Menü

Data Mining-Beispiele: Häufigste Anwendungen von Data Mining 2021

  • Haupt
  • Andere
  • Data Mining-Beispiele: Häufigste Anwendungen von Data Mining 2021

data mining examples

Versuchen Sie Unser Instrument, Um Probleme Zu Beseitigen

Dieses Tutorial behandelt die beliebtesten Data Mining-Beispiele im wirklichen Leben. Erfahren Sie mehr über Data Mining-Anwendungen in den Bereichen Finanzen, Marketing, Gesundheitswesen und CRM:

In diesem Kostenlose Data Mining-Schulungsreihe Wir haben uns das angeschaut Data Mining-Prozess in unserem vorherigen Tutorial. Data Mining, auch als Knowledge Discovery in Databases (KDD) bezeichnet, ist ein Prozess zum Erkennen von Mustern in einer großen Anzahl von Daten und Data Warehouses.

Verschiedene Techniken wie Regressionsanalyse, Assoziation und Clustering, Klassifizierung und Ausreißeranalyse werden auf Daten angewendet, um nützliche Ergebnisse zu identifizieren. Diese Techniken verwenden Software und Backend-Algorithmen, die die Daten analysieren und Muster anzeigen.

beste Software zum Wiederherstellen gelöschter Dateien

Einige der bekannten Data-Mining-Methoden sind Entscheidungsbaumanalyse, Bayes-Theorem-Analyse, häufiges Item-Set-Mining usw. Der Softwaremarkt verfügt über viele Open-Source- und kostenpflichtige Tools für das Data-Mining wie Weka, Rapid Miner und Orange Data Mining-Tools.

Data Mining-Beispiele

Der Data Mining-Prozess beginnt mit der Eingabe einer bestimmten Dateneingabe an die Data Mining-Tools, die Statistiken und Algorithmen verwenden, um die Berichte und Muster anzuzeigen. Die Ergebnisse können mithilfe dieser Tools visualisiert werden, die verstanden und weiter angewendet werden können, um geschäftliche Änderungen und Verbesserungen vorzunehmen.

Data Mining wird häufig von Organisationen beim Aufbau einer Marketingstrategie verwendet, von Krankenhäusern für Diagnosetools, von E-Commerce für das Cross-Selling von Produkten über Websites und auf viele andere Arten.

Einige der Data Mining-Beispiele dienen als Referenz.

Was du lernen wirst:

Beispiele für Data Mining im wirklichen Leben

Die Bedeutung von Data Mining und Analyse wächst in unserem wirklichen Leben von Tag zu Tag. Heutzutage verwenden die meisten Unternehmen Data Mining zur Analyse von Big Data.

Lassen Sie uns sehen, wie uns diese Technologien zugute kommen.

# 1) Mobilfunkanbieter

Mobilfunkanbieter verwenden Data Mining, um ihre Marketingkampagnen zu gestalten und Kunden davon abzuhalten, zu anderen Anbietern zu wechseln.

Aus einer großen Datenmenge wie Rechnungsinformationen, E-Mail, Textnachrichten, Webdatenübertragungen und Kundendienst können die Data Mining-Tools eine Abwanderung vorhersagen, die den Kunden mitteilt, die die Anbieter wechseln möchten.

Mit diesen Ergebnissen wird eine Wahrscheinlichkeitsbewertung angegeben. Die Mobilfunkanbieter können dann Anreize und Angebote für Kunden mit einem höheren Abwanderungsrisiko bereitstellen. Diese Art des Bergbaus wird häufig von großen Dienstleistern wie Breitband-, Telefon-, Gasversorgern usw. genutzt.

Data Mining bei Mobilfunkanbietern

(Bild Quelle ))

# 2) Einzelhandelssektor

Data Mining hilft den Eigentümern des Supermarkts und des Einzelhandels, die Auswahl der Kunden zu kennen. Mit Blick auf die Kaufhistorie der Kunden zeigen die Data Mining-Tools die Kaufpräferenzen der Kunden.

