Aplicaciones de oracle para datamining y big data
Descarga de minería de datos de Oracle
El uso de datos transaccionales como fuente de inteligencia empresarial ha sido habitual durante muchos años. A medida que la tecnología digital y la World Wide Web se extienden a todos los aspectos de la vida moderna, otras fuentes de datos pueden contribuir de forma importante a la toma de decisiones empresariales. Muchas empresas están buscando estas nuevas fuentes de datos. Están encontrando oportunidades en el análisis de grandes cantidades de datos que hasta hace poco se desechaban.
Estas características señalan los retos para obtener valor de los big data, y las diferencias entre los big data y las fuentes de datos tradicionales que proporcionan principalmente datos altamente estructurados y transaccionales.
Incluso las fuentes de datos tradicionales para los almacenes de datos, como los perfiles de los clientes de los sistemas de gestión de las relaciones con los clientes (CRM), los datos transaccionales de la planificación de recursos empresariales (ERP), las transacciones de las tiendas y los datos del libro mayor, han multiplicado por diez su volumen en la última década.
Un gran número de sensores, registros web y otras fuentes automáticas generan datos de forma continua y a una velocidad mucho mayor que las fuentes tradicionales, como las personas que introducen pedidos en una base de datos transaccional.
Minería de datos Oracle 19c
La puntuación se refiere al proceso de aplicar un modelo de minería de datos a los datos para generar predicciones. El proceso de puntuación puede requerir importantes recursos del sistema. Pueden estar involucradas grandes cantidades de datos, y el procesamiento algorítmico puede ser muy complejo.
El siguiente ejemplo muestra parte de un sencillo script PL/SQL para crear un modelo de clasificación SVM llamado SVMC_SH_Clas_sample. La construcción del modelo utiliza pesos, especificados en una tabla de pesos, y ajustes, especificados en una tabla de ajustes. Las ponderaciones influyen en la ponderación de las clases objetivo. Los ajustes anulan el comportamiento por defecto. El modelo utiliza la preparación automática de datos (ajuste prep_auto_on). El modelo se entrena con los datos en mining_data_build_v.
El siguiente ejemplo muestra una consulta que aplica el modelo de clasificación svmc_sh_clas_sample a los datos de la vista mining_data_apply_v. La consulta devuelve la edad media de los clientes que probablemente utilicen una tarjeta de afinidad. Los resultados se desglosan por género.
La transformación de datos es un aspecto clave de las aplicaciones analíticas y del ETL (extracción, transformación y carga). Puede utilizar expresiones SQL para implementar transformaciones de datos, o puede utilizar el paquete DBMS_DATA_MINING_TRANSFORM.
Precio de la minería de datos de Oracle
Al principio de mi carrera, fui responsable de implementar una solución de almacén de datos para la mayor universidad de Austria, con más de 7.000 empleados. Después de un rígido proceso de solicitud de ofertas, seleccionamos Cognos como la herramienta elegida, e implementamos con éxito una solución basada en una base de datos relacional de Oracle. Desde entonces, la inteligencia empresarial me ha fascinado como herramienta para convertir los datos en información. Debido a la continua digitalización de nuestro entorno cotidiano, la cantidad de datos que recogen todo tipo de dispositivos, procesos e interacciones humanas y de máquinas está creciendo exponencialmente. El deseo de analizar cada vez más datos para comprender mejor, por ejemplo, las necesidades de los clientes, las eficiencias de fabricación o, por ejemplo, para crear análisis predictivos basados en el comportamiento pasado de los consumidores, impulsó la necesidad de mejorar la funcionalidad de las soluciones de inteligencia empresarial existentes hacia una arquitectura de Big Data más abierta, que permita el análisis de cantidades masivas de datos estructurados y no estructurados.
Tutorial de Oracle Data Miner
La puntuación se refiere al proceso de aplicar un modelo de minería de datos a los datos para generar predicciones. El proceso de scoring puede requerir importantes recursos del sistema. Pueden estar involucradas grandes cantidades de datos, y el procesamiento algorítmico puede ser muy complejo.
El siguiente ejemplo muestra parte de un sencillo script PL/SQL para crear un modelo de clasificación SVM llamado SVMC_SH_Clas_sample. La construcción del modelo utiliza ponderaciones, especificadas en una tabla de ponderaciones, y ajustes, especificados en una tabla de ajustes. Las ponderaciones influyen en la ponderación de las clases objetivo. Los ajustes anulan el comportamiento por defecto. El modelo utiliza la preparación automática de datos (ajuste prep_auto_on). El modelo se entrena con los datos en mining_data_build_v.
Las funciones SQL de minería de datos realizan la predicción, la agrupación y la extracción de características. Las funciones puntúan los datos aplicando un objeto de modelo de minería o ejecutando una cláusula analítica que realiza una puntuación dinámica.
El siguiente ejemplo muestra una consulta que aplica el modelo de clasificación svmc_sh_clas_sample a los datos de la vista mining_data_apply_v. La consulta devuelve la edad media de los clientes que probablemente utilicen una tarjeta de afinidad. Los resultados se desglosan por género.