data mining examples
Ce didacticiel couvre les exemples d'exploration de données les plus populaires dans la vie réelle. En savoir plus sur l'application d'exploration de données en finance, marketing, santé et CRM:
Dans ce Série de formation gratuite sur l'exploration de données , nous avons regardé le Processus d'exploration de données dans notre tutoriel précédent. L'exploration de données, également connue sous le nom de découverte de connaissances dans les bases de données (KDD), est un processus de découverte de modèles dans un vaste ensemble de données et d'entrepôts de données.
Diverses techniques telles que l'analyse de régression, l'association et le regroupement, la classification et l'analyse des valeurs aberrantes sont appliquées aux données pour identifier les résultats utiles. Ces techniques utilisent des logiciels et des algorithmes de backend qui analysent les données et montrent des modèles.
meilleur logiciel de sauvegarde pour windows 10 gratuit
Certaines des méthodes d'exploration de données bien connues sont l'analyse d'arbre de décision, l'analyse du théorème de Bayes, l'extraction fréquente d'ensembles d'éléments, etc. Le marché des logiciels dispose de nombreux outils open source et payants pour l'exploration de données tels que Weka, Rapid Miner et Outils de data mining orange.
Le processus d'exploration de données commence par donner une certaine entrée de données aux outils d'exploration de données qui utilisent des statistiques et des algorithmes pour afficher les rapports et les modèles. Les résultats peuvent être visualisés à l'aide de ces outils qui peuvent être compris et appliqués ultérieurement pour effectuer des modifications et des améliorations commerciales.
L'exploration de données est largement utilisée par les organisations dans l'élaboration d'une stratégie marketing, par les hôpitaux pour les outils de diagnostic, par le commerce électronique pour la vente croisée de produits via des sites Web et de nombreuses autres façons.
Certains des exemples d'exploration de données sont donnés ci-dessous pour votre référence.
Ce que vous apprendrez:
- Exemples d'exploration de données dans la vraie vie
- Exemples d'exploration de données en finance
- Applications de l'exploration de données en marketing
- Exemples d'applications d'exploration de données dans le secteur de la santé
- Systèmes d'exploration de données et de recommandation
- Exploration de données pour CRM (gestion de la relation client)
- Exploration de données à l'aide d'un exemple d'arbre de décision
- Exemple le plus populaire d'exploration de données: marketing et ventes
- Grandes entreprises utilisant l'exploration de données
- Conclusion
- lecture recommandée
Exemples d'exploration de données dans la vraie vie
L'importance de l'exploration et de l'analyse de données augmente de jour en jour dans notre vie réelle. Aujourd'hui, la plupart des organisations utilisent l'exploration de données pour analyser le Big Data.
Voyons comment ces technologies nous profitent.
# 1) Fournisseurs de services mobiles
Les fournisseurs de services mobiles utilisent l'exploration de données pour concevoir leurs campagnes de marketing et empêcher les clients de passer à d'autres fournisseurs.
À partir d'une grande quantité de données telles que les informations de facturation, les e-mails, les messages texte, les transmissions de données Web et le service client, les outils d'exploration de données peuvent prédire le «taux de désabonnement» qui informe les clients qui cherchent à changer de fournisseur.
Avec ces résultats, un score de probabilité est donné. Les fournisseurs de services mobiles sont alors en mesure de proposer des incitations, des offres aux clients qui présentent un risque plus élevé de désabonnement. Ce type d'exploitation minière est souvent utilisé par les principaux fournisseurs de services tels que le haut débit, le téléphone, les fournisseurs de gaz, etc.
(image la source )
# 2) Secteur de la vente au détail
L'exploration de données aide les propriétaires de supermarchés et de détaillants à connaître les choix des clients. En regardant l'historique d'achat des clients, les outils d'exploration de données montrent les préférences d'achat des clients.
À l'aide de ces résultats, les supermarchés conçoivent les emplacements des produits sur les étagères et proposent des offres sur des articles tels que des coupons sur les produits correspondants et des remises spéciales sur certains produits.
Ces campagnes sont basées sur le regroupement RFM. RFM signifie récence, fréquence et regroupement monétaire. Les promotions et campagnes marketing sont personnalisées pour ces segments. Le client qui dépense beaucoup mais très moins fréquemment sera traité différemment du client qui achète tous les 2-3 jours mais d'un montant moindre.
