تفاوت علم داده و داده کاوی در ابعاد مختلفی از ماهیت گرفته تا اهداف قابل‌بررسی است. داده کاوی فرآیند استخراج اطلاعات مفید، الگوها و روندها مانند تجزیه‌‌وتحلیل نمونه‌‌ای از داده‌‌های خام موجود در دیتابیس‌‌های عظیم و ارائه اطلاعات مرتبط و قابل استفاده است که می‌تواند برای حل مشکلات تجاری مورداستفاده قرار بگیرد. در مقابل علم داده به‌عنوان فرآیند به دست آوردن بینش ارزشمند از داده‌های ساختاریافته و بدون ساختار با استفاده از ابزارها و تکنیک‌های مختلف تعریف می‌شود. این دو اصطلاح برای افرادی که درک صحیحی از آن ندارند، مشابه یکدیگر به‌‌نظر می‌‌رسد، اما حوزه‌های کاربرد این دو مفهوم با یکدیگر بسیار متفاوت است. در این مقاله به بررسی اجمالی هر یک از این دو مفهوم و سپس تفاوت علم داده و داده کاوی می‌‌پردازیم.

اهمیت داده‌‌ها در عصر سونامی دیتا

تیم برنرز لی (دانشمند بریتانیایی علوم رایانه، استاد دانشگاه ‌ام‌آی‌تی): داده‌ها گران‌بها هستند و بیشتر از خود سیستم‌ها دوام خواهند داشت. در دنیای پرشتاب امروزی داده‌ها حرف اول را می‌زنند. آن‌‌ها تقریباً در همه جا پراکنده هستند و در حوزه‌های مختلف حضور دارند. اکنون کسب‌‌وکارها می‌توانند اهمیت و سهم ‌Dataها را درک کنند. داده‌ها هنگام تبدیل‌شدن به اطلاعات، بینش‌های بسیار ارزشمندی را برای تصمیم‌‌گیری ارائه می‌دهند. آن‌‌ها دارایی حیاتی برای کسب‌‌وکار در دنیای امروز هستند. اصطلاحات بسیاری حول محور داده وجود دارند که در این مقاله به دو مورد از آن‌‌ها پرداخته می‌‌شود.

تفاوت علم داده و داده کاوی در جدولی مدون

در ادامه به بررسی تفاوت علم داده و داده کاوی می‌پردازیم تا با مقایسه آن‌ها به شناخت بهتری از هر مفهوم برسیم:

