Khi quản đốc phân xưởng của một nhà máy so sánh chất lượng sản phẩm với tiêu chuẩn đặt ra của sản phẩm đó, nhà quản lý này đang thực hiện chức năng:

Tính hiệu lực (Effectiveness) thể hiện năng lực của hệ thống trong việc theo đuổi và thực hiện các mục tiêu, mục đích đã đề ra một cách đúng đắn. Nó tập trung vào việc 'làm đúng việc'. Tính tối ưu liên quan đến việc sử dụng nguồn lực hiệu quả nhất, tính bền vững nói đến khả năng duy trì hoạt động lâu dài, còn tính hiệu quả là về việc đạt được kết quả mong muốn với nguồn lực tối thiểu.

Quy trình khai thác dữ liệu (Data Mining) thường bao gồm các bước sau:

1. Data Understanding (Hiểu dữ liệu): Bước này liên quan đến việc thu thập dữ liệu, khám phá dữ liệu ban đầu để hiểu rõ hơn về nó, xác định các vấn đề về chất lượng dữ liệu và có được những hiểu biết sâu sắc ban đầu về dữ liệu.
2. Data Preparation (Chuẩn bị dữ liệu): Bước này bao gồm việc làm sạch dữ liệu (xử lý các giá trị thiếu, loại bỏ nhiễu), biến đổi dữ liệu (ví dụ: chuẩn hóa dữ liệu, rời rạc hóa dữ liệu) và tích hợp dữ liệu (kết hợp dữ liệu từ nhiều nguồn khác nhau) để chuẩn bị cho quá trình khai thác.
3. Data Mining (Khai thác dữ liệu): Đây là bước chính, trong đó các thuật toán khai thác dữ liệu được áp dụng để tìm kiếm các mẫu, mối quan hệ, xu hướng ẩn chứa trong dữ liệu. Các kỹ thuật khai thác dữ liệu phổ biến bao gồm: phân loại, hồi quy, phân cụm, luật kết hợp, v.v.
4. Evaluation (Đánh giá): Kết quả khai thác dữ liệu cần được đánh giá để đảm bảo rằng chúng hữu ích và có ý nghĩa. Bước này có thể bao gồm việc đánh giá độ chính xác của mô hình, kiểm tra tính hợp lệ của các luật kết hợp và đánh giá xem các cụm có ý nghĩa hay không. Nếu kết quả không đạt yêu cầu, cần quay lại các bước trước để điều chỉnh.

Trong các lựa chọn đã cho, "Data Mining" thực sự là một *bước* trong quy trình, chứ không phải là một hoạt động *ngoài* quy trình. Do đó, nó không phù hợp để loại trừ. Các lựa chọn còn lại, "Data Understanding", "Data Preparation" và "Evaluation", đều là các bước riêng biệt và quan trọng trong quy trình khai thác dữ liệu.

Thuộc tính "Loại khách hàng" với các giá trị "VIP", "Premium" và "Economic" là thuộc tính rời rạc. Các giá trị này thuộc về một tập hợp hữu hạn và không liên tục.

* Liên tục: Dữ liệu liên tục có thể nhận bất kỳ giá trị nào trong một phạm vi nhất định (ví dụ: chiều cao, cân nặng).
* Rời rạc: Dữ liệu rời rạc chỉ có thể nhận một số giá trị nhất định (ví dụ: số lượng sản phẩm, loại khách hàng).
* Xếp hạng/thứ tự: Dữ liệu xếp hạng có một thứ tự tự nhiên giữa các giá trị (ví dụ: mức độ hài lòng: rất không hài lòng, không hài lòng, trung bình, hài lòng, rất hài lòng).
* Định danh: Dữ liệu định danh được sử dụng để phân biệt các đối tượng khác nhau (ví dụ: mã khách hàng, số điện thoại).

Có nhiều cách để xử lý dữ liệu bị thiếu, tùy thuộc vào bản chất của dữ liệu và mục đích phân tích. Tuy nhiên, có 3 cách phổ biến nhất:

1. Loại bỏ các bản ghi/thuộc tính chứa giá trị thiếu: Cách này đơn giản nhưng có thể dẫn đến mất thông tin quan trọng nếu số lượng giá trị thiếu lớn.
2. Điền giá trị thiếu (Imputation): Thay thế giá trị thiếu bằng một giá trị ước tính. Các phương pháp điền giá trị bao gồm sử dụng giá trị trung bình, trung vị, mode, hoặc các mô hình dự đoán.
3. Sử dụng các thuật toán máy học có khả năng xử lý dữ liệu thiếu: Một số thuật toán có thể hoạt động hiệu quả ngay cả khi có dữ liệu thiếu.

Do đó, đáp án chính xác nhất là 3.