IBM 15 Manuale Utente

30

Typically, you will use these facilities to identify a promising set of attributes in the data. These
attributes can then be fed to the modeling techniques, which will attempt to identify underlying
rules and relationships.

Typical applications of data mining techniques include the following:

Determine which demographic groups have the highest response rate. Use this

information to maximize the response to future mailings.

Use an individual’s credit history to make credit decisions.

Understand past hiring practices and create decision rules to streamline the

hiring process.

Create decision rules that suggest appropriate procedures based on medical

evidence.

Determine which variables, such as geography, price, and customer

characteristics, are associated with sales.

Analyze data from product manufacturing and identify variables determining

product defects.

Use survey data to formulate policy by applying decision rules to select the most

important variables.

User surveys and clinical data can be combined to discover variables that contribute

to health.

The terms attribute, field, and variable refer to a single data item common to all cases under
consideration. A collection of attribute values that refers to a specific case is called a record, an
example

, or a case.

Data mining is not likely to be fruitful unless the data you want to use meets certain criteria. The
following sections present some of the aspects of the data and its application that you should
consider.

This may seem obvious, but be aware that although data might be available, it may not be in a
form that can be used easily. IBM® SPSS® Modeler can import data from databases (through
ODBC) or from files. The data, however, might be held in some other form on a machine that
cannot be directly accessed. It will need to be downloaded or dumped in a suitable form before it
can be used. It might be scattered among different databases and sources and need to be pulled