Fase 2 do modelo de processo CRISP-DM: conhecimento de dados - manequins

Na segunda fase do modelo de processo Cross-Industry Standard for Data Mining (CRISP-DM), você obtém dados e verifica que é apropriado para suas necessidades. Você pode identificar problemas que fazem com que você volte ao entendimento da empresa e revise seu plano. Você pode até descobrir falhas na compreensão do seu negócio, outro motivo para repensar metas e planos.

A fase de compreensão de dados inclui quatro tarefas . Estes são

• Recolha de dados

• Descrevendo dados

• Explorando dados

• Verificar a qualidade dos dados

Tarefa: Recolher dados

Você acabou de definir metas e definir um plano de mineração de dados. Cada passo do plano depende de ter os dados certos. Melhor se certificar de que você realmente tenha esses dados!

Apenas existe um produto disponível para esta tarefa: o relatório inicial de coleta de dados. No seu relatório, você precisa verificar se você adquiriu os dados ou, pelo menos, obteve acesso aos dados, testou o processo de acesso a dados e verificou se os dados existem. Você também precisará carregar dados em qualquer ferramenta que você esteja usando para mineração de dados para verificar se as ferramentas são compatíveis com os dados.

Você pode fazer muito trabalho para reunir os dados que você precisa antes de poder escrever este relatório. Primeiro, você fará seu plano, da seguinte forma:

• Requisitos de dados de estrutura de tópicos: Crie uma lista dos tipos de dados necessários para atender os objetivos de mineração de dados. Expanda a lista com detalhes como o intervalo de tempo necessário e os formatos de dados.

• Verificar a disponibilidade de dados: Confirme se os dados necessários existem e que você pode usá-lo. Se alguns dos dados desejados não estiverem disponíveis, decida como você abordará esse problema. Considere alternativas como

  • Substituindo por uma fonte de dados alternativa

  • Limitando o escopo do projeto

  • Recolher novos dados

• Definir critérios de seleção: Identificar as fontes de dados específicas (bancos de dados, arquivos, documentos, e assim por diante.) você usará. Nessas fontes, especifique as tabelas, os campos e os intervalos de casos relevantes para este projeto.

Depois de passar por essas etapas, você deve realmente obter os dados. Nesta fase, importe os dados na plataforma de mineração de dados que você estará usando para o projeto para confirmar que é possível fazê-lo e que você entenda o processo. No decorrer deste teste, você pode descobrir limitações de software (ou hardware) que você não antecipou, como

• Limites na quantidade de casos ou campos, ou na quantidade de memória que você pode usar

• Incapacidade de ler o formatos de dados de suas fontes

• Dificuldade em lidar com imperfeições nos dados (por exemplo, você pode encontrar produtos que não importarão ou analisarão conjuntos de dados incompletos)

Finalmente, resuma o processo de coleta em um relatório.O relatório deve descrever os seus requisitos, e explicar com algum detalhe exatamente quais os dados que você reuniu e de que fontes. Aqui você confirma que você realmente obteve os dados e que é compatível com sua plataforma de mineração de dados. Se você tiver tido dificuldades, você explicará o que eles eram e como você os abordou (usando fontes alternativas, revisando planos, mudando formatos).

O produto para esta tarefa é apenas um relatório simples, mas o trabalho que você precisa fazer antes de poder escrever esse relatório não será simples! O acesso a dados pode ser uma das partes mais desafiadoras e frustrantes do processo de mineração de dados, repleto de desafios técnicos e empresariais.

Tarefa: descrevendo dados

Agora que você possui dados, prepare uma descrição geral do que você tem.

O fornecimento para esta tarefa é o relatório de descrição de dados. Nela, você descreve a fonte e os formatos dos dados, o número de casos, o número e as descrições dos campos e qualquer outra informação geral que seja importante. Você também faz uma breve avaliação da adequação dos dados para seus objetivos de mineração de dados. Por exemplo, verifique se os dados incluem os campos que você espera e precisam estar lá e casos suficientes para análise.

Tarefa: Explorando dados

Nesta tarefa, você examina os dados mais de perto. Para cada variável, você olha a gama de valores e suas distribuições. Você usará manipulação de dados simples e técnicas estatísticas básicas para verificações adicionais nos dados. A exploração de dados suporta várias finalidades:

• Familiarize-se com os dados.

• Mancha sinais de problemas de qualidade de dados.

• Preparar o cenário para etapas de preparação de dados.

O produto para esta tarefa é o relatório de exploração de dados. É o lugar para documentar quaisquer hipóteses ou descobertas iniciais que você desenvolveu durante a exploração de dados. Este relatório deve incluir uma descrição mais detalhada dos dados do que o relatório de descrição de dados, incluindo distribuições, resumos e quaisquer sinais de problemas de qualidade de dados.

Tarefa: Verificando a qualidade dos dados

Você tem os dados e você examinou, e agora você deve determinar se é bom o suficiente para suportar seus objetivos. Muitas vezes, você terá algum problema de qualidade para endereço ainda pode avançar, mas às vezes a qualidade dos dados é tão fraca que não pode suportar seu plano e você terá que buscar alternativas. Alguns dos piores problemas de dados incluem

• Os dados que você precisa não existem. (Nunca existiu, ou foi descartado? Os dados podem ser coletados e guardados para uso futuro?)

• Existe, mas você não pode ter. (Essa restrição pode ser superada?)

• Você encontra problemas severos de qualidade de dados (muitos valores faltantes ou incorretos que não podem ser corrigidos).

O produto para esta tarefa é o relatório de qualidade de dados. Isso resume os dados que você tem, os problemas menores e de grande qualidade que você encontrou e possíveis remédios para problemas ou alternativas de qualidade (como usar um recurso de dados alternativo).Se você está enfrentando problemas de qualidade de dados realmente sérios e não consegue identificar uma solução adequada, talvez seja necessário recomendar a reconsideração de metas ou planos.