داده کاوی یا Data Mining چیست؟

ما در دنیایی داده محور و غنی از اطلاعات زندگی می‌کنیم. شاید خیلی راحت با این موضوع کنار بیاین که اطراف ما انبوهی از داده ها در حال مبادله هستش، اما خوبه بدونین که این حجم خیلی زیاد از داده ها چالش هایی رو هم ایجاد می‌کنه. هر چقدر اطلاعات بیشتری در دسترس باشه، مدت زمان دستیابی به بینش های مفید و مورد نیاز شما هم طولانی تر می‌شه.

به همین دلیل در این مقاله قصد داریم در مورد داده کاوی یا Data Mining توضیح بدیم. سعی کردیم تمام جنبه های داده کاوری رو بررسی کنیم و مراحل، تکنیک ها و مزایایی رو که ارائه می‌ده توضیح بدیم.

 

داده کاوی چیست؟

داده کاوی یا Data Mining که به عنوان کشف دانش در داده ها (KDD) هم شناخته می‌شه، فرایندی هستش که در اون تلاش می‌شه الگوها و سایر اطلاعات ارزشمند رو از مجموعه های بزرگ داده به دست بیاریم. با توجه به تکامل فناوری انبار داده (Data Warehouse) و رشد کلان داده ها (Big Data)، سرعت پذیرش تکنیک های داده کاوی در طی چند دهه گذشته تا حد چشمگیری افزایش یافته و برای تبدیل داده های خام به دانش مفید به شرکت ها کمک می‌کنه.

با این حال، علیرغم این واقعیت که این فناوری به طور مداوم برای مدیریت داده ها در مقیاس بزرگ در حال تکامل هستش، پیشتازان این حوزه هنوز هم با چالش هایی در بحث مقیاس پذیری و اتوماسیون مواجه هستن.

داده کاوی از طریق تجزیه و تحلیل داده ها، تصمیم گیری سازمانی رو بهبود می‌ده. تکنیک های داده کاوی که زیربنای این تحلیل ها هستن رو می‌شه به دو هدف اصلی تقسیم کرد. این تکنیک ها می‌تونن مجموعه داده هدف رو توصیف کنن یا می‌تونن نتایج رو از طریق استفاده از الگوریتم های یادگیری ماشین پیش بینی کنن.

این روش ها برای سازماندهی و فیلتر کردن داده ها، به نمایش گذاشتن جالب ترین اطلاعات، از کشف تقلب گرفته تا رفتارهای کاربر، گلوگاه ها و حتی نقض های امنیتی استفاده می‌شن.

وقتی این روش ها با تجزیه و تحلیل داده ها و ابزارهای تجسم داده مثل Apache Spark ترکیب می‌شه، ورود به دنیای داده کاوی آسون تر از هر زمان دیگه ای می‌شه و می‌تونیم بینش های مرتبط رو در کمترین زمان استخراج کنیم. پیشرفت های هوش مصنوعی با سرعت در مسیر تکامل حرکت می‌کنه و هر روز به تعداد کسب و کارها و صنایعی که از مزایای این روش مدرن بهره مند می‌شن افزوده می‌شه.

 

 

تاریخچه داده کاوی

شاید برای شما عجیب باشه اگه بدونین که مفهوم داده کاوی حتی قبل از پیدایش کامپیوترها هم وجود داشته! از نظر آماری، داده کاوی اولین بار توسط قضیه بیز (Bayes’ Theorem) در سال 1763 و کشف تحلیل رگرسیون در سال 1805 مطرح شد.

بعد از اون، زمینه های لازم برای درک مفهوم داده کاوی به شکلی که امروز می‌شناسیم از طریق معرفی فناوری Turing Universal Machine در سال 1936، کشف شبکه های عصبی در سال 1943، توسعه پایگاه های داده در دهه 1970، الگوریتم های ژنتیک در سال 1975 و کشف دانش در پایگاه های داده در سال 1989 میسر شد.

با رشد انفجاری پردازنده های کامپیوتری، ذخیره سازی داده ها و فناوری در دهه های 1990 و 2000، داده کاوی نه تنها قدرتمندتر از قبل ظاهر شد بلکه در کاربردهای مختلفی تاثیر مثبت خودش رو نشون داد.

