Когда мы говорим о закономерностях, выявленных с помощью технологии Data Mining (интеллектуального анализа данных), важно понимать, какие свойства они должны иметь, чтобы быть ценными и полезными. Давайте рассмотрим каждое из предложенных свойств:

1. Быть очевидными: Закономерности, которые являются очевидными, как правило, не требуют сложного анализа для их выявления. Например, если мы знаем, что в зимнее время спрос на теплую одежду растет, это очевидная закономерность, не требующая применения Data Mining. Поэтому это свойство не является обязательным для закономерностей, выявленных с помощью Data Mining.
2. Быть неочевидными: Одной из основных целей Data Mining является выявление скрытых или неочевидных закономерностей в данных, которые не видны на первый взгляд. Это свойство действительно важно, так как именно такие закономерности могут дать конкурентное преимущество или новые инсайты.
3. Быть практически полезными: Выявленные закономерности должны иметь практическую ценность, чтобы их можно было использовать для принятия решений, оптимизации процессов или улучшения бизнес-стратегий. Это свойство является критически важным.
4. Быть объективными: Закономерности должны основываться на данных и быть проверяемыми. Они не должны зависеть от субъективных мнений или интерпретаций. Объективность позволяет доверять результатам анализа и использовать их в дальнейшей работе.

Таким образом, из перечисленных свойств, свойство "быть очевидными" не является обязательным для закономерностей, выявленных с использованием технологии Data Mining. Наоборот, такие закономерности обычно стремятся быть неочевидными, но при этом практически полезными и объективными.