L'exploration de données peut être utilisée pour la recommandation de produits et le référencement croisé d'articles.
Exploration de données dans le secteur de la vente au détail à partir de différentes sources de données.
(image la source )
# 3) Intelligence artificielle
Un système est rendu artificiellement intelligent en l'alimentant avec des motifs pertinents. Ces modèles proviennent des sorties d'exploration de données. Les sorties des systèmes artificiellement intelligents sont également analysées pour leur pertinence à l'aide des techniques d'exploration de données.
Les systèmes de recommandation utilisent des techniques d'exploration de données pour faire des recommandations personnalisées lorsque le client interagit avec les machines. L'intelligence artificielle est utilisée sur des données extraites telles que des recommandations de produits basées sur l'historique d'achat du client sur Amazon.
# 4) Commerce électronique
De nombreux sites de commerce électronique utilisent l'exploration de données pour proposer des ventes croisées et des ventes incitatives de leurs produits. Les sites commerciaux tels qu'Amazon, Flipkart montrent «Les gens ont également consulté», «Souvent achetés ensemble» aux clients qui interagissent avec le site.
Ces recommandations sont fournies à l'aide de l'exploration de données sur l'historique d'achat des clients du site Web.
# 5) Science et ingénierie
Avec l'avènement de l'exploration de données, les applications scientifiques passent désormais des techniques statistiques à l'utilisation de techniques de «collecte et stockage de données», puis effectuent une exploration de nouvelles données, produisent de nouveaux résultats et expérimentent le processus. Une grande quantité de données est collectée dans des domaines scientifiques tels que l'astronomie, la géologie, les capteurs satellitaires, le système de positionnement global, etc.
L'exploration de données en informatique permet de surveiller l'état du système, d'améliorer ses performances, de détecter les bogues logiciels, de découvrir le plagiat et de détecter les défauts. L'exploration de données aide également à analyser les commentaires des utilisateurs concernant les produits, les articles pour en déduire les opinions et les sentiments des opinions.
# 6) Prévention du crime
L'exploration de données détecte les valeurs aberrantes sur une grande quantité de données. Les données criminelles comprennent tous les détails du crime qui a eu lieu. L'exploration de données étudiera les modèles et les tendances et prédira les événements futurs avec une meilleure précision.
Les agences peuvent découvrir quelle zone est la plus sujette à la criminalité, combien de personnel policier doit être déployé, quelle tranche d'âge doit être ciblée, le nombre de véhicules à contrôler, etc.
# 7) Recherche
Les chercheurs utilisent des outils d'exploration de données pour explorer les associations entre les paramètres de la recherche tels que les conditions environnementales comme la pollution de l'air et la propagation de maladies comme l'asthme parmi les personnes dans les régions ciblées.
# 8) Agriculture
Les agriculteurs utilisent l'exploration de données pour connaître le rendement des légumes avec la quantité d'eau requise par les plantes.
# 9) Automatisation
En utilisant l'exploration de données, les systèmes informatiques apprennent à reconnaître des modèles parmi les paramètres qui sont en cours de comparaison. Le système stockera les modèles qui seront utiles à l'avenir pour atteindre les objectifs commerciaux. Cet apprentissage est une automatisation car il aide à atteindre les objectifs grâce à l'apprentissage automatique.
# 10) Tarification dynamique
L'exploration de données aide les fournisseurs de services tels que les services de taxi à facturer dynamiquement les clients en fonction de la demande et de l'offre. C'est l'un des facteurs clés du succès des entreprises.
# 11) Transport
L'exploration de données aide à planifier le déplacement des véhicules des entrepôts aux points de vente et à analyser les modèles de chargement des produits.
# 12) Assurance
Les méthodes d'exploration de données aident à prévoir les clients qui achètent les polices, à analyser les réclamations médicales qui sont utilisées ensemble, à détecter les comportements frauduleux et les clients à risque.
Exemples d'exploration de données en finance
( image la source )
Le secteur financier comprend les banques, les compagnies d'assurance et les sociétés d'investissement. Ces institutions collectent une énorme quantité de données. Les données sont souvent complètes, fiables et de haute qualité et nécessitent une analyse systématique des données.
Pour stocker des données financières, des entrepôts de données qui stockent des données sous forme de cubes de données sont construits. Pour analyser ces données, des concepts avancés de cube de données sont utilisés. Les méthodes d'exploration de données telles que le regroupement et l'analyse des valeurs aberrantes, la caractérisation sont utilisées dans l'analyse et l'extraction de données financières.
