Giới thiệu
Khai thác dữ liệu là một dạng trí tuệ nhân tạo sử dụng mô hình nhận thức, mô hình phân tích và nhiều thuật toán để mô phỏng kỹ thuật não bộ con người. Nó hỗ trợ máy móc ra quyết định và lựa chọn như con người. Người dùng công cụ khai thác dữ liệu phải chỉ dẫn quy tắc, sở thích, kinh nghiệm cho máy để có các chỉ số hỗ trợ quyết định như sau:
1. Tính hữu ích (Usefulness)
Hữu ích bao gồm các chỉ số cho biết mô hình có cung cấp dữ liệu hữu ích không. Ví dụ: mô hình tương quan vị trí cửa hàng với doanh số có thể chính xác và tin cậy, nhưng không hữu ích vì không thể khái quát hóa kết quả bằng cách mở thêm cửa hàng tại cùng vị trí. Cũng không trả lời câu hỏi cốt lõi: tại sao vị trí đó bán hơn. Có thể phát hiện mô hình dường như thành công nhưng vô nghĩa do phụ thuộc vào tương quan chéo trong dữ liệu.
2. Tỷ suất hoàn vốn (ROI - Return on Investment)
Công cụ khai thác dữ liệu tìm mẫu thú vị và xây dựng mô hình dự báo với nhiều thước đo độ phù hợp. Tuy nhiên không rõ cách ra quyết định dựa trên các thước đo báo cáo trong phân tích khai thác dữ liệu.
3. Truy cập thông tin tài chính trong khai thác dữ liệu
Cách đơn giản nhất khung quyết định theo thuật ngữ tài chính là bổ sung dữ liệu thô thường được khai thác để cũng chứa dữ liệu tài chính. Một số tổ chức đầu tư phát triển kho dữ liệu (data warehouse) và data mart. Thiết kế kho dữ liệu cần cân nhắc loại phân tích và dữ liệu cần cho truy vấn dự kiến. Thiết kế cho phép truy cập thông tin tài chính cùng với dữ liệu thuộc tính sản phẩm, hồ sơ người dùng... rất hữu ích.
4. Chuyển đổi chỉ số khai thác dữ liệu thành thuật ngữ tài chính
Chỉ số phổ biến là "Lift" (độ nâng). Lift đo lường thành quả đạt được bằng mô hình/mẫu cụ thể so với tỷ lệ cơ sở không dùng mô hình. Giá trị cao nghĩa là đạt được nhiều. Có vẻ như có thể ra quyết định chỉ dựa trên Lift.
5. Độ chính xác (Accuracy)
Độ chính xác đo lường mức độ mô hình tương quan kết quả với thuộc tính trong dữ liệu đã hỗ trợ. Nhiều thước độ chính xác nhưng đều phụ thuộc vào thông tin sử dụng. Thực tế giá trị có thể thiếu, xấp xỉ, hoặc dữ liệu đã bị thay đổi bởi các quy trình. Trong khám phá và phát triển, có thể chấp nhận một lượng lỗi nhất định, đặc biệt nếu dữ liệu khá đồng nhất. Ví dụ: mô hình dự báo bán hàng cửa hàng dựa trên bán hàng quá khứ có thể tương quan mạnh và chính xác, ngay cả khi cửa hàng luôn dùng kỹ thuật kế toán sai. Do đó, đo lường chính xác phải cân bằng với đánh giá độ tin cậy.