a:

Generelt kan virksomheter min uansett data bli datastyrt for analyse og studert for å forbedre operasjonell effektivitet, lavere kostnader og øke inntekter og fortjenestemarginer. Blant de mange ulike datatyper som kan samles, er de vanligste studiene produksjonskostnader, lønnskostnader, markedsføringseffektivitet og detaljerte salgsdata for alle produkter og tjenester som selskapet markedsfører.

Datautvinning er en metode for datadataanalyse som brukes til å avdekke forhold mellom ulike datasett, for eksempel forholdet mellom arbeidstid og produksjonsnivå for et produksjonsfirma. Andre eksempler på bruk av data mining teknikker inkluderer "handlekurv analyse", som vurderer ting som den totale mengden forbrukere ofte bruker i en shopping tur, eller hvilke produkter forbrukere vanligvis kjøper sammen under en shoppingtur.

Datautvinning varierer etter bransje eller virksomhetstype. For eksempel driver banker historisk dataanalyse for å avgjøre hvilke kunder eller typer kunder som mest sannsynlig vil betale tilbake lån til tiden. Forsikringsselskaper min store mengder data for å utvikle aktuarmessige tabeller for risikovurdering og for å identifisere mønstre av svindelskrav. Nesten ethvert stort firma som selger produkter på detaljnivå, bruker datautvinning for å analysere effektiviteten av reklamekampanjer.

Målet med forretningsinformasjon er å gjøre ledelsen i stand til å ta informerte beslutninger om selskapets drift, beslutninger som skal øke driftseffektiviteten og i siste instans øke selskapets lønnsomhet. Derfor er forretningsmessighetsverktøy noen ganger referert til som "beslutningsstøttesystemer."

For virksomhetsinformasjonsformål bruker enkelte selskaper sine egne historiske data, men andre selskaper samler data fra eksterne kilder som kalles datalager, som inkluderer enorme mengder data samlet fra hele bransjens industri i stedet for bare selskapets egne interne data.