Katsaus 26 Big Datan analyyttiseen tekniikkaan: Osa 1

" Big Data " on erikoistekniikoiden ja teknologioiden soveltamista erittäin suurten tietojoukkojen käsittelyyn. Nämä tietojoukot ovat usein niin suuria ja monimutkaisia, että niitä on vaikea käsitellä käyttämällä tietokannan hallintatyökaluja.

Tietotekniikan radikaali kasvu on johtanut useisiin täydentäviin ehtoihin alalla. Yksi pysyvimmistä ja luultavasti ajankohtaisimmista tuloksista on Big Datan läsnäolo. Termi Big Data on iskulause luotiin kuvaamaan valtavien tietomäärien olemassaoloa. Näin valtavan datamäärän tuloksena on Data Analytics.

Data Analytics on Big Datan jäsentelyprosessi. Big Datassa on erilaisia ​​​​malleja ja korrelaatioita, jotka mahdollistavat data-analytiikan paremman lasketun karakterisoinnin. Tämä tekee data-analytiikasta yhden tietotekniikan tärkeimmistä osista.

Siksi tässä luettelen 26 big datan analytiikkatekniikkaa. Tämä luettelo ei ole missään nimessä tyhjentävä.

1. A/B-testaus

A/B-testaus on arviointityökalu, jonka avulla voit selvittää, mikä verkkosivun tai sovelluksen versio auttaa organisaatiota tai henkilöä saavuttamaan liiketoimintatavoitteensa tehokkaammin. Tämä päätös tehdään vertaamalla, mikä versio jostakin toimii paremmin. A/B-testausta käytetään yleisesti verkkokehityksessä sen varmistamiseksi, että verkkosivun tai sivukomponentin muutokset perustuvat tietoihin eivätkä henkilökohtaisiin mielipiteisiin.

Sitä kutsutaan myös vuototestaukseksi tai ämpäritestaukseksi.

Katso myös:  Big Datan harmaa alue – saa ja ei saa tehdä

1. Yhdistyksen sääntöjen oppiminen

Joukko tekniikoita mielenkiintoisten suhteiden, eli "assosiaatiosääntöjen" löytämiseksi suurten tietokantojen muuttujien joukosta. Nämä tekniikat koostuvat useista algoritmeista mahdollisten sääntöjen luomiseksi ja testaamiseksi.

Yksi sovellus on markkinakorianalyysi, jossa jälleenmyyjä voi määrittää, mitä tuotteita usein ostetaan yhdessä, ja käyttää näitä tietoja markkinointiin. (Yleisesti mainittu esimerkki on havainto, että monet nachoja ostavat supermarketit ostavat myös olutta.)

1. Luokittelupuun analyysi

Tilastollinen luokittelu on tapa tunnistaa kategoriat, joihin uusi havainto kuuluu. Se vaatii koulutussarjan oikein tunnistetuista havainnoista – toisin sanoen historiallisista tiedoista.

Tilastollista luokitusta käytetään:

• Liitä asiakirjat automaattisesti luokkiin
• Luokittele organismit ryhmiin
• Kehitä online-kursseja suorittavien opiskelijoiden profiileja

1. Ryhmäanalyysi

Tilastollinen kohteiden luokittelumenetelmä, joka jakaa monimuotoisen ryhmän pienempiin samankaltaisten objektien ryhmiin, joiden samankaltaisuuden ominaisuuksia ei tiedetä etukäteen. Esimerkki klusterianalyysistä on kuluttajien segmentointi itseään vastaaviin ryhmiin kohdennettua markkinointia varten. Käytetään tiedon louhintaan.

1. Joukkoistaminen

Joukkoistamisessa vivahteena on, että tehtävä tai työ ulkoistetaan, mutta ei nimetylle ammattilaiselle tai organisaatiolle, vaan suurelle yleisölle avoimen haun muodossa. Crowdsourcing on tekniikka, jota voidaan käyttää keräämään tietoa eri lähteistä, kuten tekstiviesteistä, sosiaalisen median päivityksistä, blogeista jne. Tämä on eräänlaista massayhteistyötä ja esimerkki Webin käytöstä.

1. Tietojen yhdistäminen ja integrointi

Monitasoinen prosessi, joka käsittelee yhdestä ja useasta lähteestä peräisin olevien tietojen yhdistämistä, korrelaatiota, yhdistämistä ja informaatiota jalostetun aseman saavuttamiseksi, arvioiden tunnistamiseksi sekä täydelliset ja oikea-aikaiset arviot tilanteista, uhista ja niiden merkityksestä.

