डेटा माइनिंग कृत्रिम बुद्धिमत्ता के रूपों में से एक है जो मानव मस्तिष्क की तकनीकों का अनुकरण करने के लिए धारणा मॉडल, विश्लेषणात्मक मॉडल, और कई एल्गोरिदम का उपयोग करता है। डेटा माइनिंग मशीनों को मानव निर्णय लेने और मानव विकल्प बनाने में सहायता करता है।
डेटा माइनिंग टूल के उपयोगकर्ता को मशीन नियम, वरीयताएं, और यहां तक कि अनुभव को निर्देशित करना होगा ताकि निर्णय समर्थन डेटा माइनिंग मेट्रिक्स निम्नलिखित हैं:
उपयोगिता (Usefulness)
उपयोगिता में कई मेट्रिक्स शामिल हैं जो हमें बताते हैं कि क्या मॉडल उपयोगी डेटा प्रदान करता है। उदाहरण के लिए, एक डेटा माइनिंग मॉडल जो स्टोर स्थान को बिक्री के साथ सहसंबंधित करता है, वह सटीक और विश्वसनीय दोनों हो सकता है, लेकिन उपयोगी नहीं हो सकता, क्योंकि यह उस परिणाम को सामान्यीकृत नहीं कर सकता कि उसी स्थान पर अधिक स्टोर डालकर।
इसके अलावा, यह इस मूल व्यावसायिक प्रश्न का उत्तर नहीं देता कि विशिष्ट स्थानों पर अधिक बिक्री क्यों होती है। यह भी पता लगा सकता है कि एक मॉडल जो सफल प्रतीत होता है, अर्थहीन है क्योंकि यह डेटा में क्रॉस-सहसंबंधों पर निर्भर करता है।
निवेश पर वापसी (ROI - Return on Investment)
डेटा माइनिंग टूल डेटा के अंदर दबे दिलचस्प पैटर्न ढूंढेंगे और भविष्यवाणी मॉडल विकसित करेंगे। इन मॉडल में कई माप होंगे जो दर्शाते हैं कि वे रिकॉर्ड को कितनी अच्छी तरह फिट करते हैं। यह स्पष्ट नहीं है कि डेटा माइनिंग विश्लेषण के एक तत्व के रूप में रिपोर्ट किए गए कुछ मापों के आधार पर निर्णय कैसे लिया जाए।
डेटा माइनिंग के दौरान वित्तीय जानकारी तक पहुंच (Access Financial Information during Data Mining)
निर्णयों को वित्तीय शर्तों में फ्रेम करने का सबसे सरल तरीका कच्ची जानकारी को बढ़ाना है जिसे आमतौर पर वित्तीय डेटा को भी शामिल करने के लिए खनन किया जाता है। कुछ संगठन डेटा वेयरहाउस और डेटा मार्ट में निवेश और विकास कर रहे हैं।
वेयरहाउस या मार्ट का डिजाइन अपेक्षित क्वेरी के लिए आवश्यक विश्लेषण और डेटा के प्रकारों के बारे में विचारों को समाहित करता है। वित्तीय जानकारी तक पहुंच के साथ-साथ उत्पाद एट्रिब्यूट, उपयोगकर्ता प्रोफाइल आदि पर अधिक सामान्य डेटा तक पहुंच की अनुमति देने वाले तरीके से वेयरहाउस डिजाइन करना उपयोगी हो सकता है।
डेटा माइनिंग मेट्रिक्स को वित्तीय शर्तों में परिवर्तित करना (Converting Data Mining Metrics into Financial Terms)
एक सामान्य डेटा माइनिंग मेट्रिक "लिफ्ट" का माप है। लिफ्ट इस बात का माप है कि विशिष्ट मॉडल या पैटर्न का उपयोग करके आधार दर के सापेक्ष क्या हासिल किया जाता है जिसमें मॉडल का उपयोग नहीं किया जाता है। उच्च मूल्यों का अर्थ है बहुत कुछ हासिल किया गया है। ऐसा लग सकता है कि कोई केवल लिफ्ट के आधार पर निर्णय ले सकता है।
सटीकता (Accuracy)
सटीकता इस बात का माप है कि मॉडल प्रदान किए गए डेटा में एट्रिब्यूट के साथ परिणामों को कितनी अच्छी तरह सहसंबंधित करता है। सटीकता के कई माप हैं, लेकिन सटीकता के सभी माप उपयोग की गई जानकारी पर निर्भर हैं। वास्तव में, मूल्य लापता या अनुमानित हो सकते हैं, या डेटा को कई प्रक्रियाओं द्वारा बदला जा सकता है।
यह अन्वेषण और विकास की प्रक्रिया है, यह डेटा में एक विशिष्ट मात्रा में त्रुटि को स्वीकार करने का निर्णय ले सकता है, खासकर अगर डेटा अपनी विशेषताओं में काफी समान है। उदाहरण के लिए, एक मॉडल जो पिछली बिक्री के आधार पर एक विशिष्ट स्टोर के लिए बिक्री की भविष्यवाणी करता है, शक्तिशाली रूप से सहसंबद्ध और बहुत सटीक हो सकता है, भले ही वह स्टोर लगातार गलत लेखांकन तकनीकों का उपयोग करता हो। इस प्रकार, सटीकता के माप को विश्वसनीयता के आकलन द्वारा संतुलित किया जाना चाहिए।
