Định nghĩa nhanh: Khai thác dữ liệu có nghĩa là chuẩn bị dữ liệu để hiểu biết sâu sắc bằng cách tìm ra những điểm bất thường, mẫu và mối tương quan.
Những điểm chính:
- Khai thác dữ liệu – một tập hợp con của phân tích dữ liệu – là bước đầu tiên trong việc chuẩn bị dữ liệu thô để hiểu biết và sử dụng.
- Khai thác dữ liệu bao gồm việc tổng hợp dữ liệu lịch sử, xử lý dữ liệu và chuẩn bị dữ liệu để phân tích trong tương lai.
- Các tổ chức có thể tránh những rủi ro tiềm ẩn liên quan đến việc khai thác dữ liệu bằng cách đặt quyền riêng tư lên hàng đầu và trao đổi giá trị hiệu quả với khách hàng xung quanh dữ liệu của bên thứ nhất.
- Quá trình khai thác dữ liệu của bạn phải luôn phù hợp với chiến lược quản trị dữ liệu và mục tiêu tổ chức của bạn.
- Học máy và trí tuệ nhân tạo sử dụng các phương pháp khai thác dữ liệu cơ bản và liên tục tinh chỉnh chúng, tìm ra các mẫu và câu trả lời mà con người không thể làm được.
Thông tin sau được cung cấp trong cuộc phỏng vấn với Nate Smith, giám đốc nhóm tiếp thị sản phẩm của Adobe Analytics Cloud.
Khai thác dữ liệu là gì?
Khai thác dữ liệu – một tập hợp con của phân tích dữ liệu – là bước đầu tiên trong việc chuẩn bị dữ liệu thô để hiểu biết và sử dụng. Trong quá trình khai thác dữ liệu, các nhà phân tích kiểm tra các tập dữ liệu lớn để xác định các điểm bất thường, mẫu và mối tương quan.
Các chuyên gia dữ liệu và nhà tiếp thị có thể sử dụng thông tin hữu ích này cho mục đích dự đoán như dự báo kết quả, cắt giảm chi phí kinh doanh, cải thiện mối quan hệ khách hàng, giảm rủi ro và tăng cường trí tuệ kinh doanh (BI) trong toàn tổ chức của họ.
Mặc dù có nhiều kỹ thuật khai thác dữ liệu khác nhau, nhưng các nhà lãnh đạo ngành sử dụng thuật ngữ “khai thác dữ liệu” thay thế cho các thuật ngữ khác như “phân tích dữ liệu” và “ phân tích dữ liệu ”.
Tại sao khai thác dữ liệu lại quan trọng?
Quá trình khai thác dữ liệu lấy dữ liệu phi cấu trúc và tạo ra một hình ảnh trực quan có tổ chức, dễ hiểu, sẵn sàng để sử dụng. Các quy trình kinh doanh hiện đại sử dụng trực quan hóa dữ liệu, như thông tin kinh doanh và phân tích tiếp thị, yêu cầu một lượng lớn dữ liệu — chứ không chỉ bất kỳ dữ liệu nào. Một tập hợp dữ liệu phải được cấu trúc sao cho nó mang lại thông tin hữu ích.
Việc thu thập dữ liệu sẽ vô ích nếu tất cả thông tin chỉ nằm trong kho dữ liệu. Việc chuẩn bị dữ liệu và quản lý dữ liệu là rất cần thiết.
Quá trình khai thác dữ liệu giúp các nhóm trong toàn tổ chức đưa ra quyết định tốt hơn. Họ có thể xác định rõ ràng và nhanh chóng hơn các mẫu dữ liệu có giá trị nhất. Ví dụ: nhóm kinh doanh thông minh sử dụng thông tin chi tiết về dữ liệu để xác định các khu vực cần tối ưu hóa. Nhóm phân tích có thể sử dụng thông tin chi tiết về dữ liệu để tạo mô hình dự đoán. Và nhóm tiếp thị sử dụng thông tin chi tiết về dữ liệu để cung cấp thông tin cho các chiến dịch tiếp thị nhằm nhắm mục tiêu và thu hút khách hàng tốt hơn.
Khai thác dữ liệu hoạt động như thế nào?
Các nhà khoa học dữ liệu sử dụng nhiều kỹ thuật khai thác dữ liệu. Các phương pháp này sử dụng các chức năng phân tích khác nhau, đặt các câu hỏi khác nhau và sử dụng các cấp độ đầu vào khác nhau của con người hoặc thuật toán học máy để đưa ra quyết định. Nói chung, các kỹ thuật phổ biến nhất được chia thành ba loại chính:
Mô hình mô tả. Mô hình mô tả cho thấy những điểm tương đồng được chia sẻ trong các tập dữ liệu để xác định lý do đằng sau một sự kiện hoặc kết quả. Một số ví dụ về phương pháp mô hình mô tả là:
- Phân cụm – Nhóm các bản ghi tương tự lại với nhau để phát hiện sự bất thường hoặc ngoại lệ.
- Học quy tắc kết hợp – Xác định mối quan hệ giữa các điểm dữ liệu và các bản ghi khác.
- Phân tích thành phần chính – Khám phá mối quan hệ giữa các biến.
- Nhóm sở thích – Phân chia các nhóm người có mục tiêu và sở thích tương tự để phân tích hành vi.