مبنای مقایسه	داده کاوی	علم داده
تعریف	فرآیند استخراج اطلاعات مفید، الگوها و روندهای پنهان از دیتابیس عظیم است.	به فرآیند به‌‌دست آوردن بینش ارزشمند از داده‌های ساختاریافته و بدون ساختار، جمع‌‌آوری دیتا‌ها، تجزیه‌‌وتحلیل و ترسیم بینش از آن با استفاده از ابزارها و روش‌های مختلف اطلاق می‌شود.
گستره	عمدتاً برای اهداف تجاری استفاده می‌شود.	عمدتاً برای اهداف علمی استفاده می‌شود.
ارتباط	با فرآیندها درگیر است.	بر علم دیتاها تأکید می‌‌کند.
رویکرد	یک تکنیک است.	یک رشته، محدوده و حوزه است.
تمرکز	بر روی فرآیند کاری متمرکز است.	بر روی مطالعه علمی متمرکز است.
هدف	از داده‌ها بهتر و راحت‌‌تر استفاده شود و اطلاعات حیاتی و ارزشمند از آن‌‌ها حاصل شود.	به جمع‌‌آوری، پردازش، پیش‌‌بینی‌‌های دقیق، تجزیه‌‌وتحلیل، تصمیم‌‌گیری آگاهانه و استفاده از داده‌ها در عملیات‌های مختلف می‌‌پردازد و مفهومی است که برای ساخت محصولات  Dataمحور سازمان‌‌ها استفاده می‌‌شود.
خروجی	الگوها به‌عنوان خروجی درنظر گرفته می‌‌شوند.	خروجی‌‌ها انواع متنوعی دارند.
مقصود	به یافتن روندهایی که پیش از این ناشناخته بودند، می‌‌پردازد.	به تجزیه‌‌وتحلیل اجتماعی، ساخت مدل‌های پیش‌‌بینی، کشف حقایق ناشناخته و سایر موارد می‌‌پردازد.
دیدگاه حرفه‌ای	فردی با دانش ناوبری در میان داده‌ها و درک آماری، قادر به انجام این تکنیک است.	یک فرد برای تبدیل‌شدن به یک دانشمند دیتا باید یادگیری ماشین، برنامه‌نویسی و تکنیک‌های اطلاعات گرافیکی را درک کند و دانش لازم برای این حوزه را کسب کرده باشد.
وسعت	این تکنیک زیرمجموعه‌ای از علم دیتا ساینس و بخشی از راستای آن محسوب می‌‌شود.	چند رشته‌ای بوده و شامل تجسم داده‌ها، علوم اجتماعی محاسباتی، آمار، دیتا ماینینگ، پردازش زبان طبیعی و غیره است.
نوع داده	عمدتاً ساختاریافته است.	کلیه اشکال دیتا از جمله ساختاریافته، نیمه ساختاریافته و بدون ساختار را دربر می‌‌گیرد.
سایر عناوین فرعی	۱     باستان‌‌شناسی داده‌ها۲     برداشت اطلاعات ۳     کشف اطلاعات ۴     استخراج دانش	علم مبتنی بر داده
پیش‌‌زمینه	تکنیکی است که شامل بخشی از کشف دانش در فرآیندهای پایگاه داده (KDD) تلقی می‌‌شود.	یک رشته تحصیلی همانند علوم کامپیوتر، آمار کاربردی یا ریاضیات کاربردی است.

داده کاوی چیست؟

این علم از الگوریتم‌های پیچیده ریاضی برای تقسیم دیتا‌ها و ارزیابی احتمال رویدادهای آینده استفاده می‌کند. انواع مختلفی از خدمات در فرآیندهای این مفهوم وجود دارد؛ برای نمونه، می‌‌توان به متن کاوی، وب کاوی، صدا و ویدئو کاوی، DM تصویری و شبکه‌های اجتماعی اشاره نمود. این تکنیک از طریق نرم‌افزارهای ساده یا پیشرفته انجام می‌شود و آن را کشف دانش در داده (KDD) نیز می‌نامند.

 

 

فرایند داده کاوی

1. پاک‌سازی

در مرحله پاک‌‌سازی، داده‌های نادرست و فریبنده شناسایی و از مجموعه دیتا‌های موجود حذف می‌شوند.

2. یکپارچه‌‌سازی

در این مرحله دیتا‌ها را از منابع مختلف برای قابل‌استفاده بودن جمع‌‌آوری می‌شوند. بنابراین، در این مرحله مجموعه جدیدی از اطلاعات با داده‌های موجود ادغام می‌شود.

3. تبدیل

در این بخش داده‌ها با استفاده از تکنیک‌هایی مانند هموارسازی، تجمیع، تعمیم، عادی‌‌سازی و ساخت ویژگی از یک قالب به فرمت دیگر تبدیل می‌شوند.

4. گسسته‌‌سازی

فرآیندی است که در آن تعداد زیادی از مقادیر دیتا‌ها به تکه‌های کوچک‌تری از داده‌ها تبدیل می‌شوند تا ارزیابی و مدیریت داده‌ها آسان گردد. برخی از تکنیک‌های معروف گسسته‌‌سازی داده‌ها عبارت‌‌اند از:

• تجزیه‌‌و‌‌تحلیل هیستوگرام
• دسته‌‌بندی محصولات
• تجزیه‌‌وتحلیل خوشه‌ای
• تجزیه‌‌و‌‌تحلیل درخت تصمیم

5. سلسله‌مراتب مفهومی

سلسله‌مراتب مفهومی دنباله‌ای از نگاشت‌ها با مجموعه‌ای از مفاهیم کلی‌تر به مفاهیم تخصصی را تشکیل می‌دهد. این اصطلاح به معنای نقشه‌‌برداری از مفاهیم سطح پایین به مفاهیم سطح بالاتر است. به‌عبارت‌دیگر می‌‌توان گفت نقشه‌‌برداری از بالا به پایین و نقشه‌‌برداری از پایین به بالا در این مرحله رخ می‌‌دهد.

