การใช้ Data Mining ในภาคธุรกิจ
Data mining หรือ Knowledge Discovery in Data เป็นเทคนิคระบุ anomalies, correlations, trends, หรือ patterns ระหว่างล้านล้านข้อมูล (โดยเฉพาะ structured data) เพื่อดึง insights ที่มีประโยชน์สำหรับ business decision making และอาจพลาดใน traditional analysis วัตถุประสงค์: หาข้อเท็จจริง/ข้อมูลที่ถูกมองข้ามหรือไม่รู้ ก่อนหน้านี้ ใช้ complex numerical algorithms
Data Mining ใกล้เคียง Data Science ทำโดยบุคคล ในสถานการณ์เฉพาะ บน dataset เฉพาะ มีวัตถุประสงค์ ประกอบด้วย services หลายประเภท: text mining, web mining, audio/video mining, pictorial data mining, social media mining ทำผ่าน software ที่ simple หรือ highly specialized
Outsourcing data mining ทำให้งานเสร็จเร็วขึ้น ต้นทุนดำเนินงานต่ำ Firm เฉพาะทางใช้ new technologies เก็บข้อมูลที่หาไม่ได้ manually มี data โทนบนหลาย platforms แต่ knowledge ที่เข้าถึงได้น้อย ความท้าทายหลัก: วิเคราะห์ข้อมูลดึง essential information ใช้แก้ปัญหาหรือพัฒนาบริษัท มี tools และ techniques เยอะสำหรับ mine data และหา better insights
การใช้งานในภาคธุรกิจ
- ธนาคาร, ประกันภัย, การแพทย์, รีเทล: ใช้ data mining ลดต้นทุน, เพิ่ม research, เพิ่มยอดขาย
- ประกันภัยและธนาคาร: ใช้ data mining หา fraud และช่วย risk assessment (credit scoring)
- บริษัท: สร้าง models จาก database ที่สะสมหลายปี ทำนาย user เป็น good credit risk หรือ accident claim เป็น fraudulent ต้องสอบสวนเพิ่ม
- ชุมชนการแพทย์: ใช้ data mining ทำนาย effectiveness ของ procedure หรือยา
- บริษัทเภสัชกรรม: ใช้ data mining ของ chemical compounds และ genetic material ช่วย research ยาใหม่สำหรับโรค
- Retailers: ใช้ข้อมูลจาก affinity programs (shoppers club cards, frequent flyer points, contests) ประเมิน effectiveness ของ product selection, placement, coupon offers, และ products ที่มักซื้อร่วมกัน
- Telecom และ music clubs: ใช้ data mining สร้าง 'churn analysis' ประเมิน users ที่น่าจะอยู่ต่อ vs switch ไปคู่แข่ง
ในภาคสาธารณะ data mining applications ใช้เดิมเพื่อ detect fraud และ waste แต่ขยายไปสู่ measuring และ improving program performance
