Зазвичай інтелектуальний аналіз даних розглядається як кінцевий прояв сховища даних. В ідеалі, коли інформація з усього підприємства узгоджена і зберігається в центральному місці, методи інтелектуального аналізу даних можна застосовувати для пошуку взаємозв’язків, які в інший спосіб знайти неможливо. На жаль, цього не сталося з наступних причин:
1. Небагато підприємств мають інфраструктуру корпоративного сховища даних. Насправді, зараз вони частіше мають ізольовані вітрини даних. На рівні вітрин даних важко придумати взаємозв’язки, на які не можна відповісти за допомогою хорошого інструменту OLAP.
2. Рентабельність інвестицій для компаній, що займаються інтелектуальним аналізом даних, за своєю суттю нижча, оскільки за визначенням, інтелектуальний аналіз даних виконується лише кількома користувачами (як правило, не більше 5) на всьому підприємстві. Як наслідок, важко стягувати великі гроші через малу кількість користувачів. Крім того, розробка алгоритмів інтелектуального аналізу даних за своєю суттю є складним процесом і вимагає значних початкових інвестицій. Нарешті, постачальнику складно сформулювати ціннісну пропозицію для клієнта, оскільки кількісно оцінити віддачу від проекту з інтелектуального аналізу даних практично неможливо.
Однак це не означає, що інтелектуальний аналіз даних не використовується підприємствами. Насправді, багато підприємств зробили чудові відкриття, використовуючи методи інтелектуального аналізу даних. Однак я хочу сказати, що інтелектуальний аналіз даних, як правило, не пов’язаний з ініціативою зі створення сховищ даних. Здається, що успішні проекти з інтелектуального аналізу даних, як правило, є окремими проектами.
ОРИГІНАЛ СТАТТІ:Lack Of Collaboration With Data Mining Efforts
🚀Долучайтесь до нашої спільноти Telegram:
🚀Долучайтесь до нашої спільноти FaceBook:
