Jun 26, 2022

Sự khác nhau giữa Data Mining và Data Science

Trong số tất cả các thuật ngữ kỹ thuật, Data Science (khoa học dữ liệu) và Data Mining (khai thác dữ liệu) có lẽ được nhắc đến nhiều nhất trong thế giới dữ liệu. Bài viết này sẽ giúp bạn phân biệt giữa hai thuật ngữ thông qua những sự khác nhau giữa chúng.

1. Data Science là gì?

Thuật ngữ Data Science có thể bắt nguồn từ năm 1974, khi Peter Naur đề xuất nó như một tên thay thế cho computer science (khoa học máy tính), thì thực sự John Tukey, vào năm 1962, người đã mô tả một lĩnh vực giống với khoa học dữ liệu hiện đại và gọi nó là data analysis (dữ liệu phân tích).

Năm 1997, C.F. Jeff Wu cho rằng thống kê nên được đổi tên thành data science. Vào năm sau, Chikio Hayashi lập luận rằng khoa học dữ liệu phải là một khái niệm liên ngành hoàn toàn mới bao gồm ba khía cạnh là thiết kế dữ liệu (data design), thu thập dữ liệu (data collection) và phân tích dữ liệu (data analysis).

Data Science là một lĩnh vực liên ngành liên quan đến việc sử dụng các phương pháp khoa học, thuật toán, quy trình và hệ thống để chiết xuất kiến thức và hiểu biết sâu sắc từ một lượng lớn dữ liệu có cấu trúc và phi cấu trúc. Điều này được sử dụng để xây dựng các mô hình phân tích dự đoán, chỉ định và mô tả.

Data Science liên quan đến Big data (dữ liệu lớn), deep learning (học sâu) và khai thác dữ liệu. Nó là sự giao thoa giữa dữ liệu và máy tính, bao gồm đào, nắm bắt (xây dựng mô hình), phân tích (xác thực mô hình) và sử dụng dữ liệu (triển khai mô hình tốt nhất). Data science kết hợp kinh doanh với khoa học máy tính và thống kê.

2. Các bước trong quy trình của Data Science

Có 6 bước trong quy trình của Data Science bao gồm:

Đóng khung vấn đề: Trước khi giải quyết một vấn đề, điều quan trọng là phải biết vấn đề đó là gì, câu hỏi dữ liệu trước tiên phải được chuyển sang câu hỏi kinh doanh có thể hành động.
Thu thập dữ liệu thô cần thiết cho vấn đề: Dữ liệu bắt buộc phải được thu thập để có được thông tin chi tiết và giải pháp khả thi bằng cách quét cơ sở dữ liệu nội bộ hoặc mua cơ sở dữ liệu từ các nguồn bên ngoài.
Xử lý dữ liệu để phân tích: Dữ liệu phải được xử lý trước khi đi sâu hơn và phân tích nó để có thông tin chi tiết chính xác hơn.
Khám phá dữ liệu: Bước quan trọng này liên quan đến việc phát triển các ý tưởng để giúp xác định các mô hình và thông tin chi tiết ẩn.
Thực hiện phân tích chuyên sâu: Trong giai đoạn này, các công cụ khoa học dữ liệu và kiến thức toán học, thống kê và công nghệ phải được triển khai để thu thập dữ liệu thành công, đồng thời khám phá và rút ra mọi thông tin chi tiết có thể cũng như các yếu tố quan trọng khác. Dữ liệu định lượng và định tính có thể được kết hợp và chuyển sang hoạt động.
Truyền đạt kết quả phân tích: Trong bước này, những hiểu biết sâu sắc và phát hiện được truyền đạt cho trưởng bộ phận bán hàng để giúp họ hiểu tầm quan trọng của những phát hiện và cách chúng có thể giúp tăng trưởng kinh doanh.

3. Các ứng dụng của Data Science

Một số ứng dụng của Data Science bao gồm:

Phát hiện gian lận và rủi ro
Quảng cáo được nhắm mục tiêu
Nhận dạng giọng nói
Chăm sóc sức khỏe
Đề xuất trang web
Nhận dạng hình ảnh nâng cao
Tìm kiếm Internet
Lập kế hoạch tuyến đường hàng không

4. Data Mining là gì?

Thuật ngữ Data Mining xuất hiện vào năm 1990 trong cộng đồng cơ sở dữ liệu. Data Mining (khai thác dữ liệu) được các công ty bán lẻ và cộng đồng tài chính sử dụng cho mục đích phân tích dữ liệu và xác định xu hướng để tăng cơ sở khách hàng, đồng thời dự đoán những biến động về giá cổ phiếu, lãi suất và nhu cầu của khách hàng.

