數據挖掘（英語：Data mining），又譯為資料探勘、數據采礦。它是數據庫知識發現（英語：Knowledge-Discovery in Databases，簡稱：KDD)中的一個步驟。數據挖掘一般是指從大量的數據中通過算法搜索隱藏于其中信息的過程。數據挖掘通常與計算機科學有關，并通過統計、在線分析處理、情報檢索、機器學習、專家系統（依靠過去的經驗法則）和模式識別等諸多方法來實現上述目標。 需要是發明之母。近年來，數據挖掘引起了信息產業界的極大關注，其主要原因是存在大量數據，可以廣泛使用，并且迫切需要將這些數據轉換成有用的信息和知識。獲取的信息和知識可以廣泛用于各種應用，包括商務管理，生產控制，市場分析，工程設計和科學探索等。
數據挖掘利用了來自如下一些領域的思想：(1) 來自統計學的抽樣、估計和假設檢驗，(2)人工智能、模式識別和機器學習的搜索算法、建模技術和學習理論。數據挖掘也迅速地接納了來自其他領域的思想，這些領域包括最優化、進化計算、信息論、信號處理、可視化和信息檢索。一些其他領域也起到重要的支撐作用。特別地，需要數據庫系統提供有效的存儲、索引和查詢處理支持。源于高性能（并行）計算的技術在處理海量數據集方面常常是重要的。分布式技術也能幫助處理海量數據，并且當數據不能集中到一起處理時更是至關重要。 分析方法：
· 分類 （Classification）
· 估計（Estimation）
· 預測（Prediction）
· 相關性分組或關聯規則（Affinity grouping or association rules）
· 聚類（Clustering）
· 復雜數據類型挖掘(Text, Web ,圖形圖像，視頻，音頻等)
方法簡介：
·分類 （Classification）
首先從數據中選出已經分好類的訓練集，在該訓練集上運用數據挖掘分類的技術，建立分類模型，對于沒有分類的數據進行分類。
例子：
a. 信用卡申請者，分類為低、中、高風險
b. 故障診斷：中國寶鋼集團與上海天律信息技術有限公司合作，采用數據挖掘技術對鋼材生產的全流程進行質量監控和分析，構建故障地圖，實時分析產品出現瑕疵的原因，有效提高了產品的優良率。
注意： 類的個數是確定的，預先定義好的 · 估計（Estimation）
估計與分類類似，不同之處在于，分類描述的是離散型變量的輸出，而估值處理連續值的輸出；分類的類別是確定數目的，估值的量是不確定的。
例子：
a. 根據購買模式，估計一個家庭的孩子個數
b. 根據購買模式，估計一個家庭的收入
c. 估計real estate的價值
一般來說，估值可以作為分類的前一步工作。給定一些輸入數據，通過估值，得到未知的連續變量的值，然后，根據預先設定的閾值，進行分類。例如：銀行對家庭貸款業務，運用估值，給各個客戶記分（Score 0~1）。然后，根據閾值，將貸款級別分類。
· 預測（Prediction）
通常，預測是通過分類或估值起作用的，也就是說，通過分類或估值得出模型，該模型用于對未知變量的預言。從這種意義上說，預言其實沒有必要分為一個單獨的類。預言其目的是對未來未知變量的預測，這種預測是需要時間來驗證的，即必須經過一定時間后，才知道預言準確性是多少。
· 相關性分組或關聯規則（Affinity grouping or association rules）
決定哪些事情將一起發生。
例子：
a. 超市中客戶在購買A的同時，經常會購買B，即A => B(關聯規則)
b. 客戶在購買A后，隔一段時間，會購買B （序列分析）
· 聚類（Clustering）
聚類是對記錄分組，把相似的記錄在一個聚集里。聚類和分類的區別是聚集不依賴于預先定義好的類，不需要訓練集。
例子：
a. 一些特定癥狀的聚集可能預示了一個特定的疾病
b. 租VCD類型不相似的客戶聚集，可能暗示成員屬于不同的亞文化群
聚集通常作為數據挖掘的第一步。例如，”哪一種類的促銷對客戶響應最好？”，對于這一 類問題，首先對整個客戶做聚集，將客戶分組在各自的聚集里，然后對每個不同的聚集，回答問題，可能效果更好。 · 描述和可視化（Description and Visualization）
是對數據挖掘結果的表示方式。一般只是指數據可視化工具，包含報表工具和商業智能分析產品（BI）的統稱。譬如通過Yonghong Z-Suite等工具進行數據的展現，分析，鉆取，將數據挖掘的分析結果更形象，深刻的展現出來。

經驗之談

第一，目標律：業務目標是所有數據解決方案的源頭。 第二，知識律：業務知識是數據挖掘過程每一步的核心。 第三，準備律：數據預處理比數據挖掘其他任何一個過程都重要。 第四，試驗律(NFL律：No Free Lunch)：對于數據挖掘者來說，天下沒有免費的午餐，一個正確的模型只有通過試驗(experiment)才能被發現。 第五，模式律(大衛律)：數據中總含有模式。 第六，洞察律：數據挖掘增大對業務的認知。 第七，預測律：預測提高了信息泛化能力。 第八，價值律：數據挖掘的結果的價值不取決于模型的穩定性或預測的準確性。 第九，變化律：所有的模式因業務變化而變化。

