数据挖掘技术的概念和实用价值

1．数据挖掘的概念

　　所谓数据挖掘，是从海量的数据中，抽取出潜在的、有价值的知识（模型或规则）的过程。也就是根据预定义的商业目标，对大量的企业数据进行探索和分析，揭示其中隐含的商业规律，并进一步将其模型化的先进有效技术过程。数据挖掘是一门交叉学科，它集成了许多学科中成熟的工具和技术，包括数据库技术、统计学、机器学习、模型识别、人工智能、神经网络等等。

　　数据挖掘能做以下六种不同事情：分类 （Classification） 、估值（Estimation）、 预测（Prediction） 、相关性分组或关联规则（Affinity grouping or association rules） 、聚类（Clustering）、描述和可视化（Description and Visualization）

　　（1）分类

　　分类即区分数据类别。首先从数据中选出已经分好类的训练集，在该训练集上运用数据挖掘分类的技术，建立分类模型，对于没有分类的数据进行分类。

　　（2）估值

　　估值与分类类似，不同之处在于，分类描述的是离散型变量的输出，而估值处理连续值的输出，同时分类的类别是确定数目的，估值的量是不确定的。

　　（3）预测

　　通常，预测是通过分类或估值起作用的，也就是说，通过分类或估值得出模型，该模型用于对未知变量的预言。预测其目的是对未来未知变量的预测，这种预测是需要时间来验证的，即必须经过一定时间后，才知道预言准确性是多少。

　　（4）相关性分组或关联规则

　　通过分析数据或记录间的关系，决定哪些事情将一起发生。

　　（5）聚类

　　聚集是对记录分组，把相似的记录在一个聚集里。聚集和分类的区别是聚类不依赖于预先定义好的类，不需要训练集。

　　（6）描述和可视化

　　即对数据进行归约、概化或图形描述等。

2．数据挖掘的使用价值

　　数据挖掘技术源于商业的直接需求，因此它在各种商业领域都存在广泛的使用价值。

　　★客户分析

　　随着“以客户为中心”的经营理念的不断深入人心，分析客户、了解客户并引导客户的需求已成为企业经营的重要课题。通过对积累的交易数据进行分析，可以按各种客户指标（如自然属性、收入贡献、交易额、价值度等）对客户分类，然后确定不同类型客户的行为模式，以便采取相应的营销措施，促使企业利润的最大化。

　　★运筹和企业资源的优化

　　节约成本是企业盈利的关键。通过分析历史的财务数据、库存数据和交易数据，可以发现企业资源消耗的关键点和主要活动的投入产出比例，从而为企业资源优化配置提供决策依据，例如降低库存、提高库存周转率、提高资金使用率等。

　　★异常事件的确定

　　在许多商业领域中，异常事件具有显著的商业价值，如客户流失、银行的信用卡欺诈、电信中移动话费拖欠以及医学中特殊病情的征兆等。通过数据挖掘中的奇异点分析可以迅速准确地甄别这些异常事件。

　　★企业分析模型的管理

　　企业成员在使用数据挖掘系统时，会对模型进行调优和定制。这将会逐步积累符合企业自身需要的模型库，成为企业知识库的重要组成部分。

　　目前，数据挖掘技术在商业上实际应用十分丰富，业务应用中常见的具体例子有：客户细分、客户保留、目标营销、客户拓展、欺诈检测、购物篮分析、信用打分、信用风险评估、投资组合管理、行情分析、安全管理、客户盈利能力分析、资源管理、利润分析、交叉销售、增量销售、客户服务自动化、活动分析、销售预测、收入预测、需求预测、理赔分析、业绩分析、商店选址、库存控制、流程质量控制、故障分析、处方分析等等。

[1]　[2]　[3]　[4]　[5]　[6]　下一页