Data Mining là quá trình xác định các mẫu trong bộ dữ liệu lớn. Nó liên quan đến các phương pháp giao nhau của hệ thống cơ sở dữ liệu, thống kê và học máy. Mục tiêu chung của lĩnh vực thống kê và khoa học máy tính liên ngành này là trích xuất thông tin từ các bộ dữ liệu hoặc thư viện dữ liệu lớn bằng cách sử dụng các thuật toán toán học phức tạp và biến chúng thành một cấu trúc dễ hiểu để sử dụng thêm.

Data Mining giúp thu thập thông tin chi tiết thông qua việc trích xuất, xem xét và xử lý dữ liệu thô một cách cẩn thận để khám phá các mẫu và mối tương quan có thể có giá trị cho doanh nghiệp. Quy trình khai thác dữ liệu bao gồm các loại dịch vụ khác nhau như:

Web mining
Text mining
Audio mining
Video mining
Social network data mining
Pictorial data mining

Data Mining còn được gọi là khám phá tri thức trong dữ liệu (KDD), được thực hiện với sự trợ giúp của phần mềm đơn giản hoặc nâng cao. Các bước sau liên quan đến khai thác dữ liệu:

Hiểu biết kinh doanh: Nó liên quan đến việc giới thiệu và hiểu mục tiêu và công việc của doanh nghiệp cũng như hiểu các yếu tố quan trọng sẽ giúp đạt được mục tiêu của doanh nghiệp.
Hiểu dữ liệu: Nó thực hiện thu thập dữ liệu và tích lũy dữ liệu. Dữ liệu được liệt kê dựa trên dữ liệu nguồn, vị trí của nó, cách nó đạt được và nếu có bất kỳ vấn đề nào đã xảy ra. Dữ liệu sau đó được trực quan hóa và kiểm tra tính đầy đủ của nó.
Chuẩn bị dữ liệu: Nó liên quan đến việc lựa chọn dữ liệu hữu ích, làm sạch nó, xây dựng các thuộc tính từ nó và tích hợp dữ liệu từ nhiều cơ sở dữ liệu.
Lập mô hình: Nó liên quan đến việc lựa chọn các kỹ thuật khai thác dữ liệu, tạo thiết kế thử nghiệm để đánh giá mô hình đã chọn, xây dựng mô hình từ bộ dữ liệu và đánh giá mô hình với các chuyên gia để biết kết quả.
Đánh giá: Nó xác định mức độ mà mô hình kết quả đáp ứng các yêu cầu kinh doanh bằng cách thử nghiệm nó dựa trên các ứng dụng thực tế.
Triển khai: Nó tạo ra một kế hoạch triển khai và hình thành một chiến lược để kiểm tra tính hữu ích của mô hình khai thác dữ liệu thông qua bảo trì và giám sát.

5. Các ứng dụng của Data Mining

Một số ứng dụng của khai thác dữ liệu là:

Phân tích thị trường
Phân tích tài chính
Giáo dục đại học
Phát hiện gian lận

6. So sánh Data Mining và Data Science

Sự khác biệt lớn nhất giữa Data Science và Data Mining nằm ở các thuật ngữ của chúng. Mặc dù, Data Science là một lĩnh vực rộng lớn liên quan đến việc thu thập dữ liệu, phân tích dữ liệu và thu thập thông tin chi tiết có thể hành động từ nó, nhưng Data Mining chủ yếu liên quan đến việc tìm kiếm thông tin hữu ích trong tập dữ liệu và sử dụng thông tin đó để xác định các mẫu ẩn.
Một sự khác biệt lớn khác giữa Data Science và Data Mining là lĩnh vực này trước đây là một lĩnh vực đa ngành bao gồm thống kê, trực quan hóa dữ liệu, khoa học xã hội, xử lý ngôn ngữ tự nhiên (NLP) và khai thác dữ liệu, có nghĩa là Data Mining là một tập hợp con của Data Science.
Ở một mức độ nào đó, một nhà khoa học dữ liệu có thể được coi là sự kết hợp của một nhà nghiên cứu trí tuệ nhân tạo (AI), kỹ sư học máy, kỹ sư học sâu và nhà phân tích dữ liệu. Mặt khác, một chuyên gia khai thác dữ liệu không nhất thiết phải thực hiện tất cả các vai trò này mà có thể được thực hiện bởi một nhà khoa học dữ liệu.
Một sự khác biệt đáng chú ý khác nằm ở loại dữ liệu được sử dụng. Data Science chủ yếu giải quyết tất cả các loại dữ liệu như có cấu trúc, phi cấu trúc và bán cấu trúc. Tuy nhiên, Data Mining chủ yếu xử lý dữ liệu có cấu trúc.
Khi xem xét bản chất công việc, có một sự khác biệt khác giữa Data Science và Data Mining. Khám phá các mẫu và phân tích chúng là một thành phần chính của khai thác dữ liệu. Data Science cũng liên quan đến vấn đề tương tự nhưng nó cũng liên quan đến việc dự báo các sự kiện trong tương lai bằng cách tận dụng dữ liệu hiện tại và lịch sử bằng cách sử dụng các công cụ và công nghệ khác nhau.
Data Science tập trung vào khoa học dữ liệu, trong khi Data Mining chủ yếu liên quan đến quá trình phát hiện sự bất thường và không nhất quán và dự đoán kết quả.