5成功案例

數據挖掘幫助Credilogros Cía Financiera S.A.改善客戶信用評分 Credilogros Cía Financiera S.A. 是阿根廷第五大信貸公司，資產估計價值為9570萬美元，對于Credilogros而言，重要的是識別與潛在預先付款客戶相關的潛在風險，以便將承擔的風險最小化。 該公司的第一個目標是創建一個與公司核心系統和兩家信用報告公司系統交互的決策引擎來處理信貸申請。同時，Credilogros還在尋找針對它所服務的低收入客戶群體的自定義風險評分工具。除這些之外，其他需求還包括解決方案能在其35個分支辦公地點和200多個相關的銷售點中的任何一個實時操作，包括零售家電連鎖店和手機銷售公司。 最終Credilogros 選擇了SPSS Inc.的數據挖掘軟件PASWModeler，因為它能夠靈活并輕松地整合到 Credilogros 的核心信息系統中。通過實現PASW Modeler，Credilogros將用于處理信用數據和提供最終信用評分的時間縮短到了8秒以內。這使該組織能夠迅速批準或拒絕信貸請求。該決策引擎還使 Credilogros 能夠最小化每個客戶必須提供的身份證明文檔，在一些特殊情況下，只需提供一份身份證明即可批準信貸。此外，該系統還提供監控功能。Credilogros目前平均每月使用PASW Modeler處理35000份申請。僅在實現 3 個月后就幫助Credilogros 將貸款支付失職減少了 20%. 數據挖掘幫助DHL實時跟蹤貨箱溫度 DHL是國際快遞和物流行業的全球市場領先者，它提供快遞、水陸空三路運輸、合同物流解決方案，以及國際郵件服務。DHL的國際網絡將超過220個國家及地區聯系起來，員工總數超過28.5萬人。在美國 FDA 要求確保運送過程中藥品裝運的溫度達標這一壓力之下，DHL的醫藥客戶強烈要求提供更可靠且更實惠的選擇。這就要求DHL在遞送的各個階段都要實時跟蹤集裝箱的溫度。 雖然由記錄器方法生成的信息準確無誤，但是無法實時傳遞數據，客戶和DHL都無法在發生溫度偏差時采取任何預防和糾正措施。因此，DHL的母公司德國郵政世界網（DPWN）通過技術與創新管理（TIM）集團明確擬定了一個計劃，準備使用RFID技術在不同時間點全程跟蹤裝運的溫度。通過IBM全球企業咨詢服務部繪制決定服務的關鍵功能參數的流程框架。DHL獲得了兩方面的收益：對于最終客戶來說，能夠使醫藥客戶對運送過程中出現的裝運問題提前做出響應，并以引人注目的低成本全面切實地增強了運送可靠性。對于DHL來說，提高了客戶滿意度和忠實度；為保持競爭差異奠定堅實的基礎；并成為重要的新的收入增長來源。 行業應用 價格競爭空前激烈，語音業務增長趨緩，快速增長的中國移動通信市場正面臨著前所未有的生存壓力。中國電信業改革的加速推進形成了新的競爭態勢，移動運營市場的競爭廣度和強度將進一步加大，這特別表現在集團客戶領域。移動信息化和集團客戶已然成為未來各運營商應對競爭、獲取持續增長的新引擎。 隨著國內三足鼎立全業務競爭態勢和3G牌照發放，各運營商為集團客戶提供融合的信息化解決方案將是大勢所趨，而移動信息化將成為全面進入信息化服務領域的先導力量。傳統移動運營商因此面臨著從傳統個人業務轉向同時拓展集團客戶信息化業務領域的挑戰。如何應對來自內外部的挑戰，迅速以移動信息化業務作為融合業務的競爭利器之一拓展集團客戶市場，在新興市場中立于不敗之地，是傳統移動運營商需要解決的緊迫問題。 從目前網絡招聘的信息來看，大小公司對數據挖掘的需求有50多個方面（來源見參考資料[2]?）： 1、數據統計分析 2、預測預警模型 3、數據信息闡釋 4、數據采集評估 5、數據加工倉庫 6、品類數據分析 7、銷售數據分析 8、網絡數據分析 9、流量數據分析 10、交易數據分析 11、媒體數據分析 12、情報數據分析 13、金融產品設計 14、日常數據分析 15、總裁萬事通 16、數據變化趨勢 17、預測預警模型 18、運營數據分析 19、商業機遇挖掘 20、風險數據分析 21、缺陷信息挖掘 22、決策數據支持 23、運營優化與成本控制 24、質量控制與預測預警 25、系統工程數學技術 26、用戶行為分析/客戶需求模型 27、產品銷售預測（熱銷特征） 28、商場整體利潤最大化系統設計 29、市場數據分析 30、綜合數據關聯系統設計 31、行業/企業指標設計 32、企業發展關鍵點分析 33、資金鏈管理設計與風險控制 34、用戶需求挖掘 35、產品數據分析 36、銷售數據分析 37、異常數據分析 38、數學規劃與數學方案 39、數據實驗模擬 40、數學建模與分析 41、呼叫中心數據分析 42、貿易/進出口數據分析 43、海量數據分析系統設計、關鍵技術研究 44、數據清洗、分析、建模、調試、優化 45、數據挖掘算法的分析研究、建模、實驗模擬 46、組織機構運營監測、評估、預測預警 47、經濟數據分析、預測、預警 48、金融數據分析、預測、預警 49、科研數學建模與數據分析：社會科學，自然科學，醫藥，農學，計算機，工程，信息，軍事，圖書情報等 50、數據指標開發、分析與管理 51、產品數據挖掘與分析 52、商業數學與數據技術 53、故障預測預警技術 54、數據自動分析技術 55、泛工具分析 56、互譯 57、指數化 其中，互譯與指數化是數據挖掘除計算機技術之外最核心的兩大技術。

