Unterschied zwischen Predictive Analytics und Data Mining
Predictive Analytics ist der Prozess der Verfeinerung dieser Datenressource unter Verwendung von Geschäftskenntnissen, um verborgenen Wert aus diesen neu entdeckten Mustern zu extrahieren. Data Mining ist die Entdeckung verborgener Datenmuster durch maschinelles Lernen - und ausgefeilte Algorithmen sind die Mining-Tools.
Data Mining + Domainwissen => Predictive Analytics => Business Value
Head to Head Vergleich zwischen Predictive Analytics und Data Mining
Unten finden Sie den 5 Vergleich zwischen Predictive Analytics und Data Mining
Hauptunterschiede zwischen Predictive Analytics und Data Mining
Nachfolgend finden Sie den Unterschied zwischen Predictive Analytics und Data Mining
● Prozess - Der Prozess des Data Mining kann in sechs Phasen zusammengefasst werden:
a.Business / Research Understanding Phase - Geben Sie die Projektziele und -anforderungen in Bezug auf das Unternehmen oder die Forschungseinheit als Ganzes klar an
b.Data Understanding Phase - Sammeln und verwenden Sie explorative Datenanalysen, um sich mit den Daten vertraut zu machen und erste Einblicke zu gewinnen.
c.Datenvorbereitungsphase - Bereinigen und Anwenden einer Transformation auf Rohdaten, damit diese für die Modellierungswerkzeuge bereit sind
d.Modellierungsphase - Wählen Sie geeignete Modellierungstechniken aus und wenden Sie sie an, und kalibrieren Sie die Modelleinstellungen, um die Ergebnisse zu optimieren.
e.Auswertungsphase - Modelle müssen vor der Bereitstellung auf Qualität und Effektivität überprüft werden. Stellen Sie außerdem fest, ob das Modell tatsächlich die in Phase 1 festgelegten Ziele erreicht.
f.Deployment-Phase - Verwenden Sie Modelle in der Produktion. Dies kann eine einfache Bereitstellung sein, z. B. das Generieren eines Berichts oder eine komplexe Bereitstellung, z. B. das Implementieren eines parallelen Data Mining-Prozesses in einer anderen Abteilung.
Übergeordnete Schritte des Predictive Analytics-Prozessbereichs
a.Definieren Sie Ihr Geschäftsziel - Welches Geschäftsziel soll erreicht werden und wie Daten passen? Zum Beispiel sind Geschäftsziele effektivere Angebote für neue Kunden, und Daten, die benötigt werden, sind Segmentierungen von Kunden mit bestimmten Attributen.
b.Zusätzliche Daten erfassen - Bei den erforderlichen zusätzlichen Daten handelt es sich möglicherweise um Benutzerprofildaten aus dem Online-System oder um Daten aus Tools von Drittanbietern, um die Daten besser zu verstehen. Dies hilft, einen Grund für das Muster zu finden. Manchmal werden Marketing-Umfragen durchgeführt, um Daten zu erfassen
c.Draft Predictive Model - Modell, das mit neu gesammelten Daten und Geschäftskenntnissen erstellt wurde. Ein Modell kann eine einfache Geschäftsregel sein wie "Es gibt eine größere Chance, Benutzer von Alter a nach b aus Indien zu konvertieren, wenn wir ein Angebot wie dieses abgeben. " oder ein komplexes mathematisches Modell.
● Geschäftswert - Data Ming selbst steigert den Geschäftswert
Verstehen Sie Kundensegmente in verschiedenen Dimensionen
b.Erhalten Sie ein KPI-spezifisches Leistungsmuster (ZB: Steigt das Abonnement mit der Anzahl der aktiven Benutzer?)
c. Identifizieren Sie betrügerische Aktivitätsversuche und verhindern Sie sie.
d.Systemleistungsmuster (zB -Page Ladezeit über verschiedene Geräte - irgendein Muster?)
Predictive Analytics bietet Unternehmen drei Vorteile:
a.Vision - Hilft dabei, zu erkennen, was für andere unsichtbar ist. Predictive Analytics kann eine Vielzahl früherer Kundendaten durchgehen, diese mit anderen Daten verknüpfen und alle Teile in der richtigen Reihenfolge zusammenstellen.
b.Decision - Ein gut ausgearbeitetes Predictive Analytics-Modell liefert Analyseergebnisse, die frei von Emotionen und Voreingenommenheit sind. Es liefert konsistente und unvoreingenommene Erkenntnisse, um Entscheidungen zu unterstützen.
c.Präzision - Ermöglicht die Verwendung automatisierter Tools für die Berichterstellung. Dies spart Zeit und Ressourcen, reduziert menschliches Versagen und verbessert die Präzision.
● Leistungsmaß - Die Leistung des Data Mining-Prozesses wird daran gemessen, wie gut das Modell Muster in Daten findet. In den meisten Fällen handelt es sich um ein Regressions-, Klassifizierungs- oder Clustering-Modell, und für all diese gibt es ein genau definiertes Leistungsmaß.