6. اشتراکات

جنبه اصلی این مفهوم درک هدف و کار است. ابتدا هدف کسب‌‌و‌‌کار معرفی می‌شود و سپس عوامل مهمی که در  دستیابی به هدف کمک می‌کنند، کشف می‌گردند.

7. درک

جمع‌آوری داده‌ها در این مرحله انجام می‌شود و کلیه داده‌های جمع‌آوری‌شده در ابزار گردآوری می‌شوند. سپس داده‌ها با دیتا‌های منبع، مکان و نحوه دستیابی به آن فهرست می‌شوند و داده‌‌ها در صورت بروز هرگونه مشکل مورد بازبینی قرار می‌‌گیرند و برای بررسی تکمیل بودن آن‌ها درخواست فرستاده می‌شود.

8. آماده‌‌سازی

آماده‌سازی داده‌ها شامل انتخاب دیتا‌های مفید، پاک‌‌سازی، ساختن ویژگی‌ و یکپارچه‌سازی آن‌ها از دیتابیس‌‌های متعدد است.

9. مدل‌‌سازی

مدل‌‌سازی شامل انتخاب تکنیک‌های این دانش، مانند القای درخت تصمیم، تولید طرح آزمون برای ارزیابی مدل انتخاب‌‌شده، ایجاد یک مدل از مجموعه داده‌ها و ارزیابی مدل ایجادشده با کارشناسان برای دانستن نتیجه است.

10. ارزیابی

این بخش همان‌طور که از نامش پیداست؛ به تعیین ارزیابی میزان برآورده شدن مدل به‌‌دست آمده از خواسته‌های کسب‌‌وکار می‌پردازد. سپس آزمایش مدل بر اساس برنامه‌های واقعی انجام می‌گیرد.

11. گسترش

در این مرحله یک طرح استقرار تهیه می‌شود و درنهایت برای حفظ و پایش نتایج مدل دیتا ماینینگ بررسی‌‌های سودمند متعددی صورت می‌گیرد.

12. ارزیابی و ارائه الگو

پس از گذراندن مراحل فوق، هنگام شناسایی الگوها و روندها اطلاعات در قالب نمودارها، فلوچارت‌‌ها و چارت‌‌ها ارائه می‌شوند تا با حداقل دانش آماری به‌‌راحتی توسط کاربران عادی قابل‌درک باشند.

 

کاربردهای داده کاوی

• آنالیز و تجزیه‌‌وتحلیل بازار

تجزیه‌‌وتحلیل بازار طیف گسترده‌ای از داده‌ها را برای کمک به بازاریابان در برنامه‌‌ریزی برای استراتژی‌‌های بازاریابی ارائه می‌دهد. دیتا‌های مربوط به آنالیز بازار به صاحبان مشاغل کمک می‌‌کند تا برای سرمایه‌‌گذاری در بازار تصمیم بگیرند. برای انجام این‌‌ امر می‌‌بایست از روند بازار اطلاعات کسب نمود.

• آنالیز مالی

سیستم بانکی و مالی بر داده‌های دارای کیفیت خوب و دقیق متکی هستند؛ برای مثال، در بخش‌های وام و تسهیلات دیتا‌های مربوط به امور مالی و کاربران را می‌توان برای اهداف متعددی مانند محاسبه رتبه‌بندی اعتبار استفاده کرد.

• آموزش عالی

امروزه با افزایش نیاز به تحصیلات عالی در سرتاسر جهان، مؤسسات به دنبال راه‌‌حل‌های متعدد برای پاسخ‌‌گویی به مایحتاج خود هستند. مؤسسات از این علم برای تجزیه‌‌وتحلیل اینکه کدام دانش‌آموزان در یک برنامه خاص ثبت‌نام می‌نمایند و نیاز به تمرین بیشتری دارند، استفاده می‌کنند.

