Skillnad mellan Predictive Analytics och Data Mining
Predictive analytics är processen för att förfina den dataresursen, använda affärskunskap för att extrahera doldt värde från de nyligen upptäckta mönstren. Data mining är upptäckten av dolda datamönster genom maskininlärning - och sofistikerade algoritmer är gruvverktygen.
Data mining + Domänkunskap => prediktiv analys => Business Value
Jämförelse mellan huvud och huvud mellan Predictive Analytics vs Data Mining
Nedan visas den 5 jämförelsen mellan Predictive Analytics vs Data Mining
Viktiga skillnader mellan Predictive Analytics vs Data Mining
Nedan är skillnaden mellan Predictive Analytics och Data Mining
● Process - Process of Data Mining kan sammanfattas i sex faser-
a.Företag / Forskningsförståelsesfas - tydligt anmäla projektets mål och krav i fråga om verksamheten eller forskningsenheten som helhet
b.Data Förstå fas - samla in och använda undersökande dataanalys för att bekanta dig med uppgifterna och upptäck inledande insikter.
c.Data-förberedelsefas - Rengör och tillämpa en transformation på rådata så att den är redo för modelleringsverktygen
d.Modelleringsfas - Välj och tillämpa lämpliga modelleringstekniker och kalibrera modellinställningar för att optimera resultaten.
e.Utvärderingsfas - Modeller måste utvärderas med avseende på kvalitet och effektivitet innan vi distribuerar. Bestäm också om modellen i själva verket uppnår målen för den i fas 1.
F.Utfördelningsfas - Använd modeller i produktionen. Kan vara en enkel implementering som att generera en rapport eller en komplex sådan som Implementera en parallell datalagringsprocess i en annan avdelning.
Steg på hög nivå i processområdet Predictive Analytics
a. Definiera affärsmål - Vilket affärsmål som ska uppnås och hur data passar. Exempelvis är affärsmål ett effektivare erbjudande till nya kunder och data som behövs är segmentering av kunder med specifika attribut.
b.Collect Extra Data - Ytterligare data som behövs kan vara användarprofildata från online-system eller data från tredjepartsverktyg för att bättre förstå data.Detta hjälper till att hitta ett skäl bakom mönstret. Ibland genomförs marknadsundersökningar för att samla in data
c.Draft Predictive Model - Model skapad med nyligen samlad data och affärskunskap. En modell kan vara en enkel affärsregel som "Det finns en större chans att få konvertera användare från ålder a till b från Indien om vi ger erbjudande som detta" eller en komplex matematisk modell.
● Affärsvärde - Data Ming själv lägger till värden till företag som
a. Förstå kundsegment över olika dimensioner
b. Få prestandamönster specifikt för KPI: er (t.ex. ökar prenumerationen med aktiva användare?)
c.Identifiera försök till bedrägeri och förhindra det.
d.Systemets prestandamönster (t.ex. -Sidans laddningstid på olika enheter - något mönster?)
Predictive analytics stärker organisationen genom att erbjuda tre fördelar:
a.Vision - Hjälper till att se vad som är osynligt för andra. Berättande analys kan gå igenom många tidigare kunddata, associera den med andra uppgifter och montera alla bitar i rätt ordning.
b.Decision - En välgjord prediktiv analysmodell ger analytiska resultat fria från känslor och partiskhet. Det ger konsekventa och opartiska insikter för att stödja beslut.
c.Precision - Hjälper till att använda automatiserade verktyg för att göra rapporteringsjobbet åt dig - sparar tid och resurser, minskar mänskliga fel och förbättrar precisionen.
● Prestandamätning - Prestanda för dataanläggningsprocess mätt på hur väl modellen hittar mönster i data. För det mesta kommer det att vara en regressions-, klassificerings- eller klustermodell och det finns ett väldefinierat prestandamått för alla dessa.
