As merchandisers gained the ability

As merchandisers gained the ability to record transaction data, they started collecting and analyzing data about consumer behavior.
The term data mining is used to describe the collection of analysis techniques used to infer rules from or build models from large
data sets. One of the best-known examples of data mining in commerce is the discovery of association rules – relationships between
items that indicate a relationship between the purchase of one item and the purchase of another. These rules can help a merchandiser
arrange products so that, for example, a consumer purchasing ketchup sees relish nearby. More sophisticated temporal data mining
may suggest that a consumer who buys a new charcoal grill today is likely to buy a fire extinguisher in the next month.
More generally, data mining has two phases. In the learning phase, the data mining system analyzes the data and builds a model of
consumer behavior (e.g., association rules). This phase is often very time-consuming and may require the assistance of human
analysts. After the model is built, the system enters a use phase where the model can be rapidly and easily applied to consumer
situations. One of the challenges in implementing data mining within organizations is creating the organizational processes that
successfully transfer the knowledge from the learning phase into practice in the use phase.
Automatic recommender systems are machine learning systems specialized to recommend products in commerce applications. Some
recommenders have an offline phase during which they learn a model of customer behavior, and then an online phase during which
they apply the model in real time. Most recommenders, however, use a lazy learning approach, in which they build and update the
model while making recommendations in real time.

ผลลัพธ์ (ไทย) 2:

ในฐานะที่เป็นผู้ค้าได้รับความสามารถในการบันทึกข้อมูลการทำธุรกรรมพวกเขาเริ่มรวบรวมและวิเคราะห์ข้อมูลเกี่ยวกับพฤติกรรมของผู้บริโภค.
การทำเหมืองข้อมูลเป็นคำที่ใช้เพื่ออธิบายการเก็บรวบรวมเทคนิคการวิเคราะห์ที่ใช้ในการสรุปกฎจากหรือสร้างแบบจำลองขนาดใหญ่จาก
ชุดข้อมูล หนึ่งในตัวอย่างที่รู้จักกันดีของการทำเหมืองข้อมูลในการค้าคือการค้นพบกฎของสมาคม - ความสัมพันธ์ระหว่าง
รายการที่บ่งบอกถึงความสัมพันธ์ระหว่างการซื้อหนึ่งรายการและการซื้อของผู้อื่น กฎเหล่านี้สามารถช่วย merchandiser
จัดผลิตภัณฑ์เพื่อให้เช่นซอสมะเขือเทศซื้อของผู้บริโภคเห็นเพลิดเพลินใกล้เคียง การทำเหมืองข้อมูลชั่วคราวที่ซับซ้อนมากขึ้น
อาจแนะนำให้ผู้บริโภคที่ซื้อเตาถ่านใหม่ในวันนี้มีแนวโน้มที่จะซื้อเครื่องดับเพลิงในเดือนถัดไป.
โดยทั่วไปการทำเหมืองข้อมูลมีสองขั้นตอน ในขั้นตอนการเรียนรู้ระบบการทำเหมืองข้อมูลวิเคราะห์ข้อมูลและสร้างรูปแบบของ
พฤติกรรมผู้บริโภค (เช่นกฎสมาคม) ช่วงนี้มักจะใช้เวลานานมากและอาจต้องการความช่วยเหลือของมนุษย์
นักวิเคราะห์ หลังจากที่รูปแบบที่ถูกสร้างขึ้นในระบบเข้าสู่ขั้นตอนการใช้งานรูปแบบที่สามารถนำไปใช้อย่างรวดเร็วและง่ายดายให้กับผู้บริโภค
สถานการณ์ หนึ่งในความท้าทายในการดำเนินการทำเหมืองข้อมูลภายในองค์กรคือการสร้างกระบวนการขององค์กรที่
ประสบความสำเร็จในการถ่ายโอนความรู้จากการเรียนรู้ขั้นตอนในการปฏิบัติในขั้นตอนการใช้งาน.
ระบบ recommender อัตโนมัติเป็นระบบการเรียนรู้เครื่องผู้เชี่ยวชาญจะแนะนำผลิตภัณฑ์ในการใช้งานพาณิชย์ บาง
Recommenders มีเฟสออฟไลน์ในระหว่างที่พวกเขาเรียนรู้รูปแบบของพฤติกรรมของลูกค้าและจากนั้นขั้นตอนการออนไลน์ในระหว่างที่
พวกเขาใช้รูปแบบในเวลาจริง Recommenders ส่วนใหญ่ แต่ใช้วิธีการเรียนรู้ที่ขี้เกียจในการที่พวกเขาสร้างและปรับปรุง
รูปแบบขณะที่การทำข้อเสนอแนะในเวลาจริง

