![\"Tecniche](\"https:\/\/www.egon.com\/wp-content\/uploads\/2017\/07\/correzione-indirizzi-scorretti.jpg\" "\\"Tecniche")
Valorizzare le informazioni aziendali residenti in grandi depositi dati \u00e8 uno degli obiettivi pi\u00f9 noti del data mining\n<\/span>. Ma le potenzialit\u00e0 delle tecniche, delle metodologie e degli esempi che rientrano nella definizione di data mining vanno ben oltre la semplice valorizzazione di dati. In questo articolo ci concentreremo sul marketing e su ci\u00f2 che puoi fare tu stesso per promuovere la tua azienda o il tuo business, anche online, grazie al data mining.\u00a0Nella lista delle 10 tecniche ed esempi pratici selezionati<\/span>\u00a0abbiamo dato voce a risorse e link di approfondimento, in modo che tutti possano conoscere meglio questo ambito vasto e in continuo divenire. Sfruttando le tecniche e prendendo spunto dagli esempi che ti mostreremo fra poco, sarai in grado di potenziare e raffinare la tua strategia di marketing e distinguerti dalla concorrenza. Cominciamo!<\/p>\n
1) CLUSTERING ANALYSIS PER IDENTIFICARE SINGOLI GRUPPI TARGET<\/h3>\n
L\u2019analisi cluster permette di identificare all\u2019interno di un archivio un determinato gruppo di utenti secondo caratteristiche comuni. Queste caratteristiche possono essere l\u2019et\u00e0, la provenienza geografica, il titolo di studio e cos\u00ec via. Si tratta di una tecnica di data mining che nel marketing risulta utile per segmentare il database e inviare, ad esempio, una certa promozione al target giusto per quel prodotto o servizio (giovani, mamme, pensionati, ecc). Le combinazioni di variabili sono infinite e rendono l\u2019analisi cluster pi\u00f9 o meno selettiva a seconda delle esigenze di ricerca.<\/p>\n
Risorse importanti:<\/p>\n
\u2013\u00a0Cluster Analysis by Jmp<\/a>\u00a0[ENG]\n \u2013\u00a0La Cluster Analysis<\/a>\u00a0[PDF ITA]\n \u2013\u00a0Tutorial Cluster Analysis by Origine Lab<\/a>\u00a0 [ENG]\n \u2013\u00a0Data Mining \u2013 Cluster Analysis by Tutorials Point<\/a><\/p>\n \u2013\u00a0Cluster Analysis for Market Segmentation<\/a>\u00a0 [SLIDE ENG]\n Prevedere il futuro \u00e8 il sogno di qualsiasi professionista del marketing. Senza tirare in ballo la sfera di vetro, abbiamo dalla nostra l\u2019analisi regressiva, una tecnica di data mining grazie alla quale studiare cambiamenti, abitudini, livello di soddisfazione dei clienti e altri fattori legati a parametri come il budget di una campagna pubblicitaria o simili. Nel momento in cui modifichi uno di questi parametri, avrai un\u2019idea abbastanza verosimile di cosa accadr\u00e0 al tuo pubblico di utenti.<\/p>\n Risorse importanti:<\/p>\n \u2013\u00a0Regression Analysis \u2013 predicting the future by Michael Pawlicki<\/a>\u00a0 [ENG]\n \u2013\u00a0Regression Analysis \u2013 by b2binternational<\/a>\u00a0 [ENG]\n \u2013\u00a0TECHNIQUE #9: Regression Analysis by Marketing Profs<\/a>\u00a0 [ENG]\n \u2013\u00a0The Use Of Regression Analysis In Marketing Research by IDEAS<\/a>\u00a0 [ENG]\n Come classificare un\u2019email di risposta di un cliente? E come individuare possibili correlazioni tra potenziali acquirenti dei tuoi prodotti prima e dopo l\u2019attuazione di una campagna di advertising? La risposta \u00e8 una sola: analisi classificatoria, la tecnica di data mining che consente di riconoscere i cosiddetti pattern (schemi ricorrenti) all\u2019interno di un database. Una soluzione efficace per rendere pi\u00f9 performante la tua strategia di marketing, eliminare il superfluo e creare sotto-archivi ottimizzati.