Что такое интеллектуальный анализ данных

Что такое интеллектуальный анализ данных?

Интеллектуальный анализ данных – это компьютеризованная технология, используемая в аналитике для обработки и исследования крупных наборов данных. Используя инструменты и методы интеллектуального анализа данных, организации могут выявлять шаблоны и отношения, скрытые в данных. Интеллектуальный анализ данных преобразует необработанные данные в практические знания. Компании используют знания для решения проблем, анализа будущего влияния бизнес-решений и повышения прибыли.

Что обозначает термин «интеллектуальный анализ данных»?

Интеллектуальный анализ данных – неправильный термин, поскольку цель интеллектуального анализа данных не состоит в том, чтобы извлекать или анализировать сами данные. На самом деле уже имеется большой объем данных, из которых нужно извлечь значение или ценные знания. Ниже описан типичный процесс сбора, хранения, анализа и интеллектуального анализа данных.

• Сбор данных – это сбор данных из разных источников, таких как отзывы клиентов, платежи и заказы на покупку.
• Хранение данных – это процесс хранения этих данных в большой базе данных или хранилище данных.
• Аналитика данных – это дальнейшая обработка, хранение и анализ данных с использованием сложного программного обеспечения и алгоритмов.
• Интеллектуальный анализ данных – это направление аналитики данных или аналитическая стратегия, используемая для поиска скрытых или ранее неизвестных закономерностей в данных.

Почему интеллектуальный анализ данных – это важно?

Интеллектуальный анализ данных является важной частью любой успешной аналитической инициативы. Компании могут использовать процесс обнаружения знаний, чтобы повышать доверие клиентов, находить новые источники дохода и привлекать новых клиентов. Эффективный интеллектуальный анализ данных помогает в различных аспектах бизнес-планирования и управления операциями. Ниже приведены несколько примеров того, как различные отрасли используют интеллектуальный анализ данных.

Телекоммуникации, СМИ и технологии

Такие высококонкурентные отрасли, как телекоммуникации, СМИ и технологии, используют интеллектуальный анализ данных для улучшения обслуживания клиентов путем выявления закономерностей в их поведении. Например, компании могут анализировать модели использования пропускной способности и предоставлять индивидуальные улучшенные услуги или рекомендации.

Банковское дело и страхование

Финансовые службы могут использовать приложения для интеллектуального анализа данных, чтобы решать сложные проблемы, связанные с мошенничеством, соблюдением нормативных требований, управлением рисками и потерей клиентов. Например, страховые компании могут определять оптимальную стоимость товаров, сравнивая прошлые показатели их эффективности с ценами конкурентов.

Сфера образования

Образовательные учреждения могут использовать алгоритмы интеллектуального анализа данных для проверки знаний учащихся, персонализации уроков и игрофицирования обучения. Единое представление успеваемости учащихся на основе данных может помочь преподавателям лучше понимать потребности учащихся и оказывать им более качественную поддержку.

Обрабатывающая промышленность

Производственные службы могут использовать методы интеллектуального анализа данных для предоставления прогнозной аналитики в режиме реального времени, чтобы повышать общую эффективность оборудования, уровни обслуживания, качество продукции и эффективность цепочки поставок. Например, производители могут использовать архивные данные для прогнозирования износа производственного оборудования и планирования технического обслуживания. В результате они могут оптимизировать производственные графики и сократить время простоя.

Розничная торговля

Розничные компании имеют большие клиентские базы данных с необработанными данными о поведении покупателей. С помощью интеллектуального анализа данных можно обрабатывать эти данные для получения соответствующей информации для маркетинговых кампаний и прогнозов продаж. Благодаря более точным моделям данных розничные компании могут оптимизировать продажи и логистику, что позволит повысить удовлетворенность клиентов. Например, с помощью интеллектуального анализа данных можно выявить популярные сезонные товары, которыми можно запастись заранее, чтобы избежать дефицита.

