Data Mining gegen OLAP
Sowohl Data Mining als auch OLAP sind zwei der gängigen Business Intelligence (BI) -Technologien. Business Intelligence bezieht sich auf computergestützte Methoden zum Identifizieren und Extrahieren nützlicher Informationen aus Geschäftsdaten. Data Mining ist das Gebiet der Informatik, das sich mit dem Extrahieren interessanter Muster aus großen Datenmengen befasst. Es kombiniert viele Methoden aus künstlicher Intelligenz, Statistik und Datenbankverwaltung. OLAP (Online Analytical Processing) ist, wie der Name schon sagt, eine Zusammenstellung von Möglichkeiten zum Abfragen mehrdimensionaler Datenbanken.
Data Mining wird auch als Knowledge Discovery in Data (KDD) bezeichnet. Wie oben erwähnt, handelt es sich um ein Gebiet der Informatik, das sich mit der Extraktion bisher unbekannter und interessanter Informationen aus Rohdaten befasst. Aufgrund des exponentiellen Datenwachstums, insbesondere in Bereichen wie Unternehmen, ist Data Mining zu einem sehr wichtigen Instrument geworden, um diese große Datenfülle in Business Intelligence umzuwandeln, da das manuelle Extrahieren von Mustern in den letzten Jahrzehnten scheinbar unmöglich geworden ist. Beispielsweise wird es derzeit für verschiedene Anwendungen wie die Analyse sozialer Netzwerke, die Aufdeckung von Betrug und das Marketing verwendet. Data Mining befasst sich normalerweise mit den folgenden vier Aufgaben: Clustering, Klassifizierung, Regression und Zuordnung. Beim Clustering werden ähnliche Gruppen aus unstrukturierten Daten identifiziert. Bei der Klassifizierung handelt es sich um Lernregeln, die auf neue Daten angewendet werden können und in der Regel die folgenden Schritte umfassen: Vorverarbeitung von Daten, Entwurf von Modellierung, Lernen / Auswahl von Funktionen und Bewertung / Validierung. Bei der Regression werden Funktionen mit minimalen Fehlern für Modelldaten gefunden. Und die Assoziation sucht nach Beziehungen zwischen Variablen. Data Mining wird normalerweise verwendet, um Fragen zu beantworten, wie z. B. die Hauptprodukte, die dazu beitragen könnten, im nächsten Jahr in Wal-Mart einen hohen Gewinn zu erzielen. Data Mining wird normalerweise verwendet, um Fragen zu beantworten, wie z. B. die Hauptprodukte, die dazu beitragen könnten, im nächsten Jahr in Wal-Mart einen hohen Gewinn zu erzielen. Data Mining wird normalerweise verwendet, um Fragen zu beantworten, wie z. B. die Hauptprodukte, die dazu beitragen könnten, im nächsten Jahr in Wal-Mart einen hohen Gewinn zu erzielen.
OLAP ist eine Klasse von Systemen, die Antworten auf mehrdimensionale Anfragen liefern. In der Regel wird OLAP für Marketing-, Budgetierungs-, Prognose- und ähnliche Anwendungen verwendet. Es versteht sich von selbst, dass die für OLAP verwendeten Datenbanken für komplexe und Ad-hoc-Abfragen mit Blick auf eine schnelle Leistung konfiguriert sind. In der Regel wird eine Matrix verwendet, um die Ausgabe eines OLAP anzuzeigen. Die Zeilen und Spalten werden durch die Dimensionen der Abfrage gebildet. Sie verwenden häufig Aggregationsmethoden für mehrere Tabellen, um Zusammenfassungen zu erhalten. Zum Beispiel kann es verwendet werden, um sich über die Verkäufe dieses Jahres in Wal-Mart im Vergleich zum letzten Jahr zu informieren? Wie ist die Prognose für den Umsatz im nächsten Quartal? Was kann man über den Trend sagen, wenn man die prozentuale Veränderung betrachtet?
Obwohl es offensichtlich ist, dass Data Mining und OLAP ähnlich sind, weil sie Daten verarbeiten, um Informationen zu erhalten, besteht der Hauptunterschied darin, wie sie mit Daten arbeiten. OLAP-Tools bieten mehrdimensionale Datenanalysen und Zusammenfassungen der Daten. Im Gegensatz dazu konzentriert sich Data Mining auf Verhältnisse, Muster und Einflüsse im Datensatz. Dies ist ein OLAP-Deal mit Aggregation, der sich auf den Betrieb von Daten über "Addition" beschränkt, Data Mining jedoch "Division" entspricht. Ein weiterer bemerkenswerter Unterschied besteht darin, dass Data Mining-Tools zwar Daten modellieren und umsetzbare Regeln zurückgeben, OLAP jedoch in Echtzeit Vergleichs- und Kontrasttechniken entlang der Geschäftsdimension durchführt.