Bảng tóm tắt dưới đây sẽ giúp các bạn dễ hình dung hơn:

	Data Science	Data Mining
1	Data Science là một lĩnh vực nghiên cứu.	Data Mining là một kỹ thuật là một phần của quy trình KDD.
2	Nó là về thu thập, xử lý, phân tích và sử dụng dữ liệu trong các hoạt động khác nhau.	Đó là về việc trích xuất thông tin có giá trị từ dữ liệu.
3	Đó là về việc trích xuất thông tin có giá trị từ dữ liệu.	Mục tiêu của nó là nhận ra giá trị của dữ liệu và làm cho nó có thể sử dụng được bằng cách trích xuất thông tin quan trọng.
4	Nó xử lý tất cả các loại dữ liệu bao gồm có cấu trúc, không có cấu trúc hoặc bán cấu trúc.	Nó chủ yếu xử lý dữ liệu có cấu trúc.
5	Nó liên quan đến việc quét dữ liệu, làm sạch, trực quan hóa, thống kê, …. Do đó, nó là một tập hợp siêu khai thác dữ liệu.	Nó là một tập hợp con của khoa học dữ liệu vì các hoạt động khai thác nằm trong đường ống của khoa học dữ liệu.
6	Về cơ bản, nó được thực hiện cho các mục đích khoa học.	Nó chủ yếu được sử dụng cho mục đích kinh doanh.
7	Nó tập trung vào khoa học dữ liệu.	Nó tham gia nhiều hơn vào các quy trình của nó.

Hy vọng với những chia sẻ trên đây các bạn đã có thể phân biệt hai thuật ngữ Data Science và Data Mining. Các nội dung mới cùng những kiến thức thú vị sẽ được cập nhật thường xuyên, đừng quên đón đọc tại BAC's Blog.

Nguồn tham khảo:
https://intellipaat.com/

Nhu cầu đào tạo doanh nghiệp

BAC là đơn vị đào tạo BA đầu tiên tại Việt Nam. Đối tác chính thức của IIBA quốc tế. Ngoài các khóa học public, BAC còn có các khóa học in house dành riêng cho từng doanh nghiệp. Chương trình được thiết kế riêng theo yêu cầu của doanh nghiệp, giúp doanh nghiệp giải quyết những khó khăn và tư vấn phát triển.

CÁC KHOÁ HỌC BUSINESS ANALYST BACs.VN DÀNH CHO BẠN

Khoá học Online:

Khoá học Offline:

Tại Tp.HCM:

Tại Hà Nội:

Tham khảo lịch khai giảng TẤT CẢ các khóa học mới nhất

Ban biên tập nội dung - BAC

Click để đọc tiếp

Business Analyst thời đại AI: Cơ hội, thách thức và kỹ năng cần có để không bị thay thế

Trí tuệ nhân tạo (AI) đang thay đổi mạnh mẽ ngành phát triển phần mềm, ảnh hưởng trực tiếp đến vai trò của Business Analyst (BA). Bài viết phân tích BA cần làm gì để thích nghi, nâng cấp kỹ năng và đón đầu các cơ hội trong thời đại AI.
Prototype sớm - Nghệ thuật hiện thực hóa ý tưởng của BA thông minh

Thời đại AI mở ra cơ hội mới cho BA: biến ý tưởng thành sản phẩm nhanh chóng bằng prototype sớm. Đây là chìa khóa giúp kiểm chứng giá trị, thúc đẩy sáng tạo và khai thác tối đa sức mạnh công nghệ.
10 Thuật ngữ AI ai cũng nên biết

Khám phá 10 thuật ngữ quan trọng nhất trong lĩnh vực trí tuệ nhân tạo (AI) cùng BAC – từ AI, Machine Learning đến Generative AI, Copilot và hơn thế nữa. Bài viết được biên dịch từ nguồn Microsoft, giúp bạn hiểu rõ cách công nghệ này hoạt động và đang thay đổi thế giới. Một tài liệu nhập môn hoàn hảo cho người mới, chuyên viên công nghệ hay bất kỳ ai muốn bắt kịp làn sóng chuyển đổi số.
Học AI từ con số 0: Lộ trình đơn giản cho người mới bắt đầu

Khám phá lộ trình học AI đơn giản cho người mới bắt đầu cùng BAC. Bạn không cần giỏi lập trình để có thể học AI và trở thành chuyên gia. Những kiến thức này hoàn toàn có thể được tiếp thu và ứng dụng thực tế bởi tất cả mọi người.