Каков принцип работы интеллектуального анализа данных?

Межотраслевой стандартный процесс интеллектуального анализа данных (Cross-Industry Standard Process for Data Mining, CRISP-DM) является отличным руководством для начала процесса интеллектуального анализа данных. CRISP-DM – это методология и модель процессов, не зависящая от отрасли, инструментов и приложений.

• В качестве методологии CRISP-DM описывает типичные этапы проектов интеллектуального анализа данных, обозначает задачи, выполняемые на каждом из этапов, и объясняет взаимосвязи между ними.
• В качестве модели процессов CRISP-DM предоставляет обзор жизненного цикла интеллектуального анализа данных.

Каковы шесть этапов процесса интеллектуального анализа данных?

Последовательность этапов CRISP-DM строго не определена, поэтому команды по работе с данными могут по необходимости перемещаться вперед и назад между этапами. Кроме того, программные технологии могут выполнять некоторые из этих задач или поддерживать их.

1. Понимание бизнеса

Сначала специалисты по обработке и анализу данных определяют цель и объем проекта. Они сотрудничают с заинтересованными сторонами бизнеса, чтобы получить определенную информацию, например:

• проблемы, которые требуют решения;
• ограничения проекта;
• воздействие потенциальных решений на бизнес.

Затем они используют эту информацию, чтобы определить цели интеллектуального анализа данных и ресурсы, необходимые для обнаружения знаний.

2. Понимание данных

Определив бизнес-проблему, специалисты по работе с данными приступают к предварительному анализу данных. Они собирают наборы данных из различных источников, получают права доступа и готовят отчет с описанием данных. В отчете содержится информация о типах и количестве данных, требованиях к аппаратному и программному обеспечению для обработки данных. После утверждения плана компанией они приступают к исследованию и проверке данных. Они обрабатывают данные, используя базовые статистические методы, оценивают качество данных и выбирают итоговый набор данных для следующего этапа.

3. Подготовка данных

Специалисты по анализу данных тратят больше всего времени на этот этап, поскольку ПО для интеллектуального анализа данных требует высококачественных данных. В бизнес-процессах данные собираются и хранятся по причинам, отличным от интеллектуального анализа, поэтому специалисты по анализу должны подготовить данные, прежде чем использовать их для моделирования. Подготовка данных состоит из указанных ниже процессов.

Очистка данных

Например, обработка отсутствующих данных, ошибок и стандартных значений, а также корректировка данных.

Интеграция данных

Например, объединение двух разных наборов данных для получения итогового целевого набора.

Форматирование данных

Например, преобразование типов данных или настройка данных для конкретной используемой технологии интеллектуального анализа.

4. Моделирование данных

Специалисты по анализу данных вводят подготовленные данные в ПО для интеллектуального анализа данных и изучают результаты. Для этого они могут использовать один из множества методов и инструментов интеллектуального анализа данных. Они также должны написать тесты для оценки качества результатов интеллектуального анализа данных. Для моделирования данных специалисты по работе с данными могут:

• обучать модели машинного обучения на небольших наборах данных с известными результатами;
• использовать модели для дальнейшего анализа неизвестных наборов данных;
• настраивать или перенастраивать ПО для интеллектуального анализа данных, чтобы получать удовлетворительные результаты.

5. Оценка

После создания моделей специалисты по анализу данных начинают сопоставлять их с первоначальными бизнес-целями. Они делятся результатами с бизнес-аналитиками и собирают обратную связь. Модель может предоставить ответ на первоначальный вопрос или показать новые и ранее неизвестные закономерности. Специалисты по анализу данных могут изменить модель, скорректировать бизнес-цель или пересмотреть данные, полагаясь на обратную связь компании. Непрерывная оценка, обратная связь и внесение изменений являются частью процесса обнаружения знаний.

