परिकल्पना परीक्षण किसी कंपनी की निर्णय लेने की प्रक्रियाओं में डेटा को एकीकृत करने का सबसे सरल तरीका है। परिकल्पना परीक्षण का उद्देश्य पूर्वकल्पित विचारों की पुष्टि या खंडन करना है, और यह लगभग सभी डेटा माइनिंग प्रयासों का एक हिस्सा है।
डेटा माइनर्स तरीकों के बीच आगे और पीछे उछाल प्रदान करते हैं, पहले देखे गए व्यवहार के लिए संभावित विवरणों पर विचार करते हैं और उन परिकल्पनाओं को डेटा की गणना करने की अनुमति देते हैं।
परिकल्पना परीक्षण वह है जो वैज्ञानिक और सांख्यिकीविद परंपरागत रूप से अपना जीवन व्यतीत करते हैं। एक परिकल्पना एक प्रस्तावित स्पष्टीकरण है जिसकी वैधता का परीक्षण डेटा का विश्लेषण करके किया जा सकता है। ऐसी जानकारी आसानी से अवलोकन द्वारा एकत्र की जा सकती है या एक प्रयोग के माध्यम से बनाई जा सकती है, जिसमें एक परीक्षण मेलिंग भी शामिल है।
परिकल्पना परीक्षण सबसे मूल्यवान है जब यह खुलासा करता है कि उद्योग क्षेत्र में संगठन के कार्यों का मार्गदर्शन करने वाली धारणाएं गलत हैं। उदाहरण के लिए, मान लें कि किसी संगठन का विज्ञापन किसी उत्पाद या सेवा के लिए लक्षित बाजार और प्रतिक्रियाओं की विशेषता के बारे में कई परिकल्पनाओं पर निर्भर करता है। यह परीक्षण के लायक है कि क्या ये परिकल्पना वास्तविक प्रतिक्रियाओं से पैदा हुई हैं।
एक तरीका यह है कि विभिन्न विज्ञापनों में अलग-अलग कॉल-इन नंबरों का उपयोग किया जाए और प्रत्येक उत्तरदाता द्वारा डायल किए जाने वाले नंबर को रिकॉर्ड किया जाए। कॉल के दौरान एकत्र की गई जानकारी की तुलना उस जनसंख्या की प्रोफ़ाइल से की जा सकती है, जिस तक विज्ञापन पहुंचने के लिए डिज़ाइन किया गया था।
परिकल्पना उत्पन्न करने की कुंजी पूरे संगठन से और जहां उपयुक्त हो, इसके बाहर भी विविध इनपुट प्राप्त कर रही है। अक्सर, विचारों के प्रवाह को शुरू करने के लिए केवल समस्या का एक स्पष्ट बयान ही आवश्यक होता है—खासकर यदि यह ऐसा कुछ है जिसे पहले किसी समस्या के रूप में नहीं पहचाना गया है।
ऐसा कई बार होता है जब कोई यह मान सकता है कि समस्याओं की पहचान नहीं हो पाती है क्योंकि वे संगठन के प्रदर्शन का मूल्यांकन करने के लिए उपयोग किए जा रहे मीट्रिक द्वारा कैप्चर नहीं किए जाते हैं।
अगर किसी संगठन ने हमेशा हर महीने की गई कई नई बिक्री पर अपनी बिक्री बल की गणना की है, तो विक्रेता ने कभी भी इस सवाल पर ज्यादा विचार नहीं किया होगा कि नए उपयोगकर्ता कितने समय तक सक्रिय रहते हैं या वे संगठन के साथ अपने पूरे जुड़ाव में कितना खर्च करते हैं।
परिकल्पना परीक्षण निश्चित रूप से उपयोगी है, लेकिन एक समय आता है जब यह पर्याप्त नहीं होता है। इस पुस्तक के बाकी हिस्सों में वर्णित डेटा माइनिंग तकनीकों को डेटा के आधार पर मॉडल बनाकर नई चीजें सीखने के लिए डिज़ाइन किया गया है।
सबसे सामान्य अर्थों में, एक मॉडल एक स्पष्टीकरण या विवरण है कि कैसे कुछ काम करता है जो वास्तविकता को अच्छी तरह से दर्शाता है कि इसका उपयोग वास्तविक दुनिया के बारे में अनुमान लगाने के लिए किया जा सकता है।