Certains cas en finance où l'exploration de données est utilisée sont indiqués ci-dessous.
# 1) Prédiction de paiement de prêt
Les méthodes d'exploration de données telles que la sélection d'attributs et le classement des attributs analyseront l'historique de paiement des clients et sélectionneront des facteurs importants tels que le ratio paiement / revenu, l'historique de crédit, la durée du prêt, etc. Les résultats aideront les banques à décider de leur politique d'octroi de prêts, et accordez également des prêts aux clients selon l'analyse factorielle.
# 2) Marketing ciblé
Les méthodes de regroupement et de classification des données d’exploration aideront à trouver les facteurs qui influencent les décisions du client en matière d’activité bancaire. Une identification comportementale similaire des clients facilitera le marketing ciblé.
# 3) Détecter les crimes financiers
Les données bancaires proviennent de nombreuses sources différentes, de différentes villes et de différents emplacements bancaires. Plusieurs outils d'analyse de données sont déployés pour étudier et détecter des tendances inhabituelles telles que des transactions de grande valeur. Des outils de visualisation de données, des outils d'analyse des valeurs aberrantes, des outils de clustering, etc. sont utilisés pour identifier les relations et les modèles d'action.
La figure ci-dessous est une étude d'Infosys montrant la volonté du client de faire des opérations bancaires en ligne dans différents pays. Infosys a utilisé Big Data Analytics pour cette étude.
(image la source )
Applications de l'exploration de données en marketing
L'exploration de données stimule la stratégie marketing de l'entreprise et favorise les affaires. C'est l'un des facteurs clés du succès des entreprises. Une énorme quantité de données est collectée sur les ventes, les achats des clients, la consommation, etc. Ces données augmentent de jour en jour en raison du commerce électronique.
où est la clé de sécurité du réseau sur le routeur
L'exploration de données permet d'identifier le comportement d'achat des clients, d'améliorer le service client, de se concentrer sur la fidélisation des clients, d'améliorer les ventes et de réduire le coût des entreprises.
Quelques exemples d'exploration de données dans le marketing sont:
# 1) Marché des prévisions
Pour prédire le marché, les professionnels du marketing utiliseront des techniques de Data Mining comme la régression pour étudier le comportement, les changements et les habitudes des clients, la réponse des clients et d'autres facteurs comme le budget marketing, les autres coûts encourus, etc. À l'avenir, ce sera plus facile pour les professionnels pour prédire les clients en cas de changement de facteur.
# 2) Détection d'anomalies
Des techniques d'exploration de données sont déployées pour détecter toute anomalie dans les données qui peut provoquer tout type de défaut dans le système. Le système analysera des milliers d'entrées complexes pour effectuer cette opération.
# 3) Sécurité du système
Les outils d'exploration de données détectent les intrusions susceptibles d'endommager la base de données, offrant une plus grande sécurité à l'ensemble du système. Ces intrusions peuvent se présenter sous la forme d'entrées dupliquées, de virus sous forme de données de hackers, etc.
Exemples d'applications d'exploration de données dans le secteur de la santé
(image la source )
Dans le domaine de la santé, l'exploration de données devient de plus en plus populaire et essentielle.
Les données générées par les soins de santé sont complexes et volumineuses. Pour éviter la fraude et les abus médicaux, des outils d'exploration de données sont utilisés pour détecter les articles frauduleux et ainsi éviter les pertes.
Quelques exemples d'exploration de données de l'industrie de la santé sont donnés ci-dessous pour votre référence.
# 1) Gestion des soins de santé
La méthode d'exploration de données est utilisée pour identifier les maladies chroniques, suivre les régions à haut risque sujettes à la propagation des maladies, concevoir des programmes pour réduire la propagation des maladies. Les professionnels de santé analyseront les maladies, les régions de patients avec un maximum d'admissions à l'hôpital.
Avec ces données, ils concevront les campagnes pour la région pour sensibiliser les gens à la maladie et voir comment l'éviter. Cela réduira le nombre de patients admis dans les hôpitaux.
