Tiedonlouhinta on suurten aineistojen järjestelmällistä läpikäyntiä säännönmukaisuuksien, yhteyksien ja poikkeamien löytämiseksi. Siinä hyödynnetään tilastollisia menetelmiä ja koneoppimisen tekniikoita, kuten klusterointia, luokittelua tai assosiaatioanalyysia. Klassinen esimerkki on vähittäiskaupan ostoskorianalyysi, joka paljastaa, mitä tuotteita ostetaan usein yhdessä – perusta valikoimalle, sijoittelulle ja suosituksille.
Agentit, työnkulut ja mallit yhdessä työtilassa – maksuton 24 tunnin demo.
Aloita demoHahmontunnistus on säännönmukaisuuksien, rakenteiden tai toistuvien piirteiden automaattista tunnistamista datasta, kuten kuvista, äänistä, teksteistä tai mittauksista. Järjestelmät luokittelevat uusia havaintoja tunnettuihin luokkiin tai löytävät ryhmiä ilman ennalta määriteltyjä luokkia. Sovelluksia ovat kasvojentunnistus, käsinkirjoituksen tunnistus, valmistuksen laaduntarkastus ja epätavallisten tapahtumien havaitseminen. Ala on koneoppimisen tärkeä perusta.
Klusterointi on ohjaamattoman oppimisen menetelmä, joka jakaa datapisteet ryhmiin niiden samankaltaisuuden perusteella ilman ennalta määriteltyjä kategorioita. Se paljastaa kaavoja, joita kukaan ei ole aiemmin nimennyt – esimerkiksi asiakassegmenttejä, joilla on samankaltainen ostokäyttäytyminen. Tekstien kohdalla klusterointi auttaa lajittelemaan satoja asiakkaiden yhteydenottoja aiheisiin, kuten toimitukseen, laskutukseen tai reklamaatioihin, ja näyttää, mihin painopiste asettuu.
Ennakoiva analytiikka käyttää historiadataa, tilastotiedettä ja koneoppimista todennäköisten tulevien tapahtumien arvioimiseen. Se vastaa kysymyksiin, kuten: mitkä asiakkaat ovat irtisanomassa sopimuksensa? Paljonko varastoa tarvitaan ensi kuussa? Milloin kone todennäköisesti rikkoutuu? Tulokset ovat todennäköisyyksiä, eivät varmuuksia. Niiden arvo riippuu paljon datan laadusta ja siitä, vaikuttavatko ennusteet todella päätöksiin ja prosesseihin.
Eksploratiivinen data-analyysi (EDA) on ensimmäinen, avoin katsaus aineistoon: lasketaan yhteenvetolukuja, tarkastellaan jakaumia ja kaavioita ja etsitään kuvioita, poikkeavia arvoja ja puuttuvia arvoja – ilman vielä kiinteää hypoteesia. Se auttaa arvioimaan datan laatua ja löytämään mielekkäitä kysymyksiä jatkoanalyysia tai mallinnusta varten. Esimerkki: ennen myyntiennustetta EDA paljastaa, että yksi kuukausi kirjattiin puutteellisesti järjestelmämigraation vuoksi.
