Beberapa Mitos dan Blunder Dalam Data Mining - Seri Data Mining for Business Intelligence (8)

Beberapa mitos dan blunder dalam data mining

Data Mining (DM) adalah tool analitis yang sangat hebat yang memungkinkan para eksekutif bisnis untuk bergeser maju dari gambaran karakter dasar masa lalu ke prediksi masa mendatang. DM membantu para marketer untuk menemukan pola yang membuka misteri perilaku pelanggan.hasil-hasil dari DM bisa digunakan untuk meningkatkan revenue, mengurangi biaya, mengidentifikasi fraud, dan mengetahui peluang-peluang bisnis, yang menawarkan keunggulan kompetitif yang benar-benar baru. Sebagai satu disiplin ilmu yang berkembang dan sedang matang, DM seringkali dikaitkan dengan sejumlah mitos, termasuk mitos-mitos berikut:

Mitos	Realita
DM memberikan prediksi instan, yang mirip bola Kristal	DM adalah proses dengan tahap-tahap yang memerlukan penggunaan dan desain yang proaktif dan penuh pertimbangan
DM belum layak untuk diterapkan pada bisnis	Kondisi termutakhir saat ini DM sudah siap untuk digunakan pada hampir semua jenis bisnis
DM memerlukan database dedicated yang terpisah	Karena perkembangan teknologi database, database yang didecated tidak diperlukan, meskipun mungkin saja sangat diinginkan.
Hanya mereka yang memiliki kemampuan canggih yang bisa melakukan data mining	Banyak tool berbasis web memungkinkan para manajer dari semua tingkat pendidikan bisa melakukan data minig
DM hanya untuk perusahaan-perusahaan besar yang memiliki data pelanggan yang besar	Bila data mencerminkan bisnis atau pelanggannya secara akurat, perusahaan bisa menggunakan data mining

Para visioner DM telah mendapatkan keuntungan kompetitif yang sangat besar dengan memahami bahwa mitos-mitos diatas adalah bahwa hanya sekedar: mitos.

10 kesalahan dalam DM berikut seringkali ditemukan di dalam praktiknya, dan anda harus menghindarinya:

1. Memilih problem yang salah untuk diselesaikan dengan DM
2. Mengabaikan apa yang dipikirkan oleh ‘bos’ anda mengenai apa itu data mining dan apa yang bisa dan tidak bisa dilakukan oleh data mining
3. Membiarkan kurangnya waktu untuk tahap persiapan data (data preparation)
4. Hanya melihat pada hasil agregat dan bukan record-record data individual. IBM’s DB2 IMS bisa menyoroti record-record data individual yang menjadi perhatian
5. Ceroboh mengenai prosedur dalam data mining dan hasil-hasilnya
6. Mengabaikan temuan-temuan yang mencurigakan dan cepat melangkah ke tahap berikutnya
7. Menjalankan algorithma-algorithma untuk penggalian/mining berulang-ulang dan membabi buta
8. Percaya apasaja mengenai data yang dikatakan kepada anda
9. Percaya apasaja apa yang dikatakan kepada anda mengenai analisa data mining anda sendiri
10. Mengukur hasil-hasil yang anda dapatkan dengan cara yang berbeda dengan bos anda mengukur hasil-hasil tersebut

Daftar link terkait seri data mining for business intelligence:

1. Pendahuluan
2. Definisi, karakteristik, dan manfaat
3. Bagaimana cara kerja data mining
4. Penerapan-penerapan Data Mining
5. Proses dalam Data Mining
6. Metode-metode dalam Data Mining
7. Berbagai Tool Software Data Mining
8. Beberapa mitos dan blunder dalam data mining