Mithilfe dieser Ergebnisse gestalten die Supermärkte die Platzierung von Produkten in Regalen und bieten Angebote für Artikel wie Gutscheine für passende Produkte sowie Sonderrabatte für einige Produkte an.

Diese Kampagnen basieren auf RFM-Gruppierungen. RFM steht für Aktualität, Häufigkeit und monetäre Gruppierung. Die Werbeaktionen und Marketingkampagnen sind auf diese Segmente zugeschnitten. Der Kunde, der viel, aber sehr selten ausgibt, wird anders behandelt als der Kunde, der alle 2-3 Tage kauft, jedoch weniger.

Data Mining kann für Produktempfehlungen und Querverweise von Artikeln verwendet werden.

Data Mining im Einzelhandel aus verschiedenen Datenquellen.

Data Mining im Einzelhandel

(Bild Quelle ))

# 3) Künstliche Intelligenz

Ein System wird künstlich intelligent gemacht, indem es mit relevanten Mustern gespeist wird. Diese Muster stammen aus Data Mining-Ausgaben. Die Ergebnisse der künstlich intelligenten Systeme werden ebenfalls mithilfe der Data-Mining-Techniken auf ihre Relevanz analysiert.

Die Empfehlungssysteme verwenden Data Mining-Techniken, um personalisierte Empfehlungen abzugeben, wenn der Kunde mit den Maschinen interagiert. Die künstliche Intelligenz wird für abgebaute Daten verwendet, z. B. für Produktempfehlungen, die auf der früheren Kaufhistorie des Kunden bei Amazon basieren.

# 4) E-Commerce

Viele E-Commerce-Websites verwenden Data Mining, um Cross-Selling und Upselling ihrer Produkte anzubieten. Die Einkaufsseiten wie Amazon, Flipkart zeigen den Kunden, die mit der Seite interagieren, 'Menschen auch gesehen', 'Häufig zusammen gekauft'.

Diese Empfehlungen werden mithilfe von Data Mining über die Kaufhistorie der Kunden der Website bereitgestellt.

# 5) Wissenschaft und Technik

Mit dem Aufkommen des Data Mining wechseln wissenschaftliche Anwendungen von statistischen Techniken zur Verwendung von Techniken zum Sammeln und Speichern von Daten. Anschließend werden neue Daten abgebaut, neue Ergebnisse ausgegeben und mit dem Prozess experimentiert. Eine große Datenmenge wird aus wissenschaftlichen Bereichen wie Astronomie, Geologie, Satellitensensoren, globalem Positionierungssystem usw. gesammelt.

Data Mining in der Informatik hilft dabei, den Systemstatus zu überwachen, seine Leistung zu verbessern, Softwarefehler herauszufinden, Plagiate zu entdecken und Fehler zu finden. Data Mining hilft auch bei der Analyse des Benutzerfeedbacks zu Produkten und Artikeln, um Meinungen und Meinungen zu den Ansichten abzuleiten.

# 6) Kriminalprävention

Data Mining erkennt Ausreißer in einer großen Datenmenge. Die kriminellen Daten enthalten alle Details des Verbrechens, das geschehen ist. Data Mining wird die Muster und Trends untersuchen und zukünftige Ereignisse genauer vorhersagen.

Die Behörden können herausfinden, welcher Bereich anfälliger für Kriminalität ist, wie viel Polizeipersonal eingesetzt werden sollte, welche Altersgruppe angesprochen werden sollte, welche Fahrzeugnummern überprüft werden sollten usw.

# 7) Forschung

Forscher verwenden Data Mining-Tools, um die Zusammenhänge zwischen den untersuchten Parametern wie Umweltbedingungen wie Luftverschmutzung und der Ausbreitung von Krankheiten wie Asthma unter Menschen in Zielregionen zu untersuchen.

# 8) Landwirtschaft

Landwirte verwenden Data Mining, um den Ertrag von Gemüse anhand der von den Pflanzen benötigten Wassermenge zu ermitteln.

