Meny

Data Mining Eksempler: De vanligste applikasjonene av Data Mining 2021

  • Hoved
  • Annen
  • Data Mining Eksempler: De vanligste applikasjonene av Data Mining 2021

data mining examples

Prøv Instrumentet Vårt For Å Eliminere Problemer

Denne opplæringen dekker mest populære eksempler på datautvinning i det virkelige liv. Lær om datautvinning i økonomi, markedsføring, helsevesen og CRM:

I dette Gratis Data Mining Training Series , vi så på Data Mining Process i vår forrige opplæring. Data Mining, som også er kjent som Knowledge Discovery in Databases (KDD), er en prosess for å oppdage mønstre i et stort sett med data- og datalager.

Ulike teknikker som regresjonsanalyse, assosiasjon og gruppering, klassifisering og outlieranalyse blir brukt på data for å identifisere nyttige resultater. Disse teknikkene bruker programvare og algoritmer for backend som analyserer dataene og viser mønstre.

lage et java-prosjekt i formørkelse

Noen av de velkjente metodene for datautvinning er beslutningstreetanalyse, Bayes-teoremanalyse, Hyppig utvinning av varesett osv. Programvaremarkedet har mange åpen kildekode så vel som betalte verktøy for datautvinning som Weka, Rapid Miner Oransje data mining verktøy.

Eksempler på data mining

Data mining prosessen starter med å gi et visst input av data til data mining verktøyene som bruker statistikk og algoritmer for å vise rapporter og mønstre. Resultatene kan visualiseres ved hjelp av disse verktøyene som kan forstås og videreutvikles for å gjennomføre forretningsendringer og forbedringer.

Data mining brukes mye av organisasjoner for å bygge en markedsføringsstrategi, av sykehus for diagnostiske verktøy, av e-handel for kryssalg av produkter via nettsteder og mange andre måter.

Noen av eksemplene på datautvinning er gitt nedenfor for din referanse.

Hva du vil lære:

Eksempler på datautvinning i det virkelige liv

Betydningen av datautvinning og analyse vokser dag for dag i vårt virkelige liv. I dag bruker de fleste organisasjoner data mining for analyse av Big Data.

La oss se hvordan disse teknologiene gagner oss.

# 1) Mobiltjenesteleverandører

Mobiltjenesteleverandører bruker datamining for å designe markedsføringskampanjer og for å forhindre at kundene flytter til andre leverandører.

Fra en stor mengde data som faktureringsinformasjon, e-post, tekstmeldinger, nettdataoverføring og kundeservice, kan datautvinningsverktøyene forutsi 'churn' som forteller kundene som ønsker å endre leverandører.

Med disse resultatene gis en sannsynlighetspoeng. Mobiltjenesteleverandørene er da i stand til å gi insentiver, tilbud til kunder som har større risiko for å kaste seg. Denne typen gruvedrift brukes ofte av store tjenesteleverandører som bredbånd, telefon, gassleverandører osv.

Data Mining i Mobile Service Providers

(bilde kilde )

# 2) Detaljhandel

Data Mining hjelper eiere av supermarkeder og detaljister til å kjenne kundenes valg. Ser vi på kjøpshistorikken til kundene, viser data mining verktøyene kundenes preferanser.

Ved hjelp av disse resultatene designer supermarkedene plassering av produkter i hyllene og gir tilbud på varer som kuponger på matchende produkter og spesielle rabatter på noen produkter.

Disse kampanjene er basert på RFM-gruppering. RFM står for nyhet, frekvens og monetær gruppering. Kampanjer og markedsføringskampanjer er tilpasset disse segmentene. Kunden som bruker mye, men veldig sjeldnere, blir behandlet annerledes enn kunden som kjøper hver 2-3 dag, men med mindre beløp.

Data Mining kan brukes til produktanbefaling og kryssreferanse av varer.

Datautvinning i detaljhandel fra forskjellige datakilder.

