ประเภทของโมเดลการเหมืองข้อมูล (Data Mining Models) มีอะไรบ้าง

การเหมืองข้อมูล (Data Mining) เป็นกระบวนการค้นหาความสัมพันธ์ รูปแบบ และแนวโน้มที่มีประโยชน์และใหม่ๆ โดยการผ่านปริมาณข้อมูลมากที่จัดเก็บในที่เก็บ (Repositories) ใช้เทคโนโลยีการรู้จักรูปแบบ (Pattern Recognition) รวมถึงเทคนิคทางสถิติและคณิตศาสตร์ เป็นการวิเคราะห์ชุดข้อมูลเชิงเท็จจริง (Factual Datasets) เพื่อค้นพบความสัมพันธ์ที่ไม่คาดคิด และสรุประเบียนในวิธีใหม่ที่เป็นเหตุเป็นผลและมีประโยชน์ต่อเจ้าของข้อมูล

เทคนิคการเหมืองข้อมูลสามารถใช้สร้างโมเดลสามประเภทสำหรับสามประเภทของงาน ได้แก่ การสร้างโปรไฟล์เชิงบรรยาย (Descriptive Profiling), การสร้างโปรไฟล์เชิงกำกับ (Directed Profiling) และการทำนาย (Prediction)

การสร้างโปรไฟล์เชิงบรรยาย (Descriptive Profiling)

โมเดลเชิงบรรยาย (Descriptive Models) อธิบายว่ามีอะไรในระเบียน เอาต์พุตคือแผนภูมิหรือตัวเลขหรือกราฟิกหลายอย่างที่อธิบายว่ากำลังเกิดอะไรขึ้น การทดสอบสมมติฐาน (Hypothesis Testing) สร้างโมเดลเชิงบรรยาย กล่าวอีกนัยหนึ่ง ทั้งโปรไฟล์เชิงกำกับและการทำนายมีเป้าหมายในใจเมื่อโมเดลถูกสร้าง

ในโมเดลโปรไฟล์ โฟกัสเป็นจากกรอบเวลาเดียวกันกับอินพุต ในโมเดลทำนาย โฟกัสเป็นจากกรอบเวลาถัดไป การทำนาย (Prediction) หมายถึงการค้นพบรูปแบบในข้อมูลจากช่วงเวลาหนึ่งที่สามารถกำหนดผลลัพธ์ในช่วงเวลาถัดไปได้ เหตุผลที่เน้นความแตกต่างระหว่างโปรไฟล์และการทำนายคือว่ามันมีความสัมพันธ์กับเมธอดโลยีการสร้างโมเดล โดยเฉพาะการวิเคราะห์เวลาในการสร้างเซตโมเดล

การสร้างโปรไฟล์เชิงกำกับ (Directed Profiling)

การสร้างโปรไฟล์ (Profiling) เป็นแนวทางที่คุ้นเคยสำหรับหลายปัญหา อาจไม่เกี่ยวข้องกับการวิเคราะห์ข้อมูลที่ซับซ้อน การสำรวจ (Surveys) เช่น เป็นหนึ่งวิธีทั่วไปในการสร้างโปรไฟล์ลูกค้า การสำรวจเปิดเผยว่าลูกค้าและลูกค้าที่คาดหวังดูเหมือนอย่างไร หรืออย่างน้อยก็วิธีที่ผู้ตอบแบบสำรวจตอบคำถาม

โปรไฟล์มักพัฒนาบนตัวแปรประชากร (Demographic Variables) เช่น ตำแหน่งทางภูมิศาสตร์ เพศ และอายุ เนื่องจากโฆษณาขายตามตัวแปรเหล่านี้เดียวกัน โปรไฟล์ประชากรจึงสามารถเปลี่ยนเป็นกลยุทธ์สื่อ (Media Strategies) โดยตรง

การทำนาย (Prediction)

การสร้างโปรไฟล์ใช้ข้อมูลจากอดีตเพื่ออธิบายสิ่งที่เกิดขึ้นในอดีต การทำนายก้าวไปอีกขั้นหนึ่ง การทำนายใช้ข้อมูลจากอดีตเพื่อทำนายสิ่งที่มีแนวโน้มจะเกิดขึ้นในอนาคต นี่เป็นการใช้ข้อมูลที่ทรงพลัง (Dynamic)

ในขณะที่ความสัมพันธ์ระหว่างยอดเงินฝากต่ำและการถือครอง CD อาจไม่ประโยชน์ในโปรไฟล์ของผู้ถือ CD การมียอดเงินฝากสูงมีแนวโน้ม (ร่วมกับตัวบ่งชี้อื่นๆ) เป็นตัวทำนายของการซื้อ CD ในอนาคต

การสร้างโมเดลทำนาย (Predictive Model) ต้องการการแยกในเวลาระหว่างอินพุตโมเดลหรือตัวทำนาย (Model Inputs/Predictors) และเอาต์พุตโมเดล สิ่งที่จะทำนาย หากการแบ่งนี้ไม่ได้รับการสนับสนุน โมเดลจะไม่ทำงาน