ผลลัพธ์ (ไทย) 3:

เป็นผู้ค้าที่ได้รับความสามารถในการบันทึกข้อมูลธุรกรรม พวกเขาก็เริ่มเก็บรวบรวมข้อมูลและวิเคราะห์ข้อมูลเกี่ยวกับพฤติกรรมของผู้บริโภค ข้อมูลเหมืองแร่เป็น
ระยะใช้เพื่ออธิบายชุดของเทคนิคการวิเคราะห์ที่ใช้สรุปหรือสร้างกฎจากโมเดลจากชุด
ข้อมูลขนาดใหญ่ หนึ่งในตัวอย่างที่รู้จักกันดีที่สุดของการทำเหมืองข้อมูลในพาณิชย์การค้นพบกฎของสมาคมเพื่อความสัมพันธ์ระหว่าง
รายการที่แสดงความสัมพันธ์ระหว่างการซื้อหนึ่งรายการและซื้ออีก กฎเหล่านี้สามารถช่วย Merchandiser
จัดเรียงสินค้าดังนั้น ตัวอย่างเช่น ผู้บริโภคเลือกซื้อซอสมะเขือเทศเห็นลิ้มลองใกล้เคียง ที่ซับซ้อนมากขึ้นและการทำเหมืองข้อมูล
อาจแนะนำว่า ผู้บริโภคที่ซื้อเตาย่างถ่านใหม่ วันนี้มีโอกาสที่จะซื้อถังดับเพลิงในเดือนถัดไป .
มากขึ้นโดยทั่วไปการทําเหมืองข้อมูลมี 2 ขั้นตอนคือ ในขั้นตอนการเรียนรู้ ข้อมูลเหมืองแร่ระบบวิเคราะห์ข้อมูลและสร้างรูปแบบของพฤติกรรมของผู้บริโภค ( สมาคมกฎเช่น ) ขั้นตอนนี้มักจะใช้เวลานานมาก และอาจต้องการความช่วยเหลือของมนุษย์
นักวิเคราะห์ หลังจากรุ่นที่ถูกสร้างขึ้น ระบบจะเข้าสู่เฟสที่ใช้แบบจำลองสามารถอย่างรวดเร็ว และประยุกต์ได้อย่างง่ายดายเพื่อผู้บริโภค
สถานการณ์หนึ่งในความท้าทายที่ใช้ในการทำเหมืองข้อมูลภายในองค์กรคือ การสร้างองค์กร กระบวนการที่
เรียบร้อยแล้ว ถ่ายทอดความรู้จากขั้นตอนในการปฏิบัติในการใช้ขั้นตอนการเรียนรู้ .
ระบบแนะนำอัตโนมัติระบบเครื่องเฉพาะเพื่อแนะนำสินค้าในงานพาณิชย์ การเรียนรู้ บาง
recommenders มีออฟไลน์เฟสในระหว่างที่พวกเขาเรียนรู้รูปแบบพฤติกรรมของลูกค้าแล้วออนไลน์ขั้นตอนในระหว่างที่
พวกเขาใช้รูปแบบในเวลาจริง recommenders ที่สุด แต่ใช้วิธีการเรียนรู้ ขี้เกียจ ที่พวกเขาสร้างและปรับปรุง
รุ่นในขณะที่ให้ข้อเสนอแนะในเวลาจริง