データマイナードゥーダミー

データを原料として考え、貴重で比較的洗練されたものとしてデータから得ることができる情報を抽出するプロセスは、鉱石や宝石から金属を土壌から抽出するのに比べてこれが、データマイニングという用語の起源です。

データマイニングのビジネスに焦点を当てる

データマイナーは、何か興味深いものを見つけることを望んで、無意識にデータを熟考するだけではありません。すべてのデータマイニングプロジェクトは、特定のビジネス上の問題とマッチする目標から始まります。

<！ - 1 - >

データマイナーとしては、最終的なビジネス上の決定を下す権限がないため、意思決定者のニーズに合わせて作業することが重要です。彼らの問題点、ニーズ、嗜好を理解し、良いビジネス上の意思決定を支援する情報を提供することに努力する必要があります。

あなた自身のビジネス知識は非常に重要です。幹部はあなたが働いている間にあなたの隣に座らず、あなたの発見と彼らの懸念との関連性に関するフィードバックを提供します。あなた自身の経験と洞察力を使用して、自分のためにそれを判断する必要があります。

<！データマイナーが時間を費やす方法を理解するデータマイニング担当者が終日、人生を変えて発見し、貴重なモデルを構築し、日常業務に統合できるのは素晴らしいことです。しかし、それはアスリートが一日中勝利するトーナメントを費やすことができれば素晴らしいことを言っているようなものです。勝利の瞬間までには多くの準備が必要です。だからアスリートのように、データマイナーは準備に多くの時間を費やします。

<！データマイニングプロセスの理解

優れた作業プロセスは、時間、データ、およびその他すべてのリソースを最大限に活用するのに役立ちます。この本では、最も一般的なデータマイニングプロセスCRISP-DMを紹介します。これは、多くの業界のデータマイナーのコンソーシアムが作成した6フェーズの発見と行動、誰でも使用できるオープンな標準です。

CRISP-DMプロセスの段階は、

ビジネス理解

データ理解

データ準備

モデリング
評価
展開（日常業務におけるモデルを使用）
フェーズは、ビジネスの結果と価値の品質にとって重要な点で同等の重要性を持ちます。しかし、必要な時間の面では、データの準備が支配的です。データ準備は、データマイニングプロセスの他のすべてのフェーズを組み合わせるよりも、通常は時間がかかります。
モデルを作成する
目標を理解し、データを整理して使用する準備ができたら、予測モデルを構築することに注意を向けることができます。モデルはレポートでできないものを処理します。行動をサポートする情報を提供します。

売り上げが減少しているとの報告があります。地域、製品、チャネルごとに販売を打ち破ることができ、販売がどこで拒否されたか、これらの減少が広範囲に及んでいるか特定の地域のみに影響を受けているかを知ることができます。しかし、なぜあなたは

販売が拒否されたのか、またどのような行動がビジネスを復活させるのに役立つのかについての手掛かりをあなたに与えることはありません。

モデルは、販売に影響する要因、売上を増減させる傾向のある行動、ビジネスを円滑に運営する戦略や戦術を理解するのに役立ちます。それはエキサイティングですね。おそらく、ほとんどのデータ・マイナーがモデリングを仕事の楽しい部分と考えているのかもしれません。

数学的モデルを理解する数学的モデルはデータマイニングの中心ですが、それは何ですか？彼らは何をし、彼らはどのように働き、彼らはどのように創造されていますか？数学的モデルは、2つ以上の物の間の関係を記述する、単純で単純な方程式または方程式の集合である。このような方程式は、自然と社会の働きに関する理論の簡略化されたものです。この理論は、多くの証拠によって支持されるかもしれないし、それは単なる野生の推測かもしれない。どちらの場合も、数学の言葉は同じです。予測モデル、統計モデル、

または

線形モデル

などの用語は、特定のタイプの数学的モデル、意図された用途、形態、または導出方法を反映する名前特定のモデル。これらの3つの例は、多くのそのような用語のほんの一部です。

ビジネスセッティングでモデルが言及されるとき、それは予測のために使用されるモデルである可能性が最も高い。モデルは、他の多くの要因の中で、株価、製品売り上げ、失業率を予測するために使用されます。

これらの予測は正確である場合と正確でない場合がありますが、モデルに含まれる任意の一連の値（これらの既知の要因を独立変数または入力明確な予測（

依存変数、出力、

または結果とも呼ばれます）を検索します。数学モデルは、特定のプロセスを動かす作業メカニズムを記述するなど、ビジネス上の他の目的にも使用されます。データマイニングでは、機械学習または統計的方法を使用してデータのパターンを見つけることによってモデルを作成します。データ・マイナーは、古典的統計学者と同じ厳密なアプローチに従っていませんが、すべてのモデルは実際のデータと一貫した数学的モデリング手法から得られます。すべてのデータマイニングモデルは、一連の証拠によってサポートされています。なぜ数学モデルを使用するのですか？単語を使って同じ関係を記述することはできませんでしたか？それは可能ですが、方程式の使用には一定の利点があります。これには以下のものが含まれます。利便性：文章で書かれた同等の記述と比較すると、方程式は簡単です。数学的象徴は、数学的関係を表現する目的で特に進化してきた。英語のような言語はそうではありません。 Clarity：方程式は、アイデアを簡潔に伝え、あいまいではありません。彼らは文化に基づいて異なる解釈の対象ではなく、数学の象徴主義は世界中で広く使われている一種の共通の言葉です。一貫性：

数学的表現は明白であるので、特定の状況の意味は、数学的モデルによって明確に定義される。

情報を行動に移す

モデルは、ビジネスで使用するときにのみ価値を提供します。モデルの予測は、さまざまな方法で意思決定をサポートするかもしれない。特定の決定を下すために、レポートまたはプレゼンテーションに予測を組み込むことができます。モデルを運用システム（顧客サービスシステムなど）に統合し、日々の使用をリアルタイムで予測する。（たとえば、即時支払い、即時拒否、またはさらに調査するために保険金請求にフラグを立てることができます）。
バッチ予測にはモデルを使用します。（たとえば、社内の顧客リストにスコアを付けて、特定のオファーを受け取る顧客を決定することができます）。