روزانه حجم عظیمی از دادهها توسط «سیستمهای اطلاعاتی مدرن فناوریهای دیجیتال مانند اینترنت اشیا رایانش ابری و دیگر موارد تولید میشود. تحلیل این دادههای انبوه که به آنها کلانداده گفته میشود نیازمند تلاشهای زیاد در سطوح گوناگون، جهت استخراج دانش به منظور کمک به تصمیمسازی بهتر است. بنابراین، «تحلیل کلان داده» یک حوزه علمی و صنعتی روز محسوب میشود که پژوهشهای زیادی پیرامون آن در جریان است و همچنان نیازمند تحقیقات بیشتر نیز هست.

با توجه به اهمیت خوشهبندی در تحلیل دادهها و گستردگی استفاده از گراف در مدلسازی مسائل، خوشهبندی گرافها به طور خاصی مورد توجه محققان قرار گرفته و روشهای مختلفی برای آن ارائه شده است. از آنجایی که محققان رشتههای مختلفی بر روی این مسئله کار کردهاند، رویکردهای متفاوتی نسبت به آن وجود دارد. ولی کلیت بیشتر این روشها پیدا کردن زیرگرافهایی است که ارتباط درونی زیاد و ارتباطات بیرونی کمی دارند.

به این دلیل که مفهوم جامع و مانعی از “ارتباط درونی زیاد” و “ارتباط بیرونی کم” وجود ندارد، در هر روش تعریفی خاصی از این موضوع شده است و بر اساس آن راهحلی برای آن ارائه شده است. به تعبیر دیگر میتوان گفت که خوشهبندی یک مسئله بهینهسازی است که به عنوان تابع هزینه (یا تابع هدف) آن، تعاریف متفاوتی ارائه شده است. به عنوان مثال، برخی از روشها بر مبنای الگوریتم حداکثر شار-حداقل برش سعی میکنند خوشهها را طوری پیدا کنند که شار عبوری از محل برش بیشینه شود. از طرفی برخی دیگر سعی میکنند با بیشینه کردن معیار پیمانگی خوشههای گراف را پیدا کنند.
بر اساس نیازمندیهای مسئله های مختلف تیم فنی شرکت آلتون نت با بهره گیری از مفاهیم مبتنی بر دانش کلان داده در راستای شناسایی و تحلیل بازارهای مختلف و همچنین با ترکیب این مفاهیم با ابزارهای دیجتال مارکتینگ در راستای کاهش هزینه ها در مقابل بهره وری بالاتر در مشاغل و صنایع مختلف ، ارائه خدمات فنی و مهندسی می نماید.