Datové profily a sémantická doporučení
Při vytváření datové sady provede Oracle Analytics profilování na úrovni sloupců, aby se vytvořila sada sémantických doporučení k opravě či rozšíření dat. Při vytváření sešitů můžete do vizualizací zahrnout také rozšíření znalostí, a to jejich přidáním z panelu Data.
Tato doporučení jsou založena automatické detekci konkrétního sémantického typu systémem během kroku profilování. Například datové sady založené na místních cílových oblastech se profilují pomocí jednoduchého vzorku Prvních N.
Existují kategorie sémantických typů, jako jsou zeměpisná místa identifikovaná názvy měst, rozpoznatelné vzory jako u kreditních karet, e-mailových adres a čísel sociálního zabezpečení, kalendářní data a opakující se vzory. Můžete také vytvořit své vlastní sémantické typy.
Kategorie sémantických typů
Profilování se vztahuje na různé sémantické typy.
Kategorie sémantických typů jsou profilovány, aby umožnily identifikovat:
- Geografická místa, jako jsou názvy měst.
- Vzory, se kterými je možné setkat se u čísel kreditních karet nebo e-mailových adres.
- Opakující se vzory, např. data frází s pomlčkami.
Doporučení sémantických typů
Doporučení pro opravy, vylepšení nebo obohacení datové sady jsou určována podle typu dat.
Příklady doporučení pro sémantické typy:
- Rozšíření - Přidání nového sloupce do vašich dat, který odpovídá konkrétnímu detekovanému typu, např. geografickému místu. Například přidání dat o populaci k městu.
- Zřetězení sloupců - Pokud jsou v datové sadě detekovány dva sloupce, z nichž jeden obsahuje jména a druhý příjmení, systém doporučí zřetězení jmen do jednoho sloupce. Například sloupec jméno_příjmení.
- Sémantické extrakce - Pokud se sémantický typ skládá z podtypů, např. telefonní_číslo_usa, které zahrnuje předvolbu, systém doporučí extrakci dílčího typu do vlastního sloupce.
- Extrakce součásti - Pokud je v datech detekován obecný oddělovač vzorů, systém doporučí extrahovat součásti daného vzoru. Pokud například systém v datech detekuje opakující se dělení slov, doporučí extrakci součástí do samostatných sloupců, aby byla data případně užitečnější pro analýzu.
- Extrakce data - Pokud jsou detekována data, systém doporučí extrakci součástí data, které mohou vylepšit analýzu dat. Můžete například extrahovat den v týdnu z data faktury nebo nákupu.
- Úplné nebo částečné zakrytí/maskování/odstranění - Pokud jsou detekována citlivá pole, např. číslo kreditní karty, systém doporučí úplné nebo částečné maskování sloupce, případně úplné odstranění.
Sémantické typy na základě rozpoznaného vzoru
Sémantické typy jsou identifikovány na základě vzorů nalezených ve vašich datech.
Doporučení jsou poskytována pro tyto sémantické typy:
- Data (ve více než 30 formátech)
- Číslo sociálního pojištění v USA (SSN)
- Čísla kreditních karet
- Atributy kreditních karet (CVV a datum expirace)
- E-mailové adresy
- Telefonní čísla tarifů v Severní Americe
- Adresy v USA
Sémantické typy založené na referencích
Rozeznávání sémantických typů vychází z načtených referenčních znalostí poskytnutých službou.
Doporučení založená na referencích jsou poskytována pro tyto sémantické typy:
- Názvy zemí
- Kódy zemí
- Názvy států (provincie)
- Kódy států
- Názvy okresů (jurisdikce)
- Názvy měst (lokalizované názvy)
- PSČ
Doporučená rozšíření
Doporučená rozšíření jsou založena na sémantických typech.
Rozšíření jsou určována na základě hierarchie geografického umístění:
- Země
- Okres (stát)
- Jurisdikce (okres)
- Zeměpisná délka
- Zeměpisná šířka
- Populace
- Nadmořská výška (v metrech)
- Časové pásmo
- Kódy zemí ISO
- Federal Information Processing Series (FIPS)
- Název země
- Hlavní město
- Kontinent
- ID geografických názvů
- Používané jazyky
- Telefon - předčíslí země
- Formát PSČ
- Vzor PSČ
- Telefon - předčíslí země
- Název měny
- Zkratka měny
- Geografická doména nejvyššího řádu (GeoLTD)
- Čtvereční KM
Požadované prahové hodnoty
Proces profilování používá specifické prahové hodnoty k rozhodování o konkrétních sémantických typech.
Podle obecného pravidla musí 85 % datových hodnot ve sloupci splňovat kritéria pro jeden sémantický typ, aby systém mohl určit klasifikaci. V důsledku toho nebude sloupec, který obsahuje např. 70 % jmen a 30 % hodnot „ostatní“, splňovat požadavky na prahovou hodnotu a nebudou tedy provedena doporučení.
Doporučení pro vlastní znalosti
Použijte doporučení pro vlastní znalosti k rozšíření znalostí systému Oracle Analytics. Vlastní znalosti umožňují sémantickému profileru služby Oracle Analytics identifikovat více sémantických typů specifických pro danou firmu a vytvářet relevantnější a řízená doporučení pro rozšíření. Můžete například přidat referenci vlastních znalostí, která klasifikuje léky na předpis do kategorií léků USP Analgetika nebo Opiáty.
