Bu içerikte veri madenciliği hususunda bilinmesi gereken temel bilgilere yer veriyor, veri madenciliğinde kullanılan tekniklere değiniyoruz.
Veri kümelerindeki anormallikleri ve modelleri bulma süreci olan veri madenciliği, veritabanlarında yer alan büyük veriyi analiz ederek faydalı bilgiye ulaşma süreci olarak karşımıza çıkar.
Eğilimleri öngörebilmek amacıyla görünüşte farklı olguların arasındaki bağlantıları sergileyen veri madenciliği, gelirinizi artırma, maliyetinizi azaltma veyahut müşteri ilişkilerini geliştirme imkanı sağlamaktadır.
Günümüzde şirketlerce yapılan işlemlerin performansının en iyi hale getirilmesi, rekabetin ayarlanması, iletişim kanallarının kullanımının düzenlenmesi v.b. hususlarda veri madenciliğinden yararlanılmaktadır. Bunun yanı sıra veri madenciliği kullanılarak insan davranışı ve genin ifadesi karakterize edilebilmektedir. Veri madenciliği projesini tamamlayabilmek maksadıyla ilk olarak incelenecek problemin tanımlanması gerekmektedir. Sonrasında kullanılabilen veriler kümesinden seçme yapılmalıdır. Kalitesi şüpheye mahal vermeyen bir verinin seçiminin yapılması gerekmektedir.
Veri madenciliği projesinin sorunsuz olarak tamamlanabilmesi adına ilk olarak incelenecek problemin açıkça tanımlanması önem arz etmekte olup, ardından kullanılabilmekte olan veriler kümesi içerisinden seçim yapılması gerekir. Sorun ne denli karmaşık olursa gerekecek olan veri de o kadar fazla olacaktır. Sonrasında veri analizi, istatistiksel yöntemler ve bilgisayar programları aracılığıyla modeli yapılandırma adımı söz konusu olmaktadır. Burada amaç veritabanındaki yeni verilerin tahmin edilmesidir.
Veri madenciliği farklı analitik yeteneklerle karşımıza çıkan organizasyonel ihtiyaçları ele almaktadır ve bir karara varılabilmesi için insanlarca girilmiş olan verileri çeşitli teknikler kullanarak süzmektedir. Peki söz konusu teknikler nelerdir?
Veri Madenciliği Teknikleri:
Predictive (Tahmin Edici) Modelleme Tekniği
Bilinmeyen sonuçların tahmin edilmesi veyahut gelecekteki olayların sınıflandırılması amacıyla derine inme yöntemi olarak karşımıza çıkmaktadır. Mesela bir bireyin kredi puanlamasını, bireyin krediyi geri ödeme olasılığını belirlemek adına ortaya çıkarır.
Descriptive (Tanımlayıcı) Modelleme Tekniği
Müşterilerin duyarlılığına, ürün tercihlerine göre kategorize sağlamakta olan bu teknik, başarı veyahut başarısızlığın nedenlerini belirleyebilmek amacıyla geçmiş verilerde paylaşılmış olan bilgileri açığa çıkarmaktadır.
İzleme Modelleri (Tracking Patterns):
Temel veri madenciliği tekniklerinden biri olarak bilinmektedir. Bir ürüne olan talebin ne zaman yükseldiğini ve ne zaman daha fazla kullanıcı çekildiğini v.b. hususları tespit etmek amacıyla yararlanılabilmektedir. Veri kümelerinde kalıpların tanımlanabilmesi de bu süreçte gerçekleştirilmektedir.
Kümeleme (Clustering) Tekniği:
Bu teknik verilerin bir grup haline getirilmesi hususu olup, müşterilerin gelirlerinin ne kadar harcalanabilir düzeyde olduğu, mağazada ne kadar sık alışveriş yapma eğiliminde oldukları v.b. hususlarda fikir sahibi olmanızı sağlayabilir.
Regresyon Tekniği:
Bir veri kümesindeki değişkenler arasındaki ilişkiyi ortaya çıkarmaya imkan tanımakta olan bir tekniktir. Modelleme biçimi ve planlama biçimi olarak karşımıza çıkmaktadır.
Sınıflandırma (Classification) Tekniği:
Müşterilerin finansal anlamda arka planlarına ve satın alma geçmişlerine ilişkin verilere ulaşabilmek için düşük, orta veyahut yüksek kredi riskleri olarak sınıflandırılabilir. Bu bağlamda daha çok sonuç elde etmeye ve çeşitliliğe erişilebilmesi amacıyla kullanılabilmekte olan bir tekniktir.
Birliktelik (Association) Tekniği:
Verilerin arasındaki bağlantıların tespit edilmesi amacıyla kullanılabilmektedir. Mesela bir müşterinin çanta almasından sonra ikinci ürün olarak kemer aldığını fark etmenizi sağlamaktadır. Bu teknik mesela ürünleri nereye konumlandıracağınız, hangi ürüne hangi rafta ve hangi çeşitlilikte yer vereceğiniz konusunda fikir sahibi olmanızı sağlayabilir.
Aykırı algılama (Outlier Detection) Tekniği:
Verideki aykırı durumların tespit edilmesi hususunda kullanılmaktadır. Mesela müşterilerinizde yaş aralıkları anlamında ortalama yaş grubunun 35 olduğunu varsayalım. Nisan ayında en çok satın alım yapan müşterilerinizin yaş ortalamasını 20 olarak görebilirsiniz. Bu da normal düzenden farklı bir işleyişin meydana gelmiş olduğunu ve dolayısıyla kitlenizin son dönemde değiştiğini gösterir.
