Exemple de mineritul datelor în jocuri și afaceri

Exploatarea datelor a fost folosită în multe aplicații. Câteva exemple notabile de utilizare sunt:

Jocuri

De la începutul anilor 1960, odată cu disponibilitatea oracolelor pentru anumite jocuri combinatorii, numite și baze de tabele (de exemplu, pentru șah 3×3) cu orice configurație de început, tablă mică pentru jocul puncte-și-casete, tablă mică pentru jocul hex, și anumite finaluri de joc în șah, puncte-și-casete și hex; a fost deschisă o nouă zonă pentru extragerea datelor. Aceasta este extragerea strategiilor utilizabile de om din aceste oracole. Abordările actuale de recunoaștere a modelelor nu par să dobândească pe deplin nivelul ridicat de abstractizare necesar pentru a fi aplicate cu succes. În schimb, experimentarea extinsă cu bazele de tabele – combinată cu un studiu intens al răspunsurilor bazei de tabele la probleme bine concepute și cu cunoștințele din stadiul tehnicii (adică, cunoștințe pre-baze de tabele) – este folosită pentru a obține modele perspicace. Berlekamp (în puncte-și-casete, etc.) și John Nunn (în jocurile finale de șah) sunt exemple notabile de cercetători care fac această cercetare, deși nu au fost – și nu sunt – implicați în generarea bazei de tabele.

Afaceri

În afaceri, mineritul datelor este analiza activităților istorice ale afacerii, stocate ca date statice în bazele de date din depozitul de date. Scopul este de a dezvălui modele și tendințe ascunse. Software-ul de extragere a datelor folosește algoritmi avansați de recunoaștere a modelelor pentru a verifica unele cantități mari de date pentru a ajuta la descoperirea informațiilor strategice de afaceri necunoscute anterior. Exemple de ceea ce folosesc companiile în mineritul datelor includ efectuarea de analize de piață pentru a identifica noi pachete de produse, găsirea cauzelor principale ale problemelor de producție, pentru a preveni plafonarea clienților și pentru a dobândi clienți noi, vânzarea încrucișată cu clienții existenți și profilarea clienților cu mai multă acuratețe.

