Különbség adatbányászat és adatraktározás
Adatbányászat vs adatgyűjtés
Az adatbányászat és adatraktározás mind nagyon erős és népszerű technikák az adatok elemzéséhez. Azok a felhasználók, akik hajlamosak a statisztikákra, az Adatbányászatot használják. Statisztikai modelleket használnak az adatok rejtett mintáinak megkeresésére. Az adatbányászok érdeklődnek a különböző adatelemek közötti hasznos kapcsolat megtalálásában, ami végső soron a vállalkozások számára nyereséges. Ugyanakkor az adatraktárak közvetlenül használják az adatkezelőket, akik képesek elemezni a vállalkozás dimenzióit.
Az adatbányászat Tudás-felfedezés adatként (KDD) is ismert. Mint korábban említettük, a számítástechnika olyan területe, amely a korábban ismeretlen és érdekes információk nyers adatokból történő kivonásával foglalkozik. Az adatok exponenciális növekedésének köszönhetően, különösen az üzleti területen, az adatbányászat nagyon fontos eszközévé vált ahhoz, hogy ezt a nagy mennyiségű adatot átalakítsák az üzleti intelligenciába, mivel a minták kézi kitermelése az elmúlt évtizedekben látszólag lehetetlen volt. Például jelenleg különböző alkalmazásokhoz használják, mint például a közösségi hálózatok elemzése, a csalás felderítése és marketing. Az adatbányászat általában a következő négy feladattal foglalkozik: csoportosítás, osztályozás, regresszió és társulás. A fürtözés a strukturálatlan adatokból hasonló csoportokat azonosít. A besorolás az új adatokra alkalmazható tanulási szabályok, amelyek tipikusan a következő lépésekkel járnak: az adatok előfeldolgozása, a modellezés tervezése, a tanulás / jellemzők kiválasztása és az értékelés / validálás. A regresszió olyan funkciókat keres, amelyek minimális hibát okoznak az adatok modellezéséhez. És az egyesület a változók közötti kapcsolatokat keresi. Az adatbányászatot általában olyan kérdések megválaszolására használják fel, mint például a fő termékek, amelyek segíthetnek a Wal-Mart jövő évi nagy nyereségének elérésében?
Amint fentebb említettük, az adattárházakat az adatok elemzésére is használják, de különböző felhasználói csoportok és egy kissé eltérő cél szem előtt tartva. Például a kiskereskedelmi szektorban az adatraktározási felhasználók jobban aggódnak, hogy milyen vásárlások népszerűek az ügyfelek körében, így az elemzés eredménye segítheti az ügyfelet az ügyfél-élmény javításával. Ám az adatbányászok először feltételezik egy olyan hipotézist, mint például mely ügyfelek vásárolnak egy bizonyos típusú terméket, és elemzik az adatokat a hipotézis tesztelésére. Az adattárházakat egy olyan nagy kiskereskedő végezheti el, aki ugyanolyan méretű termékekkel kezdetben készleteit tárolja, hogy később megtudja, hogy a New York-i üzletek sokkal kisebb méretű leltárt adnak el sokkal gyorsabban, mint a Chicagói áruházakban. Szóval, ha megnézzük ezt az eredményt, a kiskereskedő a kisebb méretű New York-i áruházat a Chicagói áruházakhoz képest kicseréli.
Szóval, ahogyan látod, nyilvánvaló, hogy a kétféle elemzés hasonlónak tűnik a szabad szemmel. Mindkét fél aggodalmát fejezi ki a nyereség növelésével a történelmi adatok alapján. Természetesen vannak kulcsfontosságú különbségek. Egyszerűen fogalmazva, az adatbányászat és az adatkezelés különféle analitikákat kínál, de mindenképpen különböző típusú felhasználók számára. Más szóval, az adatbányászat korrelációkat keres, amelyek egy statisztikai hipotézist támogatnak. De a Data Warehousing egy viszonylag szélesebb kérdésre válaszol, és ettől kezdve szétfeszíti az adatokat, és eldönti, hogy felismeri a jövőben a javítás módjait.
