डेटा माइनिंग बनाम डेटा वेयरहाउसिंग
डेटा माइनिंग और डेटा वेयरहाउसिंग डेटा विश्लेषण के लिए बहुत शक्तिशाली और लोकप्रिय तकनीक हैं। आंकड़ों की ओर झुकाव रखने वाले उपयोगकर्ता डेटा माइनिंग का उपयोग करते हैं। वे डेटा में छिपे हुए पैटर्न को देखने के लिए सांख्यिकीय मॉडल का उपयोग करते हैं। डेटा खनिक विभिन्न डेटा तत्वों के बीच उपयोगी संबंध खोजने में रुचि रखते हैं, जो अंततः व्यवसायों के लिए लाभदायक है। लेकिन दूसरी ओर, डेटा विशेषज्ञ जो सीधे व्यवसाय के आयामों का विश्लेषण कर सकते हैं, वे डेटा वेयरहाउस का उपयोग करते हैं।
डेटा माइनिंग को डेटा में नॉलेज डिस्कवरी (KDD) के रूप में भी जाना जाता है। जैसा कि ऊपर उल्लेख किया गया है, यह कंप्यूटर विज्ञान का एक क्षेत्र है, जो कच्चे डेटा से पहले अज्ञात और दिलचस्प जानकारी के निष्कर्षण से संबंधित है।डेटा की घातीय वृद्धि के कारण, विशेष रूप से व्यवसाय जैसे क्षेत्रों में, डेटा माइनिंग डेटा के इस बड़े धन को व्यावसायिक बुद्धिमत्ता में बदलने के लिए बहुत महत्वपूर्ण उपकरण बन गया है, क्योंकि पिछले कुछ दशकों में पैटर्न का मैन्युअल निष्कर्षण असंभव प्रतीत होता है। उदाहरण के लिए, वर्तमान में इसका उपयोग विभिन्न अनुप्रयोगों जैसे सोशल नेटवर्क विश्लेषण, धोखाधड़ी का पता लगाने और विपणन के लिए किया जाता है। डेटा माइनिंग आमतौर पर निम्नलिखित चार कार्यों से संबंधित है: क्लस्टरिंग, वर्गीकरण, रिग्रेशन और एसोसिएशन। क्लस्टरिंग असंरचित डेटा से समान समूहों की पहचान कर रहा है। वर्गीकरण सीखने के नियम हैं जिन्हें नए डेटा पर लागू किया जा सकता है और इसमें आम तौर पर निम्नलिखित चरण शामिल होंगे: डेटा का प्रीप्रोसेसिंग, मॉडलिंग डिजाइन करना, सीखना/फीचर चयन और मूल्यांकन/सत्यापन। प्रतिगमन मॉडल डेटा में न्यूनतम त्रुटि वाले फ़ंक्शन ढूंढ रहा है। और एसोसिएशन चरों के बीच संबंधों की तलाश में है। डेटा माइनिंग का उपयोग आमतौर पर सवालों के जवाब देने के लिए किया जाता है जैसे कि मुख्य उत्पाद कौन से हैं जो अगले साल वॉल-मार्ट में उच्च लाभ प्राप्त करने में मदद कर सकते हैं?
जैसा कि ऊपर उल्लेख किया गया है, डेटा वेयरहाउसिंग का उपयोग डेटा का विश्लेषण करने के लिए भी किया जाता है, लेकिन उपयोगकर्ताओं के विभिन्न सेटों और थोड़ा अलग लक्ष्य को ध्यान में रखते हुए। उदाहरण के लिए, जब खुदरा क्षेत्र की बात आती है, तो डेटा वेयरहाउसिंग उपयोगकर्ता इस बात से अधिक चिंतित होते हैं कि ग्राहकों के बीच किस प्रकार की खरीदारी लोकप्रिय है, इसलिए विश्लेषण के परिणाम ग्राहक के अनुभव को बेहतर बनाकर ग्राहक की मदद कर सकते हैं। लेकिन डेटा खनिक पहले एक परिकल्पना का अनुमान लगाते हैं जैसे कि ग्राहक एक निश्चित प्रकार का उत्पाद खरीदते हैं और परिकल्पना का परीक्षण करने के लिए डेटा का विश्लेषण करते हैं। डेटा वेयरहाउसिंग एक प्रमुख रिटेलर द्वारा किया जा सकता है जो शुरू में अपने स्टोर को समान आकार के उत्पादों के साथ स्टॉक करता है ताकि बाद में पता चले कि न्यूयॉर्क स्टोर शिकागो स्टोर की तुलना में छोटे आकार की इन्वेंट्री को बहुत तेजी से बेचता है। इसलिए, इस परिणाम को देखकर खुदरा विक्रेता शिकागो स्टोर की तुलना में न्यूयॉर्क स्टोर को छोटे आकार के साथ स्टॉक कर सकता है।
इसलिए, जैसा कि आप स्पष्ट रूप से देख सकते हैं, ये दो प्रकार के विश्लेषण नग्न आंखों को एक ही प्रकृति के प्रतीत होते हैं।दोनों ऐतिहासिक आंकड़ों के आधार पर बढ़ते मुनाफे की चिंता करते हैं। लेकिन निश्चित रूप से, महत्वपूर्ण अंतर हैं। सरल शब्दों में, डेटा माइनिंग और डेटा वेयरहाउसिंग विभिन्न प्रकार के एनालिटिक्स प्रस्तुत करने के लिए समर्पित हैं, लेकिन निश्चित रूप से विभिन्न प्रकार के उपयोगकर्ताओं के लिए। दूसरे शब्दों में, डेटा माइनिंग एक सांख्यिकीय परिकल्पना का समर्थन करने के लिए सहसंबंधों, पैटर्स की तलाश करता है। लेकिन, डेटा वेयरहाउसिंग एक अपेक्षाकृत व्यापक प्रश्न का उत्तर देता है और यह भविष्य में सुधार के तरीकों को पहचानने के लिए वहां से डेटा को स्लाइस और डाइस करता है।