# 9) Automatisierung

Mithilfe von Data Mining lernen die Computersysteme, Muster unter den zu vergleichenden Parametern zu erkennen. Das System speichert die Muster, die in Zukunft zur Erreichung der Geschäftsziele nützlich sein werden. Dieses Lernen ist eine Automatisierung, da es dabei hilft, die Ziele durch maschinelles Lernen zu erreichen.

# 10) Dynamische Preisgestaltung

Data Mining hilft den Dienstleistern wie Taxidiensten, die Kunden basierend auf Angebot und Nachfrage dynamisch zu belasten. Es ist einer der Schlüsselfaktoren für den Erfolg von Unternehmen.

# 11) Transport

Data Mining hilft bei der Planung des Transports von Fahrzeugen von Lagern zu Verkaufsstellen und bei der Analyse der Produktlademuster.

# 12) Versicherung

Data Mining-Methoden helfen bei der Prognose der Kunden, die die Richtlinien kaufen, bei der Analyse der gemeinsam verwendeten medizinischen Ansprüche, bei der Ermittlung betrügerischer Verhaltensweisen und bei riskanten Kunden.

Data Mining-Beispiele im Finanzbereich

Data Mining-Beispiele im Finanzbereich

( Bild Quelle ))

Der Finanzsektor umfasst Banken, Versicherungsunternehmen und Investmentunternehmen. Diese Institutionen sammeln eine große Datenmenge. Die Daten sind häufig vollständig, zuverlässig und von hoher Qualität und erfordern eine systematische Datenanalyse.

Zum Speichern von Finanzdaten werden Data Warehouses erstellt, in denen Daten in Form von Datenwürfeln gespeichert werden. Zur Analyse dieser Daten werden erweiterte Datenwürfelkonzepte verwendet. Data Mining-Methoden wie Clustering und Ausreißeranalyse sowie Charakterisierung werden in der Finanzdatenanalyse und im Mining verwendet.

Einige Fälle im Finanzbereich, in denen Data Mining verwendet wird, sind nachstehend aufgeführt.

# 1) Vorhersage der Darlehenszahlung

Data-Mining-Methoden wie die Attributauswahl und das Attributranking analysieren die Zahlungshistorie des Kunden und wählen wichtige Faktoren wie das Verhältnis von Zahlung zu Einkommen, die Bonitätshistorie, die Laufzeit des Kredits usw. aus. Die Ergebnisse helfen den Banken bei der Entscheidung über die Kreditvergaberichtlinie und Gewähren Sie den Kunden auch Kredite gemäß Faktorenanalyse.

# 2) Gezieltes Marketing

Clustering- und Klassifizierungs-Data-Mining-Methoden helfen dabei, die Faktoren zu finden, die die Bankentscheidungen des Kunden beeinflussen. Die Identifizierung von Kunden mit ähnlichem Verhalten erleichtert ein gezieltes Marketing.

# 3) Finanzkriminalität aufdecken

Bankdaten stammen aus vielen verschiedenen Quellen, verschiedenen Städten und verschiedenen Bankstandorten. Es werden mehrere Datenanalysetools eingesetzt, um ungewöhnliche Trends wie Transaktionen mit hohem Wert zu untersuchen und zu erkennen. Datenvisualisierungstools, Ausreißeranalysetools, Clustering-Tools usw. werden verwendet, um die Beziehungen und Aktionsmuster zu identifizieren.

Die folgende Abbildung ist eine Studie von Infosys, die die Bereitschaft des Kunden zum Online-Banking von Systemen in verschiedenen Ländern zeigt. Infosys verwendete für diese Studie Big Data Analytics.

eine Studie von Infosys

(Bild Quelle ))

Anwendungen von Data Mining im Marketing

Data Mining stärkt die Marketingstrategie des Unternehmens und fördert das Geschäft. Es ist einer der Schlüsselfaktoren für den Erfolg von Unternehmen. Eine große Menge von Daten wird über Verkäufe, Kundeneinkäufe, Verbrauch usw. gesammelt. Diese Daten nehmen aufgrund des E-Commerce von Tag zu Tag zu.

Data Mining hilft dabei, das Kaufverhalten von Kunden zu identifizieren, den Kundenservice zu verbessern, sich auf die Kundenbindung zu konzentrieren, den Umsatz zu steigern und die Kosten von Unternehmen zu senken.

Einige Beispiele für Data Mining im Marketing sind:

# 1) Prognosemarkt

Um den Markt vorherzusagen, werden die Marketingfachleute Data Mining-Techniken wie Regression verwenden, um das Kundenverhalten, Änderungen und Gewohnheiten, die Kundenreaktion und andere Faktoren wie das Marketingbudget, andere anfallende Kosten usw. zu untersuchen. In Zukunft wird es für Fachleute einfacher sein die Kunden im Falle von Faktorenänderungen vorherzusagen.

# 2) Anomalieerkennung

Data Mining-Techniken werden eingesetzt, um Anomalien in Daten zu erkennen, die zu Fehlern im System führen können. Das System scannt Tausende komplexer Einträge, um diesen Vorgang auszuführen.

# 3) Systemsicherheit

Data Mining-Tools erkennen Eingriffe, die die Datenbank beschädigen können und dem gesamten System mehr Sicherheit bieten. Diese Eingriffe können in Form von doppelten Einträgen, Viren in Form von Daten von Hackern usw. erfolgen.

Beispiele für Data Mining-Anwendungen im Gesundheitswesen

Data Mining-Beispiel im Gesundheitswesen

(Bild Quelle ))

Im Gesundheitswesen wird Data Mining immer beliebter und unverzichtbarer.

Die im Gesundheitswesen generierten Daten sind komplex und umfangreich. Um medizinischen Betrug und Missbrauch zu vermeiden, werden Data Mining-Tools verwendet, um betrügerische Elemente zu erkennen und damit Verluste zu vermeiden.

Nachfolgend finden Sie einige Data Mining-Beispiele für die Gesundheitsbranche.

# 1) Gesundheitsmanagement

Die Data-Mining-Methode wird verwendet, um chronische Krankheiten zu identifizieren, Hochrisikoregionen zu verfolgen, die für die Ausbreitung von Krankheiten anfällig sind, und Programme zur Verringerung der Ausbreitung von Krankheiten zu entwickeln. Angehörige von Gesundheitsberufen analysieren die Krankheiten, Regionen von Patienten mit maximaler Aufnahme in das Krankenhaus.

Mit diesen Daten werden sie die Kampagnen für die Region entwerfen, um die Menschen auf die Krankheit aufmerksam zu machen und zu sehen, wie sie vermieden werden können. Dies wird die Anzahl der in Krankenhäuser aufgenommenen Patienten verringern.

# 2) Wirksame Behandlungen

Mit Data Mining können die Behandlungen verbessert werden. Durch kontinuierlichen Vergleich von Symptomen, Ursachen und Arzneimitteln kann eine Datenanalyse durchgeführt werden, um wirksame Behandlungen durchzuführen. Data Mining wird auch zur Behandlung spezifischer Krankheiten und zur Assoziation von Nebenwirkungen von Behandlungen verwendet.

# 3) Betrügerische und missbräuchliche Daten

Data Mining-Anwendungen werden verwendet, um abnormale Muster wie Labor, Ergebnisse des Arztes, unangemessene Verschreibungen und betrügerische medizinische Angaben zu finden.

Data Mining- und Empfehlungssysteme

Empfehlungssysteme geben Kunden Produktempfehlungen, die für die Benutzer von Interesse sein können.

Die empfohlenen Artikel ähneln entweder den Artikeln, die der Benutzer in der Vergangenheit abgefragt hat, oder anhand der anderen Kundenpräferenzen, die einen ähnlichen Geschmack wie der Benutzer haben. Dieser Ansatz wird als inhaltsbasierter Ansatz und angemessener kollaborativer Ansatz bezeichnet.

Viele Techniken wie Informationsabruf, Statistik, maschinelles Lernen usw. werden in Empfehlungssystemen verwendet.

Empfehlungssysteme suchen nach Schlüsselwörtern, Benutzerprofilen, Benutzertransaktionen und gemeinsamen Merkmalen zwischen Elementen, um ein Element für den Benutzer zu schätzen. Diese Systeme finden auch die anderen Benutzer, die eine ähnliche Kaufhistorie haben, und sagen Artikel voraus, die diese Benutzer kaufen könnten.

Dieser Ansatz birgt viele Herausforderungen. Das Empfehlungssystem muss Millionen von Daten in Echtzeit durchsuchen.

Es gibt zwei Arten von Fehlern, die von Recommender Systems gemacht werden:

Falsch negative und falsch positive.

Falsch negative sind Produkte, die vom System nicht empfohlen wurden, aber vom Kunden gewünscht werden. Falsch positiv sind Produkte, die vom System empfohlen, aber vom Kunden nicht gewünscht wurden. Eine weitere Herausforderung ist die Empfehlung für Benutzer, die neu sind und keine Kaufhistorie haben.

Eine intelligente Abfrageantworttechnik wird verwendet, um die Abfrage zu analysieren und allgemeine, zugehörige Informationen bereitzustellen, die für die Abfrage relevant sind. Zum Beispiel: Anzeigen der Bewertung von Restaurants anstelle nur der Adresse und Telefonnummer des gesuchten Restaurants.

Data Mining für CRM (Customer Relationship Management)

Customer Relationship Management kann durch Data Mining verstärkt werden. Gute Kundenbeziehungen können durch die Gewinnung geeigneterer Kunden, besseres Cross-Selling und Upselling sowie eine bessere Kundenbindung aufgebaut werden.

wie man ein Stoßwellenblitzobjekt öffnet

Data Mining kann CRM verbessern durch:

  1. Data Mining kann Unternehmen dabei helfen, zielgerichtete Programme für eine höhere Reaktion und einen besseren ROI zu erstellen.
  2. Unternehmen können durch Upselling und Cross-Selling mehr Produkte und Dienstleistungen anbieten, als von den Kunden gewünscht, wodurch die Kundenzufriedenheit erhöht wird.
  3. Mit Data Mining kann ein Unternehmen erkennen, welche Kunden nach anderen Optionen suchen. Mithilfe dieser Informationen können Unternehmen Ideen entwickeln, um den Kunden vom Verlassen abzuhalten.

Data Mining hilft CRM bei:

  1. Datenbank-Marketing: Mit Marketing-Software können Unternehmen Nachrichten und E-Mails an Kunden senden. Dieses Tool kann zusammen mit Data Mining gezieltes Marketing betreiben. Mit Data Mining können Jobs automatisiert und geplant werden. Es hilft bei der besseren Entscheidungsfindung. Es hilft auch bei technischen Entscheidungen darüber, welche Art von Kunden an einem neuen Produkt interessiert sind und welches Marktgebiet für die Produkteinführung gut ist.
  2. Kundenakquisitionskampagne: Mit Data Mining kann der Marktprofi potenzielle Kunden identifizieren, die die Produkte nicht kennen, oder neue Käufer. Sie können die Angebote und Initiativen für solche Kunden gestalten.
  3. Kampagnenoptimierung: Unternehmen nutzen Data Mining für die Effektivität der Kampagne. Es kann Kundenreaktionen auf Marketingangebote modellieren.

Data Mining am Beispiel eines Entscheidungsbaums

Entscheidungsbaumalgorithmen werden als CART (Classification and Regression Trees) bezeichnet. Es ist eine überwachte Lernmethode. Eine Baumstruktur basiert auf den ausgewählten Merkmalen, den Bedingungen für die Aufteilung und dem Zeitpunkt des Stopps. Entscheidungsbäume werden verwendet, um den Wert von Klassenvariablen basierend auf dem Lernen aus den vorherigen Trainingsdaten vorherzusagen.

Der interne Knoten repräsentiert ein Attribut und der Blattknoten repräsentiert eine Klassenbezeichnung.

Data Mining am Beispiel eines Entscheidungsbaums

(Bild Quelle ))

Die folgenden Schritte werden zum Erstellen einer Entscheidungsbaumstruktur verwendet:

  1. Platzieren Sie das beste Attribut oben im Baum (Wurzel).
  2. Teilmengen werden so erstellt, dass jede Teilmenge Daten mit demselben Wert für ein Attribut darstellt.
  3. Wiederholen Sie die gleichen Schritte, um die Blattknoten aller Zweige zu finden.

Um eine Klassenbezeichnung vorherzusagen, wird das Attribut des Datensatzes mit der Wurzel des Baums verglichen. Beim Vergleich wird der nächste Zweig ausgewählt. Auf die gleiche Weise werden auch die internen Knoten verglichen, bis der erreichte Blattknoten die Klassenvariable vorhersagt.

Einige für die Entscheidungsbauminduktion verwendete Algorithmen umfassen den Hunt-Algorithmus, CART, ID3, C4.5, SLIQ und SPRINT.

Beliebtestes Beispiel für Data Mining: Marketing und Vertrieb

Marketing und Vertrieb sind die Bereiche, in denen Unternehmen über große Datenmengen verfügen.

# 1) Banken sind die ersten Benutzer von Data Mining-Technologie, die ihnen bei der Bonitätsprüfung hilft. Data Mining analysiert, welche von Banken angebotenen Dienste von Kunden genutzt werden, welche Art von Kunden Geldautomatenkarten verwenden und was sie im Allgemeinen mit ihren Karten kaufen (für Cross-Selling).

Banken analysieren mithilfe von Data Mining die Transaktionen, die der Kunde tätigt, bevor er sich entscheidet, die Bank zu wechseln, um die Kundenabwanderung zu verringern. Außerdem werden einige Ausreißer bei Transaktionen auf Betrugserkennung analysiert.

# 2) Handy Unternehmen Verwenden Sie Data Mining-Techniken, um Abwanderung zu vermeiden. Churning ist ein Maß für die Anzahl der Kunden, die die Dienste verlassen. Es erkennt Muster, die zeigen, wie Kunden von den Diensten profitieren können, um Kunden zu binden.

# 3) Warenkorbanalyse ist die Technik, um die Gruppen von Artikeln zu finden, die zusammen in Geschäften gekauft werden. Die Analyse der Transaktionen zeigt die Muster, z. B. welche Dinge häufig wie Brot und Butter zusammen gekauft werden oder welche Artikel an bestimmten Tagen ein höheres Verkaufsvolumen aufweisen, z. B. freitags Bier.

Diese Informationen helfen bei der Planung der Ladenlayouts, bieten einen Sonderrabatt auf die weniger gefragten Artikel und erstellen Angebote wie '2 kaufen, 1 gratis kaufen' oder '50% beim zweiten Einkauf erhalten' usw.

Warenkorbanalyse

(Bild Quelle ))

Große Unternehmen, die Data Mining einsetzen

Einige Online-Unternehmen, die Data Mining-Techniken verwenden, sind nachstehend aufgeführt:

  • AMAZONAS: Amazon verwendet Text Mining, um den niedrigsten Preis des Produkts zu ermitteln.
  • McDonalds: McDonald’s nutzt Big Data Mining, um das Kundenerlebnis zu verbessern. Es untersucht das Bestellmuster von Kunden, Wartezeiten, Bestellgröße usw.
  • NETFLIX: Netflix findet mithilfe seiner Data Mining-Erkenntnisse heraus, wie ein Film oder eine Serie bei den Kunden beliebt gemacht werden kann.

Fazit

Data Mining wird in verschiedenen Anwendungen wie Bankwesen, Marketing, Gesundheitswesen, Telekommunikationsbranche und vielen anderen Bereichen eingesetzt.

Data Mining-Techniken helfen Unternehmen, sachkundige Informationen zu erhalten und ihre Rentabilität durch Anpassungen in Prozessen und Abläufen zu steigern. Es ist ein schneller Prozess, der Unternehmen bei der Entscheidungsfindung hilft, indem sie verborgene Muster und Trends analysieren.

In unserem kommenden Tutorial erfahren Sie mehr über den Decision Tree Data Mining-Algorithmus.

PREV Tutorial | NÄCHSTES Tutorial

Literatur-Empfehlungen

^