6. Развертывание

Во время развертывания другие заинтересованные стороны используют рабочую модель для получения бизнес-аналитики. Специалисты по работе с данными планируют процесс развертывания, который включает в себя обучение других функциям модели, постоянный мониторинг и поддержку приложения интеллектуального анализа данных. Бизнес-аналитики используют приложение для создания отчетов для руководства, обмена результатами с клиентами и улучшения бизнес-процессов.

Каковы методы интеллектуального анализа данных?

Методы интеллектуального анализа данных основаны на различных пересекающихся областях знаний, включая статистический анализ, машинное обучение и математику. Далее приведены некоторые примеры.

Анализ ассоциативных правил

Анализ ассоциативных правил – это процесс поиска взаимосвязей между двумя разными, казалось бы, несвязанными между собой наборами данных. Утверждения «если, то» демонстрируют вероятность наличия связи между двумя точками данных. Специалисты по работе с данными измеряют точность результатов, используя критерии поддержки и доверия. Поддержка – это показатель того, насколько часто связанные элементы обнаруживаются в наборе данных, а доверие – показатель того, насколько часто утверждение «если, то» оказывается верным.

Например, если покупатель покупает какой-то товар, он вероятнее всего купит второй товар, связанный с первым. Розничные продавцы могут использовать ассоциативный анализ данных о прошлых покупках для определения товаров, которые могут заинтересовать новых клиентов. С помощью результатов интеллектуального анализа данных они могут заполнять рекомендуемые разделы в интернет-магазине.

Классификация

Классификация – это сложный метод интеллектуального анализа данных, который обучает алгоритмы машинного обучения сортировать данные по отдельным категориям. В классификации для определения категории используются такие статистические методы, как деревья решений и метод ближайшего соседа. Во всех этих методах алгоритм предварительно запрограммирован с использованием известных классификаций данных для определения типа нового элемента данных.

Например, аналитики могут обучать программное обеспечение для интеллектуального анализа данных, используя помеченные изображения яблок и манго. Затем ПО может с некоторой точностью предсказать, что будет изображено на новых картинках: яблоко, манго или другой фрукт.

Кластеризация

Кластеризация – это объединение нескольких точек данных в группы на основе их сходства. Кластеризация отличается от классификации тем, что не может различать данные по определенным категориям, но может находить закономерности в их сходстве. Результатом интеллектуального анализа данных является набор кластеров, в котором каждая коллекция отличается от других групп, но между объектами в каждом кластере существует некоторое сходство.

Например, анализ кластеров может помочь в исследовании рынка при работе с многомерными данными опросов. Исследователи рынка используют анализ кластеров для разделения потребителей на сегменты рынка и получения полного представления о взаимосвязях между различными группами.

Анализ последовательностей и путей

Программное обеспечение для интеллектуального анализа данных также может искать закономерности, в которых определенный набор событий или значений приводит к следующим. ПО может распознавать изменения в данных, происходящие через регулярные промежутки времени или изменения в точках данных, которые происходят с течением времени.

Например, с помощью анализа путей компании могут обнаружить рост продаж определенных товаров непосредственно перед праздниками или определить, что теплая погода привлекает большее количество людей на их веб-сайты.

Какие существуют типы интеллектуального анализа данных?

В зависимости от данных и цели анализа интеллектуальный анализ данных может иметь различные направления или специализации. Рассмотрим некоторые из них ниже.

Анализ процессов

Анализ процессов – направление интеллектуального анализа данных, целью которого является обнаружение, мониторинг и улучшение бизнес-процессов. Анализ процессов подразумевает извлечение знаний из журналов событий, доступных в информационных системах. Это позволяет организациям видеть и понимать, что происходит в этих процессах изо дня в день.

Например, в компаниях, работающих в сфере электронной торговли, выполняется множество процессов, в частности закупка, продажа, оплата, сбор и доставка товаров. Проанализировав журналы данных о закупках, компании могут увидеть, что надежность поставок их поставщиков составляет 54 % или что 12 % поставщиков постоянно доставляют товары раньше срока. Эту информацию они могут использовать для оптимизации отношений с поставщиками.