<\/p>\n Risorse importanti:<\/p>\n \u2013\u00a0Classification Analysis by Berkley<\/a>\u00a0 [ENG]\n \u2013\u00a0Principal Components & Classification Analysis by Statistica<\/a>\u00a0 [ENG]\n \u2013\u00a0Data mining: classification and analysis<\/a>\u00a0 [ENG]\n Ogni business, grande o piccolo che sia, deve affrontare ogni giorno le conseguenze di eventuali errori commessi da dipendenti, fornitori o clienti stessi. Una banale svista in fase di data entry o nell\u2019acquisto di un prodotto ha lo stesso effetto di un sassolino nella scarpa. Niente di stravolgente, ma comunque un fastidio. Per eliminare alla radice incongruenze e anomali dei database, si ricorre a una tecnica di data mining particolare che prende il nome di anomaly detection. Anche in questo caso a gestire la ricerca sar\u00e0 il nostro software, programmato per eseguire operazioni complesse su database contenenti fino a centinaia di migliaia di record (indirizzi, nominativi, ecc).<\/p>\n Risorse importanti:<\/p>\n \u2013\u00a0Machine Learning Anomaly Detection Service by Microsoft<\/a>\u00a0 [ENG]\n \u2013\u00a0Survey on Anomaly Detection using Data Mining Technique by ScienceDirect<\/a>\u00a0 [ENG]\n \u2013\u00a0Anomaly Detection by Oracle<\/a><\/p>\n \u2013\u00a0Outlier and Anomaly Detection by KDD Topics<\/a><\/p>\n \u2013\u00a06 Benefits Of Anomaly Detection Software For IT Ops\/APM by Prelert<\/a><\/p>\n Marketing e sicurezza sono due aspetti che sembrano non avere alcuna relazione e che invece vanno (o dovrebbero andare) di pari passo. Immagina quali effetti deleteri potrebbe avere una campagna DEM (Direct Email Marketing) condotta su un database contaminato. Per ovviare l\u2019impiego di archivi infetti da intrusi (singoli valori aggiunti da cracker o veri e propri virus che duplicano i dati), \u00e8 sufficiente procedere con la ricerca degli intrusi, una tecnica di data mining che bonifica il database e garantisce una maggiore sicurezza dell\u2019intero sistema.<\/p>\n Risorse importanti:<\/p>\n \u2013\u00a0Data mining for network security and intrusion detection by R-bloggers<\/a>\u00a0 [ENG]\n \u2013\u00a0Data Mining Approaches for Intrusion Detection by Wenke Lee and Salvatore J. Stolfo<\/a>\u00a0 [ENG]\n \u2013\u00a0Effective approach toward Intrusion Detection System using data mining technique by Science Direct<\/a>\u00a0 [ENG]\n L\u2019utilizzo tipo dell\u2019association rule learning riguarda le attivit\u00e0 di vendita di prodotti, in particolare per grandi volumi. Che sia online attraverso un ecommerce oppure di persona in un negozio (o un centro commerciale), capita che vengano a crearsi relazioni interessanti fra i dati in tuo possesso. Relazioni che non sospettavi o che nemmeno immaginavi. Un esempio? Il 90% di clienti che acquistano online un prodotto ne acquistano anche un altro, sempre lo stesso. Dettagli che ci permettono di creare offerte di marketing mirate, promozioni speciali e formule vincenti.<\/p>\n Risorse importanti:<\/p>\n \u2013\u00a0Association Rule Learning \u2013 Wikipedia<\/a>\u00a0 [ENG]\n \u2013\u00a0Association Rule Mining \u2013 Not Your Typical Data Science Algorithm<\/a>\u00a0 [ENG]\n \u2013\u00a0Association rules (in data mining) by Search Business<\/a>\u00a0 [ENG]\n \u2013\u00a0Association Rule Learning and the Apriori Algorithm by R-Bloggers<\/a>\u00a0 [ENG]\n Ogni volta che prendi una decisione ti trovi di fronte a un bivio. Quando le opzioni sono tante, ecco che al posto del bivio hai un albero decisionale. In prima battuta avere a che fare con un albero di questo genere confonde le idee, se per\u00f2 abbiamo un tool informatico che organizza l\u2019albero e ci sottopone scelte definitive, complete di costi \/ benefici, la musica cambia e lo stesso albero diventa uno strumento prezioso per il Project Risk Management. Anche qui, la profondit\u00e0 di analisi dipende in larga parte dalla tecnologia a disposizione: pi\u00f9 il software \u00e8 avanzato, pi\u00f9 l\u2019albero sapr\u00e0 indicarti qual \u00e8 la strada migliore da intraprendere.