Datu ieguve vai datu ieguve ir klasifikācijas process, izmantojot lielas datu kopas, lai identificētu modeļus un izveidotu sakarības problēmu risināšanai, izmantojot datu analīzi. Datu ieguves rīki ļauj uzņēmumiem prognozēt nākotnes tendences.
Datu ieguvē asociācijas noteikumi tiek veidoti, analizējot datus par biežiem modeļiem, izmantojot atbalsta un uzticamības kritērijus, lai atrastu vissvarīgākās sakarības datos. Atbalsts ir vienumu parādīšanās biežums datu bāzē, bet ticamība ir reižu skaits, kad paziņojumi ir precīzi.
Citi datu ieguves parametri ietver secības vai maršruta analīzi, klasifikāciju, kopu veidošanu un prognozi. Secības vai ceļa analīzes parametri meklē modeļus, kuros viens notikums noved pie cita nākamā notikuma. Secība ir sakārtots vienību kopu saraksts, un tas ir izplatīts datu struktūras veids, kas atrodams daudzās datubāzēs. Klasifikācijas parametrs meklē jaunus modeļus, un tas var mainīt datu organizēšanas veidu. Šīs klasifikācijas algoritmi prognozēt mainīgos, pamatojoties uz citu faktoru datu bāzē.
Parametru grupēšana vizuāli atrod un dokumentē iepriekš nezināmu faktu grupas. Grupēšana grupē objektu kopu un apkopo tos, ņemot vērā to līdzību viens otram.
Ir dažādi veidi, kā lietotājs var izvietot kopu, atšķirot katru klastera modeli. Parametru veicināšana datu ieguves jomā var atklāt datu modeļus, kas var radīt saprātīgas nākotnes prognozes, ko dēvē arī par prediktīvo analīzi.
Datu ieguves metodes tiek izmantotas daudzās pētniecības jomās, tostarp matemātikā, kibernētikā, ģenētikā un mārketingā. Lai gan datu ieguves paņēmieni ir veids, kā palielināt efektivitāti un prognozēt klientu uzvedību, pareizi lietojot, uzņēmums var atšķirt sevi no konkurences, izmantojot prognozēšanas analīzi.
Tīmekļa ieguve, kas ir datu ieguves veids, ko izmanto klientu attiecību pārvaldībā, integrē informāciju, ko tīmeklī apkopo tradicionālās datu ieguves metodes un paņēmieni. Tīmekļa ieguves mērķis ir izprast klientu uzvedību un novērtēt konkrētas vietnes efektivitāti.