Анализ текста

Для интеллектуального анализа текста или текстовых данных используется специальное программное обеспечение для чтения и понимания текста. Специалисты по работе с данными используют интеллектуальный анализ текста для автоматизации поиска знаний в письменных ресурсах, таких как веб-сайты, книги, электронные письма, отзывы и статьи.

Например, цифровая медиа-компания может использовать интеллектуальный анализ текста, чтобы автоматически читать комментарии к своим онлайн-видео и классифицировать отзывы зрителей как положительные или отрицательные.

Прогностический анализ

Прогностический интеллектуальный анализ данных использует бизнес-аналитику для прогнозирования тенденций. Он позволяет руководителям бизнеса изучать влияние их решений на будущее своих компаний и принимать более эффективные решения.

Например, компания может изучить данные о прошлых возвратах продукции, чтобы разработать схему гарантии, которая поможет избежать убытков. С помощью прогностического анализа компании могут предсказать потенциальное количество возвратов в следующем году и создать годовой гарантийный план, который учитывает убытки при определении цены товара.

Как AWS может помочь с интеллектуальным анализом данных?

Amazon SageMaker является ведущей программной платформой для интеллектуального анализа данных. Она помогает специалистам по анализу данных и разработчикам готовить, строить, обучать и развертывать высококачественные модели машинного обучения (ML). Платформа включает несколько инструментов для интеллектуального анализа данных.

• Amazon SageMaker Data Wrangler сокращает время, необходимое для сбора и подготовки данных для анализа, с нескольких недель до считанных минут.
• Студия Amazon SageMaker предоставляет единый визуальный веб‑интерфейс, в котором специалисты по работе с данными могут проводить этапы ML-разработки, что позволяет повысить продуктивность команд по анализу данных. Студия SageMaker обеспечивает полный доступ, контроль и визуализацию каждого шага, выполняемого специалистами по работе с данными, для создания, обучения и развертывания моделей.
• Распределенные библиотеки учебных материалов используют алгоритмы секционирования для автоматического разделения больших моделей и наборов обучающих данных для моделирования.
• Отладчик Amazon SageMaker оптимизирует модели машинного обучения, собирая показатели обучения в режиме реального времени, например отправляя оповещения об обнаруженных аномалиях. Это позволяет мгновенно исправлять неточные прогнозы модели.

Начните работу с интеллектуальным анализом данных, создав бесплатный аккаунт AWS уже сегодня.

Интеллектуальный анализ данных

Интеллектуальный анализ данных — это поиск представляющих интерес особенностей или тенденций в существующих массивах данных. Результатом такого анализа могут быть новые гипотезы или новые идеи в сфере диагностики, профилактики или лечения заболеваний. Он может, в частности, дать основания для прогноза индивидуальной реакции на медицинские препараты или помочь в разработке совершенно нового препарата.

В фармацевтической отрасли для извлечения информации из массивов химической, биологической и клинической информации используются сложные компьютерные технологии интеллектуального анализа данных.

Можно проанализировать данные клинических исследований, информацию хранилищ биологических образцов или любые другие доступные сведения, например данные государственных исследовательских организаций или страховых компаний.

Связанные термины:
© Авторское право EUPATI 2023 — Дизайн Blooberry Creative

Мы используем куки для наилучшего представления нашего сайта. Если Вы продолжите использовать сайт, мы будем считать что Вас это устраивает. OkPrivacy policy

Краткое руководство по интеллектуальному анализу данных и его использованию

По странной удаче вы становитесь владельцем золотого рудника. Золото принадлежит вам, но вместо того, чтобы добывать его и получать от него прибыль, вы просто сидите на нем, счастливые быть его владельцем. Не имеет смысла, правда? Вот что происходит, когда вы не используете данные для принятия решений. Сегодня организации располагают сокровищницей данных. Однако часто эта золотая жила идей пропадает зря, потому что компаниям не удается извлечь из нее полезную информацию. Данные могут помочь вам лучше понять своих клиентов, повысить их лояльность и, в конечном итоге, ваш доход, но только если вы их используете. Именно здесь на сцену выходят инструменты интеллектуального анализа данных.