Bình luận

Lê Anh Tuấn

Chuyên viên HO - Kỹ thuật Ngân hàng số Eximbank

Tôi là nhân sự thuộc Trung tâm Phát triển CNTT – Khối Ngân hàng số, hiện đang đảm nhiệm vai trò kiểm thử phần mềm (tester). Việc tham gia khóa học Business Analyst đã mang lại cho tôi góc nhìn toàn diện và rõ ràng hơn về vai trò của BA trong lĩnh vực ngân hàng.

Khóa học Fundamental Business Analysis tại BAC không chỉ giúp tôi hiểu đúng bản chất công việc BA mà còn hỗ trợ phát triển tư duy nghiệp vụ – từ tiếp cận giải pháp kỹ thuật sang tập trung vào nhu cầu người dùng. Phương pháp giảng dạy kết hợp lý thuyết và thực hành thực tiễn, cùng các hoạt động mô phỏng, thảo luận nhóm đã giúp tôi nâng cao kỹ năng giao tiếp, phân tích và trình bày yêu cầu – những năng lực thiết yếu để phối hợp hiệu quả giữa các bên trong dự án công nghệ.

Xem chi tiết +
Huỳnh Cao Cường

Nhân viên HO - Kỹ thuật Ngân hàng số Eximbank

Tôi hiện đang công tác tại Trung tâm Phát triển CNTT – Khối CNTT, với vai trò là nhân sự chức năng phụ trách mảng Ngân hàng số, chuyên sâu về kiểm thử phần mềm (Tester). Trước khi tham gia khóa học Fundamental Business Analysis do BAC tổ chức, tôi từng hình dung BA chỉ đơn thuần là cầu nối giữa bộ phận kỹ thuật và nghiệp vụ.

Tuy nhiên, quá trình học đã giúp tôi nhận thức rõ hơn về bản chất và tầm quan trọng của vị trí này. BA không chỉ kết nối các bên liên quan, mà còn giữ vai trò định hình yêu cầu, đảm bảo giải pháp được thiết kế đúng mục tiêu và sát với nhu cầu thực tế. Khóa học đã trang bị cho tôi tư duy phân tích bài bản, khả năng diễn đạt yêu cầu rõ ràng, và kỹ năng phối hợp hiệu quả trong môi trường dự án đa chiều.

Với nền tảng công nghệ thông tin sẵn có, khóa học là bước chuyển hướng quan trọng giúp tôi phát triển tư duy nghiệp vụ vững chắc và sẵn sàng theo đuổi lộ trình nghề nghiệp chuyên sâu trong lĩnh vực Business Analysis tại Eximbank.

Xem chi tiết +
Nguyễn Thị Mai Bình

Business Analyst

Với một người ngoại đạo như mình thì những chuyên đề về "kỹ thuật" của BA hết sức quan trọng. Ví dụ như sử dụng các diagram để mô hình hóa requirement, viết User Story/Use case, v...v..

Đến với khóa học Fundamental Business Analysis, mình đã được gặp thầy Lộc, một người người rất nhiệt tình và có tâm. Ngoài việc chia sẻ các kinh nghiệm thực tế trên lớp thì thầy còn dành thời gian ra để tư vấn, hỗ trợ, góp ý CV cho mình. Bên cạnh đó trung tâm và anh Phụng cũng hỗ trợ gửi CV, kết nối học viên tới mạng lưới các công ty đối tác chất lượng, điều này giúp học viên như mình tìm được công việc phù hợp nhất. Cảm ơn BAC.
Xem chi tiết +

Professional Transfer Services in Batumi

Luxury Georgian Transfer Services – Tbilisi & Batumi

Airport Transfers in Georgia

Business Analyst thời đại AI: Cơ hội, thách thức và kỹ năng cần có để không bị thay thế

Prototype sớm - Nghệ thuật hiện thực hóa ý tưởng của BA thông minh

10 Thuật ngữ AI ai cũng nên biết

Học AI từ con số 0: Lộ trình đơn giản cho người mới bắt đầu

CÔNG TY CỔ PHẦN ĐÀO TẠO VÀ TƯ VẤN BAC