سامانه داده کاوی
داده کاوی (Data Mining) چیست؟
داده‌کاوی، پایگاه ها و مجموعه حجیم داده ها را در پی کشف و استخراج، مورد تحلیل قرار می‌دهد. این‌گونه مطالعات و کاوش‌ها را به واقع می‌توان همان امتداد و استمرار دانش آمار دانست با این تفاوت که در داده کاوی مقیاس، وسعت ، کاربردها، و نیز ابعاد و اندازه‌های داده نسبت به علم آمار بسیار وسیع تر است.
- داده کاوی به بهره گیری از ابزارهای تجزیه و تحلیل داده ها به منظور کشف الگوها و روابط معتبری که تاکنون ناشناخته بوده اند اطلاق می گردد.
- داده کاوی می تواند (در صورت پیاده سازی صحیح) با استفاد از تجربیات گذشته (داده ها) سبب اتخاذ تصمیمات صحیح و سودآور گردد و مانع تصمیم گیری های احساسی و به طبع آن زیان ده گردد.
چرا به داده کاوی نیاز داریم؟
- رشد انفجاری داده های جمع آوری شده
- ذخیره داده ها در انبار داده ها
- امکانپذیر کردن دسترسی به داده ها از طریق وب و اینترنت
- پیدا کردن روشی مؤثر برای استفاده از این داده ها در پشتیبانی فرآیند تصمیم گیری
- شناخت مشتریان سودآور: می توانید مشتریانی که بیشترین سود شما از آنها حاصل شده را شناسایی کنید و برای حفظ وفاداری مشتری تلاش کنید.
- شناخت مشتریان وفادار و قدیمی: می توانید بفهمید مشتریان قدیمی شما چه کسانی هستند و با چه برنامه ای خرید می کنند، چه کالایی را دوست دارند و چه کالایی باعث وفاداری آنها شده است.
- بررسی طول عمر مشتری: با استفاده از داده کاوی می توانید طول عمر مشتری و چرخه آن، میزان سود حاصل عایده از هر مشتری در هر مرحله را بررسی کنید.
- شناسایی رفتار مشتری: اگر شما بتوانید رفتار مشتریان خود را بشناسید و آن را با ویژگی های مشتری تطابق دهید می توانید در زمینه بخش بندی و قسمت بندی بازار موفق عمل کنید. اگر امروز بتوانید برای یک محصول خود به صورت مستند بخش بندی بازار انجام دهید در ادامه نیز در این امر موفق خواهید بود.
- بررسی عمکلرد یک برنامه بازاریابی: اگر می خواهید بدانید یک برنامه بازاریابی و تبلیغاتی که انجام داده اید چه اثرات آشکار و پنهانی داشته و برای انتخاب آن در آینده تصمیم بگیرید بی شک داده کاوی بسیار مفید خواهد بود.
- کشف الگو و روند: با استفاده از داده کاوی و بررسی میزان خرید مشتریان می توانید الگوهای فصلی خرید را استخراج کنید، روند کاهش و یا افزایش آن را تحلیل کنید و در صورت نیاز اقدام اصلاحی انجام دهید.
- پیش بینی فروش: با استفاده از اطلاعات گذشته و بهره بردن از الگو و ارتباط میان داده ها و روند آن می توانید فروش خود را در آینده پیش بینی کنید. روند فصلی فروش را بیابید و برای فروش یک محصول جدید برنامه ریزی کنید.
پارامترهای داده کاوی
داده کاوی در کاوش داده ها پارامترهای گوناگونی را به منظورهای مختلفی مورد سنجش قرار می دهد:
- قواعد انجمنی (Association Rules)
- ترتیب (Sequence)
- خوشه بندی (Clustering)
- پیش بینی (Prediction)
- طبقه بندی (Classification)
قواعد انجمنی (Association Rules)
الگوهایی که بر اساس آن یک رویداد به دیگری مربوط می شود را کشف می کند مثلاً تاثیر خرید شارژ به خرید بسته اینترنتی از این الگو می توان در تبلیغات و ارائه پیشنهاد های ویژه و… برای خرید استفاده کرد.
خوشه بندی (Clustering)
خوشه بندی روشی برای دسته بندی و گروه بندی اشیا و کالاهای مرتبط به هم بر اساس داشتن مقادیر مشابهی برای برخی ویژگی ها می باشد. برای نمونه اگر داده ها از جنس عدد باشند یک تابع شباهت، میتواند بر اساس فاصله باشد.
پیش بینی (Prediction)
این مدل به گونه‌ای عمیق‌تر، به دسته‌بندی رویدادها در آینده می‌پردازد و می‌کوشد نتایج ناشناخته را پیشاپیش برآورد کند. برای مثال در پیش بینی فروش نمایندگی ها، الگوی موجود در داده ها می تواند برای پیش بینی مورد استفاده قرار گیرد.
طبقه بندی (Classification)
طبقه بندی فرآیند یادگیری یک مدل است که طبقه داده ها را مشخص می نماید. در این روش ابتدا با استفاده از داده های گذشته که طبقه آن ها مشخص است یک مدل طراحی می کنیم (Train) و سپس طبقه داده های آینده را با استفاده از این مدل تعیین می کنیم.