Microsoft SQL Server 2000 ma wbudowane dwa algorytmy przeznaczone do eksploracji danych (data mining) - Microsoft Decision Trees (MDT) oraz Microsoft Clustering.

Algorytm drzew decyzyjnych MDT pozwala m. innymi odkryć czynnik, który ma największy wpływ na przewidywaną wartość. Doskonale potrafi np. wybrać z cech klienta te, które określają największe prawdopodobieństwo że dany kredyt nie zostanie w danym czasie spłacony. Może też pozwolić wykryć przyczynę wadliwego działania urządzenia, czy umożliwi zlokalizowanie cechy, która najlepiej charakteryzuje klientów kupujących dany towar.

Algorytm tworzenia klastrów jest iteracyjną metodą (bazującą na algorytmie EM), która pozwala grupować rekordy wg. przewidywalnej charakterystyki. Algorytm pozwoli stworzyć grupy klientów o podobnym zachowaniu, czy zbadać rozkład demograficzny by określić strategię marketingową.

Jednak tego typu analiza wymaga zwykle dużej mocy obliczeniowej. W omawianym artykule analizowane są główne czynniki mające wpływ na wydajność każdego z algorytmów. Przedstawiane są też zasady w jaki sposób warto konstruować dane źródłowe (treningowe) do algorytmów eksploracji danych tak by cały proces trwał jak najkrócej. Warto też zauwazyć, że część problemów można rozwiązać zarówno algorytmem MDT, jak i Microsoft Clustering - w artykule omówione są zasady, kiedy warto wybrać konkretny algorytm.

Pełna treść artykułu (w języku angielskim) znajduje się tutaj