در سال 2003، کتاب Moneyball از طریق روایت داستان رویکرد تحلیل محور یک تیم بیسبال برای ساخت یک تیم حرفه ای با بودجه کم، مفهوم داده کاوی و اهمیت اون رو به طیف گسترده تری از مخاطبان معرفی کرد. در حال حاضر نیز، راه حل های کلان داده در شرایط و کاربردهای مختلفی به کار گرفته می‌شه و در صنایع بی شماری دارای نقش تاثیرگذار هستش.

 

 

تفاوت بین داده کاوی و یادگیری ماشین

داده کاوی و یادگیری ماشین فرایندهای منحصر به فردی هستن که معمولا مترادف در نظر گرفته می‌شن. با اینکه هر دو فرایند برای تشخیص الگوها در مجموعه های بزرگ داده مفید هستن، اما عملکردی بسیار متفاوت دارن.

داده کاوی فرایند پیدا کردن الگوها در داده ها هستش. جذابیت داده کاوی در این هستش که با شناسایی فعالانه الگوهای غیرشهودی در داده ها از طریق الگوریتم ها (مثلا مصرف کنندگانی که کره بادام زمینی می‌خرن به احتمال زیاد دستمال کاغذی هم میخرن) به سوالاتی که نمی‌دونستیم باید بپرسیم، پاسخ بدیم. با این حال، تفسیر این بینش ها و کاربرد اونها در تصمیم گیری های کسب و کار، هنوز هم به مشارکت انسانی نیازمند هستش.

اما در نقطه مقابل، یادگیری ماشینی فرایندی هستش که به کامپیوتر یاد می‌ده مثل انسان ها یاد بگیره. با یادگیری ماشین، کامپیوترها یاد می‌گیرن که چطور احتمالات رو تعیین کرده و بر اساس تجزیه و تحلیل خودشون روی داده ها، موارد خواسته شده رو پیش بینی کنن. با اینکه یادگیری ماشین گاهی از داده کاوی به عنوان بخشی از فرایند خودش استفاده می‌کنه، در نهایت به دخالت مداوم انسان نیازی نداره. مثلا ماشین خودرانی رو در نظر بگیرین که برای تعیین مکان توقف، شتاب گرفتن و چرخش فرمان به فناوری داده کاوی متکی هستش.

 

رایج ترین تکنیک های داده کاوی

داده کاوی در شناسایی الگوهای داده و استخراج بینش تجاری مفید از اون الگوها خیلی مفید هستش. برای انجام این وظایف، داده کاوان (Data Miner) از تکنیک های مختلفی برای تولید نتایج متفاوت استفاده می‌کنن. در اینجا به چند تکنیک رایج داده کاوی اشاره می‌کنیم.

 

 

1. تجزیه و تحلیل طبقه بندی

با این تکنیک، نقاط داده (Data Point) بر اساس یک سوال یا مشکل خاص به گروه ها یا کلاس ها اختصاص داده می‌شه. مثلا، اگه یک شرکت کالاهای مصرفی (CPG) بخواد استراتژی کوپن تخفیف خودش رو برای یک محصول خاص بهینه کنه، احتمالا سطوح موجودی، داده های فروش، نرخ استفاده از کوپن و داده های رفتاری مصرف کننده رو بررسی می‌کنه تا بهترین تصمیم ممکن رو بگیره.

 

2. یادگیری قوانین مرتبط

این تابع به دنبال کشف روابط به نقاط داده هستش. از این تکنیک برای تعیین مرتبط بودن یک عمل یا متغیر خاص با سایر اقدامات (مثلا انتخاب اتاق مسافران تجاری و عادات غذا خوردن) استفاده می‌شه.

یک هتلدار ممکنه برای ارائه خدمات ارتقاء اتاق یا پروموشن های غذا و نوشیدنی برای جذب مسافران تجاری بیشتر از این تکنیک استفاده کنه.

 

3. تشخیص ناهنجاری

علاوه بر جستجوی الگوها، داده کاوی به کشف داده های غیرعادی در یک مجموعه هم می‌پردازه. تشخیص ناهنجاری فرایند پیدا کردن داده هایی هستش که با الگوی مورد نظر مطابقت ندارن. این فرایند می‌تونه به پیدا کردن موارد تقلب کمک کنه و به خرده فروشان کمک کنه تا در مورد افزایش یا کاهش فروش محصولات خاص اطلاعات بیشتری به دست بیارن.

