Az adatbányászat nagy adathalmazok szisztematikus átvizsgálása mintázatok, összefüggések és anomáliák után. Statisztikai eljárásokra és gépi tanulási módszerekre épül, mint a klaszterezés, az osztályozás vagy az asszociációelemzés. Klasszikus példa a kiskereskedelmi kosárelemzés, amely megmutatja, mely termékeket vásárolják gyakran együtt – ez a termékkínálat, az elhelyezés és az ajánlások alapja.
Ügynökök, munkafolyamatok és sablonok egyetlen munkaterületen – ingyenes, 24 órás demó.
Demó indításaA mintafelismerés a szabályszerűségek, struktúrák vagy visszatérő jellemzők automatikus azonosítása olyan adatokban, mint a képek, hangok, szövegek vagy mérések. A rendszerek az új megfigyeléseket ismert kategóriákba sorolják, vagy előre megadott címkék nélkül fedeznek fel csoportokat. Alkalmazási területei például az arcfelismerés, a kézírás-felismerés, a gyártás minőségellenőrzése és a szokatlan tranzakciók felderítése. A tudományterület a gépi tanulás fontos alapja.
A klaszterezés felügyelet nélküli tanulási módszer, amely előre meghatározott kategóriák nélkül, hasonlóságuk alapján csoportokra osztja az adatpontokat. Olyan mintázatokat tár fel, amelyeket korábban senki sem nevezett meg – például hasonló vásárlási szokású ügyfélszegmenseket. Szövegek esetén a klaszterezés segít több száz ügyfélmegkeresést olyan témák szerint rendezni, mint a szállítás, a számlázás vagy a panaszok, és megmutatja, hol van a hangsúly.
A prediktív analitika történeti adatokat, statisztikát és gépi tanulást használ a valószínű jövőbeli események becslésére. Olyan kérdésekre ad választ, mint: mely ügyfelek készülnek lemondani? Mennyi készletre lesz szükség a következő hónapban? Mikor valószínű egy gép meghibásodása? Az eredmények valószínűségek, nem bizonyosságok. Értékük nagymértékben függ az adatok minőségétől, és attól, hogy az előrejelzések ténylegesen beépülnek-e a döntésekbe és a folyamatokba.
A feltáró adatelemzés (Exploratory Data Analysis, EDA) egy adathalmaz első, nyitott szemlélése: összesítő mutatókat számolnak, eloszlásokat és diagramokat vizsgálnak, mintázatokat, kiugró értékeket és hiányzó értékeket keresnek – még rögzített hipotézis nélkül. Segít felmérni az adatminőséget, és értelmes kérdéseket találni a további elemzéshez vagy modellezéshez. Példa: egy értékesítési előrejelzés előtt az EDA kimutatja, hogy az egyik hónapot rendszermigráció miatt hiányosan rögzítették.
