每個人都想要優勢。在數字時代的商業中，最大的戰略優勢來自切割和分析各個角度的數據。

數據挖掘是對大量數據集進行分類以識別趨勢和模式並建立關係的自動化過程。隨著企業數據的激增 - 現在每天超過2.5億個字節 - 它將繼續在企業規劃運營和應對未來挑戰方面發揮越來越重要的作用。

然而，與所有與數據相關的活動一樣，數據挖掘操​​作的價值與可用於挖掘的數據的質量和範圍直接相關。為了使用最新、最乾淨、格式正確的數據，企業需要有效、高效、安全地將來自不同來源和結構的數據聚合到一個位置來挖掘數據。

數據挖掘基礎知識和優勢

數據挖掘是收集、提取、倉儲和分析特定見解或可操作情報數據的全面術語。想想礦業開採之類的數據挖掘：挖掘材料層以發現極具價值的東西。遍佈全球的各種規模、各種垂直行業的公司都依靠數據挖掘來收集智能，從支持人工智能和機器學習算法的決策支持應用到產品開發、營銷戰略和財務建模。

數據挖掘的核心是統計建模，可應用於線性迴歸或邏輯迴歸。結合預測分析，數據挖掘可以發現大量趨勢，異常情況以及公司可用於改善業務的其他先前隱藏的見解。

最近的調查顯示，超過90％的IT和業務領導者希望在其組織中使用更多的數據分析。他們主要關注改進戰略決策，最小化安全風險或脆弱性，以及加強資源規劃和預測。以下是數據挖掘在一些關鍵業務功能中的使用方式：

• 財務：使用數據洞察為貸款，合併、收購以及發現欺詐活動創建準確的風險模型。
• IT運營：收集、處理和分析大量應用程序、網絡和基礎架構數據，以發現有關IT系統安全性和網絡性能的見解。
• 營銷：表面隱藏的買方行為趨勢和預測未來行為，以開發更準確的買方角色，創建更有針對性的活動，增加參與度，並推廣新產品或服務。
• 人力資源：挖掘工作申請數據，提供候選人的全面視圖。使用數據分析確定每個開放角色的最佳匹配，以評估教育、經驗、技能、以前的職位、認證和地理位置。

數據挖掘面臨的挑戰

雖然挖掘“大數據”具有無數的好處，但它也帶來了一些獨特的挑戰。使用大量數據引入了對數據質量和準確性、效率和可擴展性的擔憂，以及對處理它的軟件，服務器和存儲硬件的高成本投資。

特別是，聚合來自一系列來源（CRM、ERP平臺、社交媒體和其他系統）的數據使得難以保證數據清潔和可用。較差的數據質量（如不完整、不準確和重複的數據）可能會對採礦活動造成嚴重破壞，並否定所獲得的洞察力的價值。此外，結合來自不同來源的數據還伴隨著標準化格式的額外挑戰，因為豐富的數據可以採用多種形式：多媒體文件（音頻、視頻和圖像）、地理定位數據、SMS、社交媒體數據等等。

深度挖掘活動所需的大量數據意味著數據挖掘算法需要高效、強大和可擴展。必須輕鬆更新數據模型以適應新數據源或提高數據速度。一些數據庫的大小和數據的分佈式特性意味著一些數據挖掘活動必須並行發生，多個挖掘算法分析較小的數據集，然後必須重新組合以獲得完整的圖像。

當然，數據挖掘的成本始終是一個考慮因素，在許多情況下，對於擁有較少資源的組織來說，這是令人望而卻步的。在考慮進入數據挖掘操​​作的服務器、存儲、帶寬和人力（數據科學家，開發人員和其他人員）時，數據挖掘操​​作可以輕鬆地達到數十萬甚至數百萬美元。

熱門數據挖掘工具

越來越多的公司強調數據驅動決策的重要性，為數據挖掘工具創造了強大的需求。目前可用的一些最流行的數據挖掘工具包括：

• Alteryx Analytics
• IBM Cognos
• Oracle數據挖掘
• RapidMiner
• SAP Business Objects（BO或BOBJ）
• Sisense

閱讀更多 離開了編程我會死 的文章

關鍵字: 人工智能 切割 數據