 

4. تجزیه و تحلیل خوشه بندی

خوشه بندی یا Clustering در یک مجموعه داده به دنبال شباهت ها می‌گرده و نقاط داده ای رو که ویژگی های مشترکی دارن در زیرمجموعه های مجزا قرار می‌ده. این تکنیک شبیه به تجزیه و تحلیل طبقه بندی هستش که نقاط داده رو گروه بندی می‌کنه، اما در تجزیه و تحلیل خوشه بندی، داده ها به گروه های از قبل تعریف شده اختصاص داده نمی‌شن.

خوشه بندی برای تعریف صفات در یک مجموعه داده مثل تقسیم بندی مشتریان بر اساس رفتار خرید، وضعیت نیاز، مرحله زندگی یا ترجیحات احتمالی در ارتباطات بازاریابی مفید هستش.

 

5. تجزیه و تحلیل رگرسیون

تجزیه و تحلیل رگرسیون با هدف درک اینکه کدوم عوامل در یک مجموعه داده مهم تر هستن، چه عواملی رو می‌شه نادیده گرفت و این عوامل چطور با هم تعامل دارن انجام می‌شه. با استفاده از این روش، داده کاوان می‌تونن نظریه هایی مثل «وقتی طوفان و برف سنگین پیش بینی می‌شه، فروش نان و شیر افزایش پیدا می‌کنه» رو تایید کنن.

با اینکه این مثال به اندازه کافی بدیهی به نظر می‌رسه، اما تعدادی متغیر وجود داره که باید تایید و به کمیت بشن تبدیل تا مدیر فروشگاه از موجودی کافی اقلام پرتقاضا در آن دوران مطمئن بشه. مثلا منظور از برف سنگین چقدر هستش؟ شیر و نان بیشتر یعنی چقدر؟ کدوم نوع از پیش بینی های آب و هوا به اقدام مصرف کننده منجر می‌شه و مصرف کنندگان چند روز قبل از طوفان شروع به خرید می‌کنن؟ رابطه بین ارتفاع بارش برف، واحد نان و واحد شیر چیه؟

از طریق تجزیه و تحلیل رگرسیون، سطوح موجودی خاصی از شیر و نان رو می‌شه برای سطوح خاصی از بارش برف پیش بینی شده در مقطع زمانی خاص توصیه کرد. به این ترتیب، استفاده از تحلیل رگرسیون فروش رو به حداکثر می‌رسونه، لغو سفارش ناشی از عدم موجودی رو حداقل می‌رسه و از ذخیره بیش از حد که به فساد محصول پس از پایان طوفان منجر می‌شه کمک می‌کنه.

 

6. درخت تصمیم

برای طبقه بندی یا پیش بینی یک نتیجه بر اساس فهرستی از معیارها یا تصمیمات از این روش استفاده می‌شه. از درخت تصمیم برای درخواست ورودی یک سری سوالات آبشاری استفاده می‌شه که مجموعه داده رو بر اساس پاسخ های دریافتی مرتب می‌کنه. درخت تصمیم که گاهی به صورت تصویری درخت مانند به تصویر کشیده می‌شه، موقع کاوش عمیق تر در داده ها، جهت خاص و ورودی کاربر رو امکان پذیر می‌کنه.

 

7. نزدیک ترین همسایه (KNN)

این الگوریتم که با عنوان KNN شناخته می‌شه، یک الگوریتم ناپارامتریک هستش که نقاط داده رو بر اساس نزدیکی و ارتباط اونها با سایر داده های موجود طبقه بندی می‌کنه. این الگوریتم فرض می‌کنه که نقاط داده مشابه رو می‌شه در نزدیکی هم پیدا کرد. در نتیجه، معمولا از طریق فاصله اقلیدسی به دنبال محاسبه فاصله بین نقاط داده هستش و سپس یک دسته (Category) رو بر اساس پرتکرارترین دسته یا میانگین اختصاص میده.

