Интеллектуальный анализ данных — одна из наиболее развивающихся концепций, способствующих внедрению достаточного количества данных в бизнес-деятельность. Продвинутые компании появляются благодаря этой стратегии, позволяющей эффективно анализировать бизнес-информацию, чтобы усилить свои слабые стороны и укрепить свои сильные стороны (Mughal, 2018). Однако, как и любой технологический инструмент, технологии интеллектуального анализа данных могут иметь ошибки или системные ошибки. Более того, без эффективной стратегии интеллектуальный анализ данных становится нефункциональным (Чандра и Гупта, 2020). Точность и результаты процесса интеллектуального анализа данных должны оцениваться с помощью уникальных алгоритмов.

Одной из наиболее эффективных стратегий оценки и управления информацией, используемой для интеллектуального анализа данных, является внедрение платформ для обработки данных. Такие платформы, как RapidMiner, Orange и Weka, можно эффективно использовать для оценки и корректировки процедур интеллектуального анализа данных внутри одной или нескольких компаний (Albayath et al., 2019). Исследователи считают такой подход выгодным, поскольку упомянутые платформы обеспечивают более высокий уровень эффективности с точки зрения управленческих алгоритмов, которые можно использовать для структурирования и сортировки данных. Компания Amazon использует этот подход для анализа и прогнозирования предпочтений клиентов на основе их активности на сайте (Агарвал, Каул и Радж, 2018). Одним из ограничений, связанных с этими платформами, является необходимость использования кластерных платформ (Ekici et al., 2018). Это может нарушить исходную структуру, препятствуя стандартной обработке интеллектуального анализа данных.

Другой подход связан с оценкой точности классификатора. Это понятие является центральным для понимания процесса интеллектуального анализа данных. Все виды деятельности описываются численно и собираются на основе определенных классификаторов (Фосетт и Провост, 2013). Результаты и точность интеллектуального анализа данных с помощью классификаторов можно оценить на основе алгоритма перекрестной проверки (Меры точности классификатора при интеллектуальном анализе данных, 2020). В структуру методики встроен сложный процесс выявления ошибок для обеспечения более точных результатов (Huang et al., 2019). Одним из примеров организации банковского сектора, реализующей такой подход, является банк Barclays. Онлайн-сервисы Barclays построены на структурах классификаторов (Юань, 2021). Это помогает банку собирать необходимую информацию о потребностях клиентов. Более того, механизмы предотвращения ошибок и общая удобная структура классификаторов способствуют сбору данных, необходимых для повышения качества услуг. Однако этот метод актуален не для всех организаций и отраслей (Юань, 2021). Алгоритмы, включающие структуру классификатора, требуют больше инвестиций и усовершенствованных искусственных нейронных сетей, что дорого. Малый бизнес лучше ориентируется на менее сложные подходы.

Список литературы

Агарвал Х., Каул П. и Радж Г. (2018) «Эффективное прогнозирование кластерных данных на основе веб-сервисов Amazon с использованием искусственных нейронных сетей», Международная конференция по достижениям в области вычислительной техники и связи, 2018 г., стр. 207–212. .

Албаяти, Б. (2019) «Оценка точности алгоритмов интеллектуального анализа данных для обнаружения фальшивых профилей Facebook с использованием Rapidminer, Weka и Orange», Журнал теоретических и прикладных информационных технологий, 97 (7), стр. 1937–1947. Веб.

Меры точности классификатора при интеллектуальном анализе данных (2020) Web.

Экичи Г. и др. (2018) «Технологии больших данных Google, Amazon, Facebook и Twitter», The Educational Researcher, 13, стр. 94–100.

Фосетт Т. и Провост Ф. (2013) Наука о данных для бизнеса. Нью-Йорк: Фостер Провост и Том Фосетт.

Гупта М. и Чандра П. (2020) «Всеобъемлющий обзор интеллектуального анализа данных», Международный журнал информационных технологий, 12, стр. 1243–1257.

Хуанг Дж. и др. (2019) «Улучшение качества данных Интернета вещей в мобильном массовом зондировании: подход перекрестной проверки», IEEE Internet of Things Journal, 6 (3), стр. 5651–5664.

Мугал, Дж. (2018) «Интеллектуальный анализ данных: методы, инструменты и алгоритмы интеллектуального анализа веб-данных», Международный журнал передовых компьютерных наук и приложений, 9 (6), стр. 208–215.

Юань, Р. (2021) «Оценка эффекта пенсионной модели на основе интеллектуального анализа данных», Annals of Operations Research, 1, стр. 1–12.