data mining examples
Questo tutorial tratta gli esempi di data mining più diffusi nella vita reale. Informazioni sull'applicazione di data mining in finanza, marketing, sanità e CRM:
In questo Serie di formazione gratuita sul data mining , abbiamo esaminato il Processo di data mining nel nostro precedente tutorial. Il data mining, noto anche come Knowledge Discovery in Databases (KDD), è un processo di individuazione di modelli in un ampio insieme di dati e data warehouse.
Ai dati vengono applicate varie tecniche come l'analisi di regressione, l'associazione e il raggruppamento, la classificazione e l'analisi dei valori anomali per identificare risultati utili. Queste tecniche utilizzano software e algoritmi di backend che analizzano i dati e mostrano i modelli.
converti char in int in c ++
Alcuni dei metodi di data mining ben noti sono l'analisi dell'albero decisionale, l'analisi del teorema di Bayes, l'estrazione frequente di set di elementi, ecc. Il mercato del software ha molti strumenti open source ea pagamento per il data mining come Weka, Rapid Miner e Strumenti di data mining arancione.
Il processo di data mining inizia fornendo un determinato input di dati agli strumenti di data mining che utilizzano statistiche e algoritmi per mostrare report e modelli. I risultati possono essere visualizzati utilizzando questi strumenti che possono essere compresi e ulteriormente applicati per apportare modifiche e miglioramenti aziendali.
Il data mining è ampiamente utilizzato dalle organizzazioni nella costruzione di una strategia di marketing, dagli ospedali per strumenti diagnostici, dall'eCommerce per prodotti di vendita incrociata tramite siti Web e in molti altri modi.
Alcuni degli esempi di data mining sono forniti di seguito come riferimento.
Cosa imparerai:
- Esempi di data mining nella vita reale
- Esempi di data mining in ambito finanziario
- Applicazioni del data mining nel marketing
- Esempi di applicazioni di data mining in ambito sanitario
- Sistemi di data mining e di raccomandazione
- Data mining per CRM (Customer Relationship Management)
- Esempio di data mining con albero decisionale
- L'esempio più popolare di data mining: marketing e vendite
- Grandi aziende che utilizzano il data mining
- Conclusione
- Lettura consigliata
Esempi di data mining nella vita reale
L'importanza del data mining e dell'analisi cresce giorno dopo giorno nella nostra vita reale. Oggi la maggior parte delle organizzazioni utilizza il data mining per l'analisi dei Big Data.
Vediamo come queste tecnologie ci avvantaggiano.
# 1) Fornitori di servizi mobili
I fornitori di servizi mobili utilizzano il data mining per progettare le loro campagne di marketing e impedire ai clienti di passare ad altri fornitori.
Da una grande quantità di dati come informazioni di fatturazione, e-mail, messaggi di testo, trasmissioni di dati Web e servizio clienti, gli strumenti di data mining possono prevedere il 'churn' che indica ai clienti che stanno cercando di cambiare i fornitori.
Con questi risultati, viene assegnato un punteggio di probabilità. I fornitori di servizi di telefonia mobile sono quindi in grado di fornire incentivi, offerte ai clienti che sono a maggior rischio di abbandono. Questo tipo di mining viene spesso utilizzato dai principali fornitori di servizi come banda larga, telefoni, fornitori di gas, ecc.
(Immagine fonte )
# 2) Settore Retail
Il Data Mining aiuta i proprietari dei supermercati e del settore retail a conoscere le scelte dei clienti. Guardando la cronologia degli acquisti dei clienti, gli strumenti di data mining mostrano le preferenze di acquisto dei clienti.
Con l'aiuto di questi risultati, i supermercati progettano i posizionamenti dei prodotti sugli scaffali e pubblicano offerte su articoli come coupon su prodotti abbinati e sconti speciali su alcuni prodotti.
Queste campagne si basano sul raggruppamento RFM. RFM sta per attualità, frequenza e raggruppamento monetario. Le promozioni e le campagne di marketing sono personalizzate per questi segmenti. Il cliente che spende molto ma molto meno frequentemente verrà trattato in modo diverso dal cliente che acquista ogni 2-3 giorni ma di importo inferiore.
Il Data Mining può essere utilizzato per consigliare prodotti e riferimenti incrociati di articoli.
Data mining nel settore della vendita al dettaglio da diverse origini dati.
