Data Mining. Concepts and Techniques, 3rd Edition

HAN

08-ch01-001-038-9780123814791

2011/6/1

3:12

Page 11

#11

1.3 What Kinds of Data Can Be Mined?

11

Data source in Chicago

Data source in Toronto

Data source in Vancouver

Data source in New York

Data

Warehouse

Clean

Integrate

Transform

Load

Refresh

Query and

analysis tools

Client

Client

Figure 1.6

Typical framework of a data warehouse for AllElectronics.

or sum

(sales amount). A data cube provides a multidimensional view of data and allows

the precomputation and fast access of summarized data.

Example 1.3

A data cube for

AllElectronics. A data cube for summarized sales data of AllElectronics

is presented in Figure 1.7(a). The cube has three dimensions: address (with city values

Chicago, New York, Toronto, Vancouver), time (with quarter values Q1, Q2, Q3, Q4), and

item (with item type values home entertainment, computer, phone, security). The aggregate

value stored in each cell of the cube is sales amount (in thousands). For example, the total

sales for the first quarter, Q1, for the items related to security systems in Vancouver is

$

400, 000, as stored in cell Vancouver, Q1, security . Additional cubes may be used to store

aggregate sums over each dimension, corresponding to the aggregate values obtained using

different SQL group-bys (e.g., the total sales amount per city and quarter, or per city and

item, or per quarter and item, or per each individual dimension).

By providing multidimensional data views and the precomputation of summarized

data, data warehouse systems can provide inherent support for OLAP. Online analyti-

cal processing operations make use of background knowledge regarding the domain of

the data being studied to allow the presentation of data at different levels of abstraction.

Such operations accommodate different user viewpoints. Examples of OLAP opera-

tions include drill-down and roll-up, which allow the user to view the data at differing

degrees of summarization, as illustrated in Figure 1.7(b). For instance, we can drill

down on sales data summarized by quarter to see data summarized by month. Sim-

ilarly, we can roll up on sales data summarized by city to view data summarized by

country.

Although data warehouse tools help support data analysis, additional tools for

data mining are often needed for in-depth analysis. Multidimensional data mining

(also called exploratory multidimensional data mining) performs data mining in

---

HAN

08-ch01-001-038-9780123814791

2011/6/1

3:12

Page 12

#12

12

Chapter 1 Introduction

605

825

14

400

Q1

Q2

Q3

Q4

Chicago

New York

Toronto

440

1560

395

Vancouver

time

 (quarters)

address

 (cities)

home

entertainment

computer

phone

item (types)

security

Q1, security>

Q1

Q2

Q3

Q4

USA

Canada

2000

1000

time

 (quarters)

address

 (countries)

home

entertainment

computer

phone

item (types)

security

150

100

150

Jan

Feb

March

Chicago

New York

Toronto

Vancouver

time

 (months)

address

 (cities)

home

entertainment

computer

phone

item (types)

security

Drill-down

on time data for Q1

Roll-up

on address

(a)

(b)

Figure 1.7

A multidimensional data cube, commonly used for data warehousing, (a) showing summa-

rized data for AllElectronics and (b) showing summarized data resulting from drill-down and

roll-up operations on the cube in (a). For improved readability, only some of the cube cell

values are shown.

---

HAN

08-ch01-001-038-9780123814791

2011/6/1

3:12

Page 13

#13

1.3 What Kinds of Data Can Be Mined?

13

multidimensional space in an OLAP style. That is, it allows the exploration of mul-

tiple combinations of dimensions at varying levels of granularity in data mining,

and thus has greater potential for discovering interesting patterns representing knowl-

edge. An overview of data warehouse and OLAP technology is provided in Chapter 4.

Advanced issues regarding data cube computation and multidimensional data mining

are discussed in Chapter 5.

1.3.3

Transactional Data

In general, each record in a transactional database captures a transaction, such as a

customer’s purchase, a flight booking, or a user’s clicks on a web page. A transaction typ-

ically includes a unique transaction identity number (trans ID) and a list of the items

making up the transaction, such as the items purchased in the transaction. A trans-

actional database may have additional tables, which contain other information related

to the transactions, such as item description, information about the salesperson or the

branch, and so on.

Example 1.4

A transactional database for

AllElectronics. Transactions can be stored in a table, with

one record per transaction. A fragment of a transactional database for AllElectronics is

shown in Figure 1.8. From the relational database point of view, the sales table in the

figure is a nested relation because the attribute list of item IDs contains a set of items.

Because most relational database systems do not support nested relational structures,

the transactional database is usually either stored in a flat file in a format similar to

the table in Figure 1.8 or unfolded into a standard relation in a format similar to the

items sold table in Figure 1.5.

As an analyst of AllElectronics, you may ask,“Which items sold well together?” This

kind of market basket data analysis would enable you to bundle groups of items together

as a strategy for boosting sales. For example, given the knowledge that printers are

commonly purchased together with computers, you could offer certain printers at a

steep discount (or even for free) to customers buying selected computers, in the hopes

of selling more computers (which are often more expensive than printers). A tradi-

tional database system is not able to perform market basket data analysis. Fortunately,

data mining on transactional data can do so by mining frequent itemsets, that is, sets

trans ID

list of item IDs

T100

I1, I3, I8, I16

T200

I2, I8

...

...

Figure 1.8

Fragment of a transactional database for sales at AllElectronics.

---