I tool di data mining per­met­to­no un’analisi dei dati ap­pro­fon­di­ta

I diversi pro­ce­di­men­ti possono essere suddivisi in maniera ap­pros­si­ma­ti­va in co­sid­det­ti problemi di os­ser­va­zio­ne (analisi della va­ria­zio­ne, analisi dei gruppi) e problemi di pro­no­sti­ci (analisi della re­gres­sio­ne, clas­si­fi­ca­zio­ne).

Vi pre­sen­tia­mo ora un confronto dei migliori tool di data mining tra cui rientrano gli strumenti Ra­pid­Mi­ner, WEKA, Orange, KNIME e SAS. È emerso che gli utenti uti­liz­za­no vari tool con­tem­po­ra­nea­men­te: ognuno di loro offre infatti punti di forza diversi e permette quindi di essere combinato con altri strumenti; infatti i tool di data mining sono spesso com­pa­ti­bi­li tra loro. No­no­stan­te ciò un unico tool completo consente una grande libertà, anche a chi è alle prime armi.

Ra­pid­Mi­ner (prima co­no­sciu­to come YALE, “Yet Another Learning En­vi­ron­ment“) è uno dei tool di data mining più famoso. Secondo un sondaggio di KDnuggets ef­fet­tua­to nel 2014 questo tool era il più uti­liz­za­to tra i software di data mining, superando lo strumento R. È ac­ces­si­bi­le gra­tui­ta­men­te e si utilizza fa­cil­men­te anche senza par­ti­co­la­ri co­no­scen­ze di pro­gram­ma­zio­ne. No­no­stan­te ciò mette a di­spo­si­zio­ne un’ampia scelta di operatori. In par­ti­co­la­re le start-up ricorrono spesso a questo tool.

Ra­pid­Mi­ner è stato scritto in Java e comprende più di 500 operatori con diversi approcci per mostrare le relazioni nei dati; ci sono anche opzioni per il data mining, il text mining e il web mining, ma anche per l’analisi del sentiment (Sentiment Analysis, Opinion Mining). Inoltre il programma importa tabelle Excel, file SPSS e record di molti database, in­te­gran­do anche tool di data mining come WEKA e R. Per questo motivo è uno strumento completo a tutto tondo.

Ra­pid­Mi­ner supporta tutti i passaggi del processo di data mining, com­pren­den­do anche la vi­sua­liz­za­zio­ne dei risultati. Il tool è composto da tre grandi moduli: Ra­pid­Mi­ner Studio, Ra­pid­Mi­ner Server e Ra­pid­Mi­ner Radoop che eseguono ri­spet­ti­va­men­te diverse tecniche del data mining. Inoltre il software prepara i dati prima dell’analisi e li ottimizza per una rie­la­bo­ra­zio­ne veloce. Per ognuno di questi tre moduli sono di­spo­ni­bi­li una versione gratuita e diverse versioni a pagamento.

La forza par­ti­co­la­re di Ra­pid­Mi­ner risiede nell’analisi pre­dit­ti­va, quindi nella pre­vi­sio­ne degli sviluppi futuri sulla base dei dati raccolti. Se si con­fron­ta­no i diversi software di data mining, Ra­pid­Mi­ner risulta uno dei tool più potenti tra quelli pre­sen­ta­ti.