În lumea de astăzi, datele brute sunt colectate de companii într-un ritm exploziv. De exemplu, Walmart procesează peste 20 de milioane de tranzacții la punctele de vânzare în fiecare zi. Aceste informații sunt stocate într-o bază de date centralizată, dar ar fi inutile fără un anumit tip de software de minerit a datelor care să le analizeze. Dacă Walmart și-ar analiza datele de la punctele de vânzare cu tehnici de minerit a datelor, ar putea determina tendințele de vânzări, ar putea dezvolta campanii de marketing și ar putea prezice cu mai multă precizie loialitatea clienților.
Categorizarea articolelor disponibile pe site-ul de comerț electronic este o problemă fundamentală. Un sistem corect de clasificare a articolelor este esențial pentru experiența utilizatorului, deoarece ajută la determinarea articolelor relevante pentru el pentru căutare și navigare. Categorizarea articolelor poate fi formulată ca o problemă de clasificare supervizată în mineritul datelor, unde categoriile sunt clasele țintă, iar caracteristicile sunt cuvintele care compun o descriere textuală a articolelor. Una dintre abordări este să găsiți inițial grupuri similare și să le plasați împreună într-un grup latent. Acum, având un articol nou, mai întâi clasificați într-un grup latent care se numește clasificare la nivel grosier. Apoi, faceți o a doua rundă de clasificare pentru a găsi categoria căreia îi aparține articolul.
De fiecare dată când se folosește un card de credit sau un card de fidelitate al magazinului sau se completează un card de garanție, se colectează date despre comportamentul utilizatorilor. Mulți oameni consideră cantitatea de informații stocate despre noi de la companii, cum ar fi Google, Facebook și Amazon, că deranjează, și sunt îngrijorați de confidențialitate. Deși există potențialul ca datele noastre personale să fie folosite în moduri dăunătoare sau nedorite, acestea sunt, de asemenea, folosite pentru a ne îmbunătăți viața. De exemplu, Ford și Audi speră să colecteze într-o zi informații despre tiparele de conducere ale clienților, astfel încât să poată recomanda rute mai sigure și să avertizeze șoferii despre condițiile periculoase ale drumurilor.
Mineritul datelor în aplicațiile de gestionare a relațiilor cu clienții poate contribui în mod semnificativ la rezultatul final. În loc să contacteze aleatoriu un prospect sau un client printr-un centru de apeluri sau să trimită e-mail, o companie își poate concentra eforturile asupra potențialilor clienți despre care se preconizează că au o probabilitate mare de a răspunde la o ofertă. Metode mai sofisticate pot fi folosite pentru a optimiza resursele în campanii, astfel încât să se poată prezice la ce canal și la ce ofertă este cel mai probabil să răspundă un individ (în toate ofertele potențiale). În plus, aplicațiile sofisticate ar putea fi utilizate pentru a automatiza corespondența. Odată ce rezultatele extragerii de date (prospect potențial/client și canal/ofertă) sunt determinate, această „aplicație sofisticată” poate trimite automat fie un e-mail special, fie un e-mail obișnuit. În cele din urmă, în cazurile în care mulți oameni vor întreprinde o acțiune fără o ofertă, poate fi folosită „modelarea Uplift” pentru a determina care persoane au cea mai mare creștere a răspunsului dacă li se face o ofertă. Prin urmare, modelarea Uplift permite marketerilor să concentreze mesajele email și ofertele asupra persoanelor convingătoare și să nu trimită oferte persoanelor care vor cumpăra produsul fără o ofertă. Gruparea de date poate fi folosită și pentru a descoperi automat segmentele sau grupurile dintr-un set de date despre clienți.
Afacerile care folosesc mineritul datelor pot observa o rentabilitate a investiției, dar, de asemenea, recunosc că numărul de modele predictive poate deveni rapid foarte mare. De exemplu, în loc să folosească un model pentru a estima comportamentul clienților, o companie poate alege să creeze un model separat pentru fiecare regiune și tip de client. În situațiile în care trebuie menținut un număr mare de modele, unele companii apelează la metodologii de minerit a datelor mai automatizate.
Mineritul datelor poate fi util departamentelor de resurse umane (HR) în identificarea caracteristicilor celor mai de succes angajați ai lor. Informațiile obținute, cum ar fi universitățile la care participă angajați de mare succes, pot ajuta HR să concentreze eforturile de recrutare în consecință. În plus, aplicațiile Strategic Enterprise Management ajută o companie să traducă obiectivele la nivel corporativ, cum ar fi obiectivele de profit și cota de marjă, în decizii operaționale, cum ar fi planurile de producție și nivelurile forței de muncă.
Analiza coșului de piață, se referă la utilizarea mineritului de date în vânzările cu amănuntul. Dacă un magazin de îmbrăcăminte înregistrează cumpărările clienților, un sistem de minerit a datelor ar putea identifica acei clienți care preferă cămășile de mătase în detrimentul celor din bumbac. Deși unele explicații ale relațiilor pot fi dificile, a profita de ele este mai ușor. Exemplul tratează regulile de asociere în cadrul datelor bazate pe tranzacții. Nu toate datele sunt bazate pe tranzacții și sunt logice, sau pot fi prezente și reguli inexacte într-o bază de date.
Analiza coșului de piață a fost utilizată pentru a identifica modelele de cumpărare ale consumatorului alpha. Analiza datelor culese despre acest tip de utilizator a permis companiilor să prezică tendințele viitoare de cumpărare și să prognozeze cererile de aprovizionare.
Mineritul datelor este un instrument extrem de eficient în industria de marketing prin catalog. Realizatorii de cataloage au o bază de date bogată cu istoricul tranzacțiilor cu clienții lor pentru milioane de clienți, care datează de câțiva ani. Instrumentele de minerit a datelor pot identifica modele în rândul clienților și pot ajuta la identificarea celor mai probabili clienți să răspundă la viitoarele campanii prin corespondență.
Mineritul datelor pentru aplicații de afaceri poate fi integrat într-un proces complex de modelare și luare a deciziilor. LIONsolver folosește inteligența de afaceri reactivă (RBI) pentru a susține o abordare „holistică”, care integrează mineritul datelor, modelarea și vizualizarea interactivă într-un proces de descoperire de la un capăt la altul, și de inovare continuă, alimentate de învățarea umană și automatizată.
În domeniul luării deciziilor, abordarea RBI a fost folosită pentru a extrage cunoștințele care sunt dobândite progresiv de la decident și apoi auto-ajustează metoda de decizie în consecință. Relația dintre calitatea unui sistem de minerit de date și cantitatea de investiții pe care decidentul este dispus să o facă a fost formalizată prin furnizarea unei perspective economice asupra valorii „cunoștințelor extrase” în ceea ce privește profitul acesteia către organizație. Acest cadru de clasificare teoretic decizional a fost aplicat unei linii de fabricare a plachetelor de semiconductori din lumea reală, unde au fost dezvoltate reguli de decizie pentru monitorizarea și controlul eficient al liniei de fabricare a plăcilor semiconductoare.