Die Leistung von Predictive Analytics wird anhand der Auswirkungen auf das Geschäft gemessen. Zum Beispiel: Wie gut hat die gezielte Werbekampagne im Vergleich zu einer allgemeinen Kampagne funktioniert? Ganz gleich, wie gut Data Mining nach Mustern sucht, um Vorhersagemodelle gut zu bearbeiten, ist Business Insight ein Muss.
● Zukunft - Das Data Mining-Feld entwickelt sich sehr schnell. Mithilfe komplexerer Modelle wie Deep Neural Networks wird versucht, Muster in Daten mit weniger Datenpunkten mit einer minimalen Anzahl von Features zu finden. Viele Pioniere auf diesem Gebiet wie Google versuchen ebenfalls, den Prozess einfach und für jedermann zugänglich zu machen. Ein Beispiel ist Cloud AutoML von Google.
Predictive Analytics erweitert sich auf eine Vielzahl neuer Bereiche wie Mitarbeiterbindungsprognosen, Kriminalprognosen (auch als Predictive Policing bezeichnet) usw. Gleichzeitig versuchen Unternehmen, genauere Vorhersagen zu treffen, indem sie maximale Informationen von Nutzern sammeln, wie z etc.
Vergleichstabelle zwischen Predictive Analytics und Data Mining
Im Folgenden sind die Punktelisten aufgeführt, die die Vergleiche zwischen Predictive Analytics und Data Mining beschreiben:
| Vergleichsbasis | Data Mining | Predictive Analytics |
| Definition | Beim Data Mining werden nützliche Muster und Trends in großen Datenmengen entdeckt. | Predictive Analytics ist der Prozess des Extrahierens von Informationen aus großen Datensätzen, um Vorhersagen und Schätzungen über zukünftige Ergebnisse zu treffen. |
| Bedeutung | Helfen Sie dabei, gesammelte Daten besser zu verstehen. Z.B:
● Besseres Verständnis der Kundensegmente ● Kaufmuster über Geografie oder Zeit ● Verhaltensanalyse durch Clickstream ● Aktienkurs-Timeline-Analyse. ● GPS-Straßendatenanalyse | Vorhersage über das Data-Mining-Ergebnis durch Anwenden von Domänenwissen -
● Welcher Kunde kauft als Nächstes? ● Wie hoch ist die Kundenabwanderung? ● Wie viele neue Abonnements werden gestartet, wenn dieses Angebot vorliegt? ● Wie hoch ist der Lagerbestand eines Produkts, der für den kommenden Monat benötigt wird? |
| Umfang | Wenden Sie Algorithmen für maschinelles Lernen wie Regression und Klassifizierung auf gesammelte Daten an, um versteckte Muster zu finden | Wenden Sie Geschäftskenntnisse zu Datenminenmustern mit allen zusätzlichen Daten an, die erforderlich sind, um geschäftsrelevante Vorhersagen zu erhalten |
| Ergebnis | Bei der Ausgabe von Data Mining handelt es sich um ein Datenmuster in Form einer Zeitleiste mit unterschiedlichen Verteilungen oder Clustern. Es wird jedoch nicht beantwortet, warum dieses Muster aufgetreten ist. | Predictive Analytics versuchen, Antworten auf das Muster zu finden, indem sie betriebswirtschaftliches Wissen anwenden und es so zu einer umsetzbaren Information machen. |
| Beteiligte | Meistens von Statistikern und Ingenieuren des maschinellen Lernens, die einen starken mathematischen Hintergrund für das Feature-Engineering und die Erstellung von ML-Modellen haben | Hier sind geschäftsspezifisches Wissen und ein klares Geschäftsziel erforderlich. Geschäftsanalysten und andere Domain-Experten können die von den Maschinen entdeckten Muster analysieren und interpretieren, um aus den Datenmustern eine nützliche Bedeutung zu gewinnen und umsetzbare Erkenntnisse zu gewinnen |
Schlussfolgerung - Predictive Analytics vs. Data Mining
Wie Rick Whiting in InformationWeek sagte: "Was kommt als nächstes, was kommt als nächstes?" Predictive Analytics ist der Ort, an dem Business Intelligence eingesetzt wird. Data Mining hilft Unternehmen in jeder Hinsicht, und eines der wichtigsten dabei ist eine gute Grundlage für Predictive Analytics
Empfohlener Artikel
Dies war ein Leitfaden für den Unterschied zwischen Predictive Analytics und Data Mining, deren Bedeutung, Kopf-an-Kopf-Vergleich, Hauptunterschiede, Vergleichstabelle und Schlussfolgerung. Sie können sich auch die folgenden Artikel ansehen, um mehr zu erfahren -
- Predictive Analytics vs Data Science - Lernen Sie die 8 nützlichen Vergleiche
- Data Analytics Vs Predictive Analytics - Welche ist nützlich?
- 7 Der nützlichste Unterschied zwischen Data Mining und Web Mining
- Data Warehousing VS Data Mining - 4 Fantastische Vergleiche
- Einführung in die Data Mining-Architektur