การทำเหมืองข้อมูลเกี่ยวข้องกับการประมวลผลข้อมูลและ OLAP อย่างไร?

การประมวลผลข้อมูล, OLAP และการทำเหมืองข้อมูล

มีแอปพลิเคชันคลังข้อมูล (Data Warehouse) สามประเภท ได้แก่ การประมวลผลข้อมูล (Information Processing), การประมวลผลเชิงวิเคราะห์ (Analytical Processing), และการทำเหมืองข้อมูล (Data Mining)

1. การประมวลผลข้อมูล (Information Processing)

ให้บริการสอบถาม (Querying), การวิเคราะห์ตัวเลขพื้นฐาน, และการจัดทำรายงานโดยใช้ตารางข้าม (Crosstabs), ตาราง, แผนภูมิ, หรือกราฟ แนวโน้มปัจจุบันคือการสร้างเครื่องมือเข้าถึงแบบเว็บที่มีต้นทุนต่ำ ซึ่งรวมกับเบราว์เซอร์เว็บ

2. การประมวลผลเชิงวิเคราะห์ (Analytical Processing - OLAP)

ให้บริการการดำเนินการ OLAP พื้นฐาน เช่น Slice-and-dice, Drill-down, Roll-up, และ Pivoting มักทำงานบนข้อมูล lịch sử ในรูปแบบทั้งสรุปและละเอียด จุดแข็งหลักของ OLAP เหนือการประมวลผลข้อมูลคือการวิเคราะห์ข้อมูลหลายมิติ (Multidimensional Data Analysis) ของข้อมูลคลังข้อมูล

3. การทำเหมืองข้อมูล (Data Mining)

ให้บริการการค้นพบความรู้ (Knowledge Discovery) โดยการค้นพบรูปแบบและความสัมพันธ์ที่ซ่อนอยู่, สร้างโมเดลเชิงวิเคราะห์, ดำเนินการจัดประเภทและทำนาย (Classification and Prediction), และแสดงผลการทำเหมืองโดยใช้เครื่องมือการแสดงผล (Visualization Tools)

การเปรียบเทียบ

• การประมวลผลข้อมูล vs การทำเหมืองข้อมูล: การประมวลผลข้อมูลอิงตามคำสอบถาม สามารถค้นพบข้อมูลที่มีประโยชน์ได้ คำตอบสะท้อนข้อมูลที่จัดเก็บในฐานข้อมูลโดยตรง หรือคำนวณได้โดยฟังก์ชันรวม พวกมันไม่สะท้อนรูปแบบหรือความสามารถในการทำนายที่ซ่อนอยู่ในฐานข้อมูล ดังนั้น การประมวลผลข้อมูลไม่ใช่การทำเหมืองข้อมูล
• OLAP vs การทำเหมืองข้อมูล: OLAP ใกล้เคียงการทำเหมืองข้อมูลมากกว่า เพราะสามารถสร้างข้อมูลที่สรุปในระดับรายละเอียดต่างๆ จากชุดย่อยที่ผู้ใช้กำหนดของคลังข้อมูล บริการของ OLAP และการทำเหมืองข้อมูลสามารถมองว่าเป็น Disjoint (แยกจากกัน)
  • OLAP เป็นเครื่องมือสรุป/รวมข้อมูล (Summarization/Aggregation) ช่วยการวิเคราะห์ข้อมูลได้ง่าย
  • การทำเหมืองข้อมูลช่วยค้นพบรูปแบบและความรู้ที่น่าสนใจซ่อนอยู่ในข้อมูลปริมาณมากแบบอัตโนมัติ
• เป้าหมาย: เครื่องมือ OLAP มุ่งทำให้การวิเคราะห์ข้อมูลโต้ตอบง่ายขึ้น ส่วนเป้าหมายของเครื่องมือการทำเหมืองข้อมูลคือทำให้กระบวนการอัตโนมัติมากที่สุดเท่าที่จะเป็นไปได้ พร้อมให้ผู้ใช้ควบคุมกระบวนการ ดังนั้น การทำเหมืองข้อมูลก้าวหนึ่งขั้นจาก OLAP แบบดั้งเดิม
• มุมมองทางเลือก: การทำเหมืองข้อมูลอาจครอบคลุมทั้งการกำหนดข้อมูล (Data Definition) และการสร้างโมเดลข้อมูล (Data Modeling) เนื่องจากระบบ OLAP สามารถแสดงความรู้ทั่วไปจากคลังข้อมูลได้ บริการ OLAP จึงจำเป็นสำหรับการสรุปและเปรียบเทียบข้อมูลที่ผู้ใช้กำหนด (โดย Drilling, Pivoting, Slicing, Dicing ฯลฯ)
• ขอบเขตข้อมูล: การทำเหมืองข้อมูลไม่จำกัดเพียงการวิเคราะห์ข้อมูลในคลังข้อมูล สามารถสำรวจข้อมูลในระดับรายละเอียดมากกว่าบันทึกที่สรุปไว้ในคลังข้อมูล รวมถึงข้อมูลธุรกรรม, ข้อมูลเชิงพื้นที่, ข้อความ, และมัลติมีเดีย ที่ยากต่อการสร้างโมเดลด้วยเทคโนโลยีฐานข้อมูลหลายมิติปัจจุบัน ในบริบทนี้ การทำเหมืองข้อมูลครอบคลุมขอบเขตกว้างกว่า OLAP ทั้งด้านบริการและความซับซ้อนของข้อมูลที่จัดการ