6經典算法

1. C4.5：是機器學習算法中的一種分類決策樹算法，其核心算法是ID3算法。 2. K-means算法：是一種聚類算法。 3.SVM：一種監督式學習的方法，廣泛運用于統計分類以及回歸分析中 4.Apriori ：是一種最有影響的挖掘布爾關聯規則頻繁項集的算法。 5.EM：最大期望值法。 6.pagerank：是google算法的重要內容。 7. Adaboost:是一種迭代算法，其核心思想是針對同一個訓練集訓練不同的分類器然后把弱分類器集合起來，構成一個更強的最終分類器。 8.KNN:是一個理論上比較成熟的的方法，也是最簡單的機器學習方法之一。 9.Naive Bayes：在眾多分類方法中，應用最廣泛的有決策樹模型和樸素貝葉斯（Naive Bayes） 10.Cart：分類與回歸樹，在分類樹下面有兩個關鍵的思想，第一個是關于遞歸地劃分自變量空間的想法，第二個是用驗證數據進行減枝。 關聯規則規則定義 在描述有關關聯規則的一些細節之前，我們先來看一個有趣的故事： “尿布與啤酒”的故事。 在一家超市里，有一個有趣的現象：尿布和啤酒赫然擺在一起出售。但是這個奇怪的舉措卻使尿布和啤酒的銷量雙雙增加了。這不是一個笑話，而是發生在美國沃爾瑪連鎖店超市的真實案例，并一直為商家所津津樂道。沃爾瑪擁有世界上最大的數據倉庫系統，為了能夠準確了解顧客在其門店的購買習慣，沃爾瑪對其顧客的購物行為進行購物籃分析，想知道顧客經常一起購買的商品有哪些。沃爾瑪數據倉庫里集中了其各門店的詳細原始交易數據。在這些原始交易數據的基礎上，沃爾瑪利用數據挖掘方法對這些數據進行分析和挖掘。一個意外的發現是：”跟尿布一起購買最多的商品竟是啤酒！經過大量實際調查和分析，揭示了一個隱藏在”尿布與啤酒”背后的美國人的一種行為模式：在美國，一些年輕的父親下班后經常要到超市去買嬰兒尿布，而他們中有30%～40%的人同時也為自己買一些啤酒。產生這一現象的原因是：美國的太太們常叮囑她們的丈夫下班后為小孩買尿布，而丈夫們在買尿布后又隨手帶回了他們喜歡的啤酒。 按常規思維，尿布與啤酒風馬牛不相及，若不是借助數據挖掘技術對大量交易數據進行挖掘分析，沃爾瑪是不可能發現數據內在這一有價值的規律的。 數據關聯是數據庫中存在的一類重要的可被發現的知識。若兩個或多個變量的取值之間存在某種規律性，就稱為關聯。關聯可分為簡單關聯、時序關聯、因果關聯。關聯分析的目的是找出數據庫中隱藏的關聯網。有時并不知道數據庫中數據的關聯函數，即使知道也是不確定的，因此關聯分析生成的規則帶有可信度。關聯規則挖掘發現大量數據中項集之間有趣的關聯或相關聯系。Agrawal等于1993年首先提出了挖掘顧客交易數據庫中項集間的關聯規則問題，以后諸多的研究人員對關聯規則的挖掘問題進行了大量的研究。他們的工作包括對原有的算法進行優化，如引入隨機采樣、并行的思想等，以提高算法挖掘規則的效率；對關聯規則的應用進行推廣。關聯規則挖掘在數據挖掘中是一個重要的課題，最近幾年已被業界所廣泛研究。