Сбор данных может дать вашей организации конкурентное преимущество, предоставив вам информацию, которая поможет вам принимать решения. Давайте рассмотрим, что такое интеллектуальный анализ данных и какую выгоду от него может получить ваша организация.

Что такое интеллектуальный анализ данных?

Интеллектуальный анализ данных — это процесс анализа больших наборов данных и получения из него полезных результатов. По мере роста операций и усложнения бизнеса крупным предприятиям становится все труднее извлекать полезную информацию из больших наборов данных.

Эта сложность работы с данными привела к росту популярности интеллектуального анализа данных. Таким образом, это приводит к увеличению использования инструментов интеллектуального анализа данных в попытке найти скрытые закономерности в данных. Некоторыми распространенными примерами повседневного анализа данных могут быть анализ фондового рынка, онлайн-покупки, обнаружение мошенничества и банковские операции.

В процессе интеллектуального анализа данных используются алгоритмы интеллектуального анализа данных, собранных в хранилища данных или базы данных для выявления скрытых закономерностей и обнаружения ценных результатов. Интеллектуальный анализ данных стал неотъемлемой частью бизнеса: организации вкладывают больше времени и денег в выбор и использование инструменты используется для интеллектуального анализа данных.

Интеграция данных — это процесс объединения, очистки и представления данных в консолидированном формате. Это включает в себя объединение данных из разных исходных систем в разных форматах, устранение дубликатов, очистка данных в соответствии с бизнес-правиламии преобразуем его в нужный формат.

С другой стороны, цель интеллектуального анализа данных — сосредоточиться на поиске закономерностей и связей, скрытых в больших наборах данных, с использованием эффективных инструментов интеллектуального анализа. Разработка проектов интеллектуального анализа данных требует знаний статистики, алгоритмов машинного обучения и системы баз данных. Использование передовой аналитики и алгоритмов позволяет использовать данные для более быстрого принятия решений.

Используйте возможности искусственного интеллекта в интеллектуальном анализе данных

Когда используется интеллектуальный анализ данных?

Интеллектуальный анализ данных используется предприятиями для получения понятной информации из данных. Однако процесс интеллектуального анализа данных является обширным и требует сочетания ряда шагов. Процесс интеллектуального анализа данных различается в зависимости от вариантов использования и компаний, но это руководство по интеллектуальному анализу данных объяснит этот процесс в простой и базовой форме. Ответ на общий вопрос «сколько шагов в интеллектуальном анализе данных» заключается в том, что этот процесс включает в себя следующие семь основных шагов:

Выбор данных

Первым шагом в процессе анализа данных является выбор источники данных который можно использовать для добычи и получения ценной информации.

Извлечение данных

Следующий шаг предполагает сбор данных и добыча. Специалист по данным идентифицирует и анализирует источники данных, а также использует преобразования для консолидации данных.

Преобразование данных

После сбора данные из разных источников и форматов должны быть переделанный в общий формат, чтобы его можно было использовать.

Очищение данных

После преобразования данных в общий формат их необходимо очистить, чтобы гарантировать отсутствие ошибок, согласованность и уникальность данных. Очистка данных включает в себя минимизацию избыточности данных, манипулирование ими, их организацию и применение политик управления для обеспечения соответствия данных стандартам соответствия.

Хранение и управление данными

Следующим шагом является хранение данных и управление ими в разных системах назначения в соответствии с типом данных. Данные могут быть транзакционными, неоперационными или метаданными.