WEKA (Waikato En­vi­ron­ment for Knowledge Analysis) è un software open source svi­lup­pa­to dall’uni­ver­si­tà di Waikato, in Nuova Zelanda. Il tool di data mining si basa su Java e può essere uti­liz­za­to su Windows, macOS e Linux. È famoso per le sue funzioni complete di ap­pren­di­men­to au­to­ma­ti­co e supporta tutti i compiti più im­por­tan­ti di data mining come il clu­ste­ring, l’as­so­cia­zio­ne, la re­gres­sio­ne e la clas­si­fi­ca­zio­ne. L’in­ter­fac­cia utente facilita l’accesso al software. Inoltre WEKA si collega ai database SQL dove può elaborare i dati richiesti. Il punto di forza di WEKA risiede nella clas­si­fi­ca­zio­ne: lo strumento di data mining è co­no­sciu­to per le sue molte clas­si­fi­ca­zio­ni, tra cui le reti neurali ar­ti­fi­cia­li, gli alberi di decisione e gli algoritmi ID3 o C4.5. Invece risulta meno efficace nelle altre tecniche, come l’analisi dei gruppi: in questo caso vengono offerti solo i prin­ci­pa­li pro­ce­di­men­ti. Un altro svan­tag­gio: WEKA può avere problemi di ela­bo­ra­zio­ne quando deve gestire grandi quantità di dati, visto che il tool di data mining cerca di caricarli tutti insieme nella RAM. Una soluzione è offerta quindi dalla riga di comando facile (CLI) che permette di elaborare meglio le grandi quantità di dati.

Il tool di data mining Orange esiste da più di 20 anni ed è un progetto dell’uni­ver­si­tà di Lubiana, in Slovenia. La base del software ori­gi­na­ria­men­te era stata scritta in C++, ma è stata poi presto ampliata con il lin­guag­gio di pro­gram­ma­zio­ne Python, che viene ora uti­liz­za­to come lin­guag­gio per l’accesso ai dati. Le ope­ra­zio­ni com­pli­ca­te vengono invece sempre eseguite in C++. Orange è un software di data mining vasto che dimostra la grande libertà di im­po­sta­zio­ne con­sen­ti­ta da Python: offre ap­pli­ca­zio­ni utili per l’analisi dei dati e dei testi, oltre che funzioni per l’ap­pren­di­men­to au­to­ma­ti­co, e nell’ambito del data mining lavora con gli operatori per la clas­si­fi­ca­zio­ne, la re­gres­sio­ne, il clu­ste­ring e molti altri. Inoltre questo tool di data mining integra una pro­gram­ma­zio­ne visuale.

La par­ti­co­la­ri­tà di questo tool è il fatto che gli utenti sot­to­li­nea­no sempre come si divertono a uti­liz­za­re questo software di data mining. Sia i nuovi utenti che quelli avanzati sono sempre più af­fa­sci­na­ti da Orange. Questa sua po­po­la­ri­tà deriva da due fattori: il primo riguarda l’ac­cat­ti­van­te vi­sua­liz­za­zio­ne dei dati; il secondo prende in con­si­de­ra­zio­ne la velocità e la facilità con cui avviene questa vi­sua­liz­za­zio­ne. Il programma prepara i dati immessi subito sotto forma visuale. Non solo la com­pren­sio­ne di questi grafici, ma anche l’ela­bo­ra­zio­ne delle analisi dei dati avviene in modo facile rispetto agli altri software e consente di prendere decisioni relative alla propria attività in modo veloce. Tutto questo rende Orange il tool ideale per av­vi­ci­nar­si al data mining.

Un altro vantaggio per i nuovi utenti è che sono di­spo­ni­bi­li mol­tis­si­mi tutorial online per il tool. Oltre a ciò Orange impara a conoscere con il tempo le pre­fe­ren­ze dei suoi utenti e si regola di con­se­guen­za, rendendo l’utilizzo dello strumento di data mining ancora più piacevole.

