Skip to content
داده کاوی یا دیتا ماینینگ چیست؟ چه کاربردی دارد؟

داده کاوی یا دیتا ماینینگ چیست؟ چه کاربردی دارد؟

داده کاوی فرآیند جستجو و تجزیه و تحلیل یک دسته بزرگ از داده‌های خام است به منظور شناسایی الگوها و استخراج اطلاعات مفید.شرکت‌ها از نرم‌افزارهای داده‌کاوی برای دریافت اطلاعات بیشتری درباره مشتریان خود استفاده می‌کنند.

این می‌تواند به آن‌ها کمک کند تا استراتژی‌های بازاریابی موثرتری توسعه دهند، فروش‌ها را افزایش دهند و هزینه‌ها را کاهش دهند. دیتاماینینگ بر مبنای جمع‌آوری داده‌های موثر، انبارداری و پردازش رایانه‌ای انجام می‌شود.

نکات کلیدی داده‌کاوی :

1- داده‌کاوی فرآیند تجزیه و تحلیل یک دسته بزرگ از اطلاعات برای تشخیص روندها و الگوها است.

2- شرکت‌ها می‌توانند از دیتا ماینینگ برای هر کار از یادگیری در مورد علاقه‌ها و نیازهای مشتریان گرفته تا کشف تقلب و فیلترینگ اسپم استفاده کنند.

3- برنامه‌های داده‌کاوی الگوها و اتصالات در داده‌ها را بر اساس اطلاعاتی که کاربران درخواست یا ارائه می‌کنند، تجزیه و تحلیل می‌کنند.

4- شرکت‌های رسانه‌های اجتماعی از تکنیک‌های داده‌کاوی برای کالاپذیری کاربران به منظور تولید سود استفاده می‌کنند.

این استفاده از دیتاماینینگ به تازگی مورد انتقاد قرار گرفته است زیرا کاربران اغلب از داده‌کاوی بر اطلاعات شخصی خود غافل هستند، به ویژه زمانی که برای تأثیرگذاری بر ترجیحات استفاده می‌شود.

پیشنهاد مطالعه: استخراج بیت کوین ( ماینینگ بیت کوین) چگونه انجام می شود؟

نکات کلیدی داده‌کاوی

چگونگی عملکرد داده‌کاوی

داده‌کاوی شامل کاوش و تجزیه و تحلیل بلوک‌های بزرگ اطلاعات است به منظور یافتن الگوها و روندهای معنادار. این در مدیریت ریسک اعتباری، شناسایی تقلب و فیلترینگ اسپم مورد استفاده قرار می‌گیرد. همچنین یک ابزار تحقیقات بازار است که به آشکار کردن احساسات یا نظرات یک گروه خاص از افراد کمک می‌کند. فرآیند داده‌کاوی به چهار گام تقسیم می‌شود:

1- داده جمع‌آوری شده و در انبارهای داده در محل یا در سرویس ابر بارگذاری می‌شود.

2- تحلیلگران تجاری، تیم‌های مدیریت و حرفه‌ایان فناوری اطلاعات به داده دسترسی پیدا کرده و تصمیم می‌گیرند که چگونه می‌خواهند آن را سازماندهی کنند.

3- نرم‌افزارهای کاربردی سفارشی داده را مرتب و سازماندهی می‌کنند.

4- کاربر نهایی داده را به یک قالب آسان برای به اشتراک گذاری، مانند یک نمودار یا جدول، ارائه می‌دهد.

انبارداری داده و نرم‌افزارهای داده‌کاوی

برنامه‌های دیتا ماینینگ، روابط و الگوها در داده‌ها را بر اساس درخواست‌های کاربران تجزیه و تحلیل می‌کنند و اطلاعات را به گروه‌های مختلف تقسیم می‌کنند. به عنوان مثال، یک رستوران ممکن است از داده‌کاوی برای تعیین اینکه چه تخفیفاتی باید ارائه دهد و در چه روزهایی استفاده شود استفاده کند. داده می‌تواند بر اساس زمان بازدید مشتریان و سفارشات آن‌ها به دسته‌های مختلف تقسیم شود.

در موارد دیگر، داده‌کاوان خوشه‌های اطلاعات بر اساس روابط منطقی پیدا می‌کنند یا به انجمن‌ها و الگوهای متوالی نگاه می‌کنند تا نتیجه‌گیری در مورد روندهای رفتار مصرف‌کننده داشته باشند.