Транзакционные данные, включая повседневные операции, хранятся отдельно от неоперативных данных. Метаданные связаны с логическим проектированием базы данных и обрабатываются отдельно. Затем сохраненные данные становятся доступными бизнес-аналитикам с помощью прикладного программного обеспечения.

Анализ и анализ данных

Затем, после того как данные будут собраны и загружены в целевую систему, комбинация бизнес-аналитика и алгоритмы интеллектуального анализа данных используются для анализа данных. Понимание бизнеса облегчает специалистам по обработке данных создание модели интеллектуального анализа данных для анализа данных. Тогда возникает вопрос: что такое модель интеллектуального анализа данных?

Модель интеллектуального анализа данных создается путем применения к данным различных алгоритмов. Каждый алгоритм включает в себя процесс выявления тенденций в наборе данных и использование полученных результатов для определения параметров. Эти параметры затем используются для проведения описательной аналитики, диагностической аналитики, предписывающей аналитики, управления рисками или прогнозной аналитики. Приведенную выше модель можно применить к множеству примеров интеллектуального анализа данных, например, к индустрии финансовых инвестиций.

Визуализация данных

Наконец, после получения результатов процесса интеллектуального анализа данных необходимо убедиться, что данные представлены визуально в понятной форме. Компании используют визуализацию данных в виде диаграмм и инфографики для представления результатов.

Воспользуйтесь интеллектуальной обработкой документов с помощью ReportMiner

Приложения

Интеллектуальный анализ данных имеет полезные применения в различных отраслях, таких как:

• Здравоохранение: Надежные инструменты интеллектуального анализа данных можно использовать в медицинской отрасли для снижения затрат, выявления мошеннических действий и улучшения результатов лечения пациентов.
• Образование: Использование инструментов интеллектуального анализа данных в образование может помочь в различных аспектах индустрии образования, таких как определение того, как стимулировать потребности учащихся в обучении, прогнозирование результатов определенных учащихся на экзаменах и принятие эффективных оперативных решений.
• Управление взаимоотношениями с клиентами (CRM): Инструменты интеллектуального анализа данных также могут помочь проанализировать данные клиентов чтобы помочь бизнесу принять клиентоориентированные стратегии и построить успешные, лояльные и долгосрочные отношения со своими клиентами или заказчиками.

Рекомендации по выбору лучшего инструмента интеллектуального анализа данных

Инструмент интеллектуального анализа данных, который вам нужен, зависит от типа вашего бизнеса, метода или техники интеллектуального анализа данных, который вы хотите реализовать, и размера выборки данных. Некоторые инструменты интеллектуального анализа данных используют визуальное программирование и машинное обучение для получения желаемых результатов, в то время как другие используют перетаскивание. Идеальным для вашего бизнеса является тот, который отвечает вашим требованиям.

Вот некоторые особенности, на которые вам следует обратить внимание:

Количество данных

Выбранные вами инструменты интеллектуального анализа данных должны быть способны обрабатывать тот объем данных, которыми вы управляете ежедневно. Если вы обрабатываете огромный объем транзакционных данных, имеет смысл купить высокопроизводительный инструмент для интеллектуального анализа данных. Если ваш набор данных небольшой, бесплатное решение для интеллектуального анализа данных может стать подходящим выбором для удовлетворения ваших требований.

Набор персонала

Использование инструментов интеллектуального анализа данных также во многом зависит от имеющихся у вас ресурсов. Если в вашей команде есть эксперты по анализу данных и интеллектуальному анализу данных, возможно, имеет смысл полностью отказаться от идеи использования инструментов интеллектуального анализа данных. Тем не менее, если вашей команде не хватает технических знаний, рекомендуется инвестировать в инструмент интеллектуального анализа данных, который поможет автоматизировать весь процесс.

Итоги

Какие результаты вам нужны от вашей деятельности по анализу данных? Хотите предсказывать будущие результаты, обнаруживать аномалии, классифицировать данные или отслеживать закономерности? Выбор инструмента интеллектуального анализа данных также зависит от желаемых результатов и типа вашей организации.