• تشخیص تقلب

مکانیسم‌های مورداستفاده برای شناسایی فعالیت‌های متقلبانه زمان‌بر بود. پس از معرفی این دانش، تشخیص تقلب آسان‌تر شده است. این مفهوم شناسایی الگوها و کمک به برداشتن گام‌هایی برای اطمینان از حفظ حریم خصوصی اطلاعات کاربر را آسان‌تر کرده است.

جوانب مثبت

• مدیریت ارتباط با مشتری فوق‌‌العاده
• فراهم‌‌کردن یک مزیت رقابتی
• پیش‌‌بینی دقیق روند بازار

جوانب منفی

• هزینه بالا برای استقرار اولیه
• مسائل مربوط به حریم خصوصی و امنیتی

علم داده چیست؟

این مفهوم چندین جنبه از دیتا‌ها مانند فناوری، توسعه الگوریتم و تداخل داده‌ها را برای مطالعه دیتا‌ها، تجزیه‌‌وتحلیل آن‌‌ها و یافتن راه‌‌حل‌های نوآورانه برای مشکلات دشوار ترکیب می‌کند. این علم شامل مباحثه در مورد تجزیه‌‌وتحلیل داده‌ها و هدایت برای رشد کسب‌‌وکار با استفاده از یافتن راه‌های خلاقانه است. به عبارت دیگر، دیتا‌های زیادی موجود است، اما نمی‌‌توان از آن اطلاعات مفیدی دریافت نمود. نیاز به درک و تجزیه‌‌وتحلیل داده‌ها برای تصمیم‌‌گیری بهتر مفهومی است که موجب ایجادشدن این مفهوم گردیده است.

پیش از معرفی این علم بررسی اطلاعات موجود در پایگاه داده‌‌ها توسط متخصصان ریاضیات و آمار بررسی می‌شد. سپس پیشرفت‌های هوش مصنوعی به‌‌طور گسترده‌تری مورداستفاده قرار گرفت که امکان گنجاندن بهینه‌سازی و انفورماتیک در روش‌های تحلیل را فراهم کرد.

اثرگذاری فوق‌‌العاده رویکرد جدید نسبت به رویکرد قدیم بر همگان ثابت شده است؛ برای مثال، بسیاری از پلتفرم‌های ارزهای دیجیتال مانند Safetrading از هوش مصنوعی برای بررسی خدمات ارائه‌‌کننده سیگنال‌های معاملاتی رایگان استفاده می‌کنند که موجب افزایش دقت و سرعت می‌گردد.

 

 

کاربردهای علم داده

1. مراقبت‌های بهداشتی

کاربرد این علم در بخش‌های مختلف به شدت در حال رشد است. مراقبت‌های بهداشتی یکی از صنایع اصلی آن است. این علم در موارد مختلفی از جمله شناسایی و تشخیص بیماری‌‌ها و حتی حدس بیماری‌‌های جدید قابل استفاده است.

2. جستجوی اینترنتی

بسیاری از موتورهای جستجو مانند یاهو، گوگل و بینگ از الگوریتم‌های این علم برای ارائه بهترین خروجی جهت جستجوی کاربران در حداقل زمان ممکن بهره می‌برند؛ برای مثال، با استفاده از این مفهوم بر اساس جستجوهای گذشته کاربر و مقایسه کاربران با یکدیگر و یافتن تشابهات آن‌‌ها، نزدیک‌‌ترین کلمه به مقصود کاربر را برای وی نمایان می‌‌کند.

3. تشخیص تقلب و ریسک

این مفهوم به کلان داده‌ها (Big Data) تفکر خلاق، علمی و تحقیقی می‌دهد. دیتاها به‌طور تصادفی از بخش‌ها و پلتفرم‌های مختلف مانند نظرسنجی از طریق تلفن‌ها، ایمیل‌ها، پلتفرم‌های رسانه‌های اجتماعی و موارد دیگر استخراج می‌شوند. این اطلاعات برای شناسایی و تشخیص تقلب بسیار کمک‌‌کننده خواهند بود.