Data Mining i detaljhandel

(bilde kilde )

# 3) Kunstig intelligens

Et system er gjort kunstig intelligent ved å mate det med relevante mønstre. Disse mønstrene kommer fra data mining utganger. Utgangene til de kunstig intelligente systemene blir også analysert for deres relevans ved bruk av data mining teknikker.

Anbefalersystemene bruker datautvinningsteknikker for å komme med personlige anbefalinger når kunden kommuniserer med maskinene. Den kunstige intelligensen brukes på utvunnet data, som for eksempel å gi produktanbefalinger basert på kundens tidligere kjøpshistorikk i Amazon.

# 4) Netthandel

Mange e-handelsnettsteder bruker data mining for å tilby kryssalg og salg av produktene sine. Handelssidene som Amazon, Flipkart viser 'People also viewed', 'Ofte kjøpt sammen' til kundene som kommuniserer med nettstedet.

Disse anbefalingene er gitt ved bruk av datautvinning gjennom innkjøpshistorikken til kundene på nettstedet.

# 5) Vitenskap og ingeniørfag

Med fremveksten av datautvinning går nå vitenskapelige applikasjoner fra statistiske teknikker til å bruke 'samle og lagre data' -teknikker, og deretter utføre gruvedrift på nye data, levere nye resultater og eksperimentere med prosessen. En stor mengde data samles inn fra vitenskapelige domener som astronomi, geologi, satellittsensorer, globalt posisjoneringssystem osv.

Datautvinning innen informatikk hjelper med å overvåke systemstatusen, forbedre ytelsen, finne ut programvarefeil, oppdage plagiering og finne feil. Data mining hjelper også med å analysere tilbakemeldinger fra brukere om produkter, artikler for å utlede meninger og synspunkter på synspunktene.

# 6) Forebygging av kriminalitet

Data Mining oppdager avvikere på tvers av en enorm mengde data. Kriminelle data inkluderer alle detaljer om forbrytelsen som har skjedd. Data Mining vil studere mønstre og trender og forutsi fremtidige hendelser med bedre nøyaktighet.

Byråene kan finne ut hvilket område som er mer utsatt for kriminalitet, hvor mye politipersonell som skal utplasseres, hvilken aldersgruppe som skal målrettes mot, kjøretøynumre som skal undersøkes osv.

# 7) Forskning

Forskere bruker Data Mining-verktøy for å utforske sammenhengen mellom parametrene under forskning, for eksempel miljøforhold som luftforurensning og spredning av sykdommer som astma blant mennesker i målrettede regioner.

# 8) Jordbruk

Bønder bruker Data Mining for å finne ut avkastningen av grønnsaker med mengden vann som kreves av plantene.

# 9) Automasjon

Ved å bruke datamining lærer datasystemene å gjenkjenne mønstre blant parametrene som er under sammenligning. Systemet vil lagre mønstrene som vil være nyttige i fremtiden for å oppnå forretningsmål. Denne læringen er automatisering, siden den hjelper til å nå målene gjennom maskinlæring.

# 10) Dynamisk pris

Data mining hjelper tjenesteleverandørene som førerhustjenester til å lade kundene dynamisk basert på etterspørsel og tilbud. Det er en av nøkkelfaktorene for suksess for selskaper.

# 11) Transport

Data Mining hjelper deg med å planlegge flytting av kjøretøy fra lager til utsalgssteder og analysere produktets lastemønster.

# 12) Forsikring

Data mining metoder hjelper deg med å forutsi kundene som kjøper retningslinjene, analysere de medisinske påstandene som brukes sammen, finne ut bedragersk oppførsel og risikofylte kunder.

Eksempler på datautvinning i økonomi

Eksempler på datautvinning i økonomi

( bilde kilde )

Finanssektoren inkluderer banker, forsikringsselskaper og investeringsselskaper. Disse institusjonene samler inn enorme mengder data. Dataene er ofte komplette, pålitelige og av høy kvalitet og krever en systematisk dataanalyse.

