampaui analisis sederhana. Ini, bagaimanapun, bukanlah solusi satu langkah tetapi proses multi-langkah dan selesai dalam berbagai tahap. Ini termasuk:
1] Pengumpulan dan Persiapan Data
Dimulai dengan pengumpulan data dan organisasi yang tepat. Ini membantu meningkatkan secara signifikan peluang menemukan informasi yang dapat ditemukan melalui penambangan data
2] Pengembangan Model dan Evaluasi
Langkah kedua dalam proses penambangan data adalah penerapan berbagai teknik pemodelan. Ini digunakan untuk mengkalibrasi parameter ke nilai optimal. Teknik yang digunakan sangat tergantung pada kemampuan analitik yang diperlukan untuk mengatasi keseluruhan kebutuhan organisasi dan untuk sampai pada suatu keputusan.
Mari kita periksa beberapa teknik penambangan data secara singkat. Ditemukan bahwa sebagian besar organisasi menggabungkan dua atau lebih teknik penambangan data bersama-sama untuk membentuk proses yang sesuai yang memenuhi persyaratan bisnis mereka.
Baca baca: Apa itu Data Besar?
Teknik Penambangan Data
- Asosiasi - Asosiasi adalah salah satu teknik penambangan data yang banyak dikenal. Di bawah ini, pola diuraikan berdasarkan hubungan antara item dalam transaksi yang sama. Oleh karena itu, juga dikenal sebagai teknik relasi. Pengecer merek besar mengandalkan teknik ini untuk meneliti kebiasaan / preferensi pembelian pelanggan. Misalnya, ketika melacak kebiasaan membeli orang, pengecer mungkin mengidentifikasi bahwa pelanggan selalu membeli krim ketika mereka membeli cokelat, dan karena itu menyarankan bahwa saat berikutnya mereka membeli cokelat, mereka juga mungkin ingin membeli krim.
- Klasifikasi - Teknik penambangan data ini berbeda dari yang di atas dengan cara yang didasarkan pada pembelajaran mesin dan menggunakan teknik matematika seperti Linear programming, Decision trees, Neural network. Dalam klasifikasi, perusahaan mencoba membangun perangkat lunak yang dapat mempelajari cara mengklasifikasikan item data ke dalam kelompok. Misalnya, sebuah perusahaan dapat menentukan klasifikasi dalam aplikasi yang "mengingat semua catatan karyawan yang menawarkan untuk mengundurkan diri dari perusahaan, memprediksi jumlah individu yang kemungkinan akan mengundurkan diri dari perusahaan di masa depan." Di bawah skenario seperti itu, perusahaan dapat mengklasifikasikan catatan karyawan ke dalam dua kelompok yaitu "pergi" dan "tetap". Ia kemudian dapat menggunakan perangkat lunak penambangan data untuk mengklasifikasikan karyawan ke dalam kelompok terpisah yang dibuat sebelumnya.
- Clustering - Berbagai objek yang menunjukkan karakteristik serupa dikelompokkan bersama dalam satu kelompok melalui otomatisasi. Banyak gugus seperti itu dibuat sebagai kelas dan objek (dengan karakteristik serupa) ditempatkan di dalamnya. Untuk memahami hal ini dengan lebih baik, mari kita pertimbangkan contoh pengelolaan buku di perpustakaan. Di sebuah perpustakaan, koleksi buku-buku yang luas sepenuhnya dikatalogkan. Item dengan tipe yang sama didaftar bersama. Ini memudahkan kami untuk menemukan buku yang menarik bagi kami. Demikian pula, dengan menggunakan teknik pengelompokan, kita dapat menyimpan buku-buku yang memiliki beberapa jenis kesamaan dalam satu kelompok dan menetapkannya sebagai nama yang cocok. Jadi, jika seorang pembaca ingin mengambil buku yang relevan dengan minatnya, dia hanya harus pergi ke rak itu daripada mencari seluruh perpustakaan. Dengan demikian, teknik pengelompokan mendefinisikan kelas dan menempatkan objek di setiap kelas, sementara dalam teknik klasifikasi, objek ditugaskan ke dalam kelas yang telah ditetapkan.
- Ramalan - Prediksi ini adalah teknik penambangan data yang sering digunakan dalam kombinasi dengan teknik penambangan data lainnya. Ini melibatkan analisis tren, klasifikasi, pencocokan pola, dan relasi. Dengan menganalisis peristiwa atau kejadian masa lalu dalam urutan yang tepat, seseorang dapat dengan aman memprediksi kejadian di masa depan. Misalnya, teknik analisis prediksi dapat digunakan dalam penjualan untuk memprediksi laba masa depan jika penjualan dipilih sebagai variabel independen dan laba sebagai variabel yang tergantung pada penjualan. Kemudian, berdasarkan data penjualan dan laba historis, seseorang dapat menggambar kurva regresi pas yang digunakan untuk prediksi laba.
- Pohon keputusan - Di dalam pohon keputusan, kita mulai dengan pertanyaan sederhana yang memiliki banyak jawaban. Setiap jawaban mengarah ke pertanyaan lebih lanjut untuk membantu mengklasifikasikan atau mengidentifikasi data sehingga dapat dikategorikan, atau sehingga prediksi dapat dibuat berdasarkan setiap jawaban. Sebagai contoh, Kami menggunakan pohon keputusan berikut untuk menentukan apakah atau tidak untuk bermain cricket ODI: Data Mining Decision Tree: Mulai dari root node, jika ramalan cuaca memprediksi hujan maka, kita harus menghindari pertandingan untuk hari itu. Atau, jika ramalan cuaca jelas, kita harus memainkan pertandingan.
Data Mining adalah inti dari upaya analitik di berbagai industri dan disiplin ilmu seperti komunikasi, Asuransi, Pendidikan, Manufaktur, Perbankan dan Ritel dan banyak lagi. Oleh karena itu, memiliki informasi yang benar tentang hal itu sangat penting sebelum menerapkan teknik yang berbeda.