انبارداری جزء اصلی داده‌کاوی است و به معنای مرکزی‌سازی داده‌های یک سازمان در یک پایگاه‌داده یا برنامه اشاره دارد. این امکان را فراهم می‌کند تا سازمان بخش‌های مختلف داده را برای کاربران خاص جهت تجزیه و تحلیل و استفاده بر اساس نیازهای آن‌ها ایجاد کند.

راه‌حل‌های انبارداری داده در ابر از فضا و توان ارائه‌دهنده ابر برای ذخیره داده استفاده می‌کنند. این امکان را به شرکت‌های کوچک می‌دهد تا از راهکارهای دیجیتال برای ذخیره‌سازی، امنیت و تجزیه و تحلیل بهره‌مند شوند.

تکنیک‌های داده‌کاوی:

1- قوانین ارتباطات: همچنین با نام تحلیل سبد خرید بازار، به دنبال روابط بین متغیرها می‌گردد.

2- طبقه‌بندی: از کلاس‌های تعریف‌شده برای اختصاص به اشیاء استفاده می‌کند. این کلاس‌ها ویژگی‌های اشیاء را توصیف یا نقطه‌های مشترک داده‌ها را نشان می‌دهند.

3- خوشه‌بندی: مشابه طبقه‌بندی است. با این حال، خوشه‌بندی شباهت‌های بین اشیاء را شناسایی کرده و سپس اقلام را بر اساس آنچه که آن‌ها را از دیگر اقلام متمایز می‌کند، گروه‌بندی می‌کند.

4- درخت تصمیم: برای طبقه‌بندی یا پیش‌بینی یک نتیجه بر اساس یک لیست مشخص از معیارها یا تصمیم‌ها استفاده می‌شود.

5- همسایه نزدیک (KNN): یک الگوریتم است که داده را بر اساس نزدیکی به داده‌های دیگر طبقه‌بندی می‌کند.

6- شبکه‌های عصبی: از طریق استفاده از گره‌ها، وزن‌ها و خروجی‌ها داده‌ها را پردازش می‌کند.

7- تجزیه و تحلیل پیش‌بینی: سعی در بهره‌گیری از اطلاعات تاریخی برای ساختن مدل‌های گرافیکی یا ریاضی جهت پیش‌بینی نتایج آینده دارد.
تکنیک‌های مهم در فرایند داده‌کاوی:

فرایند داده‌کاوی

برای حداکثر اثربخشی، تحلیلگران داده معمولاً یک جریان از وظایف را در امتداد فرایند داده‌کاوی دنبال می‌کنند. بدون این ساختار، یک تحلیلگر ممکن است در نیمه‌ی تجزیه و تحلیل خود با یک مسئله مواجه شود که اگر از قبل برای آن آماده شده بود، به راحتی قابل پیشگیری بود. فرآیند دیتا ماینینگ معمولاً به مراحل زیر تقسیم می‌شود.

مرحله 1: درک تجارت

قبل از هر گونه داده‌ای لمس، استخراج، تمیزکاری یا تجزیه و تحلیل، ضروری است که موجودیت زیرین و پروژه مورد نظر دقیقاً مشخص شود. اهدافی که شرکت از داده‌کاوی به دنبال دستیابی به آن‌هاست چیست؟ وضعیت فعلی کسب‌وکار چیست؟ یافته‌های تحلیل SWOT چه می‌باشد؟ پیش از هر گونه بررسی دقیقی از داده‌ها، فرآیند داده‌کاوی با درک صحیح از این موارد، آغاز به کار می‌کند که در پایان به موفقیت فرآیند تعیین کننده خواهد شد.

مرحله 2: درک داده

هنگامی که مسئله تجارت به وضوح تعریف شده باشد، وقت آن است که به داده فکر کرد. این شامل آن است که چه منابعی در دسترس هستند، چگونه تضمین و ذخیره می‌شوند، چگونه اطلاعات جمع‌آوری می‌شوند و نتیجه یا تحلیل نهایی چگونه خواهد بود. این مرحله شامل تعیین حدود داده، ذخیره، امنیت و جمع‌آوری است و ارزیابی می‌کند که این محدودیت‌ها چگونه بر فرآیند داده‌کاوی تأثیر خواهند گذاشت.

