Neural Networks
Neural Networks lebih memiliki daya tarik yang lebih besar melaluiformative stages dari teknologi Data Mining, akan tetapi teknik ini memiliki kekurangan sehingga membatasi dalam kemudahan penggunaan dan penjalanannya, selain itu terdapat juga beberapa kelebihannya secara signifikan.
Teknik ini lebih tepatnya disebut sebagai "artificial neural networ' atau jaringan syaraf buatan, sedangkan yang aslinya adalah sistem biologis atau dengan kata yang buatan adalah program komputer yang mengimp1ementasikan pendeteksian pola pola yang rumit dan algoritma machine learning pada sebuah komputer untuk membangun predictive model dari basis data historisnya yang besar.
Ide tentang neural network ini pertama kalinya diungkapkan oleh McCulloch dan Pitts pada masa perang dunia kedua, sebagai unit proses sederhana (seperti sebuah neuron dalam otak manusia) yang bisa dihubungkan secara sekaligus di dalam sebuah jaringan yang besar untuk membuat sebuah sistem yang bisa memecahkan masalah masalah yang sulit, dan menampilkan kebiasaan yang jauh lebih rumit daripada yang dapat dibuat oleh sebuah unit saja (Berson, et a!., 2000, p167).
Menurut pandangan umum, Neural Network dengan cara kerjanya yang sudah otomatis, pengguna tidak perlu mengetahui banyak tentang bagaimana cara kerjanya, pembuatan predictive model tersebut, atau bahkan tentang penggunaan basis data-nya.
Rule Induction
Teknik ini sebuah bentuk yang paling besar dari Data Mining. Bentuk Data Mining dari rule induction mungkin adalah yang paling mendekati dengan proses yang kebanyakan orang pikir tentang Data Mining itu sendiri, yaitu "menambang" untuk mencari emas di dalam sistem basis data yang sangat besar.
Rule induction di dalam basis data memiliki kemampuan yang sangat besar dimana semua pola-pola yang memungkinkan dikeluarkan dari data secara sistematis, dan kemudian akurasi dan nilai kepentingannya ditambahkan ke dalamnya, sehingga memberitahu pengguna seberapa kuat polanya dan kemungkinannya untuk dapat terjadi lagi.
Agar aturan-aturan dalam rule induction dapat bermanfaat maim harus ditambahkan dua informasi tambahan yang sesuai dengan keadaan sebenarnya yaitu:
1. Keakuratannya, yang menunjukkan seberapa sering aturan tersebut benar.
2. Penerapannya, yaitu angka yang menunjukkan seberapa sering aturan tersebut dipakai.
Teknik Data Mining Berdasarkan Permasalahan Bisnis
Berdasarkan pada kategori masalah bisnis yang ada, teknik Data Mining dapat dikategorikan sebagai berikut (Berson, et al., 2000, p37):
1. Retrospective analysis, analisis yang berfokus pada masalah-masalah yang terjadi di masa Ialu dan sekarang. Sebagai contoh, sebuah organisasi ingin memutuskan sesuatu yang berdasarkan pada analisis in-depth dari kinelja penjualan organisasi selama dua tahun terakhir melalui regional geografis, demografi, dan tipe produk yang berbeda.
2. Predictive analysis, analisis yang berfokus pada proses prediksi kejadian atau kebiasaan tertentu, berdasarkan informasi historis. Sebagai contohnya, sebuah organisasi ingin membangun sebuah predictive model yang menggambarkan tingkat pengurangan dari pelanggannya ke saingannya,dan juga mendefinisikan Iangkah langkah yang bisa mengurangi pengurangannya dengan tingkat kepercayaan tertentu.
Kedua kategori dari masalah bisnisnya, kemudian bisa dikategorikan lebih Ianjut Iagi menurut tipe aplikasi dan tekniknya (Berson, et al., 2000, pp37-pp38), yaitu sebagai berikut:
1. Classification, teknik ini digunakan untuk mengklasifikasikan record basis data ke
!criteria tertentu. Contohnya, k.lasiflkasi berdasarkan record pelanggan yang digunakan oleh perusahaan kartu kredit, untuk menentukan suatu pelanggan masuk dalam kategori baik, menengah, atau kurang.
2. Clustering/Segmentation, teknik ini digunakan untuk melakukan segmentasi sebua basis data ke dalam pengelompokan atau cluster, berdasarkan pada sekelompok atributnya. Sebagai contoh, dalam proses dari pemahaman basis pelanggannya, sebuah organisasi bisa mencoba untuk mensegmentasikan populasi yang sudah diketahui untuk menemukan cluster dari pelanggan yang berpotensial, berdasarkan pada atribut-attribut yang belum pemah digunakan untukjenis analisis tersebut.
3. Associations, teknik ini mengenali persamaan-persamaan diantara koleksinya, seperti yang direfleksikan dalam record yang sudah diperiksa. Persamaan-persamaan ini sering diekspresikan sebagai rule. Teknik asosiasi seringkali diterapkan ke dalam market base analysis (analisis dari basis data transaksi untuk menemukan sekumpulan item yang muncul berkali-kali secara bersamaan di dalam transaksi tunggal), yang menggunakan data transaksi point-of-sales untuk menganalisis persamaan produknya.
4. Sequencing, teknik ini membantu untuk mengenali pola-pola dari waktu ke waktu, sehingga dalam contohnya bisa memungkinkan untuk mengana!isis pelanggan dalam pembelian yang terpisah.
Data Mining menggunakan cara-cara statistika dan teknik machine learning yang sangat baik, untuk membangun model-model yang dapat memprediksi kebiasaan pelanggan.
Sistem Data Mining dalam hubungannya dengan CRM pada strategi bisnis untuk mencari pola yang bisa dijadikan sebagai petunjuk prediksi dari kebiasaan pelanggan dalam bertransaksi.
Data Mining itu dengan sendirinya dapat membantu pemakai di bidang pemasaran untuk menargetkan promosi pemasaran secara lebih akurat, dan juga mensejajarkan promosinya lebih dekat dengan kebutuhannya, keinginannya, dan tingkah lakunya dari pelanggan dan prospeknya (Berson, et al., 2000).
