Definizione, utilità e contesti di utilizzo del Data Mining

Data Mining: cos'è, come si fa e quando serve

‍Il Data Mining, termine inglese che può essere tradotto in italiano come "estrazione dei dati", rappresenta un processo cruciale nell'ambito dell'analisi dei dati. Il termine è in realtà un po’ improprio, perché il Data Mining che conosciamo non si occupa propriamente di minare dati, quanto di estrarne informazioni e conoscenze.
Questa pratica consiste nel trasformare grandi insiemi di dati grezzi in conoscenza (KDD – Knowledge Discovery in Data) attraverso l'identificazione di modelli e schemi ricorrenti. In questo articolo, esploreremo la definizione di Data Mining, la sua utilità e i contesti in cui viene applicato.

Cosa si intende per Data Mining?

Il Data Mining è un processo che coinvolge l'identificazione e l'estrazione di modelli nascosti e informazioni preziose contenute in grandi set di dati. Sono solitamente due gli obiettivi che si può porre un processo di Data Mining: descrivere un dataset, identificando schemi e relazione, oppure predire dei risultati o trend futuri, tecnica sempre più utilizzata grazie ai nuovi algoritmi, all’AI e al machine learning.
Il Data Mining viene solitamente suddiviso in quattro fasi principali: la definizione degli obiettivi, la raccolta, la preparazione e lo stoccaggio dei dati, l'analisi e applicazione degli algoritmi di Data Mining e la valutazione dei risultati.

Definizione degli obiettivi

Questa è probabilmente la fase cruciale dell’intero processo di Data Mining. È necessario che data analyst e stakeholder aziendali lavorino insieme per definire il problema aziendale. Questo permette di individuare le domande e le fonti dei dati per un certo progetto.

Raccolta, preparazione e stoccaggio dei dati

Una volta definito l'ambito del problema, i data analyst identificano quale set di dati aiuterà a rispondere alle domande rilevanti per il business. I dati raccolti vengono poi puliti, rimuovendo duplicati, valori mancanti e valori anomali, e archiviati.

Analisi dei dati

In questa fase, gli analisti investigano qualsiasi relazione interessante tra i dati, come modelli sequenziali, regole di associazione o correlazioni. È anche possibile applicare algoritmi di deep learning per classificare o raggruppare un dataset a seconda dei dati disponibili.

Valutazione dei risultati

Infine, la fase in cui si traggono le conclusioni è quella in cui i risultati vengono valutati e interpretati. Se i risultati sono validi, nuovi, utili e comprensibili, le organizzazioni possono utilizzare queste conoscenze per implementare nuove strategie.

Le tecniche di Data Mining

Il Data Mining impiega varie tecniche provenienti da diversi settori come statistica, machine learning e matematica per trasformare i dati in intuizioni applicabili in contesti reali. Ecco alcune di queste tecniche:

• regole di associazione: questo metodo ricerca connessioni tra due insiemi di dati apparentemente non correlati, utilizzando concetti come "if/then". La sua efficacia si basa su criteri come il supporto, che indica la frequenza di comparsa degli elementi correlati, e l'affidabilità, che rivela quanto spesso una regola è vera. Ad esempio, i rivenditori possono prevedere gli articoli che un cliente potrebbe voler acquistare osservando i suoi acquisti precedenti, migliorando così strategie di cross-selling e sistemi di raccomandazione
• alberi decisionali: questo metodo impiega tecniche di classificazione o regressione per prevedere o categorizzare risultati basandosi su decisioni sequenziali. Viene visualizzato come un albero, dove ogni ramo rappresenta una decisione e ogni foglia un possibile risultato
• clustering: questo processo raggruppa dati simili insieme, non assegnando una categoria definita ma identificando pattern basandosi sulle somiglianze. Ad esempio, può essere utilizzato in ricerche di mercato per segmentare i consumatori in base alle risposte ai sondaggi
• reti neurali: principalmente utilizzate in algoritmi di deep learning, le reti neurali processano dati emulando la struttura interconnessa del cervello umano con nodi stratificati. Ogni nodo ha input, pesi, un bias e un output. Se l'output supera una certa soglia, il nodo viene "attivato", inoltrando i dati allo strato successivo. L'addestramento avviene attraverso il supervised learning, regolando il modello in base alla funzione di perdita tramite la discesa del gradiente
• analisi del percorso e della sequenza: con questa tecnica, il software di Data Mining identifica schemi secondo i quali un set di eventi precede un altro. Un esempio potrebbe essere un'impresa che nota un aumento delle vendite di certi prodotti prima delle festività o che osserva un aumento del traffico sul proprio sito web durante periodi caldi
• K-nearest neighbor (KNN): il KNN è un algoritmo non parametrico che classifica i dati in base alla loro vicinanza con altri dati noti. L'idea di base è che dati simili si trovino vicini tra loro. L'algoritmo calcola le distanze tra i dati, solitamente usando la distanza euclidea, e assegna una categoria basandosi sulla frequenza o sulla media delle categorie vicine.

Principali campi di applicazione del Data Mining

I settori di applicazione del Data Mining sono innumerevoli: alcuni hanno già raggiunto una certa “maturità” e il Data Mining è ormai parte integrante dei processi di business. In ambito aziendali, alcuni dei principali campi di applicazione sono certamente marketing (segmentazione della clientela, SEM), finance (rilevazione delle frodi, andamento degli indici azionari) e IT & cybersecurity (rilevazione delle anomali con sistemi come il Managed Detection and Response).

L'utilità del Data Mining

Il Data Mining rappresenta un aspetto fondamentale di qualsiasi iniziativa di analisi di successo. Le aziende possono utilizzare il processo di scoperta della conoscenza per aumentare la fiducia dei clienti, trovare nuove fonti di guadagno, fidelizzare i clienti, e molto altro ancora.
Il Data Mining può essere ad esempio utilizzato per trovare il prezzo ottimale di un servizio (confrontandolo con dati passati e dati della concorrenza), per personalizzare l’apprendimento degli studenti a scuola, per prevedere le vendite. Insomma, gli ambiti e le industries di applicazione sono molteplici: fondamentale è avere una struttura adeguata alla collezione e ricezione di una grossa moltitudine di dati, in mood da poterli sfruttare per scovare associazioni, anomalie e schemi ricorrenti (pattern), quindi in definitiva informazioni. Il Data Mining fa sì che partendo da informazioni "criptiche", disseminate senza ordine apparente in un database, si arrivi a una conoscenza sfruttabile per vari fini.

Data Mining: un rischio per la privacy?

Il rovescio della medaglia del Data Mining è dato dal potenziale effetto di violazione della privacy che detiene. Il singolo soggetto desideroso di riservatezza, però, può tutelarsi? Ebbene, soltanto in modo parziale e in sostanza poco efficace.

Il Data Mining può rivelarsi un potente strumento di conoscenza e predizione. Tuttavia, è importante rammentare che l'utilizzo di tali tecniche deve sempre rispettare le normative relative alla protezione dei dati personali (GDPR) e della privacy. L'uso responsabile del Data Mining può portare a benefici significativi sia per le organizzazioni che per gli individui, ma è fondamentale mantenere un equilibrio tra l'ottenimento di informazioni preziose e il rispetto dei diritti degli individui.