Mô hình dự đoán. Mô hình dự đoán phân loại các sự kiện hoặc ước tính trong tương lai cho những kết quả chưa biết. Một số ví dụ thực tế về mô hình dự đoán bao gồm sử dụng điểm tín dụng của ai đó để đánh giá khả năng họ trả nợ hoặc sử dụng hành vi chi tiêu trong quá khứ của một người để xác định các ngoại lệ nhằm phát hiện gian lận thẻ tín dụng. Ví dụ về các phương pháp mô hình dự đoán bao gồm:
- Hồi quy – Đo lường mức độ mối quan hệ giữa một biến phụ thuộc và một loạt các biến độc lập.
- Mạng lưới thần kinh – Sử dụng các chương trình máy tính và thuật toán học tập để phát hiện các mẫu và đưa ra dự đoán.
- Cây quyết định – Sơ đồ hình cây trong đó mỗi nhánh đại diện cho một sự kiện có khả năng xảy ra.
- Máy vectơ hỗ trợ – Mô hình học có giám sát với các thuật toán học liên quan.
Mô hình quy định. Mô hình hóa quy định lọc và chuyển đổi dữ liệu phi cấu trúc thông qua một quy trình gọi là khai thác văn bản để dữ liệu đó sẵn sàng được đưa vào các mô hình dự đoán. Mô hình quy định xem xét cả các biến bên trong và bên ngoài để đề xuất một phương án hành động. Một số ví dụ về phương pháp lập mô hình quy định bao gồm:
- Phân tích dự đoán với các quy tắc – Dự đoán kết quả bằng cách phát triển các quy tắc nếu/thì từ các mẫu.
- Tối ưu hóa tiếp thị – Mô phỏng các loại phương tiện khác nhau trong thời gian thực để xác định sự kết hợp phù hợp nhằm mang lại lợi tức đầu tư (ROI) cao nhất có thể.
Những loại thông tin chi tiết nào doanh nghiệp có thể thu được từ việc khai thác dữ liệu?
Trong khoa học dữ liệu, luôn có những rủi ro liên quan đến dữ liệu nhạy cảm. Nếu một tổ chức đặt quyền riêng tư lên hàng đầu và trao đổi giá trị hiệu quả với khách hàng xung quanh dữ liệu của bên thứ nhất thì tổ chức đó có thể tránh được những rủi ro này.
Lợi ích của việc khai thác dữ liệu là gì?
Thuật ngữ khai thác dữ liệu nghe có vẻ xâm phạm nhưng trên thực tế, nó chỉ đơn giản có nghĩa là tìm ra các mẫu và sử dụng thông tin chi tiết để cải thiện trải nghiệm của khách hàng. Khai thác dữ liệu hiệu quả có thể tăng thêm giá trị đáng kể cho khách hàng vì tương tác của họ sẽ diễn ra suôn sẻ hơn và thậm chí có thể trở nên phù hợp hơn để đáp ứng nhu cầu của họ.
Những rủi ro của việc khai thác dữ liệu là gì?
Phần tốt nhất của học máy là cách nó tự động hóa các nhiệm vụ tẻ nhạt hơn và nâng cao năng suất của bạn. Ngoài ra, các công ty sử dụng máy học để tối ưu hóa sản phẩm của mình nhằm giúp công việc của khách hàng trở nên dễ dàng hơn. Ví dụ: Adobe tạo ra các tính năng dựa trên máy học cho phép bạn dành ít thời gian hơn cho các hoạt động vô tận, chẳng hạn như sàng lọc lượng dữ liệu khổng lồ để tìm ra khách hàng hoạt động tốt nhất của bạn là ai.
Học máy cũng có thể khám phá những hiểu biết sâu sắc mà con người không có đủ năng lực để xem xét.
Một số phương pháp hay nhất để khai thác dữ liệu là gì?
Bất cứ khi nào có dữ liệu lớn, cần phải khai thác dữ liệu và chuẩn bị dữ liệu. Quá trình khai thác dữ liệu của bạn phải luôn phù hợp với chiến lược quản trị dữ liệu và mục tiêu tổ chức của bạn. Các nhà khoa học dữ liệu thực hiện việc chuẩn bị dữ liệu thực tế phải hiểu cách kết quả từ kết quả đầu ra của họ được đưa vào thông tin kinh doanh (BI), phân tích dữ liệu và tiếp thị.
Khai thác dữ liệu đã thay đổi như thế nào theo thời gian?
Thuật ngữ “khai thác dữ liệu” lần đầu tiên xuất hiện vào cuối những năm 1980 và đầu những năm 1990, nhưng vào thời điểm đó, nó chỉ có nghĩa là truy vấn cơ sở dữ liệu. Đã có phần mềm thống kê thô sơ có thể giúp thực hiện một số nhiệm vụ nhất định như phân tích cụm. Hiện nay, tự động hóa thực hiện được phần lớn công việc đó. Học máy và trí tuệ nhân tạo sử dụng những phương pháp cơ bản này và liên tục cải tiến chúng, tìm ra các mẫu và câu trả lời mà con người không thể làm được.
Khai thác dữ liệu sẽ tiếp tục phát triển như thế nào trong tương lai?
Trong tương lai, trí tuệ nhân tạo sẽ đưa việc khai thác dữ liệu đi xa hơn nữa. Ngày nay, hầu hết việc khai thác dữ liệu được thực hiện trên các tệp phẳng và dữ liệu có cấu trúc. Trong tương lai, việc khai thác dữ liệu sẽ kết hợp tất cả các loại dữ liệu tương tác, cho dù đó là dữ liệu quan hệ hay không. Cũng có thể khai thác dữ liệu các bộ dữ liệu phi truyền thống mà trước đây ngành chưa từng nghĩ đến.