Tietojen yhdistämistekniikat yhdistävät useiden antureiden tiedot ja niihin liittyvät tiedot niihin liittyvistä tietokannoista paremman tarkkuuden ja tarkempien päätelmien saavuttamiseksi kuin mitä voitaisiin saavuttaa käyttämällä yhtä anturia.

Katso myös:  Aloittelijan opas Big Data Analyticsiin

1. Tietojen louhinta

Tiedonlouhinta lajittelee tietoja kuvioiden tunnistamiseksi ja suhteiden luomiseksi. Tiedonlouhinnalla tarkoitetaan kollektiivisia tiedonpoimintatekniikoita, joita suoritetaan suurelle tietomäärälle. Tiedonlouhintaparametreja ovat assosiaatio, sekvenssianalyysi, luokittelu, klusterointi ja ennustaminen.

Sovellukset sisältävät asiakastietojen louhinnan sen segmenttien määrittämiseksi, jotka todennäköisimmin vastaavat tarjoukseen, henkilöstötietojen louhintaa menestyneimpien työntekijöiden ominaisuuksien tunnistamiseksi tai markkinakorianalyysin mallintamaan asiakkaiden ostokäyttäytymistä.

1. Yhtye-oppiminen

Se on taidetta yhdistää erilaisia ​​oppimisalgoritmeja yhteen improvisoidakseen mallin vakaudesta ja ennustevoimasta. Tämä on eräänlaista ohjattua oppimista.

1. Geneettiset algoritmit

Optimointitekniikat, jotka käyttävät prosesseja, kuten geneettistä yhdistelmää, mutaatiota ja luonnonvalintaa luonnollisen evoluution käsitteisiin perustuvassa suunnittelussa. Geneettiset algoritmit ovat tekniikoita, joilla tunnistetaan eniten katsotut videot, TV-ohjelmat ja muut mediamuodot. On olemassa evoluutiomalli, joka voidaan tehdä käyttämällä geneettisiä algoritmeja. Video- ja mediaanalytiikka voidaan tehdä geneettisten algoritmien avulla.

1. Koneoppiminen

Koneoppiminen on toinen tekniikka, jota voidaan käyttää luokittelemaan ja määrittämään tietyn tietojoukon todennäköinen tulos. Koneoppiminen määrittelee ohjelmiston, joka pystyy määrittämään tietyn tapahtumasarjan mahdolliset tulokset. Siksi sitä käytetään ennustavassa analytiikassa. Esimerkki ennakoivasta analytiikasta on oikeusjuttujen voittamisen todennäköisyys tai tiettyjen tuotantojen menestys.

1. Luonnollisen kielen käsittely

Joukko tekniikoita tietotekniikan alaerikoiselta (historiallisesti "keinoälyksi" kutsutulla alalla) ja kielitieteen, joka käyttää tietokonealgoritmeja ihmisen (luonnollisen) kielen analysointiin. Monet NLP-tekniikat ovat koneoppimisen tyyppejä. Eräs NLP:n sovellus käyttää mielipideanalyysiä sosiaalisessa mediassa määrittääkseen, kuinka mahdolliset asiakkaat reagoivat brändäyskampanjaan.

1. Neuraaliverkot

Epälineaariset ennustavat mallit, jotka oppivat koulutuksen kautta ja muistuttavat rakenteeltaan biologisia hermoverkkoja. Niitä voidaan käyttää kuvioiden tunnistamiseen ja optimointiin. Jotkut hermoverkkosovellukset sisältävät ohjattua oppimista ja toiset ohjaamatonta oppimista. Esimerkkejä sovelluksista ovat sellaisten arvokkaiden asiakkaiden tunnistaminen, jotka ovat vaarassa lähteä tietystä yrityksestä, ja vilpillisten vakuutuskorvausten tunnistaminen.

Lue myös:  40 hämmentävää faktaa suurdatasta

1. Optimointi

Sarja numeerisia tekniikoita, joita käytetään monimutkaisten järjestelmien ja prosessien uudelleensuunnitteluun niiden suorituskyvyn parantamiseksi yhden tai useamman objektiivisen mittarin (esim. kustannus, nopeus tai luotettavuus) mukaan. Esimerkkejä sovelluksista ovat toiminnallisten prosessien, kuten ajoituksen, reitityksen ja pohjaratkaisujen parantaminen sekä strategisten päätösten, kuten tuotevalikoimastrategian, linkitettyjen sijoitusanalyysien ja T&K-portfoliostrategian, tekeminen. Geneettiset algoritmit ovat esimerkki optimointitekniikasta.

Seuraavassa blogissani kuvailisin loput 13 Big Data Analytics -tekniikkaa.

Lue: Seuraava osa katsauksesta 26 Big Datan analyyttiseen tekniikkaan