Data Mining เป็นหนึ่งรูปแบบของ Artificial Intelligence ที่ใช้ Perception Models, Analytical Models, และ Multiple Algorithms เพื่อ Simulate Techniques ของ Human Brain Data Mining ช่วยให้ Machines ทำ Human Decisions และสร้าง Human Choices
User ของ Data Mining Tools ต้อง Direct Machine Rules, Preferences, และ Experiences เพื่อ Decision Support Data Mining Metrics ดังนี้:
1. Usefulness (ความมีประโยชน์)
Usefulness เกี่ยวข้องกับ Metrics หลายอย่างที่บอกว่า Model ให้ Useful Data หรือไม่ ตัวอย่าง: Data Mining Model ที่ Correlate Store Location กับ Sales อาจ Accurate และ Reliable แต่ไม่ Useful เพราะไม่สามารถ Generalize Result ได้โดยเพิ่ม Stores ที่ Location เดียวกัน
อีกทั้งไม่ตอบ Fundamental Business Question ว่าทำไม Location บางแห่ง Sales มากกว่า อาจพบว่า Model ที่ดู Successful ไร้ความหมาย เพราะขึ้นกับ Cross-correlations ใน Data
2. Return on Investment (ROI)
Data Mining Tools หา Interesting Patterns ซ่อนอยู่ใน Data และสร้าง Predictive Models Models นี้มี Measures หลายอย่างแสดงว่าพอดีกับ Data แค่ไหน ไม่ชัดเจนว่าจะตัดสินใจจาก Measures บางอย่างที่รายงานใน Data Mining Analyses ได้อย่างไร
3. Access Financial Information ระหว่าง Data Mining
วิธีง่ายที่สุดในการ Frame Decisions ใน Financial Terms คือ Augment Raw Information ที่ Mined ปกติ ให้มี Financial Data ด้วย บาง Organizations Invest และ Develop Data Warehouses และ Data Marts
Design ของ Warehouse/Mart มี Considerations เกี่ยวกับ Types ของ Analyses และ Data ที่ต้องสำหรับ Expected Queries การ Design Warehouses ให้เข้าถึง Financial Information พร้อมกับ Typical Data เช่น Product Attributes, User Profiles เป็นประโยชน์
4. Converting Data Mining Metrics เป็น Financial Terms
Common Data Mining Metric คือ Measure ของ "Lift" Lift วัดสิ่งที่ได้จากการใช้ Specific Model/Pattern Relative to Base Rate ที่ Model ไม่ได้ใช้ High Values หมายถึง Achieve มาก ดูเหมือนจะตัดสินใจจาก Lift ได้ง่าย
5. Accuracy (ความแม่นยำ)
Accuracy วัดว่า Model Correlate Results กับ Attributes ใน Data ที่ Provided ได้ดีแค่ไหน มี Measures ของ Accuracy หลายอย่าง แต่ทั้งหมด Dependent บน Information ที่ใช้ ในความเป็นจริง Values อาจ Missing, Approximate หรือ Data ถูก Transform โดย Processes ต่างๆ
ใน Procedure ของ Exploration และ Development อาจยอมรับ Amount of Error ใน Data โดยเฉพาะถ้า Data Uniform ใน Characteristics ตัวอย่าง: Model ที่ Predict Sales สำหรับ Store จาก Past Sales อาจ Correlated และ Accurate มาก แม้ Store ใช้ Wrong Accounting Techniques อยู่เสมอ ดังนั้น Measurements ของ Accuracy ควร Balance ด้วย Assessments ของ Reliability