مرحله 3: آماده‌سازی داده

داده‌ها جمع‌آوری، آپلود، استخراج و یا محاسبه می‌شوند. سپس تمیزکاری، استانداردسازی، بررسی نقاط ناپسند و بررسی معقولیت برای آن‌ها انجام می‌شود. در این مرحله از فرآیند داده‌کاوی، ممکن است داده‌ها نیز برای اندازه گیری چک شوند، زیرا مجموعه‌ای از اطلاعات بزرگ ممکن است حجم محاسبات و تجزیه و تحلیل را به طور ناچیز افزایش دهد.

مرحله 4: ساخت مدل

با مجموعه داده تمیز در دست، وقت آن است که به محاسبات بپردازیم. دانشمندان داده از انواع دیتا ماینینگ بالا برای جستجوی روابط، روندها، ارتباطات یا الگوهای متوالی استفاده می‌کنند. داده ممکن است همچنین به مدل‌های پیش‌بینی وارد شود تا ارزیابی شود که چگونه اطلاعات پیشین ممکن است به نتایج آینده ترجمه شود.

مرحله 5: ارزیابی نتایج

جنبه محور داده‌کاوی با ارزیابی یافته‌های مدل یا مدل‌های داده به پایان می‌رسد. نتایج تحلیل قابل جمع‌آوری و تفسیر می‌شوند و به تصمیم‌گیرندگان، که تا این لحظه به طور عمده از فرآیند دیتا ماینینگ خارج شده‌اند، ارائه می‌شوند. در این مرحله، سازمان‌ها می‌توانند تصمیم بگیرند که تصمیمات خود را بر اساس یافته‌ها اتخاذ کنند.

مرحله 6: اجرای تغییر و نظارت

فرآیند دیتا ماینینگ با گام‌های مدیریت در پاسخ به یافته‌های تجزیه و تحلیل به اتمام می‌رسد. شرکت ممکن است تصمیم بگیرد که اطلاعات کافی نبوده یا یافته‌ها مرتبط نبوده‌اند یا شرکت ممکن است بر اساس یافته‌ها به طور استراتژیک دگرگون شود. در هر دو مورد، مدیریت تأثیرات نهایی کسب‌وکار را بررسی می‌کند و حلقه‌های جدید داده‌کاوی را با شناسایی مسائل یا فرصت‌های جدید ایجاد می‌کند.

کاربردهای داده‌کاوی

در دوران اطلاعات امروز، تقریباً هر بخش، صنعت، حوزه یا شرکتی می‌تواند از داده‌کاوی بهره‌مند شود.

فروش

دیتا ماینینگ از سرمایه به‌طور هوشمندانه‌تر و کارآمدتر برای رشد درآمد استفاده می‌کند. فرض کنید که در آرایشگاه محلی مورد علاقه‌تان خرید می‌کنید. این آرایشگاه برای هر فروش، زمان خرید و محصولات فروخته‌شده را جمع‌آوری می‌کند. با استفاده از این اطلاعات، فروشگاه می‌تواند خط محصولات خود را با استراتژی برنامه‌ریزی کند.

بازاریابی

هنگامی که آرایشگاه فوق خط محصولات ایده‌آل خود را می‌شناسد، زمان آن است که تغییرات را پیاده‌سازی کند. با این حال، برای افزایش کارایی تلاشات بازاریابی خود، فروشگاه می‌تواند از داده‌کاوی برای درک اینکه مشتریانش تبلیغات را کجا می‌بینند، چه جمعیت‌هایی را هدف قرار دهند، تبلیغات دیجیتال را کجا قرار دهند و چه استراتژی‌های بازاریابی بیشترین تأثیر را روی مشتریان دارند، استفاده کند. این شامل هماهنگ‌سازی کمپین‌های بازاریابی، پیشنهادهای تبلیغی، پیشنهادهای فروش متقابل و برنامه‌ها با یافته‌های داده‌کاوی می‌شود.

تولید

برای شرکت‌هایی که کالاهای خود را تولید می‌کنند، داده‌کاوی نقش اساسی در تجزیه و تحلیل هزینه هر مواد اولیه، کاربرد کارآمدترین مواد، گذر زمان در طول فرآیند تولید و نقاط مسدود کننده‌ای که منفی بر فرآیند تأثیر می‌گذارد، ایفا می‌کند. دیتا ماینینگ به اطمینان از پیوستگی جریان کالاها کمک می‌کند.