 

8. شبکه های عصبی

در این روش پردازش داده ها از طریق استفاده از گره ها انجام میشه. این گره ها از ورودی ها، وزن ها و خروجی ها تشکیل شدن. داده ها از طریق یادگیری نظارت شده و مشابه روش هایی که مسیرها در مغز انسان به هم متصل هستن ترسیم میشن. این مدل رو می‌شه طوری برنامه ریزی کرد که مقادیر آستانه ای رو برای تعیین دقت مدل ارائه بده.

 

فرآیند داده کاوی چه مراحلی دارد؟

برای دستیابی به حداکثر کارایی، تحلیلگران داده معمولا جریان خاصی از وظایف را در طول فرآیند داده کاوی دنبال می‌کنن. بدون این ساختار، یک تحلیلگر ممکنه در میانه تحلیل خودش با موضوعی مواجه بشه که اگه زودتر برای اون آماده می‌شد، به راحتی می‌تونست از اون جلوگیری کنه. فرایند داده کاوی معمولا به مراحل زیر تقسیم می‌شه.

 

 

1. درک کسب و کار

قبل از جمع آوری هرگونه داده، پاکسازی یا تجزیه و تحلیل اون، خیلی مهمه که ماهیت اساسی و پروژه ای که در حال کار بر روی اون هستین رو درک کنین. اهدافی که شرکت در تلاش هستش با استخراج داده ها به اونها دست پیدا کنه چیه؟ وضعیت فعلی کسب و کار چطوره؟ یافته های تجزیه و تحلیل ماتریس SWOT چیه؟ قبل از بررسی هر داده ای، فرایند داده کاوی با درک اون چیزی که موفقیت در پایان فرایند رو تعریف می‌کنه، شروع می‌شه.

 

2. درک اطلاعات

وقتی که مشکل کسب و کار به وضوح تعریف شد، وقتش رسیده تا به داده ها فکر کنین. این کار شامل این می‌شه که ببینین چه منابعی در دسترس هستش، چطور اونها رو ایمن و ذخیره می‌کنن، اطلاعات قراره چطور جمع آوری بشه و نتیجه نهایی یا تجزیه و تحلیل احتمالا چطوره؟ این مرحله همچنین شامل تعیین محدودیت های داده، ذخیره سازی، امنیت و جمع آوری هستش و ارزیابی می‌کنه که این محدودیت ها چطور روی فرایند داده کاوی تاثیر می‌گذارن.

 

3. آماده سازی داده ها

داده ها جمع آوری، آپلود، استخراج یا محاسبه می‌شن. این داده ها بعدش پاکسازی و استاندارد می‌شن و از نظر نقاط پرت و نه چندان مرتبط تمیز می‌شن، برای کشف اشتباهات ارزیابی و از نظر منطقی بودن بررسی می‌شن. در طول این مرحله از داده کاوی، داده ها ممکنه از نظر اندازه هم بررسی بشن، چون مجموعه ای بیش از اندازه بزرگ از اطلاعات ممکنه محاسبات و تجزیه و تحلیل رو با کندی مواجه کنه.

 

4. ساخت مدل

با در اختیار داشتن مجموعه ای از داده های تمیز، وقتش رسیده تا اعداد رو خرد کنیم. دانشمندان داده از انواع داده کاوی که بالاتر به اونها اشاره کردیم برای جستجوی روابط، روندها، تداعی ها یا الگوهای متوالی استفاده می‌کنن. داده ها همچنین ممکنه به مدل های پیش بینی کننده وارد بشن تا ارزیابی کنن که بیت های قبلی اطلاعات چطور می‌تونن به نتایج قابل تفسیر تبدیل بشن.

 

5. ارزیابی نتایج

جنبه داده محور داده کاوی با ارزیابی یافته های مدل داده یا مدل ها به پایان می‌رسه. نتایج حاصل از تجزیه و تحلیل ممکنه تجمیع، تفسیر و به تصمیم گیرندگانی ارائه بشه که تا این مرحله عمدتا از فرایند داده کاوی حذف شدن. در این مرحله، سازمان ها می‌تونن بر اساس یافته ها تصمیم گیری کنن.

