כריית נתונים יעילה מסייעת לעסקים לחקור את הדאטה ולזהות מגמות ודפוסים מתוך אינספור רשומות בבסיסי הנתונים. התוצרים המתקבלים מתהליך זה משפיעים על מאמצי השיווק ועל היקף המכירות ומסייעים לנבא תחזיות צריכה והתנהגות צרכנים. בעידן הדאטה כאשר מאגרי מידע צוברים נתונים בקצב מסחרר, כריית נתונים טובה מהווה יתרון תחרותי. לפניכם שלושה טיפים לכריית נתונים יעילה:
הטיפ הראשון: עבודה על פי שיטה סדורה
כריית נתונים שיטתית מורכבת משלושה תהליכים: עיבוד מידע, טיפול בבעיות סיווג ואימות תוצאות.
עיבוד מידע – בתהליך הראשוני נבצע שלושה מהלכים מרכזיים: נאתר דפוסים, נסנן נתונים וניצור וקטורים. בשלב איתור הדפוסים נסתמך על מחסני נתונים ותבניות, בשלב הסינון "ננקה" את הנתונים שיוצרים "רעש" במערכת ובשלב האחרון נפחית את היקף הנתונים בעזרת יצירת וקטורים המקבצים נתונים עם פרטים זהים.
טיפול בבעיות סיווג – הסיווג מאפשר לקבץ את הדאטה לקבוצות בשיטות שונות כמו "עצי החלטה" (נרחיב על כך בהמשך), "שיטת סיווג בייס נאיבי", שיטת רשת עצבית מלאכותית, שיטת ניתוח אשכולות (סיווג קבוצות עם מאפיינים דומים –הרחבה בהמשך) ניתוחי רגרסיה (באמצעות פונקציה לינארית), למידת חוקי אסוציאציה (בעזרת מציאת קשרים, חוקיות וחזרתיות בתוך הנתונים) ושיטת "השכן הקרוב". יתרון הסיווג מאפשר לאחר מכן להיעזר בדאטה כדי ליצור תחזיות עתידיות לדוגמה: תחזית על החזרי השקעה או הלוואה בעתיד.
אימות התוצאות – השלב האחרון בהפיכת דאטה לידע מתמקד באימות התבניות שנמצאו בעזרת האלגוריתם. בשלב אימות התוצאות מתייחסים לנתונים עם רמת התאמה מוגבלת וזאת כדי להימנע מהתאמת יתר שנובעת מבעיה סטטיסטית יסודית. יתר על כן, מבוצעת השוואה בין פלט סדרת הבדיקה לפלט סדרת האימון משלב עיבוד המידע וזאת במטרה להרחיק את המידע הלא רצוי.
הטיפ השני: שימוש בעצי החלטה
עץ החלטה (עץ רגרסיה וגם עץ סיווג) הוא אחד מהמודלים הרווחים ביותר לחיזוי סטטיסטי בתחום כריית המידע. עץ החלטה משמש לשתי מטרות מרכזיות: למידה חישובית וכלי לחיזוי המבוסס על מיפוי תצפיות "צמתים בינאריים" והתאמת ערכים על פי "עלים" (אשר מייצגים סיווגים שונים) ו"ענפים" (אשר מייצגים צירופי תכונות לחלוקת הסיווג). שימושיו המרכזיים: הדמיית נתונים וכריית נתונים לתהליכי ניתוח החלטות (עצי רגרסיה העוסקים בערכים רציפים, עצי סיווג לערכים בדידים ועצי CART סיווג ורגרסיה).
הטיפ השלישי: שימוש במודל ניתוח אשכולות – Basket Analysis
ניתוח אשכולות הוא מודל העוסק בפילוח וסיווג דפוסים על פי חלוקת אובייקטים בתוך אשכולות עם מאפיינים דומים או קרובים וניתוחם בעזרת אלגוריתם מובנה. במודל הסטטיסטי המתקבל ניתן לצפות במידע אשר עוסק באירועים היסטוריים וכן באירועים שצפויים בעתיד הקרוב – שמבוססים אף הם על הנתונים ההיסטוריים. השימוש הרווח במודל זה נועד לחזות תדירות של אירוע מסוים, למשל מה תהיה תדירות הרכישות של לקוח במטרה לחשוף את דפוסי הרכישה שלו ובהתאם לכך להתאים עבורו מסרים שיווקיים. או מה תהיה תדירות הביקוש למוצר מסוים – נתון שישמש את העסק בהיבטים של היערכות לוגיסטית ותפעולית.
כפי שניתן להסיק ניתוח האשכולות נועד לתת מענה להשערות שיווקיות ומסייע לפלח התנהגות צרכנים על פי מאפיינים דמוגרפים ועל פי הרגלי צריכה תוך אפשרות להסביר את השוני בין הקבוצות השונות ובין פרטים בתוך הקבוצה, כאשר ניתן לקבץ את האשכולות בשתי דרכים -או כאשר כל עצם שייך לאשכול או כאשר כל עצם עשוי להיות שייך למספר אשכולות ובחינת מרכז הכובד או הצפיפות בין הפרטים השונים באשכול באמצעות מודלים מתמטיים.
שילוב של שלושת הכללים הללו תוך גילוי מודעות למגבלות סטטיסטיות שיוצרות "רעש" נתונים" יסייע להגיע לסיווג מהימן של המידע ויאפשר להתמודד עם מסות של נתונים במהירות וביעילות.