شناسایی تقلب

هسته داده‌کاوی یافتن الگوها، روندها و ارتباطاتی است که نقاط داده را به یکدیگر متصل می‌کند. بنابراین، یک شرکت می‌تواند از داده‌کاوی برای شناسایی پرتوان‌ها یا ارتباطاتی که نباید وجود داشته باشد، استفاده کند. به عنوان مثال، یک شرکت ممکن است جریان نقدینگی خود را تجزیه و تحلیل کند و یک تراکنش دوره‌ای به حساب ناشناخته‌ای بیابد. اگر این امر غیرمنتظره باشد، شرکت ممکن است بخواهد بررسی کند که آیا اموال به‌درستی مدیریت می‌شوند یا خیر.

منابع انسانی

دپارتمان‌های منابع انسانی اغلب دسترسی به داده‌های وسیعی برای پردازش دارند که شامل داده‌های مربوط به نگه‌داری، ترفیعات، محدوده‌های حقوق، مزایا و نفع‌های شرکت، استفاده از این مزایا و نظرسنجی‌های رضایت کارکنان می‌شود. داده‌کاوی می‌تواند این داده‌ها را با هم همبسته کرده و درک بهتری از اینکه چرا کارمندان از کار خود استعفا می‌دهند و چه جلب‌کننده‌ای برای کارکنان جدید است، فراهم کند.

خدمات مشتری

رضایت مشتری ممکن است به دلایل مختلفی ناشی شود یا تخریب شود. تصور کنید که یک شرکت کالاها را حمل و نقل می‌کند. یک مشتری ممکن است از زمان‌های حمل و نقل، کیفیت حمل و نقل یا ارتباطات ناخوشایند ناراضی باشد. همان مشتری ممکن است از زمان‌های انتظار طولانی تلفن یا پاسخ‌های ایمیل کند. داده‌کاوی اطلاعات عملیاتی درباره تعاملات مشتریان را جمع‌آوری می‌کند و یافته‌ها را به طور خلاصه برای تعیین نقاط ضعف و برجسته کردن نقاط قوت شرکت مورد نظر مشتری، گردآوری می‌کند.

پیشنهاد مطالعه: استخر استخراج ( استخر ماینینگ) چیست؟ آن چه باید در مورد استخر استخراج بدانید؟

مزایا و معایب داده‌کاوی

مزایای داده‌کاوی

1- سودآوری و کارایی را تقویت می‌کند

2- می‌تواند برای هر نوع داده و مشکل کسب‌وکاری استفاده شود

3- می‌تواند اطلاعات و روندهای پنهان را نمایان کند

معایب داده‌کاوی

1- پیچیدگی

2- نتایج و مزایای مطمئن نیست

3- ممکن است گران باشد

مزایا توضیح داده‌شده

داده‌کاوی اطمینان حاصل می‌کند که یک شرکت داده‌های قابل اعتماد را جمع‌آوری و تجزیه و تحلیل می‌کند. این معمولاً یک فرآیند دشوار و ساختارمند است که به صورت رسمی یک مشکل را شناسایی می‌کند، داده‌های مرتبط با مشکل را جمع‌آوری می‌کند و سعی دارد یک راه‌حل نوآورانه ایجاد کند. بنابراین، داده‌کاوی به یک کسب‌وکار کمک می‌کند تا سودآورتر، کارآمدتر یا عملی‌تر شود.

داده‌کاوی ممکن است در برنامه‌های مختلف به شکلهای گوناگون ظاهر شود، اما فرآیند کلی می‌تواند با تقریباً هر برنامه جدید یا میراثی به کار گرفته شود. اصولاً هر نوع داده‌ای قابل جمع‌آوری و تجزیه و تحلیل است و تقریباً هر مسئله‌ای که به دلایل معقولی از داده‌های کمی بهره‌مند باشد، با داده‌کاوی قابل حل است.

هدف نهایی داده‌کاوی این است که اطلاعات خام را دریافت کرده و ببیند آیا در میان داده‌ها هماهنگی یا ارتباطی وجود دارد. این مزیت داده‌کاوی به یک شرکت این امکان را می‌دهد که ارزش اطلاعاتی که در دست دارد را ایجاد کند که در غیر این صورت به طور قابل توجهی ظاهر نمی‌شد. گرچه مدل‌های داده‌کاوی ممکن است پیچیده باشند، اما می‌توانند نتایج جذابی ایجاد، روندهای پنهان را کشف و استراتژی‌های منحصر به فرد را پیشنهاد دهند.

