Jetez un œil autour de vous et vous vous rendrez compte que nous vivons dans un monde relationnel. Vous naviguez le web selon les connexions qui existent entre les différents sites, vous réunissez des ingrédients spécifiques pour créer des plats savoureux, vous obtenez des recommandations d'amis en fonction de la relation entre leur profil et le vôtre. Nous interagissons en permanence avec des bases de données. Tout est relationnel ... votre analyse ne devrait-elle pas l'être aussi ?
Les organisations collectent de grandes quantités de données provenant d'une multitude de sources et les emmagasinent dans des bases de données (ou des formats équivalents). Les données fournissent des informations, mais c'est la structure définissant leur contexte qui génère leur véritable valeur.
Comprendre les interconnexions, ou la façon dont les données sont associées les unes aux autres, enrichit considérablement votre analyse, car celles-ci peuvent être décrites par leurs propriétés, tout autant que par les propriétés des données auxquelles elles sont reliées. Par conséquent, l'analyse de données brutes prises individuellement, c'est-à-dire sans leur contexte, est susceptible de conduire à des conclusions incomplètes ou trompeuses.
C'est la raison pour laquelle des outils ou des méthodes spécialisés sont développés pour identifier les patterns et les tendances qui ajoutent du contexte et de la profondeur à l'extraction des connaissances.
Le principal réflexe associé à l'analyse d'un ensemble de données relationnelles est appelé "aplatissement", c'est-à-dire la fusion des données provenant de différentes sources en une seule table ou un seul ensemble de données sur la base duquel l'analyse sera effectuée. En fait, c'est ce que de nombreuses méthodes analytiques actuelles attendent de vous. Elle peut être considérée comme la conception d'une vue résultant d'opérations de jointure.
Malheureusement, cet aplatissement des données résulte souvent en une structure large et dénormalisée. L'une des méthodes pour remédier à cette redondance consiste à utiliser des opérations d'agrégation, telles que la moyenne, le décompte, la somme, le minimum, le maximum, etc.
Cependant, dans les deux cas, on se retrouve avec une certaine forme de perte d'informations, et surtout de contexte.
Bien que la validation des modèles puisse être effectuée à l'aide de requêtes, la découverte de patterns dans les données relationnelles est complexe et constitue la raison d’être principale du domaine appelé "multi relational data mining" (MRDM). Dans ce domaine, nous retrouvons la programmation logique inductive, l'exploration des graphes et des réseaux, etc.
Chez peekaboo.ai, nous utilisons des algorithmes d'analyse de données de pointe pour traiter les ensembles de données relationnelles. Notre plateforme s'appuie sur des règles d'association combinées à la logique du premier ordre et à la récursivité pour traiter l'aspect relationnel des données, vous offrant ainsi des avantages inégalés, tels que :
Pas d'aplatissement, donc conservation du maximum d'information
En évitant l'aplatissement des données et les opérations de jointure, peekaboo.ai s'assure que vos données conservent leur richesse et leur intégrité. Cela signifie que vous pouvez extraire le maximum d'informations sans compromettre l'efficacité ou sacrifier le contexte relationnel.
Profondeur d'analyse arbitraire
Non seulement Peekaboos.ai fourni les liens entre les données inclues dans chaque table individuelle, mais il va plus loin en permettant la découverte d'associations entre différentes tables, incluant leurs sous-tables associées, quel que soit leur degré de nidification. C'est cette profondeur d'analyse qui enrichit vos découvertes au-delà de ce que les méthodes traditionnelles peuvent actuellement fournir.
Flexibilité dans la gestion des liens
La plupart des méthodes MRDM se concentrent sur une vue binaire des liens entre les données (s'ils existent ou non), avec Peekaboo.ai vous pouvez gérer facilement des liens conditionnels et plus granulaires.