Extragerea datelor găsește tipare în seturi mari de date. Folosește statistică, învățare automată și tehnici de baze de date pentru a descoperi relații care nu sunt evidente. Un comerciant cu amănuntul descoperă că clienții care cumpără scutece cumpără și bere vinerea seara. O bancă constată că anumite tipare de tranzacții prezic frauda. Un spital identifică factorii de risc pentru readmitere. Tiparele sunt reale. Utilitatea lor depinde de ceea ce faci cu ele.

Minarea datelor nu este același lucru cu analiza datelor. Analiza testează ipoteze. Minarea le generează. Nu știi ce cauți. Algoritmul găsește corelații și anomalii. Apoi, o ființă umană decide care dintre ele contează. Acest ultim pas este esențial. Corelația nu este cauzalitate. Un model poate fi fals. Poate reflecta o variabilă confuză. Poate fi un artefact de date. Minarea produce candidați, nu concluzii. Tehnicile includ gruparea, clasificarea, regresia, regulile de asociere și detectarea anomaliilor. Fiecare se potrivește unor probleme diferite. Instrumentele au devenit accesibile. Bibliotecile Python și serviciile cloud permit analiștilor să ruleze algoritmi complecși fără expertiză aprofundată. Riscul este utilizarea necorespunzătoare. Rularea a o mie de modele și alegerea celui cu cel mai bun rezultat nu este descoperire. Este supraadaptare. Modelul trebuie să se bazeze pe date noi pentru a fi real.

Tehnici de extragere a datelor

• Grupare — gruparea înregistrărilor similare
• Clasificare — atribuirea înregistrărilor la categorii
• Reguli de asociere — găsiți elemente care apar simultan
• Regresie — modelarea relațiilor dintre variabile
• Detectarea anomaliilor — identificarea înregistrărilor neobișnuite

Explorarea datelor găsește tipare. Oamenii decid ce înseamnă acestea. Algoritmul este un instrument, nu un oracol.