مزایا و معایب داده‌کاوی

معایب توضیح داده‌شده

پیچیدگی داده‌کاوی یکی از بزرگترین چالش‌های آن است. تجزیه و تحلیل داده‌ها معمولاً به مهارت‌های فنی و ابزارهای نرم‌افزاری خاصی نیاز دارد که برای شرکت‌های کوچک می‌تواند به عنوان یک مانع ورود دشوار محسوب شود.

همچنین داده‌کاوی همواره نتایج مطلوب را تضمین نمی‌کند. یک شرکت ممکن است تحلیل آماری انجام دهد، استنباط‌ها را از داده‌های قوی برداشت کند، تغییرات را اعمال کند ولی هیچ تأثیر قابل توجهی نداشته باشد. از طریق یافته‌های نادرست، تغییرات در بازار، خطاهای مدل یا داده‌های نادرست جمعیت، داده‌کاوی می‌تواند صرفاً تصمیمات را هدایت کند و تضمین موفقیت نکند.

علاوه بر این، جنبه هزینه‌ای نیز وجود دارد. ابزارهای داده ممکن است نیازمند اشتراک‌های گران باشند و برخی از قطعات داده ممکن است هزینه‌بر باشند. نگرانی‌های مربوط به امنیت و حریم خصوصی هم قابل توجه است، گرچه افزایش زیرساخت‌های IT هم هزینه‌بر است. داده‌کاوی همچنین زمانی ممکن است موثرتر باشد که از مجموعه‌های داده بزرگ استفاده شود؛ با این حال، این مجموعه‌ها باید ذخیره شوند و نیاز به قدرت محاسباتی سنگین دارند.

حتی شرکت‌ها یا سازمان‌های بزرگ نیز با چالش‌های داده‌کاوی مواجه هستند. به عنوان مثال، گزارش سفید FDA در مورد داده‌کاوی چالش‌های اطلاعات نادرست، داده تکراری، گزارش کم یا زیاد را تشریح می‌دهد

داده‌کاوی و رسانه‌های اجتماعی

یکی از کاربردهای پرسود داده‌کاوی توسط شرکت‌های رسانه‌های اجتماعی انجام شده است. پلتفرم‌هایی مانند فیس‌بوک، تیک‌تاک، اینستاگرام و ایکس پلتفرم (قبلاً توییتر) حجم زیادی از داده‌ها را در مورد کاربران خود بر اساس فعالیت‌های آنلاین آن‌ها جمع‌آوری می‌کنند.

این داده‌ها می‌توانند برای انجام استنباط‌ ها در مورد ترجیحات آنها استفاده شوند. تبلیغ‌ها می‌توانند پیام‌های خود را به افرادی که به نظر می‌رسد به احتمال زیاد به آنها پاسخ مثبت خواهند داد، هدف بگیرند.

داده‌کاوی در رسانه‌های اجتماعی یک مسئله بزرگ اختلاف شده است، که چندین گزارش تحقیقی و افشاگری نشان داده‌اند که چقدر داده‌کاوی برای کاربران مختصات افرازی است. در مرکز این مسئله، کاربران ممکن است با شرایط و ضوابط سایت‌ها موافقت کنند و نفهمند که اطلاعات شخصی آن‌ها چگونه جمع‌آوری می‌شود یا اطلاعات آن‌ها به چه کسانی فروخته می‌شود.

نمونه‌های داده‌کاوی

داده‌کاوی می‌تواند به نفع باشد یا به طور غیرقانونی استفاده شود. در زیر یک مثال از هر دو حالت آورده شده است.

eBay و تجارت الکترونیک

eBay هر روز اطلاعات بی‌شماری را از فروشندگان و خریداران جمع‌آوری می‌کند. این شرکت از دیتا ماینینگ برای استنتاج ارتباطات بین محصولات، ارزیابی محدوده قیمت‌های مطلوب، تجزیه و تحلیل الگوهای خرید قبلی و ایجاد دسته‌بندی محصولات استفاده می‌کند.

روند توصیه‌گری eBay به شرح زیر است:

1- اطلاعات فراداده و داده‌های تاریخی کاربر جمع‌آوری می‌شوند.

2- اسکریپت‌ها بر روی یک مدل آموزش دیده اجرا می‌شوند تا محصول و کاربر را تولید و پیش‌بینی کنند.

3- جستجوی KNN انجام می‌شود.

4- نتایج در یک پایگاه داده ذخیره می‌شوند.

5- توصیه به صورت زمان واقعی شناسه کاربر را می‌گیرد، نتایج پایگاه داده را فراخوانی کرده و به کاربر نمایش داده می‌شود.