# 2) Traitements efficaces
Grâce à l'exploration de données, les traitements peuvent être améliorés. En comparant continuellement les symptômes, les causes et les médicaments, une analyse des données peut être effectuée pour obtenir des traitements efficaces. L'exploration de données est également utilisée pour le traitement de maladies spécifiques et pour l'association des effets secondaires des traitements.
# 3) Données frauduleuses et abusives
Les applications d'exploration de données sont utilisées pour trouver des modèles anormaux tels que le laboratoire, les résultats des médecins, les ordonnances inappropriées et les réclamations médicales frauduleuses.
Systèmes d'exploration de données et de recommandation
Les systèmes de recommandation donnent aux clients des recommandations de produits susceptibles d'intéresser les utilisateurs.
Les articles recommandés sont soit similaires aux articles interrogés par l'utilisateur dans le passé, soit en examinant les autres préférences du client qui ont un goût similaire à celui de l'utilisateur. Cette approche est appelée une approche basée sur le contenu et une approche collaborative de manière appropriée.
De nombreuses techniques telles que la récupération d'informations, les statistiques, l'apprentissage automatique, etc. sont utilisées dans les systèmes de recommandation.
Les systèmes de recommandation recherchent des mots-clés, des profils d'utilisateurs, des transactions d'utilisateurs, des caractéristiques communes parmi les éléments pour estimer un élément pour l'utilisateur. Ces systèmes trouvent également les autres utilisateurs qui ont une histoire similaire d'achat et prédisent les articles que ces utilisateurs pourraient acheter.
Il existe de nombreux défis dans cette approche. Le système de recommandation doit rechercher des millions de données en temps réel.
Il existe deux types d'erreurs commises par Recommender Systems:
Faux négatifs et faux positifs.
Faux négatifs sont des produits qui n'ont pas été recommandés par le système mais qui seraient souhaités par le client. Faux positif sont des produits recommandés par le système mais non souhaités par le client. Un autre défi est la recommandation pour les utilisateurs qui sont nouveaux sans aucun historique d'achat.
Une technique de réponse intelligente aux requêtes est utilisée pour analyser la requête et fournir des informations générales associées pertinentes pour la requête. Par exemple: Affichage de l'avis des restaurants au lieu de l'adresse et du numéro de téléphone du restaurant recherché.
Exploration de données pour CRM (gestion de la relation client)
La gestion de la relation client peut être renforcée par l'exploration de données. De bonnes relations avec la clientèle peuvent être établies en attirant des clients plus appropriés, de meilleures ventes croisées et incitatives, une meilleure rétention.
L'exploration de données peut améliorer le CRM en:
- L'exploration de données peut aider les entreprises à créer des programmes ciblés pour une réponse plus élevée et un meilleur retour sur investissement.
- Les entreprises peuvent offrir plus de produits et de services à la demande des clients grâce à des ventes incitatives et croisées, augmentant ainsi la satisfaction des clients.
- Avec l'exploration de données, une entreprise peut détecter les clients qui recherchent d'autres options. En utilisant ces informations, les entreprises peuvent créer des idées pour empêcher le client de partir.
L'exploration de données aide le CRM à:
- Marketing de base de données: Les logiciels de marketing permettent aux entreprises d'envoyer des messages et des e-mails aux clients. Cet outil, associé à l'exploration de données, peut faire du marketing ciblé. Avec l'exploration de données, l'automatisation et la planification des tâches peuvent être effectuées. Cela aide à une meilleure prise de décision. Cela aidera également dans les décisions techniques quant au type de clients intéressés par un nouveau produit, quel secteur de marché est bon pour le lancement de produit.
- Campagne d'acquisition de clients: Grâce à l'exploration de données, le professionnel du marché sera en mesure d'identifier des clients potentiels qui ne connaissent pas les produits ou de nouveaux acheteurs. Ils pourront concevoir les offres et initiatives pour ces clients.
- Optimisation de la campagne: Les entreprises utilisent l'exploration de données pour l'efficacité de la campagne. Il peut modéliser les réponses des clients aux offres marketing.
Exploration de données à l'aide d'un exemple d'arbre de décision
Les algorithmes d'arbre de décision sont appelés CART (Classification and Regression Trees). C'est une méthode d'apprentissage supervisé. Une arborescence est construite sur les caractéristiques choisies, les conditions de fractionnement et le moment de l'arrêt. Les arbres de décision sont utilisés pour prédire la valeur des variables de classe en fonction de l'apprentissage des données d'entraînement précédentes.
