Farklı Veri Madenciliği Analiz Türleri nelerdir?

Veri madenciliği analizi, veri değerlendirmesi kredi notu düşüklere kredi veren bankalariçin kullanılan özel algoritmaya bağlı olarak farklı sonuçlar sağlayan yararlı bir süreç olabilir. Yaygın veri madenciliği analizi, keşifsel veri analizi (EDA), tanımlayıcı modelleme, yordayıcı modelleme ve kalıpları ve kuralları keşfetmeyi içerir. Bu veri madenciliği araçlarının her birinin kullanılması , toplanan bilgiler hakkında farklı bir bakış açısı sağlar. Bu teknikleri kullanan uzmanlar, kullanılan belirli analiz aracına dayalı olarak bir konuya veya endişe sorununa ilişkin daha fazla bilgi edinebilirler.

Veri madenciliği analiz araçlarının istihdam edildiğinde sağladığı farklı sonuçlar nedeniyle, her birinin temel bir incelemesini ele almak uygun olacaktır. Açıklayıcı veri analizi veya EDA, inceleme için net sonuç hedefleri olmayan bir veri kümesinin gözden geçirilmesini içerir. Verileri tanımlayan değişkenler, araştırmacıya görsel temsiller sağlamak için bir temel olarak kullanılmaktadır. Değişkenlerin sayısı arttıkça, bu analiz aracı verileri görselleştirmek için daha az etkili olabilir.

Tanımlayıcı modelleme, belirli bir veri kümesindeki tüm verileri toplu olarak tanımlamak için kullanılan bir veri madenciliği analiz aracıdır. Spesifik olarak, bu yaklaşım, aranan bilgiye mevcut olan trendler, segmentler ve kümeler hakkında bilgi sağlamak için tüm verileri sentezlemektedir. Açıklayıcı veri madenciliği analizi, reklamcılıkta yaygın olarak kullanılmaktadır. Bunun bir örneği, pazarlamacıların daha büyük müşteri grupları aldıkları ve bunları homojen özellikler ile segmentlere ayırdıkları pazar bölümlemedir.

Diğer araçlar ayrıca öngörücü modelleme içerir. Tahminli modelleme, mevcut verilere dayanan bir modelin geliştirilmesini içerir. Model daha sonra gözden kredi notuna bakmadan kredi veren bankalargeçirilen verilerle ilgili olan başka bir değişkenin tahmin edilmesi için bir temel olarak kullanılır. "Öngörücü" terimi, bu veri madenciliği aracının, kullanıcının veri kümesinde bilinenlere dayanarak bir değeri tahmin etmesini sağlayabileceğini gösterir. Tahmine dayalı analiz, pazarlamacılar tarafından müşterilerin hangi ürünleri aradıklarını belirlemek için kullanılabilir. Mevcut satın alma eğilimlerine dayanarak, pazarlamacılar gelecekte hangi yeni ürünlerin popüler olabileceği konusunda tahminlerde bulunabilirler.

Kalıpları ve kuralları keşfetmek, açıklayıcı ve öngörücü veri madenciliği araçlarından farklıdır. Tanımlayıcı ve yordayıcı araçlar, analiz için bir temel olarak model oluşturmayı kullanırken, model ve kuralların keşfedilmesi, verideki kalıpların belirlenmesine odaklanır. Örneğin marketler için çalışan pazarlamacılar, genellikle bu veri madenciliği analiz aracını satın alma modellerini belirleme aracı olarak kullanırlar. Müşterilerin sürekli olarak aynı siparişte hangi ürünleri satın aldıklarını belirleyerek, ürünler için hedeflenen promosyonlar geliştirilebilir.