For å lagre økonomiske data konstrueres datalager som lagrer data i form av datakuber. For å analysere disse dataene brukes avanserte datakubekonsepter. Data mining metoder som klynging og outlier analyse, karakterisering brukes i finansiell dataanalyse og gruvedrift.

Noen tilfeller innen økonomi der data mining brukes er gitt nedenfor.

# 1) Prediksjon for lånebetaling

Datautvinningsmetoder som attributtvalg og attributtrangering vil analysere kundens betalingshistorikk og velge viktige faktorer som forholdet mellom betaling og inntekt, kreditthistorikk, lånets løpetid osv. Resultatene vil hjelpe bankene å avgjøre politikken for lånegivelse gi også lån til kundene i henhold til faktoranalyse.

# 2) Målrettet markedsføring

Klynging og klassifisering av data mining metoder vil hjelpe deg med å finne faktorene som påvirker kundens beslutninger om bank. Lignende atferdskunders identifikasjon vil lette målrettet markedsføring.

# 3) Oppdag økonomiske forbrytelser

Bankdata kommer fra mange forskjellige kilder, forskjellige byer og forskjellige banksteder. Flere verktøy for dataanalyse er utplassert for å studere og oppdage uvanlige trender som store verditransaksjoner. Datavisualiseringsverktøy, analyseverktøy for outlier, klyngeverktøy osv. Brukes til å identifisere forhold og handlingsmønstre.

Figuren nedenfor er en studie fra Infosys som viser kundens vilje til å banke online-system i forskjellige land. Infosys brukte Big Data Analytics for denne studien.

en studie fra Infosys

(bilde kilde )

Anvendelser av datautvinning i markedsføring

Data mining øker selskapets markedsføringsstrategi og fremmer virksomhet. Det er en av nøkkelfaktorene for suksess for selskaper. Det samles enorme mengder data om salg, kundeshopping, forbruk osv. Disse dataene øker dag for dag på grunn av e-handel.

Data mining hjelper deg med å identifisere kundenes kjøpsatferd, forbedre kundeservice, fokusere på kundebeholdning, øke salget og redusere kostnadene for bedrifter.

Noen eksempler på data mining i markedsføring er:

# 1) Prognosemarked

For å forutsi markedet vil markedsføringsfagfolk bruke Data Mining-teknikker som regresjon for å studere kundeatferd, endringer og vaner, kunders respons og andre faktorer som markedsføringsbudsjett, andre påløpende kostnader osv. I fremtiden vil det være lettere for fagpersoner å forutsi kundene i tilfelle noen faktorendringer.

# 2) Avviksdeteksjon

Data mining teknikker er brukt for å oppdage unormale data som kan forårsake noen form for feil i systemet. Systemet vil skanne tusenvis av komplekse oppføringer for å utføre denne operasjonen.

# 3) System sikkerhet

Data Mining-verktøy oppdager inntrenging som kan skade databasen og gi større sikkerhet for hele systemet. Disse inntrengingene kan være i form av dupliserte oppføringer, virus i form av data fra hackere, etc.

Eksempler på data mining applikasjoner i helsevesenet

Eksempel på datautvinning i helsevesenet

(bilde kilde )

I helsevesenet blir data mining stadig mer populært og viktig.

Data generert av helsetjenester er kompliserte og omfattende. For å unngå medisinsk svindel og misbruk brukes data mining verktøy for å oppdage falske gjenstander og derved forhindre tap.

Noen eksempler på datautvinning av helsevesenet er gitt nedenfor for din referanse.

# 1) Helsestyring

Data mining-metoden brukes til å identifisere kroniske sykdommer, spore høyrisikoområder som er utsatt for spredning av sykdom, utforme programmer for å redusere spredning av sykdom. Helsepersonell vil analysere sykdommene, regioner til pasienter med maksimal innleggelse på sykehuset.

Med disse dataene vil de utforme kampanjene for regionen for å gjøre folk oppmerksomme på sykdommen og se hvordan de kan unngå den. Dette vil redusere antall pasienter innlagt på sykehus.