(Immagine fonte )
# 3) Intelligenza artificiale
Un sistema è reso artificialmente intelligente alimentandolo con schemi pertinenti. Questi modelli derivano dagli output di data mining. Gli output dei sistemi artificialmente intelligenti vengono anche analizzati per la loro rilevanza utilizzando le tecniche di data mining.
I sistemi di raccomandazione utilizzano tecniche di data mining per fornire consigli personalizzati quando il cliente interagisce con le macchine. L'intelligenza artificiale viene utilizzata sui dati estratti come fornire consigli sui prodotti basati sulla cronologia degli acquisti passati del cliente in Amazon.
# 4) E-commerce
Molti siti di e-commerce utilizzano il data mining per offrire cross-selling e upselling dei loro prodotti. I siti di shopping come Amazon, Flipkart mostrano 'Le persone hanno anche visto', 'Acquistati spesso insieme' ai clienti che stanno interagendo con il sito.
Questi consigli vengono forniti utilizzando il data mining sulla cronologia degli acquisti dei clienti del sito web.
# 5) Scienza e ingegneria
Con l'avvento del data mining, le applicazioni scientifiche si stanno spostando dalle tecniche statistiche all'utilizzo di tecniche di 'raccolta e archiviazione dei dati', quindi eseguono l'estrazione su nuovi dati, producono nuovi risultati e sperimentano il processo. Una grande quantità di dati viene raccolta da domini scientifici come astronomia, geologia, sensori satellitari, sistema di posizionamento globale, ecc.
Il data mining in informatica aiuta a monitorare lo stato del sistema, migliorarne le prestazioni, scoprire bug del software, scoprire plagi e scoprire guasti. Il data mining aiuta anche ad analizzare il feedback degli utenti in merito a prodotti, articoli per dedurre opinioni e sentimenti delle visualizzazioni.
# 6) Prevenzione del crimine
Il data mining rileva i valori anomali in una grande quantità di dati. I dati criminali includono tutti i dettagli del crimine che è accaduto. Il Data Mining studierà i modelli e le tendenze e predirà gli eventi futuri con maggiore precisione.
Le agenzie possono scoprire quale area è più incline alla criminalità, quanto personale di polizia dovrebbe essere dispiegato, quale fascia di età dovrebbe essere presa di mira, numeri di veicoli da controllare, ecc.
# 7) Ricerca
I ricercatori utilizzano gli strumenti di Data Mining per esplorare le associazioni tra i parametri oggetto di ricerca come le condizioni ambientali come l'inquinamento atmosferico e la diffusione di malattie come l'asma tra le persone nelle regioni target.
# 8) Agricoltura
Gli agricoltori utilizzano il Data Mining per scoprire la resa delle verdure con la quantità di acqua richiesta dalle piante.
# 9) Automazione
Utilizzando il data mining, i sistemi informatici imparano a riconoscere i modelli tra i parametri che vengono confrontati. Il sistema memorizzerà i modelli che saranno utili in futuro per raggiungere gli obiettivi aziendali. Questo apprendimento è automazione in quanto aiuta a raggiungere gli obiettivi attraverso l'apprendimento automatico.
# 10) Prezzi dinamici
Il data mining aiuta i fornitori di servizi come i servizi di taxi ad addebitare dinamicamente i clienti in base alla domanda e all'offerta. È uno dei fattori chiave per il successo delle aziende.
# 11) Trasporto
Il Data Mining aiuta a programmare lo spostamento dei veicoli dai magazzini ai punti vendita e ad analizzare i modelli di caricamento dei prodotti.
# 12) Assicurazione
I metodi di data mining aiutano a prevedere i clienti che acquistano le polizze, analizzare le affermazioni mediche che vengono utilizzate insieme, scoprire comportamenti fraudolenti e clienti a rischio.
Esempi di data mining in ambito finanziario
( Immagine fonte )
Il settore finanziario comprende banche, compagnie assicurative e società di investimento. Queste istituzioni raccolgono un'enorme quantità di dati. I dati sono spesso completi, affidabili e di alta qualità e richiedono un'analisi sistematica dei dati.
Per archiviare i dati finanziari, vengono costruiti data warehouse che archiviano i dati sotto forma di cubi di dati. Per analizzare questi dati, vengono utilizzati concetti avanzati del cubo di dati. I metodi di data mining come il clustering e l'analisi dei valori anomali, la caratterizzazione sono utilizzati nell'analisi dei dati finanziari e nel mining.