 

6. اجرای تغییرات و نظارت

فرایند داده کاوی با اقدامات مدیریتی در پاسخ به یافته های تجزیه و تحلیل به پایان میرسه. ممکنه شرکت تصمیم بگیره که اطلاعات به اندازه کافی قوی نبوده یا یافته ها مرتبط نیستن. همچنین شرکت ممکنه بر اساس یافته ها به صورت استراتژیک حرکت کنه. در هر صورت، مدیریت تاثیرات نهایی کسب و کار رو بررسی می‌کنه و با شناسایی مشکلات یا فرصت های تجاری جدید، حلقه های داده کاوی آینده رو مجددا ایجاد می‌کنه.

 

 

آشنایی با مزایا و معایب داده کاوی

داده کاوی جزء حیاتی یک ابتکار تحلیلی موفق هستش چون اطلاعات تولید شده رو می‌شه در کاربردهای تحلیل بلادرنگ، کاربردهای تجزیه و تحلیل پیشرفته که شامل تجزیه و تحلیل داده های تاریخی و هوش تجاری (BI) هستش استفاده کرد. داده کاوی موثر همچنین به جنبه های مختلف برنامه ریزی برای عملیات و استراتژی های کسب و کار شما از جمله وظایف روزانه، مالی، بازاریابی، تبلیغات، مدیریت ریسک و غیره کمک می‌کنه.

اما مثل هر فناوری و روش دیگه ای، داده کاوی هم خالی از محدودیت نیست. به همین دلیل، در این بخش علاوه بر مزایای داده کاوی به معایب این فرایند هم اشاره می‌کنیم.

 

مزایای داده کاوی

 

 

+ جمع آوری اطلاعات قابل اعتماد

به شرکت ها، دولت ها و انجمن ها در جمع آوری اطلاعات قابل اعتماد که می‌تونه در بازاریابی، ارزیابی سیاست ها و روش های ایمن برای اجرای کمپین های موثر استفاده بشه کمک می‌کنه. با جمع آوری داده های بیشتر، دقت داده کاوی افزایش پیدا می‌کنه و در نتیجه بینش هایی ارائه می‌شه که به دست آوردن اونها صرفا با توجه به سوابق خیلی دشوار هستش.

 

+ استفاده برای بازاریابی و فروش موثر

داده کاوی این اهرم رو در اختیار بازاریابان قرار می‌ده تا تصمیمات بهتری بگیرن، چون با بینش های حاصل از داده کاوی، اونها می‌تونن مخاطبان هدف خودشون رو بهتر درک کنن. این درک بهتر از الگوهایی که رفتارها و ترجیحات مشتری رو کشف می‌کنه ناشی می‌شه و به بازاریابان اجازه می‌ده تا کمپین های بازاریابی و فروش هدفمندتری ایجاد کنن.

واحد فروش همچنین می‌تونه از نتایج داده کاوی برای افزایش نرخ تبدیل سرنخ و فروش محصولات دیگر به مشتریان فعلی خودش استفاده کنه.

 

+ مدیریت زنجیره تامین

برای ایجاد ارتباط بین محصولات، مصرف کنندگان، تامین کنندگان و سایر جنبه های کسب و کار می‌شه از داده کاوی استفاده کرد. علتش اینه که شرکت ها می‌تونن به راحتی روند بازار رو شناسایی کنن، در نتیجه می‌شه پیش بینی دقیقی برای تقاضای محصولات داشت. اینطوری به فرایند مدیریت موجودی کالاها و ملزومات، انبارداری و توزیع و سایر عملیات ضروری در کسب و کار هم کمک می‌کنه.

 

+ ارائه خدمات بهتر به مشتری

با جستجوی هر چیزی که در داده ها تکرار می‌شه، میتونیم از داده کاوی برای کشف الگوها و روندهای رفتار کاربر استفاده کنیم. اطلاعات به روز در مورد مشتریان رو می‌شه از فرایند داده کاوی به دست آورد و اگه شرکتی مشتریان خودش رو درک کنه، می‌تونه کمپین های هدفمندی رو به طور خاص برای اونها ایجاد کنه تا فروش خودش رو در طول زمان افزایش بده. مسائل مربوط به خدمات مشتری رو هم میشه به راحتی با کمک داده کاوی شناسایی کرد تا نیازهای مشتری برآورد بشه.