رسوایی فیس‌بوک-کمبریج آنالیتیکا

یک نمونه هشدار دهنده دیگر از داده‌کاوی، اسکندال داده فیس‌بوک-کمبریج آنالیتیکا است. در دهه 2010، شرکت مشاوره بریتانیایی کمبریج آنالیتیکا لیمیتد اطلاعات شخصی را از میلیون‌ها کاربر فیس‌بوک جمع‌آوری کرد. این اطلاعات برای استفاده در کمپین‌های ریاست‌جمهوری سال‌های 2016 تد کروز و دونالد ترامپ تجزیه و تحلیل شد. تردید بر این است که کمبریج آنالیتیکا در دخالت در رویدادهای قابل توجه دیگری مانند رفراندوم بریتانیا نقش داشته است.

با توجه به این دیتا ماینینگ ناپسند و سوءاستفاده از داده‌های کاربر، فیس‌بوک موافقت کرد که ۱۰۰ میلیون دلار جریمه پرداخت کند به خاطر اینکه سرمایه‌گذاران را درباره استفاده‌های داده‌های مصرف‌کننده گمراه کرده بود. کمیسیون اوراق بهادار و بورس ادعا کرد که فیس‌بوک در سال ۲۰۱۵ متوجه سوءاستفاده شد، اما بیش از دو سال اصلاح‌های خود را انجام نداد.

انواع داده‌کاوی چگونه است؟

دو نوع اصلی داده‌کاوی وجود دارد: داده‌کاوی پیش‌بینی‌ای و داده‌کاوی توصیفی. داده‌کاوی پیش‌بینی‌ای داده‌ها را استخراج می‌کند که ممکن است در تعیین نتیجه مفید باشد. داده‌کاوی توصیفی کاربران را از یک نتیجه داده می‌کند.

چگونه داده‌کاوی انجام می‌شود؟

داده‌کاوی بر اساس داده‌های بزرگ و فرآیندهای پیشرفته محاسباتی از جمله یادگیری ماشین و سایر اشکال هوش مصنوعی وابسته است. هدف یافتن الگوهایی است که می‌توانند به استنباط‌ها یا پیش‌بینی‌ها از مجموعه‌های داده بزرگ و بدون ساختار منجر شوند.

چه نام دیگری برای داده‌کاوی وجود دارد؟

دیتا ماینیگ گاهی هم با عنوان کمتر استفاده شده “کشف دانش در داده” یا KDD شناخته می‌شود.

استفاده از DATA MINING کجا صورت می‌گیرد؟

برنامه‌های داده‌کاوی طراحی شده‌اند تا با هر کاری که به داده‌های بزرگ وابسته باشد، سازگار باشند. شرکت‌های حوزه مالی الگوها را در بازارها جستجو می‌کنند. دولت‌ها تلاش می‌کنند تا تهدیدهای امنیتی پتانسیل را شناسایی کنند. شرکت‌ها، به ویژه شرکت‌های آنلاین و رسانه‌های اجتماعی، از داده‌کاوی برای ایجاد کمپین‌های تبلیغاتی و بازاریابی سودآور استفاده می‌کنند که به تعداد خاصی از کاربران هدف می‌شود.

استفاده از DATA MINING کجا صورت می‌گیرد؟

نتیجه نهایی

کسب و کارهای مدرن قابلیت جمع‌آوری اطلاعات درباره مشتریان، محصولات، خطوط تولید، کارکنان و فروشگاه‌های خود را دارند. این قطعات تصادفی از اطلاعات ممکن است یک داستان را نگویند، اما استفاده از تکنیک‌ها، برنامه‌ها و ابزارهای داده‌کاوی به تشکیل اطلاعات کمک می‌کند.هدف نهایی از فرآیند داده‌کاوی، تجمیع داده‌ها، تجزیه و تحلیل نتایج و اجرای استراتژی‌های عملیاتی بر اساس نتایج داده‌کاوی است.

0 0 رای ها
امتیازدهی به مقاله
guest
0 نظرات
بازخورد (Feedback) های اینلاین
مشاهده همه دیدگاه ها

آخرین مقالات

ویدیوهای مرتبط

محاسبه‌گر سود

بیت کوین

هش‌ریت (TH)

درآمد برای 1 روز با در نظر گرفتن هزینه استخر
BTC = USD
ساعت
روز
هفته
ماه

بزودی …