Di seguito sono riportati alcuni casi in ambito finanziario in cui viene utilizzato il data mining.
# 1) Previsione del pagamento del prestito
I metodi di data mining come la selezione degli attributi e la classificazione degli attributi analizzeranno la cronologia dei pagamenti dei clienti e selezioneranno fattori importanti come il rapporto tra pagamento e reddito, la storia del credito, la durata del prestito, ecc. I risultati aiuteranno le banche a decidere la propria politica di concessione del prestito e concedere anche finanziamenti alla clientela come da analisi fattoriale.
# 2) Marketing mirato
I metodi di data mining di clustering e classificazione aiuteranno a trovare i fattori che influenzano le decisioni del cliente nei confronti del settore bancario. L'identificazione di clienti comportamentali simili faciliterà il marketing mirato.
# 3) Rileva crimini finanziari
I dati bancari provengono da molte fonti diverse, varie città e diverse sedi bancarie. Diversi strumenti di analisi dei dati vengono utilizzati per studiare e rilevare tendenze insolite come le transazioni di grande valore. Strumenti di visualizzazione dei dati, strumenti di analisi dei valori anomali, strumenti di raggruppamento, ecc. Vengono utilizzati per identificare le relazioni ei modelli di azione.
La figura seguente è uno studio di Infosys che mostra la disponibilità del cliente a utilizzare il sistema bancario online in diversi paesi. Infosys ha utilizzato Big Data Analytics per questo studio.
(Immagine fonte )
Applicazioni del data mining nel marketing
Il data mining potenzia la strategia di marketing dell'azienda e promuove il business. È uno dei fattori chiave per il successo delle aziende. Viene raccolta un'enorme quantità di dati sulle vendite, sugli acquisti dei clienti, sui consumi, ecc. Questi dati aumentano di giorno in giorno a causa dell'e-commerce.
Il data mining aiuta a identificare il comportamento di acquisto dei clienti, migliorare il servizio clienti, concentrarsi sulla fidelizzazione dei clienti, aumentare le vendite e ridurre i costi delle aziende.
Alcuni esempi di data mining nel marketing sono:
# 1) Previsioni di mercato
Per prevedere il mercato, i professionisti del marketing utilizzeranno tecniche di data mining come la regressione per studiare il comportamento, i cambiamenti e le abitudini dei clienti, la risposta dei clienti e altri fattori come il budget di marketing, altri costi sostenuti, ecc. In futuro, sarà più facile per i professionisti prevedere i clienti in caso di cambiamenti di fattori.
# 2) Rilevamento delle anomalie
Le tecniche di data mining vengono utilizzate per rilevare eventuali anomalie nei dati che potrebbero causare qualsiasi tipo di difetto nel sistema. Il sistema analizzerà migliaia di voci complesse per eseguire questa operazione.
# 3) Sicurezza del sistema
Gli strumenti di data mining rilevano le intrusioni che potrebbero danneggiare il database offrendo maggiore sicurezza all'intero sistema. Queste intrusioni possono essere sotto forma di voci duplicate, virus sotto forma di dati da parte di hacker, ecc.
Esempi di applicazioni di data mining in ambito sanitario
(Immagine fonte )
Nel settore sanitario, il data mining sta diventando sempre più popolare ed essenziale.
I dati generati dalla sanità sono complessi e voluminosi. Per evitare frodi e abusi medici, gli strumenti di data mining vengono utilizzati per rilevare articoli fraudolenti e quindi prevenire la perdita.
Di seguito vengono forniti alcuni esempi di data mining del settore sanitario come riferimento.
come aprire un file bin
# 1) Gestione sanitaria
Il metodo di data mining viene utilizzato per identificare le malattie croniche, monitorare le regioni ad alto rischio soggette alla diffusione della malattia, progettare programmi per ridurre la diffusione della malattia. Gli operatori sanitari analizzeranno le malattie, le regioni dei pazienti con il numero massimo di ricoveri in ospedale.
Con questi dati, progetteranno le campagne per la regione per sensibilizzare le persone sulla malattia e vedere come evitarla. Ciò ridurrà il numero di pazienti ricoverati negli ospedali.
