Интеллектуальный анализ данных

Какие группы (например по демографическому признаку,
или по уровню доходов, или по социальному статусу)
более чувствительны к изменению цен на наши товары
и услуги?
На какие товары надо предложить скидку, чтобы это привело
к росту доходов за счет продаж товаров-дополнителей
(комплементов)?
Как построить CRM-стратегию, чтобы "отсеивать"
"непродуктивных" клиентов и удерживать "кормильцев"?
Как наиболее рационально с точки зрения финансового
результата расставить товары на полках супермаркета?

На большинство этих вопросов
руководители и специалисты
чаще всего отвечают опираясь на свою
интуицию и опыт

В каких сочетаниях покупают товары клиенты супермаркета;
Какие группы покупателей можно выделить исходя из
структуры их корзин и чеков?
Как ведут себя различные категории клиентов банков после того,
как им предложили увеличить или отказали в увеличении
кредитного лимита?
Но если у нас есть данные, описывающие покупателей
и их поведение на продолжительном отрезке времени,
почему бы их не проанализировать, чтобы подтвердить
или опровергнуть свои интуитивные догадки с помощью
математического аппарата и логики?
Ответы на эти вопросы можно извлечь
из хранящихся в базах данных записей.

Торговля. Анализ потребительской корзины, исследование временных шаблонов, создание прогнозных моделей, оптимизация складских запасов.
Банковское дело. Сегментация клиентов, выявление мошенничества с кредитными картами, прогнозирование изменения клиентуры, анализ финансовых рисков.
Страховой бизнес. Сегментация клиентов, выявление фактов мошенничества, анализ страховых рисков, разработка новых продуктов, расчет страховых премий.
Телекоммуникации. Анализ лояльности клиентов, сегментирование клиентской базы и услуг, анализ внешних факторов на отказы оборудования, выявление случаев несанкционированного доступа к сети.
Производственные предприятия. Оптимизация закупок, диагностика брака на ранних стадиях, диагностика оборудования, маркетинг.
Нефтегазовая отрасль. Диагностика оборудования и нефте/газопроводов, прогнозирование цен, разведка месторождений, анализ влияния внешних и внутренних факторов на объемы продаж.
Сферы применения

Data mining (дословно, “разработка данных”,”добыча данных”) – исследование
и обнаружение “машиной” (алгоритмами, средствами искусственного интеллекта)
в сырых данных скрытых структур или зависимостей, которые
ранее не были известны,
нетривиальны,
практически полезны,
доступны для интерпретации человеком.
Определение

Основные стадии добычи данных
5. Анализ и интерпретация полученных знаний
4. Собственно анализ данных (data mining)
6. Использование знаний при разработке систем поддержки принятия решения
3. Предобработка
2. Организация сбора и хранения данных.
1. Постановка задачи

кластеризация
ассоциация
деревья решений
анализ с избирательным действием
сети уверенности
метод ближайших соседей
нейронные сети
нечеткая логика
генетические алгоритмы и эволюционное программирование
регрессионные методы
Методы добычи данных