KNIME (Konstanz In­for­ma­tion Miner) è stato svi­lup­pa­to dall’uni­ver­si­tà di Costanza, in Germania, ed è diventato popolare nella grande comunità in­ter­na­zio­na­le di svi­lup­pa­to­ri. In realtà KNIME era pensato sin dall’inizio per un uso com­mer­cia­le, ma è di­spo­ni­bi­le come software open source. È stato scritto in Java ed elaborato con Eclipse. Con­fron­tan­do questo software di data mining con gli altri, balza subito agli occhi la sua varietà di funzioni: con più di 1000 moduli e pacchetti di ap­pli­ca­zio­ni pre­im­po­sta­ti questo tool aiuta am­pia­men­te a scoprire le strutture nascoste dei dati. I moduli si possono ampliare con altre funzioni com­mer­cia­li. Tra le feature convince so­prat­tut­to l’analisi dei dati in­te­gra­ti­va: in questo settore KNIME è uno degli strumenti più potenti e consente l’in­te­gra­zio­ne di in­nu­me­re­vo­li pro­ce­di­men­ti dell’ap­pren­di­men­to au­to­ma­ti­co e del data mining. Inoltre è par­ti­co­lar­men­te efficace nella pre­e­la­bo­ra­zio­ne dei dati, quindi nell’estra­zio­ne, nella tra­sfor­ma­zio­ne e nel ca­ri­ca­men­to dei dati. Grazie ad una pipeline di dati modulare, il software si configura so­prat­tut­to come uno strumento di data mining orientato al flusso di dati. A partire dal 2006 KNIME è uti­liz­za­to nella ricerca far­ma­ceu­ti­ca ed è un potente tool di data mining anche per il settore dei dati fi­nan­zia­ri. Ma è usato spesso anche nel settore della Business In­tel­li­gen­ce (BI). Là KNIME si è affermato come il tool che ha reso ac­ces­si­bi­le l’analisi pre­dit­ti­va anche agli utenti poco esperti. Inoltre anche per i nuovi utenti lo strumento è in­te­res­san­te, visto che malgrado le sue molte funzioni ha bisogno solo di un tempo re­la­ti­va­men­te breve di orien­ta­men­to. KNIME è di­spo­ni­bi­le come programma gratuito e a pagamento.

SAS (Sta­ti­sti­cal Analysis System) è un prodotto dell’Istituto SAS, una delle aziende private di software più grandi al mondo. SAS è il tool di data mining leader per le analisi di business e anche il più costoso dei programmi qui pre­sen­ta­ti. In compenso però è l’unico mag­gior­men­te adatto a un utilizzo nelle grandi aziende. SAS dà prova della sua ec­cel­len­za so­prat­tut­to nel settore delle pre­vi­sio­ni e della vi­sua­liz­za­zio­ne in­te­rat­ti­va dei dati, la quale è par­ti­co­lar­men­te adatta in modo ottimale per le grandi pre­sen­ta­zio­ni. Es­sen­zial­men­te con questo software di data mining si dispone di uno strumento completo a tutto tondo. Così il tool si con­trad­di­stin­gue per un’elevata sca­la­bi­li­tà, infatti è in grado di aumentare le sue pre­sta­zio­ni con l’aggiunta di hardware o altre risorse in pro­por­zio­ne. Anche questo lo rende uno strumento potente per soluzioni business di alta qualità. Infine un’in­ter­fac­cia grafica facile da usare e ben strut­tu­ra­ta viene in aiuto dei meno affini alle nuove tec­no­lo­gie. Inoltre il software si può uti­liz­za­re gra­tui­ta­men­te solo se si è ricevuta la ri­spet­ti­va licenza da un’isti­tu­zio­ne pubblica, per cui SAS è es­sen­zial­men­te sempre a pagamento. I costi vengono regolati su richiesta; sono possibili delle con­di­zio­ni speciali, ad esempio per le autorità o gli istituti di istru­zio­ne. In concreto si può ac­qui­sta­re una licenza utente a circa 5.500 euro all’anno, motivo per cui SAS risulta anche il più caro tra i tool com­mer­cia­li. È però possibile per­so­na­liz­za­re la varietà delle funzioni e in­fluen­zar­ne così il prezzo.  SAS viene so­prat­tut­to uti­liz­za­to nelle aziende far­ma­ceu­ti­che, dove si è potuto affermare come standard. Viene usato spesso anche nel settore bancario e offre delle soluzioni ottimali per i settori della BI e del web mining. Per questo motivo dispone anche di un proprio software di Business In­tel­li­gen­ce. Risulta perciò uno dei tool di data mining più potenti sul mercato.

Dopo il confronto det­ta­glia­to dei software di data mining rie­pi­lo­ghia­mo in una tabella tutte le ca­rat­te­ri­sti­che più im­por­tan­ti di questi tool: