Data Mining (Интеллектуальный анализ данных)

Название «добыча данных» отражает суть процесса: подобно тому как из большого объема руды извлекаются ценные крупицы металла, data mining извлекает ценные скрытые инсайты из огромных массивов сырых данных, которые невозможно обнаружить простым визуальным анализом отчетов. Классические задачи data mining включают: поиск ассоциативных правил (association rule mining — какие товары чаще всего покупают вместе), кластеризацию (группировка похожих объектов без заранее заданных категорий), обнаружение аномалий (outlier detection — поиск нетипичных, подозрительных случаев) и классификацию. В отличие от обычной аналитики, которая часто отвечает на заранее поставленный вопрос, data mining нередко выявляет закономерности, о существовании которых аналитик даже не подозревал.

Классический хрестоматийный пример data mining — анализ чеков супермаркета, выявивший неочевидную связь между покупкой подгузников и пива: мужчины, которых вечером отправляли за подгузниками, заодно покупали себе пиво. Обнаружив эту закономерность через анализ ассоциативных правил, сеть переставила эти товары ближе друг к другу на полках, увеличив продажи обеих категорий.

Data mining широко применяется в ритейле для оптимизации ассортимента и выкладки товаров (cross-selling), в банках — для обнаружения мошеннических транзакций по нетипичным паттернам поведения, а в телекоме — для прогнозирования оттока абонентов на основе скрытых поведенческих сигналов задолго до того, как клиент явно решит уйти.