7過程

關聯規則挖掘過程主要包含兩個階段：第一階段必須先從資料集合中找出所有的高頻項目組(Frequent?Itemsets)，第二階段再由這些高頻項目組中產生關聯規則(Association Rules)。 關聯規則挖掘的第一階段必須從原始資料集合中，找出所有高頻項目組(Large Itemsets)。高頻的意思是指某一項目組出現的頻率相對于所有記錄而言，必須達到某一水平。一項目組出現的頻率稱為支持度(Support)，以一個包含A與B兩個項目的2-itemset為例，我們可以經由公式(1)求得包含{A,B}項目組的支持度，若支持度大于等于所設定的最小支持度(Minimum Support)門檻值時，則{A,B}稱為高頻項目組。一個滿足最小支持度的k-itemset，則稱為高頻k-項目組(Frequent k-itemset)，一般表示為Large k或Frequent k。算法并從Large k的項目組中再產生Large k+1，直到無法再找到更長的高頻項目組為止。 關聯規則挖掘的第二階段是要產生關聯規則(Association Rules)。從高頻項目組產生關聯規則，是利用前一步驟的高頻k-項目組來產生規則，在最小信賴度(Minimum Confidence)的條件門檻下，若一規則所求得的信賴度滿足最小信賴度，稱此規則為關聯規則。例如：經由高頻k-項目組{A,B}所產生的規則AB，其信賴度可經由公式(2)求得，若信賴度大于等于最小信賴度，則稱AB為關聯規則。 就沃爾瑪案例而言，使用關聯規則挖掘技術，對交易資料庫中的紀錄進行資料挖掘，首先必須要設定最小支持度與最小信賴度兩個門檻值，在此假設最小支持度min_support=5% 且最小信賴度min_confidence=70%。因此符合此該超市需求的關聯規則將必須同時滿足以上兩個條件。若經過挖掘過程所找到的關聯規則「尿布，啤酒」，滿足下列條件，將可接受「尿布，啤酒」的關聯規則。用公式可以描述Support(尿布，啤酒)>=5%且Confidence(尿布，啤酒)>=70%。其中，Support(尿布，啤酒)>=5%于此應用范例中的意義為:在所有的交易紀錄資料中，至少有5%的交易呈現尿布與啤酒這兩項商品被同時購買的交易行為。Confidence(尿布，啤酒)>=70%于此應用范例中的意義為:在所有包含尿布的交易紀錄資料中，至少有70%的交易會同時購買啤酒。因此，今后若有某消費者出現購買尿布的行為，超市將可推薦該消費者同時購買啤酒。這個商品推薦的行為則是根據「尿布，啤酒」關聯規則，因為就該超市過去的交易紀錄而言，支持了“大部份購買尿布的交易，會同時購買啤酒”的消費行為。 從上面的介紹還可以看出，關聯規則挖掘通常比較適用與記錄中的指標取離散值的情況。如果原始數據庫中的指標值是取連續的數據，則在關聯規則挖掘之前應該進行適當的數據離散化（實際上就是將某個區間的值對應于某個值），數據的離散化是數據挖掘前的重要環節，離散化的過程是否合理將直接影響關聯規則的挖掘結果。 分類 按照不同情況，關聯規則可以進行分類如下： 1.基于規則中處理的變量的類別，關聯規則可以分為布爾型和數值型。 布爾型關聯規則處理的值都是離散的、種類化的，它顯示了這些變量之間的關系；而數值型關聯規則可以和多維關聯或多層關聯規則結合起來，對數值型字段進行處理，將其進行動態的分割，或者直接對原始的數據進行處理，當然數值型關聯規則中也可以包含種類變量。例如：性別=“女”=>職業=“秘書” ，是布爾型關聯規則；性別=“女”=>avg（收入）=2300，涉及的收入是數值類型，所以是一個數值型關聯規則。 2.基于規則中數據的抽象層次，可以分為單層關聯規則和多層關聯規則。 在單層的關聯規則中，所有的變量都沒有考慮到現實的數據是具有多個不同的層次的；而在多層的關聯規則中，對數據的多層性已經進行了充分的考慮。例如：IBM臺式機=>Sony打印機，是一個細節數據上的單層關聯規則；臺式機=>Sony打印機，是一個較高層次和細節層次之間的多層關聯規則。 3.基于規則中涉及到的數據的維數，關聯規則可以分為單維的和多維的。 在單維的關聯規則中，我們只涉及到數據的一個維，如用戶購買的物品；而在多維的關聯規則中，要處理的數據將會涉及多個維。換成另一句話，單維關聯規則是處理單個屬性中的一些關系；多維關聯規則是處理各個屬性之間的某些關系。例如：啤酒=>尿布，這條規則只涉及到用戶的購買的物品；性別=“女”=>職業=“秘書”，這條規則就涉及到兩個字段的信息，是兩個維上的一條關聯規則。

算法

1.Apriori算法：使用候選項集找頻繁項集 Apriori算法是一種最有影響的挖掘布爾關聯規則頻繁項集的算法。其核心是基于兩階段頻集思想的遞推算法。該關聯規則在分類上屬于單維、單層、布爾關聯規則。在這里，所有支持度大于最小支持度的項集稱為頻繁項集，簡稱頻集。 該算法的基本思想是：首先找出所有的頻集，這些項集出現的頻繁性至少和預定義的最小支持度一樣。然后由頻集產生強關聯規則，這些規則必須滿足最小支持度和最小可信度。然后使用第1步找到的頻集產生期望的規則，產生只包含集合的項的所有規則，其中每一條規則的右部只有一項，這里采用的是中規則的定義。一旦這些規則被生成，那么只有那些大于用戶給定的最小可信度的規則才被留下來。為了生成所有頻集，使用了遞推的方法。 可能產生大量的候選集,以及可能需要重復掃描數據庫，是Apriori算法的兩大缺點。 2.基于劃分的算法 Savasere等設計了一個基于劃分的算法。這個算法先把數據庫從邏輯上分成幾個互不相交的塊，每次單獨考慮一個分塊并對它生成所有的頻集，然后把產生的頻集合并，用來生成所有可能的頻集，最后計算這些項集的支持度。這里分塊的大小選擇要使得每個分塊可以被放入主存，每個階段只需被掃描一次。而算法的正確性是由每一個可能的頻集至少在某一個分塊中是頻集保證的。該算法是可以高度并行的，可以把每一分塊分別分配給某一個處理器生成頻集。產生頻集的每一個循環結束后，處理器之間進行通信來產生全局的候選k-項集。通常這里的通信過程是算法執行時間的主要瓶頸；而另一方面，每個獨立的處理器生成頻集的時間也是一個瓶頸。 3.FP-樹頻集算法 針對Apriori算法的固有缺陷，J. Han等提出了不產生候選挖掘頻繁項集的方法：FP-樹頻集算法。采用分而治之的策略，在經過第一遍掃描之后，把數據庫中的頻集壓縮進一棵頻繁模式樹（FP-tree），同時依然保留其中的關聯信息，隨后再將FP-tree分化成一些條件庫，每個庫和一個長度為1的頻集相關，然后再對這些條件庫分別進行挖掘。當原始數據量很大的時候，也可以結合劃分的方法,使得一個FP-tree可以放入主存中。實驗表明，FP-growth對不同長度的規則都有很好的適應性，同時在效率上較之Apriori算法有巨大的提高。

