डेटा माइनिंग, पैटर्न पहचान तकनीकों का उपयोग करके रिपॉजिटरी में सहेजे गए बड़ी मात्रा में डेटा के माध्यम से छान-बीन करके उपयोगी नए सहसंबंधों, पैटर्न, और रुझानों को खोजने की प्रक्रिया है, जिसमें सांख्यिकीय और गणितीय तकनीकें शामिल हैं। यह तथ्यात्मक डेटासेट का विश्लेषण है ताकि अनपेक्षित संबंधों की खोज की जा सके और रिकॉर्ड को नवीन तरीकों से सारांशित किया जा सके जो डेटा मालिक के लिए दोनों तार्किक और सहायक हों।
डेटा माइनिंग से संबंधित विभिन्न मुद्दे निम्नानुसार हैं:
गोपनीयता के मुद्दे (Privacy issues) – यह मौलिक मुद्दा है जो तकनीकी व्यवसाय से नहीं बल्कि सामाजिक है। यह एकल गोपनीयता (single privacy) का मुद्दा है। डेटा माइनिंग नियमित व्यावसायिक लेनदेन का विश्लेषण करना और एकल खरीदारी आदतों और प्राथमिकताओं के बारे में आवश्यक मात्रा में डेटा एकत्र करना लागू बनाता है।
डेटा अखंडता के मुद्दे (Data integrity issues) – एक प्रमुख कार्यान्वयन चुनौती कई स्रोतों से परस्पर विरोधी या अनावश्यक जानकारी को मर्ज करना है। उदाहरण के लिए, एक बैंक अलग-अलग डेटाबेस पर क्रेडिट कार्ड खातों की रक्षा कर सकता है। एक व्यक्तिगत कार्डधारक के पते प्रत्येक में अलग-अलग हो सकते हैं। सॉफ्टवेयर को एक सिस्टम से दूसरे में डेटा का अनुवाद करना चाहिए और सबसे हाल ही में दर्ज पते को चुनना चाहिए।
संबंधपरक डेटाबेस संरचना या बहुआयामी (Relational database structure or multidimensional one) – तकनीकी मुद्दा यह है कि क्या संबंधपरक डेटाबेस संरचना या बहुआयामी संरचना से शुरू करना बेहतर है। एक संबंधपरक संरचना में, डेटा टेबल्स में सहेजा जाता है, जिससे तदर्थ क्वेरी (Adhoc queries) सक्षम होती हैं। एक बहुआयामी संरचना में, क्यूब्स के सेट सरणियों में जुड़े होते हैं, उपसमुच्चय श्रेणी के अनुसार उत्पन्न होते हैं। जबकि बहुआयामी संरचनाएं बहुआयामी डेटा माइनिंग का समर्थन करती हैं, संबंधपरक संरचनाएं क्लाइंट/सर्वर वातावरण में कहीं बेहतर कार्यान्वित की गई हैं।
लागत (Cost) – डेटा माइनिंग क्वेरी जितनी अधिक प्रभावी होगी, डेटा से एकत्र की जा रही जानकारी की उपयोगिता उतनी ही अधिक होगी और एकत्र किए जा रहे डेटा की मात्रा को बढ़ाने का दबाव उतना ही अधिक होगा, जो तेज, अधिक शक्तिशाली डेटा माइनिंग क्वेरी के लिए दबाव में सुधार करता है। यह बड़े, तेज सिस्टम के लिए दबाव बढ़ाता है, जो अधिक महंगे हैं।
डेटा गुणवत्ता (Data quality) – यह डेटा माइनिंग के लिए सबसे बड़ी चुनौतियों में से एक है। डेटा गुणवत्ता डेटा की सटीकता और अखंडता को परिभाषित करती है। डेटा गुणवत्ता विश्लेषण की जा रही जानकारी की संरचना और स्थिरता से भी संबंधित हो सकती है। डुप्लिकेट डेटा की उपस्थिति, डेटा मानकों की अनुपस्थिति, अपडेट की समयबद्धता, और मानवीय त्रुटि स्वचालित रूप से अधिक जटिल डेटा माइनिंग तकनीकों की प्रभावशीलता को प्रभावित कर सकती है।
अंतःक्रियाशीलता (Interoperability) – यह एक कंप्यूटर सिस्टम या डेटा की अन्य सिस्टम या डेटा के साथ औसत मानकों और प्रक्रियाओं का उपयोग करके संचालित करने की क्षमता को परिभाषित करता है। डेटा माइनिंग के लिए, डेटाबेस और सॉफ्टवेयर की अंतःक्रियाशीलता कई डेटाबेस को एक साथ खोज और विश्लेषण करने की अनुमति देने के लिए आवश्यक है और कई एजेंसियों की डेटा माइनिंग गतिविधियों की संगतता प्रदान करने के लिए।