# 2) Effektive behandlinger

Ved bruk av datamining kan behandlingene forbedres. Ved kontinuerlig sammenligning av symptomer, årsaker og medisiner kan dataanalyse utføres for å gjøre effektive behandlinger. Data mining brukes også til behandling av spesifikke sykdommer, og foreningen av bivirkninger av behandlinger.

# 3) Bedrageriske og voldelige data

Data mining-applikasjoner brukes til å finne unormale mønstre som laboratorium, legeresultater, upassende resepter og falske medisinske påstander.

Data Mining og Anbefalingssystemer

Anbefalingssystemer gir kundene produktanbefalinger som kan være av interesse for brukerne.

De anbefalte varene ligner enten på varene som brukeren tidligere har spurt om, eller ved å se på de andre kundepreferansene som har samme smak som brukeren. Denne tilnærmingen kalles en innholdsbasert tilnærming og en samarbeidende tilnærming på riktig måte.

Mange teknikker som informasjonsinnhenting, statistikk, maskinlæring osv. Brukes i anbefalingssystemer.

Anbefalingssystemer søker etter nøkkelord, brukerprofiler, brukertransaksjoner, vanlige funksjoner blant elementene for å estimere et element for brukeren. Disse systemene finner også de andre brukerne som har en lignende kjøpshistorie og forutsier varer som brukerne kan kjøpe.

Det er mange utfordringer i denne tilnærmingen. Anbefalingssystemet må søke gjennom millioner av data i sanntid.

Det er to typer feil laget av Recommender Systems:

Falske negativer og falske positive.

Falske negativer er produkter som ikke ble anbefalt av systemet, men kunden ønsker dem. Falsk positiv er produkter som ble anbefalt av systemet, men som ikke ønsket av kunden. En annen utfordring er anbefalingen til brukerne som er nye uten kjøpshistorikk.

En intelligent spørsmålssvarsteknikk brukes til å analysere spørringen og gi generalisert, tilknyttet informasjon som er relevant for spørringen. For eksempel: Viser anmeldelsen av restauranter i stedet for bare adressen og telefonnummeret til restauranten du søkte etter.

Data Mining For CRM (Customer Relationship Management)

Customer Relationship Management kan forsterkes med data mining. Gode ​​kundeforhold kan bygges ved å tiltrekke seg mer passende kunder, bedre kryssalg og oppsalg, bedre oppbevaring.

Data Mining kan forbedre CRM ved å:

  1. Data mining kan hjelpe bedrifter med å lage målrettede programmer for høyere respons og bedre avkastning.
  2. Bedrifter kan tilby flere produkter og tjenester etter ønske fra kundene gjennom oppsalg og kryssalg og dermed øke kundetilfredsheten.
  3. Med data mining kan en bedrift oppdage hvilke kunder som leter etter andre alternativer. Ved å bruke den informasjonen kan selskaper bygge ideer for å hindre kunden i å forlate.

Data Mining hjelper CRM med å:

  1. Database markedsføring: Markedsføringsprogramvare gjør det mulig for bedrifter å sende meldinger og e-post til kunder. Dette verktøyet sammen med data mining kan gjøre målrettet markedsføring. Med datautvinning kan automatisering og planlegging av jobber utføres. Det hjelper i bedre beslutningstaking. Det vil også hjelpe i tekniske beslutninger om hva slags kunder som er interessert i et nytt produkt, hvilket markedsområde som er bra for produktlansering.
  2. Kundeanskaffelseskampanje: Med data mining vil markedsprofesjonelle kunne identifisere potensielle kunder som ikke er klar over produktene eller nye kjøpere. De vil være i stand til å utforme tilbudene og initiativene for slike kunder.
  3. Kampanjeoptimalisering: Bedrifter bruker datamining for effektiviteten av kampanjen. Den kan modellere svar fra kunder på markedsføringstilbud.

