Une mine d’or (2)

besoin. Vous allez employer les attributs suivants pour effectuer la prédiction : author (auteur), publisher (éditeur), format (paperback [livre de poche], hardcover [édition reliée] ou audio book [livre audio]) et genre (par ex., adventure, mystery, science fiction). Une prédiction de statut de vente de 1 indique une très bonne vente.

Une fois le modèle de data mining défini, celui-ci doit apprendre le schéma des ventes de livres actuelles afin de pouvoir effectuer des prédictions pour les prochaines meilleures ventes. Le modèle de data mining se sert des informations de vente de la librairie pour le mois précédent comme ensemble de données d’apprentissage, afin de déterminer les critères (author, publisher, format et genre) identifiant un ouvrage qui marche bien et pour apprendre à prédire les futures ventes.

La visionneuse Mining Model Viewer illustrée à la figure 7 présente les schémas identifiés par le modèle de data mining. La couleur grise indique la concentration de meilleures ventes dans un noeud particulier de l’arbre. Plus la couleur est sombre, plus la concentration est élevée. Vous pouvez voir une bonne concentration de meilleures ventes publiées par Random House. Une concentration encore plus élevée de meilleures ventes figure dans la catégorie Mystery de l’éditeur Random House. Concernant cette période particulière, il serait avisé d’ajouter des livres Random House du genre Mystery sur le site de la librairie. Naturellement, un produit prisé pour un mois particulier, ne le sera peut-être plus le mois suivant. Il faut par conséquent recycler fréquemment le modèle de data mining afin qu’il reflète les tendances d’achat actuelles.