DATA WAREHOUSE DAN DATA MINING

1. Apa yang bisa data mining lakukan?

DATA WAREHOUSE DAN DATA MINING - Data mining terutama digunakan saat ini oleh perusahaan dengan fokus yang kuat konsumen - ritel, keuangan, komunikasi, dan organisasi pemasaran. Hal ini memungkinkan perusahaan-perusahaan untuk menentukan hubungan antara faktor-faktor "internal" seperti harga, positioning produk, atau keterampilan staf, dan "eksternal" faktor-faktor seperti indikator ekonomi, persaingan, dan demografi pelanggan. Dan, hal itu memungkinkan mereka untuk menentukan dampak pada penjualan, kepuasan pelanggan, dan keuntungan perusahaan. Akhirnya, memungkinkan mereka untuk "menelusuri" menjadi informasi ringkasan untuk melihat data transaksional rinci.

Dengan data mining, pengecer bisa menggunakan point-of-sale catatan pembelian pelanggan untuk mengirim promosi yang ditargetkan berdasarkan sejarah pembelian individu. Dengan pertambangan data demografis dari komentar atau garansi kartu, pengecer bisa mengembangkan produk dan promosi untuk menarik segmen pelanggan tertentu.

Misalnya, tambang Blockbuster Entertainment basis data sejarah penyewaan video untuk merekomendasikan sewa kepada pelanggan individu. American Express dapat menyarankan produk untuk pemegang kartu yang berdasarkan analisis dari pengeluaran bulanan mereka.

Wal-Mart adalah perintis data mining besar untuk mengubah hubungan pemasok-nya. 

Wal-Mart menangkap point-of-sale transaksi dari lebih dari 2.900 toko di 6 negara dan terus menerus mengirimkan data ini ke besar 7,5 terabyte terawatt gudang datanya. Wal-Mart memungkinkan lebih dari 3.500 pemasok, untuk akses data pada produk mereka dan melakukan analisis data. pemasok ini menggunakan data ini untuk mengidentifikasi pola belanja konsumen di tingkat toko display. Mereka menggunakan informasi ini untuk mengelola persediaan toko lokal dan mengidentifikasi peluang merchandise baru. Pada tahun 1995, komputer Wal-Mart diproses lebih dari 1 juta query data yang kompleks.

National Basketball Association (NBA) sedang menjajaki aplikasi data mining yang dapat digunakan bersama dengan rekaman gambar dari permainan basket. Perangkat lunak Lanjutan Pramuka menganalisa pergerakan pemain untuk membantu pelatih mengatur drama dan strategi. Sebagai contoh, analisis lembar play-by-play dari permainan yang dimainkan antara New York Knicks dan Cleveland Cavaliers pada 6 Januari 1995 mengungkapkan bahwa ketika Mark Price memainkan posisi Guard, John Williams berusaha empat tembakan melompat dan membuat setiap satu! Canggih Scout tidak hanya menemukan pola ini, tetapi menjelaskan bahwa itu adalah menarik karena berbeda jauh dari persentase menembak rata-rata 49,30% untuk Cavaliers selama pertandingan itu.

Dengan menggunakan NBA Jam universal, pelatih dapat secara otomatis memunculkan klip video yang menunjukkan masing-masing dari tembakan melompat dicoba oleh Williams dengan Harga di lantai, tanpa perlu menyisir jam rekaman video. Mereka klip menunjukkan bermain pick-and-roll sangat sukses di mana Harga menarik pertahanan Bakat dan kemudian menemukan Williams untuk tembakan melompat terbuka.

2. Bagaimana data mining bekerja?

Sementara teknologi informasi berskala besar telah berkembang transaksi dan analisis sistem yang terpisah, data mining menyediakan link antara keduanya. software data mining menganalisis hubungan dan pola dalam data transaksi disimpan berdasarkan permintaan pengguna terbuka. Beberapa jenis perangkat lunak analisis yang tersedia: statistik, pembelajaran mesin, dan jaringan saraf. Umumnya, salah satu dari empat jenis hubungan yang dicari:

• Kelas: Data disimpan digunakan untuk menemukan data dalam kelompok yang telah ditentukan. Misalnya, rantai restoran bisa menambang data yang pembelian pelanggan untuk menentukan kapan pelanggan mengunjungi dan apa yang mereka biasanya order. Informasi ini dapat digunakan untuk meningkatkan lalu lintas dengan memiliki spesial sehari-hari.
• Cluster: item data dikelompokkan menurut hubungan logis atau preferensi konsumen. Sebagai contoh, data dapat ditambang untuk mengidentifikasi segmen pasar atau afinitas konsumen.
• Asosiasi: Data dapat ditambang untuk mengidentifikasi asosiasi. Contoh bir-popok adalah contoh dari pertambangan asosiatif.
• Pola Sequential: Data ditambang untuk mengantisipasi pola perilaku dan tren. Sebagai contoh, pengecer peralatan outdoor bisa memprediksi kemungkinan ransel yang dibeli berdasarkan pembelian konsumen dari kantong tidur dan sepatu hiking.

Data mining terdiri dari lima elemen utama, yaitu : 

• Ekstrak , mengubah, dan data transaksi beban ke sistem data warehouse.
• Toko dan mengelola data dalam sistem database multidimensi.
• Menyediakan akses data analis bisnis dan profesional teknologi informasi.
• Menganalisis data dengan perangkat lunak aplikasi.
• Hadir data dalam format yang bermanfaat, seperti grafik atau tabel.

Note : Ini adalah hasil translate dari artikel bahasa inggris yang saya dapat dari makul data warehouse, mohon maaf apabila kata katanya tidak relevan atau terkesan acak acakan.

Tweet