# 2) Trattamenti efficaci
Utilizzando il data mining, i trattamenti possono essere migliorati. Attraverso il confronto continuo di sintomi, cause e farmaci, è possibile eseguire un'analisi dei dati per rendere efficaci i trattamenti. Il data mining viene utilizzato anche per il trattamento di malattie specifiche e l'associazione degli effetti collaterali dei trattamenti.
# 3) Dati fraudolenti e offensivi
Le applicazioni di data mining vengono utilizzate per trovare schemi anomali come laboratorio, risultati del medico, prescrizioni inappropriate e affermazioni mediche fraudolente.
Sistemi di data mining e di raccomandazione
I sistemi di raccomandazione forniscono ai clienti consigli sui prodotti che potrebbero interessare gli utenti.
Gli articoli consigliati sono simili agli articoli interrogati dall'utente in passato o guardando le altre preferenze del cliente che hanno gusti simili a quelli dell'utente. Questo approccio è chiamato approccio basato sul contenuto e approccio collaborativo in modo appropriato.
Molte tecniche come il recupero delle informazioni, le statistiche, l'apprendimento automatico, ecc. Vengono utilizzate nei sistemi di raccomandazione.
I sistemi di raccomandazione cercano parole chiave, profili utente, transazioni utente, caratteristiche comuni tra gli articoli per stimare un articolo per l'utente. Questi sistemi trovano anche gli altri utenti che hanno una storia simile di acquisto e prevedono gli articoli che questi utenti potrebbero acquistare.
Ci sono molte sfide in questo approccio. Il sistema di raccomandazione deve cercare tra milioni di dati in tempo reale.
Esistono due tipi di errori commessi dai sistemi di raccomandazione:
Falsi negativi e falsi positivi.
Falsi negativi sono prodotti che non sono stati consigliati dal sistema ma il cliente li vorrebbe. Falso positivo sono prodotti che sono stati consigliati dal sistema ma non voluti dal cliente. Un'altra sfida è la raccomandazione per gli utenti che sono nuovi senza alcuna cronologia degli acquisti.
Una tecnica intelligente di risposta alle query viene utilizzata per analizzare la query e fornire informazioni generali e associate pertinenti alla query. Per esempio: Mostra la recensione dei ristoranti anziché solo l'indirizzo e il numero di telefono del ristorante cercato.
Data mining per CRM (Customer Relationship Management)
Il Customer Relationship Management può essere rafforzato con il data mining. È possibile costruire buone relazioni con i clienti attirando clienti più adatti, miglior cross-selling e up-selling, migliore fidelizzazione.
Il data mining può migliorare il CRM:
- Il data mining può aiutare le aziende a creare programmi mirati per una risposta più elevata e un ROI migliore.
- Le aziende possono offrire più prodotti e servizi desiderati dai clienti attraverso l'up-selling e il cross-selling, aumentando così la soddisfazione del cliente.
- Con il data mining, un'azienda può rilevare quali clienti stanno cercando altre opzioni. Utilizzando queste informazioni le aziende possono costruire idee per impedire al cliente di andarsene.
Il data mining aiuta il CRM a:
- Database di marketing: Il software di marketing consente alle aziende di inviare messaggi ed e-mail ai clienti. Questo strumento insieme al data mining può fare marketing mirato. Con il data mining, è possibile eseguire l'automazione e la pianificazione dei lavori. Aiuta a prendere decisioni migliori. Aiuterà anche nelle decisioni tecniche sul tipo di clienti interessati a un nuovo prodotto, quale area di mercato è buona per il lancio del prodotto.
- Campagna di acquisizione clienti: Con il data mining, il professionista del mercato sarà in grado di identificare potenziali clienti che non sono a conoscenza dei prodotti o nuovi acquirenti. Potranno progettare le offerte e le iniziative per tali clienti.
- Ottimizzazione della campagna: Le aziende utilizzano il data mining per l'efficacia della campagna. Può modellare le risposte dei clienti alle offerte di marketing.
Esempio di data mining con albero decisionale
Gli algoritmi dell'albero decisionale sono chiamati CART (Classification and Regression Trees). È un metodo di apprendimento supervisionato. Una struttura ad albero è costruita sulle caratteristiche scelte, le condizioni per la divisione e quando fermarsi. Gli alberi decisionali vengono utilizzati per prevedere il valore delle variabili di classe in base all'apprendimento dai dati di addestramento precedenti.
Il nodo interno rappresenta un attributo e il nodo foglia rappresenta un'etichetta di classe.
