Il datamining

La reportistica ci permette di rappresentare in modo sintetico lo stato di un'azienda. Il processo di sintesi attuato durante la rappresentazione di un report comporta una perdita di informazioni. Per ovviare a tale problema si fa ricorso al Data Mining. Il data mining, in pratica, consente di andare a scoprire cosa c'è dientro un report riassuntivo e il perchè di un dato stato dell'azienda. Per questo motivo il ricorso all'OLAP può essere fondamentale per ovviare a problemi di sintesi e chiarezza, ma non è sufficente per capire la situazione in cui si trova una data azienda. Questo perchè, dietro ad ogni sintesi grafica, si possono nascondere informazioni preziose e problemi non evidenziati, che possono essere esplicitati solo attraverso il data mining.

Principali tecniche di Mining

1. Market basket analysis (analisi del carrello del consumatore) Serve ad analizzare le abitudini di acquisto dei clienti. Ad ogni prodotto viene attribuita una variabile boleana che serve per indicare l'acquisto o meno del prodotto. Ogni “carrello”, quindi, sarà rappresentato dal valore di boleani. Questa attività ha come principale scopo quello di analizzare i comportamenti di acquisto dei consumatori al fine di rendere più efficaci le azioni di marketing.
2. Profilazione Attraverso questa tecnica è possibile, mediante procedure di cluster analysis, individuare profili omogenei tra i diversi consumatori. In pratica consente di segmentare i consumatori in gruppi omogenei di comportamento. Questa tecnica permette di istituire molteplici correlazioni tra i dati raccolti, allo scopo di ottenere informazioni.
3. Decision tree (albero decisionale) Sono un modello semplice di classificatori, basato su una struttura dati ad albero. Nell'albero decisionale i nodi interni corrispondono ai test su un attributo, mentre le foglie sono le categorie degli oggetti classificati.

Alcuni software di data mining  

• SPSS: SPSS Clementine
• SAS: SAS Enterprise Miner e SAS Text Miner
• R
• Oracle Data Miner
• Microsoft SQL Server: strumenti di data mining del DBMS prodotto da Microsoft
• Weka: data mining in Java
• Orange Canvas: software opensource per data mining sviluppato in Python

 

L'enorme mole di informazioni sui clienti e le sempre più complesse interazioni con essi hanno spinto molte aziende a far ricorso al Data Mining.

Il data mining ha una duplice valenza: da un lato funge da strumento utile per l'estrazione, con tecniche analitiche all'avanguardia, di informazione implicita, nascosta, da dati già strutturati, per renderla disponibile e direttamente utilizzabile; dall'altro è uno strumento utile per l'esplorazione ed analisi, eseguita in modo automatico o semiautomatico, su grandi quantità di dati allo scopo di scoprire pattern significativi.
L’applicazione di tecniche di data mining, sfruttando appieno la ricchezza informativa insita nel patrimonio di dati disponibili, consente di acquisire un effettivo vantaggio competitivo.
La conoscenza delle diverse tipologie di comportamento presenti all’interno della propria clientela, delle regole che governano l’acquisto di un prodotto, delle strategie della concorrenza, così come l’individuazione tempestiva di nuove nicchie di mercato, di nuovi potenziali concorrenti, di innovazioni tecnologiche che avranno un impatto nel proprio campo di attività, sono elementi importantissimi per la sopravvivenza in mercati altamente competitivi e in rapida evoluzione.

Il data mining, attraverso una serie di analisi dei dati, permette di fare previsioni accurate. Questo consente di rendere più efficiente una azienda, che conoscendo i propri clienti indirizza al meglio le proprie attività senza dispersione di investimenti e di tempo. Ciò porta ad una maggiore rapidità di risposta e ad un ridimensionamento dei costi, grazie ad una corretta allocazione delle risorse. In sintesi il datamining è uno strumento di supporto ai processi di CRM.