應用

就目前而言，關聯規則挖掘技術已經被廣泛應用在西方金融行業企業中，它可以成功預測銀行客戶需求。一旦獲得了這些信息，銀行就可以改善自身營銷。現在銀行天天都在開發新的溝通客戶的方法。各銀行在自己的ATM機上就捆綁了顧客可能感興趣的本行產品信息，供使用本行ATM機的用戶了解。如果數據庫中顯示，某個高信用限額的客戶更換了地址，這個客戶很有可能新近購買了一棟更大的住宅，因此會有可能需要更高信用限額，更高端的新信用卡，或者需要一個住房改善貸款，這些產品都可以通過信用卡賬單郵寄給客戶。當客戶打電話咨詢的時候，數據庫可以有力地幫助電話銷售代表。銷售代表的電腦屏幕上可以顯示出客戶的特點，同時也可以顯示出顧客會對什么產品感興趣。 同時，一些知名的電子商務站點也從強大的關聯規則挖掘中的受益。這些電子購物網站使用關聯規則中規則進行挖掘，然后設置用戶有意要一起購買的捆綁包。也有一些購物網站使用它們設置相應的交叉銷售，也就是購買某種商品的顧客會看到相關的另外一種商品的廣告。 但是目前在我國，“數據海量，信息缺乏”是商業銀行在數據大集中之后普遍所面對的尷尬。目前金融業實施的大多數數據庫只能實現數據的錄入、查詢、統計等較低層次的功能，卻無法發現數據中存在的各種有用的信息，譬如對這些數據進行分析，發現其數據模式及特征，然后可能發現某個客戶、消費群體或組織的金融和商業興趣，并可觀察金融市場的變化趨勢。可以說，關聯規則挖掘的技術在我國的研究與應用并不是很廣泛深入。 近年來，電信業從單純的語音服務演變為提供多種服務的綜合信息服務商。隨著網絡技術和電信業務的發展，電信市場競爭也日趨激烈，電信業務的發展提出了對數據挖掘技術的迫切需求，以便幫助理解商業行為，識別電信模式，捕捉盜用行為，更好地利用資源，提高服務質量并增強自身的競爭力。下面運用一些簡單的實例說明如何在電信行業使用數據挖掘技術。可以使用上面提到的K 均值、EM 等聚類算法，針對運營商積累的大量用戶消費數據建立客戶分群模型，通過客戶分群模型對客戶進行細分，找出有相同特征的目標客戶群，然后有針對性地進行營銷。而且，聚類算法也可以實現離群點檢測，即在對用戶消費數據進行聚類的過程中，發現一些用戶的異常消費行為，據此判斷這些用戶是否存在欺詐行為，決定是否采取防范措施。可以使用上面提到的C4.5、SVM 和貝葉斯等分類算法，針對用戶的行為數據，對用戶進行信用等級評定，對于信用等級好的客戶可以給予某些優惠服務等，對于信用等級差的用戶不能享受促銷等優惠。可以使用預測相關的算法，對電信客戶的網絡使用和客戶投訴數據進行建模，建立預測模型，預測大客戶離網風險，采取激勵和挽留措施防止客戶流失。可以使用相關分析找出選擇了多個套餐的客戶在套餐組合中的潛在規律，哪些套餐容易被客戶同時選取，例如，選擇了流量套餐的客戶中大部分選擇了彩鈴業務，然后基于相關性的法則，對選擇流量但是沒有選擇彩鈴的客戶進行交叉營銷，向他們推銷彩鈴業務。