(Immagine fonte )
I passaggi seguenti vengono utilizzati per creare una struttura ad albero delle decisioni:
- Posiziona l'attributo migliore nella parte superiore dell'albero (radice).
- I sottoinsiemi vengono creati in modo tale che ogni sottoinsieme rappresenti i dati con lo stesso valore per un attributo.
- Ripeti gli stessi passaggi per trovare i nodi foglia di tutti i rami.
Per prevedere un'etichetta di classe, l'attributo del record viene confrontato con la radice dell'albero. Al confronto, viene scelto il ramo successivo. Allo stesso modo vengono confrontati anche i nodi interni fino a quando il nodo foglia raggiunto predice la variabile di classe.
Alcuni algoritmi utilizzati per l'induzione dell'albero decisionale includono l'algoritmo di Hunt, CART, ID3, C4.5, SLIQ e SPRINT.
L'esempio più popolare di data mining: marketing e vendite
Marketing e vendite sono i domini in cui le aziende dispongono di grandi volumi di dati.
# 1) Banche sono i primi utenti della tecnologia di data mining in quanto li aiuta nella valutazione del credito. Il data mining analizza quali servizi offerti dalle banche vengono utilizzati dai clienti, che tipo di clienti utilizzano le carte bancomat e cosa acquistano generalmente utilizzando le loro carte (per il cross-selling).
Le banche utilizzano il data mining per analizzare le transazioni che il cliente esegue prima di decidere di cambiare banca per ridurre l'attrito del cliente. Inoltre, alcuni valori anomali nelle transazioni vengono analizzati per il rilevamento delle frodi.
# 2) Telefono cellulare Aziende utilizzare tecniche di data mining per evitare il churning. L'abbandono è una misura che mostra il numero di clienti che lasciano i servizi. Rileva modelli che mostrano come i clienti possono trarre vantaggio dai servizi per fidelizzare i clienti.
# 3) Analisi del paniere di mercato è la tecnica per trovare i gruppi di articoli che vengono acquistati insieme nei negozi. L'analisi delle transazioni mostra i modelli come quali cose vengono acquistate insieme spesso come pane e burro, o quali articoli hanno un volume di vendita più elevato in determinati giorni come la birra il venerdì.
Queste informazioni aiutano a pianificare i layout del negozio, offrendo uno sconto speciale agli articoli meno richiesti, creando offerte come 'compra 2 prendi 1 gratis' o 'ottieni il 50% sul secondo acquisto' ecc.
(Immagine fonte )
Grandi aziende che utilizzano il data mining
Di seguito sono riportate alcune società online che utilizzano tecniche di data mining:
- AMAZON: Amazon utilizza il text mining per trovare il prezzo più basso del prodotto.
- MC Donald's: McDonald's utilizza il big data mining per migliorare la sua esperienza del cliente. Studia il modello di ordinazione dei clienti, i tempi di attesa, la dimensione degli ordini, ecc.
- NETFLIX: Netflix scopre come rendere un film o una serie popolare tra i clienti utilizzando le sue intuizioni di data mining.
Conclusione
Il data mining viene utilizzato in diverse applicazioni come banche, marketing, sanità, industrie delle telecomunicazioni e molte altre aree.
Le tecniche di data mining aiutano le aziende ad acquisire informazioni consapevoli, ad aumentare la loro redditività apportando aggiustamenti nei processi e nelle operazioni. È un processo veloce che aiuta le aziende nel processo decisionale attraverso l'analisi di modelli e tendenze nascosti.
Dai un'occhiata al nostro prossimo tutorial per saperne di più sull'algoritmo di data mining dell'albero decisionale !!
Tutorial PREV | PROSSIMO Tutorial
Lettura consigliata
- Data mining: processo, tecniche e problemi principali nell'analisi dei dati
- Tecniche di data mining: algoritmi, metodi e principali strumenti di data mining
- Processo di data mining: modelli, fasi del processo e sfide coinvolte
- Data mining vs machine learning vs intelligenza artificiale vs deep learning
- Oltre 10 migliori strumenti di governance dei dati per soddisfare le tue esigenze di dati nel 2021
- I 14 MIGLIORI strumenti di gestione dei dati dei test nel 2021
- I 15 migliori strumenti gratuiti per il data mining: l'elenco più completo
- Le 10 migliori conferenze sui big data da seguire nel 2021