Data Mining ved hjelp av beslutningstreet Eksempel

Beslutningstresalgoritmer kalles CART (Classification and Regression Trees). Det er en veiledet læringsmetode. En trestruktur er bygd på de valgte funksjonene, vilkår for splitting og når du skal stoppe. Beslutningstrær brukes til å forutsi verdien av klassevariabler basert på læring fra tidligere treningsdata.

Den interne noden representerer et attributt og bladnoden representerer en klassetikett.

Data Mining ved hjelp av beslutningstreeteksempel

(bilde kilde )

Følgende trinn brukes til å bygge en beslutningstrestruktur:

  1. Plasser det beste attributtet øverst på treet (roten).
  2. Delsett blir opprettet på en slik måte at hvert delsett representerer data med samme verdi for et attributt.
  3. Gjenta de samme trinnene for å finne bladnodene til alle grenene.

For å forutsi en klasselabel blir platens attributt sammenlignet med roten til treet. Ved sammenligning blir neste gren valgt. De interne nodene blir også sammenlignet på samme måte til bladnoden nådd forutsier klassevariabelen.

Noen algoritmer som brukes til beslutningstreetinduksjon inkluderer Hunt's algoritme, CART, ID3, C4.5, SLIQ og SPRINT.

Mest populære eksemplet på data mining: markedsføring og salg

Markedsføring og salg er domenene der selskaper har store datamengder.

hvor er nettverkssikkerhetsnøkkel på ruteren

# 1) Banker er de første brukerne av data miningsteknologi, da det hjelper dem med kredittvurdering. Data mining analyserer hvilke tjenester bankene tilbyr av kunder, hvilken type kunder som bruker minibankkort, og hva kjøper de vanligvis med kortene sine (for kryssalg).

Bankene bruker data mining for å analysere transaksjonene som kunden gjør før de bestemmer seg for å bytte bank for å redusere kundeslitasje. Også noen avvikere i transaksjoner blir analysert for å oppdage svindel.

# 2) mobiltelefon Bedrifter bruk teknikker for datautvinning for å unngå sprekking. Churning er et mål som viser antall kunder som forlater tjenestene. Den oppdager mønstre som viser hvordan kunder kan dra nytte av tjenestene for å beholde kunder.

# 3) Analyse av markedskurven er teknikken for å finne gruppene av varer som kjøpes sammen i butikkene. Analyse av transaksjonene viser mønstrene som hvilke ting som kjøpes sammen som brød og smør, eller hvilke varer som har høyere salgsvolum på bestemte dager, for eksempel øl på fredager.

Denne informasjonen hjelper deg med å planlegge butikkoppsettene, og tilbyr en spesiell rabatt på varene som er mindre etterspurt, og skaper tilbud som 'kjøp 2 få 1 gratis' eller 'få 50% på andre kjøp' osv.

Market Basket Analyse

(bilde kilde )

Store selskaper som bruker datamining

Noen online selskaper som bruker data mining teknikker er gitt nedenfor:

  • AMAZON: Amazon bruker Text Mining for å finne den laveste prisen på produktet.
  • MC Donald’s: McDonald’s bruker big data mining for å forbedre kundeopplevelsen. Den studerer bestillingsmønsteret til kunder, ventetider, størrelsen på bestillingen osv.
  • NETFLIX: Netflix finner ut hvordan man lager en film eller en serie som er populær blant kundene ved hjelp av sin data mining-innsikt.

Konklusjon

Data mining brukes i forskjellige applikasjoner som bank, markedsføring, helsetjenester, telekomindustri og mange andre områder.

Data mining teknikker hjelper selskaper med å få kunnskapsrik informasjon, øke lønnsomheten ved å gjøre justeringer i prosesser og operasjoner. Det er en rask prosess som hjelper virksomheten med å ta beslutninger gjennom analyse av skjulte mønstre og trender.

Ta en titt på den kommende veiledningen vår for å vite mer om Decision Tree Data Mining Algorithm !!

PREV Opplæring | NESTE veiledning

Anbefalt lesing

^