ما هي قواعد الارتباط في استكشاف البيانات؟

تم إدراج 'ما هي قواعد الارتباط في استكشاف البيانات؟' من قبل BTW Media لأن الأدلة المنشورة تربطه بالبنية التحتية للإنترنت والحوكمة والتبعيات التشغيلية أو رؤية السوق.

• قواعد الارتباط هي أنماط أو علاقات تُكتشف في مجموعات البيانات وتحدث معًا بشكل متكرر.
• تساعد قواعد الارتباط في اكتشاف أنماط الشراء وتفضيلات العملاء. كما أنها تسهل أنظمة التوصية، وكشف الاحتيال، وفهم العلاقات بين المتغيرات المختلفة في مجموعة البيانات.
• تُستخدم عدة مقاييس لتقييم قوة وأهمية قواعد الارتباط، بما في ذلك الدعم والثقة والارتفاع.

قواعد الارتباطفي استكشاف البيانات توضح العلاقات بين عناصر البيانات من خلال تعليمات 'إذا-ثم'. هذه القواعد، المستمدة من الأنماط المتكررة، تساعد في تمييز الارتباطات الهامة ضمن مجموعات البيانات الكبيرة. من خلال تحديد التكرارات المتزامنة، يستخرج علماء البيانات رؤى قابلة للتنفيذ، مما يسهل اتخاذ القرارات في مجالات متنوعة. من تحليل العملاء إلى المالية، تلعب قواعد الارتباط دورًا في اكتشاف الأنماط والاتجاهات، مما يعزز الاستراتيجيات المستنيرة ويحسن الكفاءة التشغيلية.

ما هي قواعد الارتباط في استكشاف البيانات؟

تمثل قواعد الارتباط علاقات شرطية بين عناصر البيانات ضمن مجموعات البيانات الكبيرة الموجودة في تنسيقات قواعد البيانات المختلفة. بشكل أساسي، يستخدم استخراج قواعد الارتباط تقنيات التعلم الآلي لفحص البيانات بحثًا عن أنماط متكررة، تسمى التكرارات المتزامنة، في قاعدة البيانات. هذه الأنماط، التي تصف ارتباطات 'إذا-ثم' المتكررة، تسمى هي نفسها قواعد الارتباط.

على سبيل المثال، إذا كان 75% من العملاء الذين يشترون الحبوب يشترون أيضًا الحليب، فهذا يشير إلى اتجاه ملحوظ في البيانات المعاملاتية أن مشتري الحبوب غالبًا ما يختارون الحليب أيضًا. قاعدة ارتباط في هذا السيناريو تؤكد وجود صلة بين مشتريات الحبوب والحليب.

تُستخدم خوارزميات مختلفة لاكتشاف مثل هذه الأنماط في مجموعات البيانات، القادرة على التعامل مع كميات كبيرة من البيانات. يتم نشر تقنيات الذكاء الاصطناعي والتعلم الآلي بشكل متزايد لتعزيز هذه الخوارزميات وقواعد الارتباط المرتبطة بها لإدارة الكميات الهائلة من البيانات المولدة اليوم.

اقرأ أيضًا:5 أدوار ومسؤوليات حوكمة البيانات

أنواع قواعد الارتباط في استكشاف البيانات

المعممة: هذه القواعد تعمل كأمثلة شاملة، تقدم منظورًا واسعًا للارتباطات بين نقاط البيانات.

متعددة المستويات: تصنف قواعد الارتباط متعددة المستويات نقاط البيانات إلى مستويات مختلفة من الأهمية، تسمى أيضًا مستويات التجريد. تميز بين الارتباطات بين نقاط البيانات ذات الأهمية المتفاوتة.

الكمية: تصف هذه الفئة من قواعد الارتباط الحالات التي يتم فيها إنشاء اتصالات بين نقاط البيانات الرقمية.

متعددة العلاقات: أكثر شمولاً من قواعد الارتباط الكلاسيكية، تتجاوز القواعد متعددة العلاقات نقاط البيانات الفردية لتشمل العلاقات عبر قواعد بيانات متعددة أو متعددة الأبعاد.

كيف تعمل قواعد الارتباط؟

تتكون قواعد الارتباط من جزأين: سابق (إذا) وتالٍ (ثم). يشير السابق إلى عنصر موجود في مجموعة البيانات، بينما يشير التالي إلى عنصر يتم ملاحظته بالتزامن مع السابق. تشكل تعليمات 'إذا-ثم' هذه مجموعات عناصر، لتشكل الأساس لاستخلاص قواعد الارتباط التي تحتوي على عنصرين أو أكثر في مجموعة البيانات.