4. تشخیص تصویر

در این عصر دیجیتال، ابزارهای این علم آغاز به تشخیص چهره انسان با تمام تصاویر موجود در پایگاه داده خود کرده‌اند. از این شیوه در بخش‌‌هایی از جمله امنیت سایبری و پایگاه‌‌های پلیس استفاده می‌‌شود.

پیش‌‌نیازهای ضروری برای تبدیل‌‌شدن به متخصص داده

• آمار، ریاضیات، جبر خطی

برای درک اصول این علم ابتدا باید درک صحیحی از آمار، احتمالات، جبر خطی، انتگرال و حساب دیفرانسیل را کسب نمود. این مفاهیم موجب می‌‌شوند تا کسب‌‌وکارها بتوانند جایگشت داده‌ها را سریع و مؤثر پردازش نمایند.

• برنامه‌‌نویسی

برای تبدیل‌‌شدن به متخصص داده آشنایی با اصول برنامه‌‌نویسی مزیت بزرگی محسوب می‌‌شود. کسانی که در ابتدای رشد خود هستند می‌‌توانند ابتدا یک زبان را یاد بگیرند تا توانایی استفاده کامل از قابلیت‌‌های آن را کسب نمایند. برای زبان برنامه‌‌نویسی پیشنهادی به‌‌عنوان اولین زبان، پایتون انتخاب مناسبی است. علت این امر آن است که برای مبتدیان ایده‌‌آل بوده و نحوه استفاده از آن نسبتاً ساده است. همچنین، پایتون زبانی چندمنظوره است و در بازار کار تقاضای بالایی دارد.

• یادگیری ماشین

در یادگیری ماشین ‌کامپیوترها می‌‌آموزند که خودشان بر اساس رفتارهای گذشته فعالیت کنند. در این حالت، نیازی به نوشتن دستورالعمل‌های دقیق برای انجام کارهای خاص نخواهد بود؛ بنابراین، یادگیری ماشین تقریباً برای هر زمینه‌ای از اهمیت بالایی برخوردار است و برای این علم نتایج مطلوبی را به ارمغان خواهد آورد.

• تکنیک‌های داده کاوی و تجسم داده‌ها

Data Mining جزو فرآیندهای تحقیقاتی پراهمیت است. این مفهوم شامل تجزیه‌‌وتحلیل مدل‌های داده پنهان با توجه به حالت‌های مختلف ترجمه به اطلاعات مفید جمع‌‌آوری و تولیدشده در انبارهای دیتا برای تسهیل تصمیمات تجاری است که برای کاهش هزینه‌ها، افزایش درآمد، راندمان و ROI طراحی شده‌اند.

• تجربه عملی

باید به این نکته توجه نمود که درگیر بودن انحصاری با مطالب تئوری کافی نخواهد بود. تبدیل‌شدن به متخصص Data تلاش و تمرین بسیاری را می‌‌طلبد. کسانی ‌‌که در ابتدای راه خود هستند می‌‌توانند برای بهبود توانایی‌‌ها و رشد و ترقی خویش از شیوه زیر استفاده نمایند:

پلتفرم Kaggle یکی از برنامه‌‌های تمرین برای تجزیه‌‌وتحلیل داده‌‌ها است. در جریان برنامه مجموعه داده‌های بسیاری وجود دارد که افراد می‌توانند نتایج خود را تجزیه‌‌وتحلیل نموده و منتشر نمایند. علاوه‌‌براین، متخصصان قادر خواهند بود اسکریپت‌های ارسال‌‌شده توسط سایر مشارکت‌کنندگان را تماشا نموده و از تجربیات موفقیت‌‌آمیز آنان درس بگیرند.

• تأیید صلاحیت

پس از آموزش کلیه عناوین موردنیاز برای تجزیه‌‌وتحلیل داده‌ها می‌‌توان جهت جستجوی شغلی مناسب اقدام نمود.

