EVIS delivers services to transform your data to information.

EVIS ontwikkelt en gebruikt een breed spectrum van Data Mining en statistische methoden en tools die kennis blootleggen en die voorheen onbekende relaties ontdekken in grootte hoeveelheden data. Dit stelt u in staat om uw business strategie aan te scherpen en uw data te benutten om uw (potentiële) klanten beter te leren kennen (zie applicaties voor typische voorbeelden van Data Mining).

Waarom zou u voor ons kiezen?

EVIS geeft advies en biedt services aan die leiden tot een verbetering van een onderneming's marketing, sales, en customer support operaties door een beter begrip van uw klanten en hun behoeften. EVIS gebruikt haar fundamentele expertise om data van verschillende velden te verwerken, analyseren en interpreteren, bijvoorbeeld uit het bankwezen, telecommunication, e-Business, detail handel, gezondheidszorg, publieke sector, oliewinning, techniek en de semiconductor industrie.

Onze expertise is gebaseerd op een diep inzicht in veel Data Mining methoden en tools. In tegenstelling tot veel andere bedrijven in de branch gebruiken we niet alleen bekende commerciële Data Mining tools zoals SPSS en SAS, maar ook door onszelf bedachte algoritmen. De reden is dat deze tools typisch als black box gebruikt worden voor data exploratie of het ontdekken van kennis, maar dit gaat ten koste van de kracht en vrijheid om de data in de diepte te verkennen. Door gebruik te maken van onze goed-gedefinieerde Data Mining strategie zijn we in staat om uw data om te zetten in waardevolle informatie. We doen dit met voor u op maat gemaakte Data Mining oplossingen. Gebaseerd op onze ervaring combineren we vaak verschillende technieken voor een specifieke situatie. Dit is natuurlijk gebaseerd op het business doel en de beschikbare data.

EVIS heeft verderr veel ervaring in project management, systems en requirements engineering, in combinatie met een diepgaand inzicht in wiskunde en informatica. Dit stelt ons in staat om projecten succesvol uit te voeren en zo verschillende soorten business problemen op te lossen.

We nodigen u uit om een blik te werpen op verschillende toepassingen van Data Mining oplossingen voor verschillende branches.

Data Mining kan belangrijke kennis blootleggen, maar alleen als het op de juiste wijze wordt toegepast!

In Data Mining is men bereid om ad-hoc methoden te gebruiken als men kan aantonen dat ze werken, ook al voldoen ze niet aan de wiskundige bewijzen die een statisticus zou willen zien. Een beroemd voorbeeld hiervan is hieronder beschreven.

Een voorbeeld van het verschil in benadering tussen een Data Mining expert en een statisticus, geïllustreerd aan de hand van een artikel van Nassim Taleb, “Black Swans: expecting the unexpected”: “No amount of observations of white swans can allow the inference that all swans are white, but the observation of a single black swan is sufficient to refute that conclusion.” Een blinde toepassing van een statistisch algoritme zou dus kunnen leiden tot het vruchteloos zoeken naar een zwarte zwaan.

Enige afsluitende conclusies

Data Mining kijjkt op fundamenteel andere wijze naar een probleem dan in de Statistiek:

• De klassieke statistische methoden vereisen dat een model of hypothese bekend is, waarna de data gebruikt wordt om deze hypothese te accepteren of verwerpen. Binnen de statistiek staat de hypothese dus centraal, en de berekening en hypothese selectie criteria zijn secondair en worden voor andere redenen gebruikt dan bij Data Mining.
  In Data Mining wordt de data gebruikt om modellen/hypothesen te genereren, en het aantal modellen dat op deze wijze gegenereerd kan worden is enorm groot. De huidige Data Mining algoritmen kunnen dit echter aan door de kracht van moderne computers. 
• Data Mining algoritmen combineren data vaak van verschillende databases, hetgeen het induceren van een model bemoeilijkt. Deze databases bevatten veelal ruis en tegenstrijdige gegevens en zijn vaak ontstaan vanwege andere redenen dan Data Mining. In de Statistiek wordt data vaak verzameld met als doel om een hypothese te testen, waarbij de nadruk ligt op het bij elkaar krijgen van relevante en nuttige data.
• Statistische pakketten kunnen wel efficiënt omgaan met numerieke data, maar hebben problemen met andere data zoals categoriën

Tenslotte is het zeer belangrijk dat Data Mining beoefenaars:

• Zich bewust zijn van de rigoreuse statistische methoden en het gedrag van Data Mining algoritmen indien toegepast op specifieke data.
• Het business doel goed moeten begrijpen, evenals welke data en algoritmen ze moeten gebruiken om dit doel te bereiken.