Veri madenciliği işlemi, büyük miktarda veride istatistiksel olarak önemli kalıpları ortaya çıkarmak için bir araçtır. Genellikle, hazırlık, veri arama, model oluşturma, uygulama ve incelemeyi içeren beş ana adımdan oluşur. İşlemdeki her adım, farklı teknikler içerir ancak çoğu istatistiksel analiz yöntemini kullanır.
Veri madenciliği süreci başlamadan önce, araştırmacılar tipik olarak araştırma hedefleri belirlemiştir. Bu hazırlık aşaması genellikle hangi tür verilerin çalışılması gerektiğini, hangi veri madenciliği tekniklerinin kullanılması gerektiğini ve sonuçların hangi formda alınacağını belirler. İşlemdeki bu ilk adım, yararlı bilgi toplamak için çok önemli olabilir.
Veri madenciliği sürecinde bir sonraki adım keşif. Bu adım genellikle gerekli verilerin bir bilgi deposundan veya toplama işletmesinden toplanmasını içerir. Ardından, madencilik uzmanları tipik olarak analiz için ham veri setlerini hazırlar. Bu adım genellikle hataların tüm verilerinin toplanması, temizlenmesi, düzenlenmesi ve kontrol edilmesinden oluşur.
Bu hazırlanan veriler genellikle veri madenciliği sürecinde model oluşturmada üçüncü adıma girer. Bunu başarmak için araştırmacılar tipik olarak küçük veri test numuneleri alırlar ve bunlara çeşitli veri madenciliği teknikleri uygularlar. Modelleme basamağı, istenen sonuçları elde etmek için gereken en iyi istatistiksel analiz yöntemini belirlemek için kullanılır.
Veri madenciliği sürecinde uygulanabilecek dört ana teknik vardır. Bunlardan ilki, verileri önceden tanımlanmış gruplar veya kategoriler halinde düzenleyen sınıflandırmadır. Kümelenme adı verilen ikinci teknikte, araştırmacılar bilgisayarın seçtiği gibi verileri gruplar halinde organize etmesine izin verir. Üçüncü bir veri madenciliği tekniği değişkenler arasındaki ilişkileri arar. Dördüncü, tipik olarak gelecekteki eğilimleri tahmin etmek için kullanılabilecek verilerdeki sıralı kalıpları arar.
Veri madenciliği işleminde son adım dağıtımdır. Bunu yapmak için, modelde seçilen teknikler daha büyük veri kümelerine uygulanır ve sonuçlar analiz edilir. Bu adımdan gelen rapor genellikle, herhangi bir sınıflandırma, küme, ilişkilendirme veya veri kümesinde mevcut olan sıralı modeller dahil olmak üzere tüm süreçte bulunan kalıpları gösterir.
Gözden geçirme çoğu zaman önemli bir son adımdır. Süreçteki bu aşama, ana kümenin tüm veri popülasyonunu temsil ettiğinden emin olmak için genellikle madencilik modellerinin yeni bir veri seti ile tekrarlanmasını içerir. Sonuçlar, veri örneği doğru bir şekilde göstermiyorsa, daha büyük popülasyondaki eğilimleri öngöremez.
