Data mining
Data mining - juga dikenal sebagai knowledge-discovery in
database (KDD) adalah proses penggalian informasi yang berpotensi berguna dari
data mentah. Sebuah mesin perangkat lunak dapat memindai
sejumlah besar data dan secara otomatis melaporkan pola yang menarik tanpa memerlukan intervensi manusia. Teknologi penemuan pengetahuan lainnya adalah Analisis Statistik, OLAP, Visualisasi Data, dan kueri ad hoc. Tidak seperti teknologi ini, data mining tidak mengharuskan manusia untuk mengajukan pertanyaan spesifik.
sejumlah besar data dan secara otomatis melaporkan pola yang menarik tanpa memerlukan intervensi manusia. Teknologi penemuan pengetahuan lainnya adalah Analisis Statistik, OLAP, Visualisasi Data, dan kueri ad hoc. Tidak seperti teknologi ini, data mining tidak mengharuskan manusia untuk mengajukan pertanyaan spesifik.
Secara umum, data mining memiliki empat hubungan besar.
Mereka:
(I) Kelas
(Ii) klaster
(Iii) Asosiasi
(Iv) Pola berurutan.
(I) Kelas: Data tersimpan digunakan untuk mencari data dalam
kelompok yang telah ditentukan. Misalnya, rantai restoran bisa menawar data
pembelian pelanggan untuk menentukan kapan kunjungan pelanggan dan pesanan
mereka biasanya. Informasi ini bisa digunakan untuk meningkatkan traffic dengan
spesial sehari-hari.
(Ii) Cluster: Item data dikelompokkan menurut hubungan logis
atau preferensi konsumen. Misalnya, data dapat ditambang untuk mengidentifikasi
segmen pasar atau afinitas konsumen.
(Iii) Asosiasi: Data dapat ditambang untuk mengidentifikasi
asosiasi. Contoh popok bir adalah contoh pertambangan asosiatif.
(Iv) Pola berurutan: Data ditambang untuk mengantisipasi
pola dan tren perilaku. Misalnya, peritel peralatan luar bisa memprediksi
kemungkinan ransel dibeli berdasarkan pembelian tas tidur dan sepatu hiking
konsumen.
Metode
Clustering:
Clustering adalah teknik belajar tanpa pengawasan yang khas
untuk mengelompokkan poin data yang serupa. Algoritma clustering memberikan
sejumlah besar titik data ke sejumlah kecil kelompok sehingga titik data pada
kelompok yang sama memiliki sifat yang sama, sedangkan pada kelompok yang
berbeda, keduanya berbeda. Clustering memiliki banyak aplikasi, termasuk
pembentukan keluarga untuk teknologi kelompok, segmentasi citra, pencarian
informasi, pengelompokkan halaman web, segmentasi pasar, dan analisis ilmiah
dan teknik (16).
Banyak metode pengelompokan telah diajukan dan dapat
diklasifikasikan secara luas ke dalam empat kategori (17-24): metode pembagian,
metode hierarkis, metode berbasis kerapatan dan metode berbasis grid. Teknik
pengelompokan lainnya yang tidak tercemar dalam kategori ini telah
dikembangkan. Mereka adalah clustering fuzzy, jaringan syaraf tiruan dan
algoritma generik.
Bagian berikut membahas tentang studi terperinci mengenai
clustering pelanggan. Data adalah informasi produksi dari toko ritel cerdas
organisasi kami.
Clustering
Pelanggan:
Pengelompokan pelanggan adalah metodologi data mining yang
paling penting yang digunakan dalam pemasaran dan manajemen hubungan pelanggan
(CRM). Pengelompokan pelanggan akan menggunakan data transaksi pembelian
pelanggan untuk melacak perilaku pembelian dan menciptakan inisiatif bisnis
strategis.
Perusahaan ingin mempertahankan pelanggan dengan keuntungan
tinggi, bernilai tinggi, dan berisiko rendah. Cluster ini biasanya mewakili 10
sampai 20 persen pelanggan yang menghasilkan 50 sampai 80 persen keuntungan
perusahaan. Perusahaan tidak ingin kehilangan pelanggan ini, dan inisiatif
strategis untuk segmen ini jelas bersifat retensi. Segmen pelanggan dengan
profit rendah, bernilai tinggi, dan berisiko rendah juga menarik, dan tujuan
yang jelas di sini adalah meningkatkan profitabilitas segmen ini. Penjualan
silang (menjual produk baru) dan penjualan laris (menjual lebih banyak dari apa
yang pelanggan beli saat ini) ke segmen ini adalah inisiatif pemasaran pilihan
Usulan Arsitektur:
Pendekatan yang diusulkan adalah dua model bertahap. Pada
tahap pertama, kumpulkan data dari toko cerdas ritel organisasi kami dan
kemudian lakukan pembersihan data. Ini melibatkan pemindahan noise terlebih
dahulu, sehingga data yang tidak lengkap, hilang dan tidak relevan dihapus dan
diformat sesuai format yang dipersyaratkan. Pada tahap kedua, buatlah kelompok
dan rujuk kelompok untuk diidentifikasi oleh kelompok terbaik.
Daftar Isi
Daftar Isi
0 Response to "Materi Data mining"
Post a Comment