 

+ مدیریت ریسک و تقلب

داده کاوی می‌تونه به شناسایی خطرات و تقلب هایی که ممکنه از طریق روش های سنتی تجزیه و تحلیل داده ها شناسایی نشن کمک کنه. علتش اینه که داده کاوی الگوهای دشوار و پیچیده ای رو آشکار می‌کنه که ممکنه به راحتی قابل مشاهده نباشن. ریسک های مالی، حقوقی و امنیت سایبری رو می‌شه از طریق داده کاوی به درستی مدیریت کرد و از نتایج به دست اومده می‌شه گام ها یا اقداماتی رو برای مدیریت این ریسک ها تعیین کرد.

 

+ هزینه های کمتر

داده کاوی می‌تونه به صرفه جویی در هزینه منجر بشه، چون رویه های کسب و کار و هزینه های بی مورد رو کاهش می‌ده.

 

+ تجزیه و تحلیل سریع حجم بسیار زیادی از داده ها

داده کاوی در تجزیه و تحلیل داده هایی استفاده می‌شه که زمانی پیچیده در نظر گرفته می‌شدن و کسب نتایج مناسب و قابل اقدام از اونها به نوعی خیال پردازی به حساب میومد. اما حالا استفاده از داده کاوی برای تجزیه و تحلیل حجم خیلی زیادی از داده ها به یک کار روتین برای کسب و کارها تبدیل شده و از نتایج به دست اومده در مهم ترین تصمیمات اجرایی خودشون استفاده می‌کنن.

 

+ افزایش زمان تولید

داده کاوی به کسب و کارها کمک می‌کنه تا تنظیماتی رو در بخش تولید و عملیات انجام بدن که زمان تولید یا آپ تایم رو بهبود می‌ده. برای شناسایی مشکلات احتمالی که ممکنه در هنگام استفاده از داده کاوی رخ بده می‌شه از برنامه های تعمیر و نگهداری پیش بینی شده استفاده کرد. اینطوری می‌شه زمان مربوط به خرابی های ناگهانی رو کاهش داد.

 

معایب و چالش های داده کاوی

همونطور که گفتیم، داده کاوی دارای محدودیت هایی هم هستش که در زیر می‌تونین چند مورد از اونها رو ببینین:

 

 

– پیچیدگی ابزارهای داده کاوی

ابزارهای داده کاوی می‌تونن خیلی پیچیده باشن و به مهارت ها و آموزش های تخصصی نیاز دارن تا بشه از اونها به طور موثری استفاده کرد. این امر باعث می‌شه تا کسب و کارهای کوچک از استفاده از داده کاوی منصرف بشن چون ممکنه نتونن این پیش نیازها رو تامین کنن.

همچنین، عملکرد ابزارهای مختلف داده کاوی در تکنیک های مختلف داده کاوی به الگوریتم های پیاده سازی شده بستگی داره. بنابراین، تحلیلگر داده باید ابزار مناسب برای دستیابی به یک هدف خاص رو شناسایی کنه.

 

– امکان بروز خطا

داده کاوی همیشه نتایج دقیقی رو ارائه نمی‌ده، چون ممکنه قبل از پیدا کردن الگوهای خاص روی فرضیات معرفی شده تکیه کنه. گاهی اوقات، ممکنه یک نقطه داده ای که نادرست تشخیص داده شده یا یک قطعه اطلاعات فراموش شده در یک پایگاه داده همون چیزی باشه که باعث میشه تجزیه و تحلیل ناقص بشه. بنابراین، خطاهای پیش پردازش ممکنه به ارائه نتایج غیرقطعی و نادرست منجر بشه.

داده کاوی همچنین داده ها رو بدون دونستن معنای داده ها تجزیه و تحلیل می‌کنه و اونها رو در تجسم های مختلف ارائه می‌ده، اما برای دسترسی و تفسیر اونها به مشارکت یک انسان نیاز داره.

 

– امنیت داده ها

داده کاوی به تنظیمات امنیتی زیادی نیاز نداره و از اونجایی که شرکت ها مورد مشتریان و کارمندان خودشون به اطلاعات حیاتی زیادی دسترسی دارن، همیشه خطر هک شدن و سرقت اطلاعات وجود داره چون داده های زیادی در سیستم های داده کاوی ذخیره می‌شن.

