Data mining înseamnă căutarea sistematică, în seturi mari de date, a tiparelor, relațiilor și anomaliilor. Se bazează pe tehnici statistice și pe metode de machine learning, precum clusterizarea, clasificarea sau analiza asocierilor. Un exemplu clasic este analiza coșului de cumpărături din comerțul cu amănuntul, care arată ce produse se cumpără frecvent împreună – o bază pentru sortiment, amplasare și recomandări.
Agenți, fluxuri și șabloane într-un singur spațiu de lucru – demo gratuit de 24 de ore.
Porniți demo-ulRecunoașterea tiparelor este identificarea automată a regularităților, structurilor sau caracteristicilor recurente în date precum imagini, sunete, texte sau măsurători. Sistemele atribuie observații noi unor categorii cunoscute sau descoperă grupuri fără etichete predefinite. Aplicațiile includ recunoașterea facială, recunoașterea scrisului de mână, controlul calității în producție și depistarea tranzacțiilor neobișnuite. Disciplina este o bază importantă a învățării automate.
Clusteringul este o metodă de învățare nesupervizată care împarte punctele de date în grupuri pe baza similarității lor, fără categorii predefinite. Acesta scoate la iveală tipare pe care nimeni nu le-a denumit înainte – de exemplu segmente de clienți cu un comportament de cumpărare similar. În cazul textelor, clusteringul ajută la sortarea a sute de solicitări ale clienților pe subiecte precum livrarea, facturarea sau reclamațiile și arată unde se află accentul.
Analiza predictivă folosește date istorice, statistică și învățare automată pentru a estima evenimente viitoare probabile. Răspunde la întrebări precum: care clienți urmează să renunțe? Ce stoc va fi necesar luna viitoare? Când este probabil să se defecteze un utilaj? Rezultatele sunt probabilități, nu certitudini. Valoarea lor depinde în mare măsură de calitatea datelor și de faptul că predicțiile ajung efectiv în decizii și procese.
Analiza exploratorie a datelor (EDA) este prima privire deschisă asupra unui set de date: se calculează indicatori sintetici, se examinează distribuțiile și graficele și se caută tipare, valori aberante și valori lipsă – încă fără o ipoteză fixă. Ajută la evaluarea calității datelor și la formularea unor întrebări potrivite pentru analize sau modelări ulterioare. Exemplu: înaintea unei prognoze de vânzări, EDA arată că o lună a fost înregistrată incomplet din cauza unei migrări de sistem.
