-
-
抠脚女汉子 小试身手Lv3
发表于2018-9-17 11:38
楼主
在电影《美丽心灵》中有这样的一个场景，由罗素·克劳扮演的CIA探员约翰·纳什，在黑板上把涉及的事件数据、特征关联起来，一步步推理，抽丝剥茧，直到最后破解案件。这基本上可以看成是“数据挖掘”的内容，当然，除了不必像罗素·克劳一样在脑海中操作这一切。
简单来看，数据挖掘是将数学、统计相关的技术应用于存储库中的大量数据（即大数据），以获取数据间的相关性及趋势。
01
数据挖掘如何发展而来？
可以说，大数据、数据挖掘都是一种前瞻性的观点。
起初，我们是“站在肩膀”上进行数据分析：浏览历史数据，试图搞清楚我们是如何发展到现阶段，过去什么因素发挥了作用、什么因素没有发挥作用，以及原因又是什么。
不可否认，这是有意义的，但是存在局限性：尽管你可以从过去失败或者错误中吸取教训，但环境是一直在变化，上个月发生的事可能在现在来看并没有太大参考价值，远不及当下正发生的经验价值大，又或者，能预测明天会发生的事则是更好的。
所以，我们进入了数据挖掘时代，关注预测数据 ，而不仅仅是数据分析。
随着数据挖掘技术越发成熟，我们可以展望未来，将挖掘技术映射到未来，应用所掌握的知识面对即将发生的情况。
02
为什么数据挖掘有价值？
掌握当下最准确的信息并预判未来，对企业而言，好处显然是巨大的。
一旦可以判断即将发生的事情，你可以做出最万全的计划，为最坏的情况做出准备，在需要时重新分配或扩展资源、有效分配预算、调整订单量和库存要求等内容，而且从团队人员配比、财务状况上，可以帮助你尽可能做到精简有效。
当然，所有这些都对企业的业务成功产生巨大影响 。
正如Sisense的首席数据科学家Nir Regev所解释的：
“对于任何数据挖掘过程，都需要从某种假设开始，以便知道要关注什么。你不能收集组织中的每一条数据，这是效率低下的表现，你要收集的是与你的假设相关的数据。然后，使用Python或R等工具深入挖掘数据，以执行EDA（探索性数据分析），然后你就可以从数据中提取洞察力和功能。没有特定目标的初步假设（例如减少客户流失），你只会迷失在数据之中。”
03
数据挖掘在实践中如何运作？
让我们以零售业为例。
想象一下，你现在是一家零售连锁店的店长，在营业过程中，会在与外部供应商、客户的互动中产生大量的数据，比如入库记录、出库记录、销售记录带来的库存数据、销售额数据等等，而所有数据都被转移到庞大的数据仓库中，但只是拥有这些信息对你没有多大帮助，你必须知道这些数据背后对业务的价值。
使用数据挖掘技术，你可以透过数据识别客户购买行为模式，了解客户购买习惯，例如他们购物的时间是什么时候和购买的产品以什么为主，同时你可以看到行为趋势如何逐月变化，以及每个季度的变化。有了这些信息，你就可以开始对下一个月、下一个季度的门店情况做出详细、准确的预测，包括哪些产品最畅销，以及何时会迎来门店最忙的高峰期。
接下来，你就可以规划员工的轮班表，在高峰期之前发布招聘计划，安排好兼职人员，保证在最忙的时候员工不会过度加班，公司也无需支出过多的加班费用。同时，你可以提前增加库存订单，足够长的交付时间可以避免临时加货带来的高额运输费用，也可以避免过度订购错误导致库存过剩的高仓储成本。
让我们再举一个例子：一个云托管的SaaS服务商，其平台被全球数以万计的企业使用。在这种情况下，平台每天都会生成大量数据，包括从登录时间到用户行为，系统中标记的错误等所有内容。
通过整理和挖掘崩溃报告中的数据，你可以很快建立导致平台出现问题的模板，发现系统中的错误或弱点，处理某些设备或操作系统时出现的问题，或哪些操作最能引发问题。利用这些信息，你可以不断改进产品供应，消除故障，持续为客户提供服务，并防范网络威胁。
更重要的是，通过全面了解用户的普遍使用时间和常用工具、功能等因素，你可以：
a）确定下一步采取的产品策略；
b）根据客户偏好更有效地进行营销；
c）预测每个地区的需求何时最高，确保分配足够的资源和服务器来进行处理。
从以上的举例中看出，如果你想收集信息，那么你寻找的所有答案可能深藏在那些混乱的数据中，而数据挖掘就是让答案显现的一种方式。
04
答案已经在那里，只需找到它
数据挖掘通过分析数据库中已有的数据来解决问题...但它仍然需要正确的技能、工具和见解来正确构建问题，并理解所有问题。
这边，我先提出一个常见问题：如何在激烈的市场竞争中提高客户忠诚度？
你要做的第一件事就是弄清楚“善变的客户”是什么样的。通过挖掘已有的关于客户行为和特征的所有数据，你可以形成总体的特征图，比如什么因素导致客户选用其他的产品，与依旧选用该产品的忠实客户相比，有什么区别特征等等。
一旦你有了答案，你可以利用这个识别出“变幻无常”的客户，然后，当你判断出他们犹豫不决考虑换产品之前，就找到维持其兴趣的办法，预先解决问题。比如“特殊处理”，针对这部分客户推出特定产品功能，可能这些功能价格较高无法全面推广，但专门用来保留住客户，还是值得的。
就数据本身而言是不够的，这只是“原材料”，需要你精心设计以解决重大问题。
05
你做需要的工具
数据挖掘通常需要强大的编程语言，如Python语言或R语言，后者是一种非常流行的开源语言，用于对庞大数据集进行复杂的统计和数据分析。
当你将此编程语言与BI平台结合使用时，效果最佳。这使得可以混合多个数据集并在BI平台中准备数据，将其传输到R进行分析然后将其重新引入BI解决方案以显示结果。结合起来，是一种灵活而强大的方式，可以推动预测分析。
06
数据挖掘的下一步是什么？
随着数据集的出现，数据挖掘变得越来越复杂。将来，企业内部存在的数据源会越来越多，将以更多格式、从更多设备和地理位置收集更多原始数据。所以在正式开始数据挖掘之前，企业还需要做很多整合数据的工作。
与此同时，业务主导的数据分析范围将越来越大。只要能够弄清楚如何有效地挖掘、操纵数据，你将能够比以往更多地了解业务，帮助你准确理解每个部分如何组合在一起 ，包括每个数据行动和业务决策如何融入其中。
数据交互的方式也将变得更加多样化和智能化，包括自然语音、机器学习功能等，实现预测分析的同时，大量的流程实现自动化。
这也是为什么数据挖掘需要有能够处理此范围和需求的BI工具的支持。你需要一个快速且可扩展的BI解决方案，以应对你抛出的大量数据，并且足够灵活，可以添加想要的任何数据源，能够支持塑造数据挖掘领域的新发展，比如从机器学习到自然语言处理（NLP）。
对企业而言，要在日益激烈的市场竞争中保证持续发展，不仅需要数据挖掘模式，将其转换为可操作的洞察力，更多的是需要迅速与智能。
转自 | 商业智能洞察
文章来源 | sisense