Поддержка

Выберите инструмент интеллектуального анализа данных, который предлагает круглосуточную поддержку и адекватную и понятную документацию.

Графический интерфейс

Инструмент интеллектуального анализа данных, который выполняет огромные вычисления, но не может визуализировать результаты, не подходит для любого бизнеса. Выберите инструмент интеллектуального анализа данных с простым в использовании пользовательским интерфейсом и интерфейсом без кода.

Простота использования и обновления

Выберите инструмент, который прост в использовании, требует быстрого обучения и предлагает регулярные обновления. Хороший поставщик программного обеспечения для интеллектуального анализа данных регулярно обновляет свой продукт с учетом меняющихся потребностей бизнеса.

Поддержка облачных систем

В зависимости от размера вашей организации, возможно, вам придется иметь дело с разными облачными источниками и местами назначения для извлечения и загрузки данных. Поэтому убедитесь, что выбранное вами решение для интеллектуального анализа данных поддерживает подключение к облаку.

Упрощение извлечения данных PDF с помощью инструмента без программирования

Заключение

Работы С Нами Astera ReportMiner, вы можете выполнять все задачи интеллектуального анализа данных, которые имеют решающее значение для потребностей вашего бизнеса. Будучи инструментом без кода, ReportMiner чрезвычайно прост в использовании. Вы можете использовать ИИ для создания нескольких моделей отчетов для извлечения данных из отчетов в формате PDF и других неструктурированных источников, а также автоматизировать весь процесс интеллектуального анализа данных. Решение может преобразовать извлеченные данные в структурированный формат и сохранить их в любом желаемом месте.

Автоматизируйте процесс интеллектуального анализа данных с помощью ReportMiner экономит ваше время и человеческие ресурсы, одновременно повышая эффективность и производительность.

Другие статьи по теме

• Что такое преобразование данных и как оно работает?
• Важность подготовки данных для машинного обучения
• Самостоятельная подготовка данных: путь к росту бизнеса
• 5 лучших инструментов подготовки данных в 2023 году

Интеллектуальный анализ данных (Intelligent data analysis)

Интеллектуальный анализ данных — это направление информационных технологий, охватывающее всю область проблем, связанных с извлечением знаний из массивов данных.

Часто интеллектуальный анализ данных рассматривают как трансформацию термина Data Mining (раскопка, разработка данных) и считают два этих понятия синонимами. В широком смысле это вполне допустимо. Однако считать их абсолютно идентичными было бы неверно, поскольку методы Data Mining сосредотачиваются главным образом на процессах анализа данных и интеллектуальном моделировании. В то же время считается, что интеллектуальный анализ данных рассматривает весь спектр проблем, связанных с процессом извлечения знаний из баз данных.

В основе интеллектуального анализа данных, как и в Data Mining, лежит идея активного применения математических методов, таких как оптимизация, генетические алгоритмы, распознавание образов, статистика, Data Mining и т.д., а также использующих визуальное представление информации.

Однако интеллектуальный анализ данных также включает вопросы извлечения данных из различных источников, их консолидацию, профайлинг, трансформацию, предобработку, очистку и обогащение.

Модели интеллектуального анализа данных могут применяться в конкретных бизнес-сценариях, а именно:

• Прогнозирование: оценка продаж, прогнозирование нагрузки сервера или времени простоя сервера;
• Риск и вероятность: выбор наиболее подходящих заказчиков для целевой рассылки, определение точки равновесия для рискованных сценариев, назначение вероятностей диагнозам или другим результатам;
• Рекомендации: определение продуктов, которые с высокой долей вероятности могут быть проданы вместе, создание кросс-пакетов;
• Поиск последовательностей: анализ выбора заказчиков во время совершения покупок, прогнозирование следующего возможного события;
• Группировка: разделение заказчиков или событий на кластеры связанных элементов, анализ и прогнозирование общих черт.