Forskel mellem data mining og data warehousing
Data mining vs Data Warehousing
Data Mining og Data Warehousing er begge meget kraftfulde og populære teknikker til analyse af data. Brugere, der er tilbøjelige til at bruge statistik, bruger Data Mining. De bruger statistiske modeller til at søge efter skjulte mønstre i data. Data minearbejdere er interesserede i at finde nyttige forhold mellem forskellige dataelementer, hvilket i sidste ende er rentabelt for virksomhederne. Men på den anden side har dataeksperter, som kan analysere forretningsdimensioner, en tendens til at benytte datalagre.
Data mining er også kendt som Knowledge Discovery in data (KDD). Som nævnt ovenfor er det et område inden for datalogi, der beskæftiger sig med udvinding af tidligere ukendte og interessante oplysninger fra rå data. På grund af den eksponentielle vækst af data, især inden for områder som erhverv, er dataudvinding blevet et meget vigtigt redskab til at konvertere denne store rigdom af data til business intelligence, da manuel udvinding af mønstre er blevet tilsyneladende umulig de sidste par årtier. For eksempel er det i øjeblikket blevet brugt til forskellige applikationer som social network analysis, svindel afsløring og markedsføring. Data mining handler normalt om følgende fire opgaver: clustering, klassificering, regression og forening. Clustering identificerer lignende grupper fra ustrukturerede data. Klassificering er læringsregler, der kan anvendes på nye data og vil typisk indeholde følgende trin: Forbehandling af data, design modellering, læring / funktion valg og Evaluering / validering. Regression er at finde funktioner med minimal fejl i modeldata. Og forening søger relationer mellem variabler. Data mining bruges normalt til at besvare spørgsmål som hvad er de vigtigste produkter, der kan bidrage til at opnå et højt overskud næste år i Wal-Mart?
Som nævnt ovenfor anvendes datalagring også til analyse af data, men af forskellige sæt brugere og et lidt andet mål i tankerne. For eksempel, når det gælder detailhandel, er data warehousing-brugere mere bekymrede over, hvilke typer køb der er populære hos kunderne, så analysens resultater kan hjælpe kunden ved at forbedre kundeoplevelsen. Men Data miners første formodning er en hypotese, som for eksempel kunder køber en bestemt type produkt og analyserer dataene for at teste hypotesen. Data warehousing kunne udføres af en større forhandler, der oprindeligt lagrer sine butikker med samme størrelser af produkter for senere at finde ud af, at New York butikker sælger mindre lagerbeholdning meget hurtigere end i Chicago butikker. Så ved at se på dette resultat kan forhandleren oplagre New York-butikken med mindre størrelser i forhold til Chicago-butikker.
Så du kan tydeligvis se, at disse to analysetyper synes at være af samme art for det blotte øje. Begge bekymrer sig om at øge fortjenesten på baggrund af de historiske data. Men selvfølgelig er der vigtige forskelle. Enkelt sagt er Data Mining og Data Warehousing dedikeret til at indrette forskellige typer af analyser, men bestemt til forskellige typer brugere. Med andre ord ser Data Mining efter korrelationer, patters til støtte for en statistisk hypotese. Men Data Warehousing svarer et forholdsvis bredere spørgsmål, og det skiver og terninger data derfra og frem for at anerkende forbedringsmåder i fremtiden.