 

 

فرآیند علم داده

1. شناخت کسب‌‌وکار

شناخت کسب‌‌وکار اولین گامی است که در آن درک کاملی از کسب‌‌وکار و اهداف آن به‌‌دست می‌آید. برای استفاده از تکنیک‌های این علم، مسئله تعریف‌شده یک پیش‌‌نیاز محسوب می‌‌شود. بنابراین، تنها پس از درک صحیح از کسب‌‌وکار می‌توان هدف خاصی را برای تجزیه‌‌وتحلیل تعیین نمود که با اهداف مشاغل هماهنگ باشد.

2. درک

مرحله دوم پس از درک کسب‌‌و‌‌کار، ادراک ‌Dataها است. کلیه دیتا‌های موجود می‌‌بایست در این مرحله جمع‌‌آوری شوند. دانشمندان دیتا می‌توانند به گروه تجاری توجه کنند؛ چراکه از داده‌های موجود در سازمان آگاهی بیشتری دارند. در این مرحله دیتاها بیان و فیلتر می‌شوند. سپس ساختار و نوع داده‌ها تعریف می‌شود. داده‌ها با استفاده از ابزارهای گرافیکی به داخل و خارج کاوش می‌شوند.

3. آماده‌سازی

این بخش ‌برترین و مهم‌ترین مرحله محسوب می‌شود. این مرحله شامل فیلترکردن، ادغام مجموعه، پاک‌‌سازی، بررسی اشتباهات و تصحیح آن‌‌ها است.

4. تجزیه‌‌و‌‌تحلیل داده‌های اکتشافی

در این مرحله برخی از راه‌‌حل‌ها مفهوم‌‌سازی شده و عوامل مؤثر بر آن‌‌ها پیش از ساخت مدل مورد تجزیه‌‌وتحلیل قرار می‌گیرند.

5. مدل‌‌سازی

در مرحله مدل‌‌سازی، روابط بین انواع اطلاعات مختلف برای ذخیره در یک پایگاه داده ترسیم می‌شوند. یکی از اهداف مدل‌‌سازی ایجاد کارآمدترین روش برای ذخیره‌‌سازی اطلاعات است.

6. ارزیابی مدل

در این قسمت مدل مورد ارزیابی، نظارت و بازبینی قرار می‌گیرد تا آمادگی آن برای استقرار بررسی شود. این مدل بر روی معیارهای با دقت فکرشده آزمایش می‌‌شود. ارزیابی باید تا مرحله حصول نتایج رضایت‌‌بخش انجام گردد. بنابراین، فرآیند ارزیابی مدل به انتخاب و ساخت یک مدل کامل کمک می‌کند.

7. استقرار مدل

استقرار مدل مرحله نهایی در چرخه یا فرآیند این علم است. استقرار مدل پس از ارزیابی دقیق امکان‌‌پذیر است. این مدل برای پیش‌‌بینی با استفاده از داده‌ها اعمال می‌شود.

امروزه در عصر انقلاب داده‌ها و تأثیر آن‌‌ها در هر بخش اقتصاد، درها به روی بسیاری از حرفه‌های جدید باز می‌شوند و فرصت‌های شغلی جدیدی به وجود می‌‌آیند. بنابراین شناخت اصطلاحات مربوط به داده اهمیتی دوچندان خواهد داشت. درک تفاوت علم داده و داده کاوی منجر به شناخت دقیق و با جزئیات هر دو مفهوم می‌‌گردد. البته هیچ‌‌گونه تعریف رسمی و دقیقی از این دو مفهوم وجود ندارد و همچنان میان بحث‌‌های تئوری دانشگاه‌ها و صنعت اختلاف وجود دارد. بااین‌‌حال، بررسی جنبه‌‌های مختلف هر دو اصطلاح، در مفهوم‌‌سازی و داشتن بینش کامل‌‌تر از این مفاهیم تأثیر مثبتی برجای می‌‌گذارد که در این مقاله به آن پرداخته‌‌ایم.