研究

由于許多應用問題往往比超市購買問題更復雜，大量研究從不同的角度對關聯規則做了擴展，將更多的因素集成到關聯規則挖掘方法之中，以此豐富關聯規則的應用領域，拓寬支持管理決策的范圍。如考慮屬性之間的類別層次關系，時態關系，多表挖掘等。近年來圍繞關聯規則的研究主要集中于兩個方面，即擴展經典關聯規則能夠解決問題的范圍，改善經典關聯規則挖掘算法效率和規則興趣性。 類似區別 一個經常問的問題是，數據挖掘和OLAP到底有何不同。下面將會解釋，他們是完全不同的工具，基于的技術也大相徑庭。 OLAP是決策支持領域的一部分。傳統的查詢和報表工具是告訴你數據庫中都有什么（what happened），OLAP則更進一步告訴你下一步會怎么樣（What next）、和如果我采取這樣的措施又會怎么樣（What if）。用戶首先建立一個假設，然后用OLAP檢索數據庫來驗證這個假設是否正確。比如，一個分析師想找到什么原因導致了貸款拖欠，他可能先做一個初始的假定，認為低收入的人信用度也低，然后用OLAP來驗證他這個假設。如果這個假設沒有被證實，他可能去察看那些高負債的賬戶，如果還不行，他也許要把收入和負債一起考慮，一直進行下去，直到找到他想要的結果或放棄。 也就是說，OLAP分析師是建立一系列的假設，然后通過OLAP來證實或推翻這些假設來最終得到自己的結論。OLAP分析過程在本質上是一個演繹推理的過程。但是如果分析的變量達到幾十或上百個，那么再用OLAP手動分析驗證這些假設將是一件非常困難和痛苦的事情。 數據挖掘與OLAP不同的地方是，數據挖掘不是用于驗證某個假定的模式（模型）的正確性，而是在數據庫中自己尋找模型。他在本質上是一個歸納的過程。比如，一個用數據挖掘工具的分析師想找到引起貸款拖欠的風險因素。數據挖掘工具可能幫他找到高負債和低收入是引起這個問題的因素，甚至還可能發現一些分析師從來沒有想過或試過的其他因素，比如年齡。 數據挖掘和OLAP具有一定的互補性。在利用數據挖掘出來的結論采取行動之前，你也許要驗證一下如果采取這樣的行動會給公司帶來什么樣的影響，那么OLAP工具能回答你的這些問題。 而且在知識發現的早期階段，OLAP工具還有其他一些用途。可以幫你探索數據，找到哪些是對一個問題比較重要的變量，發現異常數據和互相影響的變量。這都能幫你更好的理解你的數據，加快知識發現的過程。 相關技術 數據挖掘利用了人工智能（AI）和統計分析的進步所帶來的好處。這兩門學科都致力于模式發現和預測。 數據挖掘不是為了替代傳統的統計分析技術。相反，他是統計分析方法學的延伸和擴展。大多數的統計分析技術都基于完善的數學理論和高超的技巧，預測的準確度還是令人滿意的，但對使用者的要求很高。而隨著計算機計算能力的不斷增強，我們有可能利用計算機強大的計算能力只通過相對簡單和固定的方法完成同樣的功能。 一些新興的技術同樣在知識發現領域取得了很好的效果，如神經元網絡和決策樹，在足夠多的數據和計算能力下，他們幾乎不用人的關照自動就能完成許多有價值的功能。 數據挖掘就是利用了統計和人工智能技術的應用程序，他把這些高深復雜的技術封裝起來，使人們不用自己掌握這些技術也能完成同樣的功能，并且更專注于自己所要解決的問題。 相關影響 使數據挖掘這件事情成為可能的關鍵一點是計算機性能價格比的巨大進步。在過去的幾年里磁盤存儲器的價格幾乎降低了99%，這在很大程度上改變了企業界對數據收集和存儲的態度。如果每兆的價格是￥10，那存放1TB的價格是￥10,000,000，但當每兆的價格降為1毛錢時，存儲同樣的數據只有￥100,000！ 計算機計算能力價格的降低同樣非常顯著。每一代芯片的誕生都會把CPU的計算能力提高一大步。內存RAM也同樣降價迅速，幾年之內每兆內存的價格由幾百塊錢降到現在只要幾塊錢。通常PC都有64M內存，工作站達到了256M，擁有上G內存的服務器已經不是什么新鮮事了。 在單個CPU計算能力大幅提升的同時，基于多個CPU的并行系統也取得了很大的進步。目前幾乎所有的服務器都支持多個CPU，這些SMP服務器簇甚至能讓成百上千個CPU同時工作。 基于并行系統的數據庫管理系統也給數據挖掘技術的應用帶來了便利。如果你有一個龐大而復雜的數據挖掘問題要求通過訪問數據庫取得數據，那么效率最高的辦法就是利用一個本地的并行數據庫。 所有這些都為數據挖掘的實施掃清了道路，隨著時間的延續，我們相信這條道路會越來越平坦。 相關問題 NO.1 Data Mining 和統計分析有什么不同？ 硬要去區分Data Mining和Statistics的差異其實是沒有太大意義的。一般將之定義為Data Mining技術的CART、CHAID或模糊計算等等理論方法，也都是由統計學者根據統計理論所發展衍生，換另一個角度看，Data Mining有相當大的比重是由高等統計學中的多變量分析所支撐。但是為什么Data Mining的出現會引發各領域的廣泛注意呢？主要原因在相較于傳統統計分析而言，Data Mining有下列幾項特性： 1.處理大量實際數據更強勢，且無須太專業的統計背景去使用Data Mining的工具； 2.數據分析趨勢為從大型數據庫抓取所需數據并使用專屬計算機分析軟件，Data Mining的工具更符合企業需求； 3. 純就理論的基礎點來看，Data Mining和統計分析有應用上的差別，畢竟Data Mining目的是方便企業終端用戶使用而非給統計學家檢測用的。 NO.2 數據倉庫和數據挖掘的關系為何？ 若將Data Warehousing（數據倉庫）比喻作礦坑，Data Mining就是深入礦坑采 礦的工作。畢竟Data Mining不是一種無中生有的魔術，也不是點石成金的煉金術，若沒有夠豐富完整的數據，是很難期待Data Mining能挖掘出什么有意義的信息的。 要將龐大的數據轉換成為有用的信息，必須先有效率地收集信息。隨著科技的進步，功能完善的數據庫系統就成了最好的收集數據的工具。數據倉庫，簡單地說，就是搜集來自其它系統的有用數據，存放在一整合的儲存區內。所以其實就是一個經過處理整合，且容量特別大的關系型數據庫，用以儲存決策支持系統（Decision Support System）所需的數據，供決策支持或數據分析使用。從信息技術的角度來看，數據倉庫的目標是在組織中，在正確的時間，將正確的數據交給正確的人。 許多人對于Data Warehousing和Data Mining時常混淆，不知如何分辨。其實，數據倉庫是數據庫技術的一個新主題，利用計算機系統幫助我們操作、計算和思考，讓作業方式改變，決策方式也跟著改變。 數據倉庫本身是一個非常大的數據庫，它儲存著由組織作業數據庫中整合而來的數據，特別是指事務處理系統OLTP（On-Line Transactional Processing）所得來的數據。將這些整合過的數據置放于數據倉庫中，而公司的決策者則利用這些數據作決策；但是，這個轉換及整合數據的過程，是建立一個數據倉庫最大的挑戰。因為將作業中的數據轉換成有用的的策略性信息是整個數據倉庫的重點。綜上所述，數據倉庫應該具有這些數據：整合性數據（integrated data）、詳細和匯總性的數據(detailed and summarized data)、歷史數據、解釋數據的數據。從數據倉庫挖掘出對決策有用的信息與知識，是建立數據倉庫與使用Data Mining的最大目的，兩者的本質與過程是兩回事。換句話說，數據倉庫應先行建立完成，Data mining才能有效率的進行，因為數據倉庫本身所含數據是干凈(不會有錯誤的數據參雜其中)、完備，且經過整合的。因此兩者關系或許可解讀為Data Mining是從巨大數據倉庫中找出有用信息的一種過程與技術。