 

– نگرانی های حفظ حریم خصوصی

حفظ حریم خصوصی داده ها یکی از مسائل مهم در داده کاوی هستش، چون امروزه مردم بیشتر نگران این هستن که اطلاعات شخصی اونها بدون رضایت به اشخاص ثالث فروخته یا افشا بشه. مردم می‌ترسن که اگه این اطلاعات فروخته بشه، می‌شه از اونها برای هدف قرار دادن افراد برای خرید محصولات خاص استفاده کرد. همچنین در مورد سوء استفاده از اطلاعات شخصی برای ایجاد سناریوهای غیراخلاقی یا حتی ردیابی اطلاعات مربوط به شهروندان و نحوه استفاده اونها از دستگاه های دیجیتال توسط دولت نگرانی هایی وجود داره.

 

– نیاز به مجموعه های بزرگ داده

یکی از اشکالات داده کاوی اینه که برای اثربخشی به مجموعه های بزرگی از داده نیاز داره. الگوها و روندهای شناسایی شده در مجموعه های بزرگ داده نسبت به مجموعه های کوچک به مراتب قابل اعتمادتر هستن. به طور کلی، در داده کاوی هر چقدر اندازه مجموعه داده بزرگ تر باشه می‌شه اطلاعات بیشتری رو هم به دست آورد.

 

– هزینه داده کاوی

داده کاوی می‌تونه یک روش خیلی گرون باشه چون به نیروهای متخصصی نیاز داره که فرایند رو مدیریت کنن. همچنین برای داده کاوی به یک نرم افزار پیشرفته نیاز دارین تا عملکرد خوبی رو ارائه بده. این نرم افزارها میتونن تا حد زیادی گرون باشن.

بسته به نوع داده ای که باید استخراج بشه، سرمایه گذاری اولیه برای دستیابی به چنین فناوری هایی می‌تونه خیلی بالا باشه. این میزان سرمایه گذاری معمولا برای کسب و کارهای کوچک عملا غیرممکنه. علتش اینه که کسب و کارهای کوچک معمولا به مجموعه های بزرگ داده دسترسی ندارن و همچنین به علت بازار محدودشون، معمولا ضرورتی در استفاده از داده کاوی نمی‌بینن.

 

 

داده کاوی در چه زمینه هایی کاربرد دارد؟

در عصر اطلاعات که امروز در آن زندگی می‌کنیم، تقریبا هر دپارتمان، صنعت، بخش یا شرکتی می‌تونه از داده کاوی استفاده کنه. اما در ادامه به چند صنعت و حوزه ای که استفاده از داده کاوی در اونها خیلی رایج هستش اشاره می‌کنیم.

 

 

1- فروش

داده کاوی استفاده هوشمندانه تر و کارآمدتر از سرمایه رو برای افزایش درآمد میسر میکنه. دستگاه پوز یا صندوق پرداخت یک کافی شاپ رو در نظر بگیرین. کافی شاپ برای هر فروش، زمان خرید و محصولاتی که خریداری شد رو ثبت می‌کنه و بعدا با تجزیه و تحلیل این اطلاعات می‌تونه محصولاتی که ارائه میده رو به صورت استراتژیک بهبود بده.

 

2- بازاریابی

به مثال قبلی برگردیم؛ وقتی که کافی شاپ از ترکیب محصولات ایده آل مطلع شد، وقتش رسیده تا تغییرات رو اعمال کنه. با این حال، برای موثرتر کردن تلاش های بازاریابی خودش، می‌تونه باز هم از داده کاوی استفاده کنه تا بفهمه مشتریانش در چه رسانه هایی تبلیغات رو می‌بینن، چه اطلاعات جمعیتی رو هدف قرار بده، کجا تبلیغات دیجیتالی رو منتشر کنه و چه استراتژی های بازاریابی بیشتر مورد توجه مشتریان قرار می‌گیره.

این تلاش ها شامل همسوسازی کمپین های بازاریابی، پروموشن های تبلیغاتی، پیشنهادهای فروش متقابل و برنامه هایی برای پیاده سازی یافته های داده کاوی می‌شه.