يبحث محللو البيانات في مجموعات البيانات عن تعليمات 'إذا-ثم' المتكررة بشكل متكرر، ثم يقيمون دعم هذه التعليمات بناءً على تكرار ظهورها والثقة المستمدة من عدد الحالات المؤكدة.

عادةً ما تنشأ قواعد الارتباط من مجموعات عناصر تحتوي على العديد من العناصر الممثلة جيدًا في مجموعات البيانات. ومع ذلك، فإن توليد القواعد عن طريق فحص جميع مجموعات العناصر الممكنة أو عدد زائد من تركيبات العناصر ينتج حجمًا زائدًا من القواعد، غالبًا ما تكون غير ذات أهمية.

بمجرد إنشائها، يستخدم علماء البيانات والمهنيون في المجالات التي تعتمد على تحليل البيانات قواعد الارتباط لاكتشاف أنماط هامة في مجموعات البيانات.

اقرأ أيضًا:10 مبادئ حوكمة البيانات

تطبيقات قواعد الارتباط

في علم البيانات، تُستخدم قواعد الارتباط لإيجاد الارتباطات والتكرارات المتزامنة بين مجموعات البيانات. هذه العملية، التي تسمى غالبًا استخراج قواعد الارتباط أو بحث الارتباطات، تستكشف الأنماط ضمن مستودعات المعلومات المتباينة ظاهريًا مثل قواعد البيانات العلائقية والمعاملاتية.

تستفيد قطاعات مختلفة من قواعد الارتباط لأغراض متنوعة، بما في ذلك:

تحليل العملاء: تستخدم لتحليل والتنبؤ بسلوك العملاء، خاصة في مجالات مثل اتجاهات الشراء وسجلات المعاملات.

تحليل سلة السوق: تستخدم في بيئات البيع بالتجزئة لتحديد المنتجات التي تُشترى معًا بشكل متكرر، مما يعزز استراتيجيات التسويق والمبيعات.

تجميع المنتجات وتخطيط المتاجر: يسهل فحص بيانات المنتج لتجميع العناصر بناءً على سمات مشتركة، مما يساعد في تصميم تخطيط المتاجر.

تصميم الكتالوجات: يوجه وضع وعرض المنتجات في كتالوجات البيع بالتجزئة من خلال تحليل سجل شراء العملاء.

تطوير البرمجيات: يستخدم في التعلم الآلي والذكاء الاصطناعي لتطوير برامج قادرة على تحسين الكفاءة بشكل مستقل، خاصة في مهام استخراج البيانات على نطاق واسع.

استخراج النصوص: يستخدم لتحليل العلاقات بين الكلمات والعبارات في المستندات الكبيرة، مما يولد رؤى جديدة.

تجد قواعد الارتباط تطبيقات عملية في مجالات متنوعة، على سبيل المثال:

الرعاية الصحية: تسهل التشخيص من خلال مقارنة العلاقات بين أعراض الحالات السابقة لتحديد احتمالية مرض معين بناءً على الأعراض الحالية، مما يساعد الأطباء في اتخاذ القرارات.

البيع بالتجزئة: تعزز استراتيجيات التسويق والمبيعات من خلال تحديد المنتجات التي تُشترى معًا بشكل شائع، مما يوجه وضع المنتجات وتحديد أولويات المبيعات.

تصميم تجربة المستخدم: تحسين واجهات مواقع الويب بناءً على بيانات تفاعل المستخدمين، مما يعزز المشاركة وسهولة الاستخدام.

الترفيه: تغذي محركات التوصية بالمحتوى على منصات مثل Netflix وSpotify من خلال تحليل سلوك المستخدم السابق لاقتراح محتوى ذي صلة.

المالية: تحسين كشف الاحتيال في المعاملات من خلال تحليل الأنماط للتمييز بين الأنشطة المشروعة والأنشطة الاحتيالية، مما يعزز جهود إدارة المخاطر.

الأمن السيبراني: تستخدم في خوارزميات التعلم الآلي لكشف ومنع الهجمات السيبرانية من خلال تحديد أنماط غير طبيعية تشير إلى سلوك احتيالي.