大部分情況下，數據挖掘都要先把數據從數據倉庫中拿到數據挖掘庫或數據集市中（見圖1）。

從數據倉庫中直接得到進行數據挖掘的數據有許多好處。就如我們后面會講到的，數據倉庫的數據清理和數據挖掘的數據清理差不多，如果數據在導入數據倉庫時已經清理過，那很可能在做數據挖掘時就沒必要在清理一次了，而且所有的數據不一致的問題都已經被你解決了。

數據挖掘庫可能是你的數據倉庫的一個邏輯上的子集，而不一定非得是物理上單獨的數據庫。但如果你的數據倉庫的計算資源已經很緊張，那你最好還是建立一個單獨的數據挖掘庫。

當然為了數據挖掘你也不必非得建立一個數據倉庫，數據倉庫不是必需的。建立一個巨大的數據倉庫，把各個不同源的數據統一在一起，解決所有的數據沖突問題，然后把所有的數據導到一個數據倉庫內，是一項巨大的工程，可能要用幾年的時間花上百萬的錢才能完成。只是為了數據挖掘，你可以把一個或幾個事務數據庫導到一個只讀的數據庫中，就把它當作數據集市，然后在他上面進行數據挖掘。 NO.3 OLAP 能不能代替 Data Mining？ 所謂OLAP（Online Analytical Process）意指由數據庫所連結出來的在線分析處理程序。有些人會說：「我已經有OLAP的工具了，所以我不需要Data Mining。」事實上兩者間是截然不同的，主要差異在于Data Mining用在產生假設，OLAP則用于查證假設。簡單來說，OLAP是由使用者所主導，使用者先有一些假設，然后利用OLAP來查證假設是否成立；而Data Mining則是用來幫助使用者產生假設。所以在使用OLAP或其它Query的工具時，使用者是自己在做探索（Exploration），但Data Mining是用工具在幫助做探索。 舉個例子來看，一市場分析師在為超市規劃貨品架柜擺設時，可能會先假設嬰兒尿布和嬰兒奶粉會是常被一起購買的產品，接著便可利用OLAP的工具去驗證此假設是否為真，又成立的證據有多明顯；但Data Mining則不然，執行Data Mining的人將龐大的結帳數據整理后，并不需要假設或期待可能的結果，透過Mining技術可找出存在于數據中的潛在規則，于是我們可能得到例如尿布和啤酒常被同時購買的意料外之發現，這是OLAP所做不到的。 Data Mining常能挖掘出超越歸納范圍的關系，但OLAP僅能利用人工查詢及可視化的報表來確認某些關系，是以Data Mining此種自動找出甚至不會被懷疑過的數據模型與關系的特性，事實上已超越了我們經驗、教育、想象力的限制，OLAP可以和Data Mining互補，但這項特性是Data Mining無法被OLAP取代的。 NO.4 完整的Data Mining 包含哪些步驟？ 1、數據挖掘環境 數據挖掘是指一個完整的過程,該過程從大型數據庫中挖掘先前未知的,有效的,可實用的信息,并使用這些信息做出決策或豐富知識. 　數據挖掘環境可示意如下圖:

數據挖掘環境框圖.gif

2、數據挖掘過程圖 下圖描述了數據挖掘的基本過程和主要步驟 數據挖掘的基本過程和主要步驟 3、數據挖掘過程工作量 在數據挖掘中被研究的業務對象是整個過程的基礎,它驅動了整個數據挖掘過程,也是檢驗最后結果和指引分析人員完成數據挖掘的依據和顧問.圖2各步驟是按一定順序完成的,當然整個過程中還會存在步驟間的反饋.數據挖掘的過程并不是自動的,絕大多數的工作需要人工完成.圖3給出了各步驟在整個過程中的工作量之比.可以看到,60%的時間用在數據準備上,這說明了數據挖掘對數據的嚴格要求,而后挖掘工作僅占總工作量的10%.