<\/p>\n Risorse importanti:<\/p>\n \u2013\u00a0Using a Decision Trees Example in Project Risk by Bright Hubpm<\/a>\u00a0 [ENG]\n \u2013\u00a0Decision Tree (CART) \u2013 Retail Case Study Example (Part 5) by YOU CANanalytics<\/a>\u00a0 [ENG]\n \u2013\u00a0Decision Trees for Decision Making by Harvard Business Review<\/a>\u00a0 [ENG]\n \u2013\u00a0Decision Trees Choosing by Projecting \u201cExpected Outcomes by Mind Tools<\/a>\u00a0 [ENG]\n Complementare al clustering e agli alberi decisionali \u00e8 il concetto di rete neurale. Si tratta di una delle pi\u00f9 recenti applicazioni del data mining, in base alla quale la macchina di cui ti avvali per le tue azioni di marketing, e quindi il computer che gestisce il tuo database, \u201dimpara\u201d a identificare un certo pattern al cui interno sono presenti elementi con relazioni precise fra loro. Il risultato di questo \u201capprendimento\u201d \u00e8 il riconoscimento e la memorizzazione di schemi che possono tornare utili, magari non subito ma in futuro, per decidere se e come realizzare un obiettivo. Lo stesso network neuronale pu\u00f2 esserti di aiuto per conoscere con maggiore precisione la composizione del target di un prodotto o servizio.<\/p>\n Risorse importanti:<\/p>\n \u2013\u00a0Neural Network Analysis by Ecommerce Digest<\/a>\u00a0 [ENG]\n \u2013\u00a0Neural networks \u2013 are you ready for the rise of the machines? By Beyond<\/a>\u00a0 [ENG]\n \u2013\u00a0Expert Systems with Applications by Semantic Scholar<\/a>\u00a0 [ENG]\n Se si verifica una data circostanza e un\u2019altra e un\u2019altra ancora, allora otteniamo questo risultato. Pi\u00f9 o meno la regola dell\u2019induzione funziona cos\u00ec. E non \u00e8 poco: grazie a questa tecnica di data mininig puoi elaborare sofisticate analisi predittive pescando all\u2019interno di database con numeri dell\u2019ordine di migliaia e migliaia di record. Individuare regolarit\u00e0 nascoste vuol dire anticipare i tempi e agire con cognizione di causa, cosa che spesso i tuoi concorrenti dimenticano di fare. Dico bene?<\/p>\n Risorse importanti:<\/p>\n \u2013\u00a0Rule Induction Method by DMS.IRB<\/a>\u00a0 [ENG]\n \u2013\u00a0Rule Induction by Semantic Scholar<\/a>\u00a0 [ENG]\n \u2013\u00a0An Experimental Study of Using Rule Induction Algorithm in Combiner Multiple Classifier by IJCIR<\/a>\u00a0 [PDF ENG]\n L\u2019ultima, essenziale tecnica di data mining, ma forse sarebbe pi\u00f9 corretto chiamarla applicazione, si chiama\u00a0data warehousing<\/a>\u00a0. Qui entriamo nell\u2019ambito della profilazione del cliente (e non solo), in particolare per quanto riguarda il trattamento di Big Data. Scegliere un\u00a0software come Egon<\/a>\u00a0 per il data warehousing vuol dire semplificare i database, estrapolare le informazioni pi\u00f9 interessanti relative ai tuoi clienti, facilitare la costruzione di report dettagliati e molto altro ancora. Nella migrazione di gestionali e sistemi poter contare su software di data warehouse diventa ancora pi\u00f9 importante, prima che per il marketing per l\u2019evoluzione dell\u2019azienda stessa. Provare per credere!<\/p>\n Risorse importanti:<\/p>\n \u2013\u00a0A Data Warehouse<\/a>\u00a0 [YOUTUBE ENG]\n \u2013\u00a0What\u2019s the difference between data mining and data warehousin? By Programmer Interview<\/a>\u00a0 [ENG]\n \u2013\u00a0Data Warehousing Concepts by Oracle<\/a>\u00a0 [ENG]\n2) REGRESSION ANALYSIS PER FARE PREVISIONI DI MARKETING<\/h3>\n
3) CLASSIFICATION ANALYSIS PER INDIVIDUARE SPAM E NON SOLO<\/h3>\n
4) ANOMALY DETECTION PER RICONOSCERE LE INCONGRUENZE<\/h3>\n
5) INTRUSION DETECTION PER UNA MAGGIORE SICUREZZA DEL SISTEMA<\/h3>\n
6) ASSOCIATION RULE LEARNING PER SCOPRIRE LE RELAZIONI FRA DATI<\/h3>\n
7) DECISION TREES PER OTTIMIZZARE IL PROJECT RISK MANAGEMENT<\/h3>\n
8) NEURAL NETWORKS PER AUTOMATIZZARE L\u2019APPRENDIMENTO<\/h3>\n
9) RULE INDUCTION PER ANALISI PREDITTIVE BASATE SUI DATI<\/h3>\n
10) DATA WAREHOUSING PER IL TRATTAMENTO DI BIG DATA<\/h3>\n