五个数据挖掘技术，帮助创造商业价值

有许多不同类型的分析，可以以检索从大数据信息来完成。每种类型的分析将具有不同的影响，或结果。哪种类型的分析，您应该使用真的取决于业务问题，你正在试图解决的类型。不同的分析将带来不同的结果，从而提供不同的见解。其中回收有价值的见解常见的方式是通过数据挖掘的过程。数据挖掘是一个时髦词经常被用来形容大数据分析，包括收集，提取，分析和统计的整个范围。然而，这是太广泛，数据挖掘尤其是指以前未知的有趣的图案，异常记录或依赖关系的发现。当开发你的大数据战略，有哪些数据挖掘是一个清楚的认识是很重要的，以及它如何帮助你。

术语数据挖掘首先出现在20世纪90年代，而在此之前，统计学家所使用的术语“数据钓鱼”或“数据疏浚”来指代分析数据没有先验的假设。任何数据挖掘过程中最重要的目标是要找到一个很容易在大型数据集的理解有用的信息。有任务所涉及数据挖掘的几个重要的类：

异常或异常检测

异常检测是指搜索数据集中不匹配一个投影的图案或预期的行为的数据项。异常也被称为离群值，异常惊喜或污染物，他们经常提供关键的，可操作的信息。异常值是一个对象，从数据集内或一般平均数据的组合显著偏离。这是从数据的数值休息遥远，因此，离群表明东西是与众不同的，并且需要额外的分析。

异常检测是用来检测关键系统内的欺诈或风险，他们都为有兴趣的分析师，谁可以进一步分析异常情况，找出到底发生了什么的特点。它可以帮助找到非凡的事件可能表明欺诈行为，有缺陷的程序或地区，某一个理论是无效的。需要注意的是，在大型数据集，少量的异常值是常见的。离群可指示坏的数据，但也可能是由于随机变化或可以指示一些科学意义。在所有的情况下，进一步的研究是必要的。

关联规则学习              

关联规则的学习能够在大型数据库不同的变量之间的关系有趣（相互依存关系）的发现。关联规则学习揭示在可用于识别数据和所述共同出现出现具有最大频率不同的变量内的变量的数据隐藏的模式。

在寻 ​​找销售点数据模式时，关联规则学习常用于零售行业。这些模式可以在推荐新的产品给别人的基础上别人之前已经买了或者是基于哪些产品一起购买使用。如果做得正确，它可以帮助企业提高其转化率。一个著名的例子是，得益于数据挖掘，沃尔玛，已经在2004年发现，草莓弹出式挞销售增长七倍前的飓风。由于这一发现，沃尔玛则以草莓弹出式挞在之前的一场飓风的检出。

聚类分析           

聚类分析是识别是彼此相似的理解数据中的差异以及相似的数据集的过程。簇具有某些共同特点，可用于改善目标的算法。例如，群集的客户具有相似的购买行为的可与同类产品和服务，以提高转化率的目标。从聚类分析的结果可以创建人物角色。人物角色创建代表中有针对性的人口统计，态度和/或可能使用一个网站，品牌或产品以同样的方式行为集不同的用户类型虚构人物。编程语言R具有的功能种类繁多进行相关聚类分析，因此尤其适用于进行聚类分析。

分类分析

分类分析是获得有关数据和元数据的重要和相关信息的系统进程 – 关于数据的数据。分类分析有助于确定向其中一组不同类型的数据属于类别的。分类分析是紧密相连的聚类分析的分类，可用于集群的数据。

您的电子邮件提供商进行分类分析的一个众所周知的例子：他们使用的算法，能够电子邮件归类为合法的，或将其标记为垃圾邮件。这种基于与该电子邮件或在电子邮件中的信息联系在一起，例如某些词或附件的垃圾邮件显示的数据完成。

回归分析

回归分析试图定义变量之间的依赖关系。它假定从一个变量到另一个变量的响应的单向因果效应。独立变量可受到对方，但它并不意味着这种依赖性是两种方式如与相关分析的情况。回归分析可以证明一个变量是依赖于另一个，但反过来则不行。

回归分析被用来确定不同层次的客户满意度和服务水平如何影响客户的忠诚度以及如何可以受例如天气。一个更具体的例子是，一个回归分析可以帮助你找到一个在线约会网站您的生活的热爱。该网站eHarmony的​​使用相匹配的基础上29个变量，以找到最佳的合作伙伴两个人单打回归模型。

数据挖掘技术可以帮助组织和科学家找到并选择最重要的和相关的信息。这些信息可用于创建模型，可以帮助人们预测或系统将如何表现，所以你可以在它预测。数据越多，你有更好的车型将成为您可以创建使用数据挖掘技术，从而为您的组织更多的商业价值。

转载请注明：数据分析 » 五个数据挖掘技术，帮助创造商业价值