การทำเหมืองข้อมูลเป็นรูปแบบหนึ่งของปัญญาประดิษฐ์ที่ใช้แบบจำลองการรับรู้ แบบจำลองการวิเคราะห์ และอัลกอริธึมที่หลากหลายเพื่อจำลองเทคนิคของสมองมนุษย์ การทำเหมืองข้อมูลสนับสนุนเครื่องจักรในการตัดสินใจของมนุษย์และสร้างทางเลือกของมนุษย์
ผู้ใช้เครื่องมือการทำเหมืองข้อมูลจะต้องกำหนดกฎเกณฑ์ของเครื่องจักร การตั้งค่า และแม้แต่ประสบการณ์เพื่อให้มีการตัดสินใจสนับสนุนตัวชี้วัดการทำเหมืองข้อมูลมีดังนี้ -
ประโยชน์ − ความมีประโยชน์เกี่ยวข้องกับตัวชี้วัดหลายอย่างที่บอกเราว่าแบบจำลองให้ข้อมูลที่เป็นประโยชน์หรือไม่ ตัวอย่างเช่น โมเดลการทำเหมืองข้อมูลที่สัมพันธ์กับการบันทึกสถานที่กับการขายนั้นมีทั้งความถูกต้องและเชื่อถือได้ แต่ไม่มีประโยชน์ เนื่องจากไม่สามารถสรุปผลลัพธ์นั้นได้โดยการเพิ่มร้านค้าในตำแหน่งที่ตั้งเดียวกัน
นอกจากนี้ยังไม่ตอบคำถามทางธุรกิจขั้นพื้นฐานว่าเหตุใดสถานที่บางแห่งจึงมียอดขายเพิ่มขึ้น นอกจากนี้ยังพบว่าแบบจำลองที่ประสบความสำเร็จนั้นไร้ความหมายเพราะขึ้นอยู่กับความสัมพันธ์ข้ามมิติในข้อมูล
ผลตอบแทนจากการลงทุน (ROI) − เครื่องมือขุดข้อมูลจะค้นหารูปแบบที่น่าสนใจที่ฝังอยู่ภายในข้อมูลและพัฒนาแบบจำลองการคาดการณ์ โมเดลเหล่านี้จะมีการวัดหลายอย่างเพื่อแสดงว่าเหมาะสมกับเร็กคอร์ดอย่างไร ยังไม่ชัดเจนว่าจะสร้างการตัดสินใจได้อย่างไรตามมาตรการบางอย่างที่รายงานเป็นองค์ประกอบของการวิเคราะห์การทำเหมืองข้อมูล
เข้าถึงข้อมูลทางการเงินระหว่างการขุดข้อมูล วิธีที่ง่ายที่สุดในการกำหนดกรอบการตัดสินใจในแง่การเงินคือการเพิ่มข้อมูลดิบที่ขุดโดยทั่วไปเพื่อให้มีข้อมูลทางการเงินด้วย บางองค์กรกำลังลงทุนและพัฒนาคลังข้อมูลและดาต้ามาร์ท
การออกแบบโกดังหรือมาร์ทประกอบด้วยข้อควรพิจารณาเกี่ยวกับประเภทของการวิเคราะห์และข้อมูลที่จำเป็นสำหรับการสืบค้นที่คาดหวัง เป็นการออกแบบคลังสินค้าในลักษณะที่ช่วยให้สามารถเข้าถึงข้อมูลทางการเงินพร้อมกับการเข้าถึงข้อมูลทั่วไปเพิ่มเติมเกี่ยวกับคุณลักษณะของผลิตภัณฑ์ โปรไฟล์ผู้ใช้ ฯลฯ ได้
การแปลงเมตริกการขุดข้อมูลเป็นข้อกำหนดทางการเงิน − เมตริกการขุดข้อมูลทั่วไปคือการวัด "การยก" การยกคือการวัดผลสำเร็จโดยใช้แบบจำลองหรือรูปแบบเฉพาะที่สัมพันธ์กับอัตราฐานที่ไม่ได้ใช้แบบจำลอง ค่าสูงหมายถึงประสบความสำเร็จมาก ดูเหมือนว่าคุณสามารถสร้างการตัดสินใจโดยอิงจากลิฟต์ได้
ความแม่นยำ − ความแม่นยำเป็นตัววัดว่าแบบจำลองมีความสัมพันธ์ระหว่างผลลัพธ์กับแอตทริบิวต์ในข้อมูลที่ได้รับการสนับสนุนได้ดีเพียงใด มีการวัดความแม่นยำหลายอย่าง แต่การวัดความแม่นยำทั้งหมดขึ้นอยู่กับข้อมูลที่ใช้ ในความเป็นจริง ค่าต่างๆ อาจหายไปหรือเป็นค่าประมาณ หรือข้อมูลสามารถเปลี่ยนแปลงได้ด้วยหลายกระบวนการ
เป็นขั้นตอนของการสำรวจและพัฒนา โดยสามารถตัดสินใจยอมรับข้อผิดพลาดในข้อมูลจำนวนหนึ่ง โดยเฉพาะอย่างยิ่งหากข้อมูลมีลักษณะเหมือนกันอย่างเป็นธรรม ตัวอย่างเช่น แบบจำลองที่คาดการณ์ยอดขายสำหรับร้านค้าเฉพาะตามยอดขายที่ผ่านมาอาจมีความสัมพันธ์อย่างมีประสิทธิภาพและแม่นยำมาก แม้ว่าร้านค้านั้นจะใช้เทคนิคการบัญชีที่ไม่ถูกต้องอย่างสม่ำเสมอ ดังนั้น การวัดความแม่นยำควรสมดุลโดยการประเมินความน่าเชื่อถือ