Le nœud interne représente un attribut et le nœud feuille représente une étiquette de classe.
(image la source )
Les étapes suivantes sont utilisées pour créer une structure d'arbre de décision:
- Placez le meilleur attribut au sommet de l'arbre (racine).
- Les sous-ensembles sont créés de telle manière que chaque sous-ensemble représente des données avec la même valeur pour un attribut.
- Répétez les mêmes étapes pour trouver les nœuds feuilles de toutes les branches.
Pour prédire une étiquette de classe, l'attribut de l'enregistrement est comparé à la racine de l'arborescence. En comparant, la branche suivante est choisie. Les nœuds internes sont également comparés de la même manière jusqu'à ce que le nœud feuille atteint prédit la variable de classe.
Certains algorithmes utilisés pour l'induction d'arbre de décision incluent l'algorithme de Hunt, CART, ID3, C4.5, SLIQ et SPRINT.
Exemple le plus populaire d'exploration de données: marketing et ventes
Le marketing et les ventes sont les domaines dans lesquels les entreprises disposent de gros volumes de données.
# 1) Banques sont les premiers utilisateurs de la technologie d'exploration de données car elle les aide à évaluer le crédit. L'exploration de données analyse quels services offerts par les banques sont utilisés par les clients, quel type de clients utilisent des cartes de guichet automatique et ce qu'ils achètent généralement avec leurs cartes (pour la vente croisée).
Les banques utilisent l'exploration de données pour analyser les transactions effectuées par le client avant de décider de changer de banque afin de réduire l'attrition des clients. En outre, certaines valeurs aberrantes dans les transactions sont analysées pour la détection de la fraude.
# 2) Téléphone cellulaire Entreprises utiliser des techniques d'exploration de données pour éviter le barattage. Le barattage est une mesure indiquant le nombre de clients quittant les services. Il détecte les modèles qui montrent comment les clients peuvent bénéficier des services pour fidéliser les clients.
# 3) Analyse du panier de consommation est la technique pour trouver les groupes d'articles achetés ensemble dans les magasins. L'analyse des transactions montre les tendances telles que les produits achetés ensemble, souvent comme le pain et le beurre, ou les articles qui ont un volume de ventes plus élevé certains jours, comme la bière le vendredi.
Ces informations aident à planifier les agencements des magasins, à offrir une remise spéciale aux articles les moins demandés, à créer des offres telles que «achetez-en 2 obtenez-en 1 gratuitement» ou «obtenez 50% sur le deuxième achat», etc.
(image la source )
Grandes entreprises utilisant l'exploration de données
Certaines entreprises en ligne utilisant des techniques d'exploration de données sont indiquées ci-dessous:
- AMAZONE: Amazon utilise Text Mining pour trouver le prix le plus bas du produit.
- McDonalds: McDonald's utilise le Big Data Mining pour améliorer son expérience client. Il étudie le schéma de commande des clients, les temps d'attente, la taille des commandes, etc.
- NETFLIX: Netflix découvre comment rendre un film ou une série populaire parmi les clients en utilisant ses informations d'exploration de données.
Conclusion
L'exploration de données est utilisée dans diverses applications telles que la banque, le marketing, la santé, les industries des télécommunications et de nombreux autres domaines.
Les techniques d'exploration de données aident les entreprises à obtenir des informations bien informées, à augmenter leur rentabilité en ajustant les processus et les opérations. C'est un processus rapide qui aide les entreprises à prendre des décisions grâce à l'analyse des modèles et des tendances cachés.
Consultez notre prochain tutoriel pour en savoir plus sur l'algorithme d'exploration de données d'arbre de décision !!
Tutoriel PREV | Tutoriel SUIVANT
lecture recommandée
- Exploration de données: processus, techniques et problèmes majeurs dans l'analyse des données
- Techniques d'exploration de données: algorithmes, méthodes et principaux outils d'exploration de données
- Processus d'exploration de données: modèles, étapes de processus et défis impliqués
- Exploration de données Vs Machine Learning Vs Intelligence Artificielle Vs Deep Learning
- 10+ meilleurs outils de gouvernance des données pour répondre à vos besoins en données en 2021
- Top 14 des MEILLEURS outils de gestion des données de test en 2021
- Top 15 des meilleurs outils d'exploration de données gratuits: la liste la plus complète
- Top 10 des conférences Big Data à suivre en 2021