La información ingresada como «tweets» por muchas personas interiormente de aplicaciones como Twitter, LinkedIn no está estructurada. Los «tweats» actualizados en tales aplicaciones son similares a nuestros propios procesos de pensamiento. Las técnicas de minería de datos implican la minería de datos definidos con precisión. Por ejemplo, una indagación de productos contiene preguntas como ¿Qué color le gusta más? ¿Qué función le gusta más, etc.?
Al escribir alguna razonamiento de procesamiento OLAP habitual, uno podría derivar los informes necesarios para proporcionar informes críticos de inteligencia empresarial. En este caso, todavía se gasta una cantidad considerable de esfuerzo en la definición de datos, la entrada de datos y el estudio de datos.
Los tweats contienen mucha información no estructurada. En superficie de establecer un comité de revisión para proporcionar reseñas sobre películas, productos, alimentos envasados, servicios, etc., se puede presionar o construir un sistema de revisión basado en información actualizada en Twitter, Mouth Shut.com, Linkedin, Facebook, etc. Obviamente, los desafíos serían construir un sistema de minería que se basara tanto en la probabilidad como en las estadísticas.
Las respuestas o los tweats del adjudicatario se asignarán con ciertos títulos posibles. Por ejemplo, un tweat como «Oh, perspicaz, lo pasé aceptablemente en la cafetería» podría indicar cualquier valía entre 7 y 10 en un sistema de clasificación. En el caso de consolidar información no estructurada, las inferencias estadísticas se combinarán con realismo. Entonces, el mismo tweat se puede usar para inferir dos situaciones o puntos de presencia similares.
Ya existen algunas aplicaciones que brindan reseñas de productos basadas en tweets interiormente de Twitter. Ahora les toca a los desarrolladores desarrollar algunas aplicaciones más que puedan consolidar de guisa efectiva las respuestas en forma de tweats y todavía derivar inteligencia empresarial.
Comentarios recientes