Prestandan för prediktiv analys mäts utifrån affärseffekter. Till exempel - hur väl den riktade annonskampanjen fungerade jämfört med en allmän kampanj ?. Oavsett hur bra data mining hittar mönster, för att fungera förutsägbara modeller väl, är affärsinblick ett måste.
● Framtid - Data Mining-fältet utvecklas mycket snabbt. Försöker hitta mönster i data med mindre datapunkter med ett minimumantal funktioner med hjälp av mer sofistikerade modeller som Deep Neural Networks. Många pionjärer inom detta område som Google försöker också göra processen enkel och tillgänglig för alla. Ett exempel är Cloud AutoML från Google.
Predictive analytics expanderar till ett brett utbud av nya områden som förutsägelse om anställda, brottsprediktion (aka prediktiv polisarbete) etc. Samtidigt som organisationer försöker förutsäga mer exakt genom att samla in maximal information om användare som vart de ska, vilken typ av videor som tittar på etc.
Jämförelsetabell mellan Predictive Analytics vs Data Mining
Nedan finns listor över punkter, beskriv jämförelser mellan Predictive Analytics vs Data Mining:
Grund för jämförelse | Data Mining | Predictive Analytics |
Definition | Data mining är processen för att upptäcka användbara mönster och trender i stora datamängder. | Predictive analytics är processen för att extrahera information från stora datasätt för att göra förutsägelser och uppskattningar om framtida resultat. |
Betydelse | Hjälp till att förstå insamlade data bättre. T.ex:
● Bättre förståelse för kundsegment ● Köp mönster över geografi eller tid ● Uppförandeanalys via klickström ● Tidslinjeanalys. ● GPS-gatadataanalys | Förutsäga ovanpå data mining-resultat genom att tillämpa domänkunskap -
● Vilken kund kommer nu att köpa? ● Vad kommer att vara kundkursfrekvens? ● Hur många nya prenumerationer kommer att startas om detta erbjudande ges? ● Vad är en mängd lager av en produkt som behövs för den kommande månaden |
Omfattning | Använd maskininlärningsalgoritmer som regression, klassificering på insamlade data för att hitta dolda mönster | Tillämpa företagskunskap på datamynmönster med ytterligare data som behövs för att få giltiga förutsägelser för företag |
Resultat | Output av data mining kommer att vara ett mönster i data i form av en tidslinje med varierande distribution eller kluster. Men det kommer inte att svara varför detta mönster inträffade? | Prediktiv analys som försöker hitta svar på mönstret med att tillämpa företagskunskap och därmed göra det till en handlingsbar information. |
Folk involverade | Görs mest av statistiker och maskininlärningstekniker, som har en stark matematisk bakgrund för att göra funktionsteknik och skapa ML-modell | Företagsspecifik kunskap och ett tydligt affärsmål är här måste. Företagsanalytiker och andra domänexperter kan analysera och tolka de mönster som upptäckts av maskinerna, få användbar mening ut ur datamönstren och härleda handlingsbara insikter |
Slutsats -Pictictive Analytics vs Data Mining
Som Rick Whiting sa i InformationWeek Vad är nästa är vad som är nästa. Prediktiv analys är där affärsintelligens går. Data Mining hjälper organisationer på något sätt och en av de viktigaste i det skapas en bra grund för Predictive Analytics
Rekommenderad artikel
Detta har varit en guide till skillnaden mellan Predictive Analytics och Data Mining, deras betydelse, jämförelse mellan huvud, viktiga skillnader, jämförelsetabell och slutsats. Du kan också titta på följande artiklar för att lära dig mer -
- Predictive Analytics vs Data Science - Lär dig den 8 användbara jämförelsen
- Data Analytics mot Predictive Analytics - Vilken är användbar
- 7 Den mest användbara skillnaden mellan Data mining vs Web mining
- Data warehousing VS Data Mining - 4 fantastiska jämförelser
- Introduktion till Data Mining Architecture