 

3- تولید

برای شرکت هایی که کالهای خودشون رو تولید می‌کنن، داده کاوی در تجزیه و تحلیل هزینه های مواد خام، موادی که به بهترین شکل استفاده می‌شن، نحوه صرف زمان در طول فرایند تولید و گلوگاه هایی با تاثیر منفی روی فرایند، نقش مهمی داره. داده کاوی کمک می‌کنه تا شرکت مطمئن بشه جریان تولید کالاها بدون وقفه باقی می‌مونه.

 

4- تشخیص تقلب

هسته اصلی داده کاوی پیدا کردن الگوها، روندها و همبستگی هایی هستش که نقاط داده رو به همدیگه مرتبط می‌کنه. بنابراین، یک شرکت می‌تونه برای شناسایی نقاط پرت یا همبستگی هایی که نباید وجود داشته باشه از داده کاوی استفاده کنه.

مثلا یک شرکت ممکنه جریان نقدی خودش رو تجزیه و تحلیل کنه و یک تراکنش تکراری به یک حساب ناشناس رو پیدا کن. اگه این اتفاق غیرمنتظره باشه، شرکت میتونه بررسی کنه که آیا وجوه وارد شده به شرکت دچار سوء مدیریت هستن یا نه.

 

5- منابع انسانی

دپارتمان های منابع انسانی معمولا طیف گسترده ای از داده ها رو برای پردازش در دسترس دارن که از جمله میشه به داده های مربوط به حفظ، ارتقاء، بازه حقوق، مزایای شرکت، مزایای استفاده شده و نظرسنجی های رضایت کارکنان اشاره کرد. داده کاوی می‌تونه این داده ها رو به هم مرتبط کنه تا اینطوری درک بهتری رو از دلیل ترک کارمندان و جذابیت های موجود برای استخدام نیروهای جدید ایجاد کنه.

 

6- خدمات مشتری

رضایت مشتری ممکنه به دلایل مختلفی ایجاد بشه یا از بین بره. شرکتی رو تصور کنین که کالا رو ارسال می‌کنه. ممکنه مشتری از زمان حمل، کیفیت حمل و نقل یا ارتباطات ناراضی باشه. همین مشتری ممکنه از زمان انتظار طولانی در تماس تلفنی یا دیر جواب دادن به ایمیل ها ناامید شده باشه.

داده کاوی اطلاعات عملیاتی در مورد تعاملات مشتری رو جمع آوری می‌کنه و یافته ها رو خلاصه می‌کنه تا نقاط ضعف رو مشخص کنه و اقدامات درست و موثر شرکت رو به طور واضحی در معرض دید قرار بده.

 

7- بانک ها

داده کاوی به بانک ها کمک می‌کنه تا با رتبه بندی اعتباری و سیستم های ضد کلاهبرداری، تجزیه و تحلیل داده های مالی مشتریان، تراکنش های خرید و تراکنش های کارتی کار کنن. داده کاوی همچنین به بانک ها کمک می‌کنه تا عادات و ترجیحات آنلاین مشتریان خودشون رو بهتر درک کنن. اینطوری بانک ها می‌تونن کمپین های بازاریابی بهتر و موثرتری رو طراحی کنن.

 

8- مراقبت های بهداشتی

داده کاوی به پزشکان کمک می‌کنه تا با گردآوری تاریخچه پزشکی، نتایج معاینه فیزیکی، داروها و الگوهای درمانی هر بیمار، تشخیص های دقیق تری داشته باشن. داده کاوی همچنین به مبارزه با تقلب و ضایعات کمک می‌کنه و در ایجاد یک استراتژی مدیریت منابع بهداشتی مقرون به صرفه تر نقش کلیدی داره.

 

9- خرده فروشی

دنیای خرده فروشی و بازاریابی دست به دست هم جلو می‌رن اما صنعت خرده فروشی هنوز هم یک صنعت بزرگ و تاثیرگذار به حساب میاد که باید جداگانه به اون پرداخت. فروشگاه های خرده فروشی و سوپرمارکت ها می‌تونن از الگوهای خرید مشتریان برای محدود کردن دامنه کالاهای مکمل و تعیین اینکه کدوم اقلام باید در چه قسمتی از فروشگاه ارائه شوند، از داده کاوی استفاده کنن. داده کاوی همچنین مشخص می‌کنه که کدوم کمپین ها بیشترین بازدهی رو دریافت می‌کنن.