圖3數據挖掘過程工作量比例

4、數據挖掘過程簡介 過程中各步驟的大體內容如下: (1). 確定業務對象 清晰地定義出業務問題,認清數據挖掘的目的是數據挖掘的重要一步.挖掘的最后結構是不可預測的,但要探索的問題應是有預見的,為了數據挖掘而數據挖掘則帶有盲目性,是不會成功的. (2). 數據準備 1)、數據的選擇 搜索所有與業務對象有關的內部和外部數據信息,并從中選擇出適用于數據挖掘應用的數據. 2)、數據的預處理 研究數據的質量,為進一步的分析作準備.并確定將要進行的挖掘操作的類型. 3)、數據的轉換 將數據轉換成一個分析模型.這個分析模型是針對挖掘算法建立的.建立一個真正適合挖掘算法的分析模型是數據挖掘成功的關鍵. (3). 數據挖掘 對所得到的經過轉換的數據進行挖掘.除了完善從選擇合適的挖掘算法外,其余一切工作都能自動地完成. (4). 結果分析 解釋并評估結果.其使用的分析方法一般應作數據挖掘操作而定,通常會用到可視化技術. (5). 知識的同化 將分析所得到的知識集成到業務信息系統的組織結構中去. 5、數據挖掘需要的人員 數據挖掘過程的分步實現,不同的步會需要是有不同專長的人員,他們大體可以分為三類. 業務分析人員:要求精通業務,能夠解釋業務對象,并根據各業務對象確定出用于數據定義和挖掘算法的業務需求. 數據分析人員:精通數據分析技術,并對統計學有較熟練的掌握,有能力把業務需求轉化為數據挖掘的各步操作,并為每步操作選擇合適的技術. 數據管理人員:精通數據管理技術,并從數據庫或數據倉庫中收集數據. 從上可見,數據挖掘是一個多種專家合作的過程,也是一個在資金上和技術上高投入的過程.這一過程要反復進行牞在反復過程中，不斷地趨近事物的本質，不斷地優先問題的解決方案。數據重組和細分添加和拆分記錄選取數據樣本可視化數據探索聚類分析神經網絡、決策樹數理統計、時間序列結論綜合解釋評價數據知識數據取樣數據探索數據調整模型化評價。 NO.5 Data Mining 運用了哪些理論與技術？ Data Mining是近年來數據庫應用技術中相當熱門的議題，看似神奇、聽來時髦，實際上卻也不是什么新東西，因其所用之諸如預測模型、數據分割，連結分析（Link Analysis）、偏差偵測（Deviation Detection）等，美國早在二次世界大戰前就已應用運用在人口普查及軍事等方面。 隨著信息科技超乎想象的進展，許多新的計算機分析工具問世，例如關系型數據庫、模糊計算理論、基因算法則以及類神經網絡等，使得從數據中發掘寶藏成為一種系統性且可實行的程序。 一般而言，Data Mining的理論技術可分為傳統技術與改良技術兩支。傳統技術以統計分析為代表，統計學內所含序列統計、概率論、回歸分析、類別數據分析等都屬于傳統數據挖掘技術，尤其 Data Mining 對象多為變量繁多且樣本數龐大的數據，是以高等統計學里所含括之多變量分析中用來精簡變量的因素分析（Factor Analysis）、用來分類的判別分析（Discriminant Analysis），以及用來區隔群體的分群分析（Cluster Analysis）等，在Data Mining過程中特別常用。 在改良技術方面，應用較普遍的有決策樹理論（Decision Trees）、類神經網絡（Neural Network）以及規則歸納法（Rules Induction）等。決策樹是一種用樹枝狀展現數據受各變量的影響情形之預測模型，根據對目標變量產生之效應的不同而建構分類的規則，一般多運用在對客戶數據的分析上，例如針對有回函與未回含的郵寄對象找出影響其分類結果的變量組合，常用分類方法為CART（Classification and Regression Trees）及CHAID（Chi-Square Automatic Interaction Detector）兩種。 類神經網絡是一種仿真人腦思考結構的數據分析模式，由輸入之變量與數值中自我學習并根據學習經驗所得之知識不斷調整參數以期建構數據的型樣(patterns)。類神經網絡為非線性的設計，與傳統回歸分析相比，好處是在進行分析時無須限定模式，特別當數據變量間存有交互效應時可自動偵測出；缺點則在于其分析過程為一黑盒子，故常無法以可讀之模型格式展現，每階段的加權與轉換亦不明確，是故類神經網絡多利用于數據屬于高度非線性且帶有相當程度的變量交感效應時。 規則歸納法是知識發掘的領域中最常用的格式，這是一種由一連串的「如果…/則…（If / Then）」之邏輯規則對數據進行細分的技術，在實際運用時如何界定規則為有效是最大的問題，通常需先將數據中發生數太少的項目先剔除，以避免產生無意義的邏輯規則。 NO.6 Data Mining包含哪些主要功能？ Data Mining實際應用功能可分為三大類六分項來說明：Classification和Clustering屬于分類區隔類；Regression和Time-series屬于推算預測類；Association和Sequence則屬于序列規則類。 Classification是根據一些變量的數值做計算，再依照結果作分類。（計算的結果最后會被分類為幾個少數的離散數值，例如將一組數據分為 “可能會響應” 或是 “可能不會響應” 兩類）。Classification常被用來處理如前所述之郵寄對象篩選的問題。我們會用一些根據歷史經驗已經分類好的數據來研究它們的特征，然后再根據這些特征對其他未經分類或是新的數據做預測。這些我們用來尋找特征的已分類數據可能是來自我們的現有的客戶數據，或是將一個完整數據庫做部份取樣，再經由實際的運作來測試；譬如利用一個大型郵寄對象數據庫的部份取樣來建立一個Classification Model，再利用這個Model來對數據庫的其它數據或是新的數據作分類預測。 Clustering用在將數據分群，其目的在于將群間的差異找出來，同時也將群內成員的相似性找出來。Clustering與Classification不同的是，在分析前并不知道會以何種方式或根據來分類。所以必須要配合專業領域知識來解讀這些分群的意義。 Regression是使用一系列的現有數值來預測一個連續數值的可能值。若將范圍擴大亦可利用Logistic Regression來預測類別變量，特別在廣泛運用現代分析技術如類神經網絡或決策樹理論等分析工具，推估預測的模式已不在止于傳統線性的局限，在預測的功能上大大增加了選擇工具的彈性與應用范圍的廣度。 Time-Series Forecasting與Regression功能類似，只是它是用現有的數值來預測未來的數值。兩者最大差異在于Time-Series所分析的數值都與時間有關。Time-Series Forecasting的工具可以處理有關時間的一些特性，譬如時間的周期性、階層性、季節性以及其它的一些特別因素（如過去與未來的關連性）。 Association是要找出在某一事件或是數據中會同時出現的東西。舉例而言，如果A是某一事件的一種選擇，則B也出現在該事件中的機率有多少。（例如：如果顧客買了火腿和柳橙汁，那么這個顧客同時也會買牛奶的機率是85%。） Sequence Discovery與Association關系很密切，所不同的是Sequence Discovery中事件的相關是以時間因素來作區隔（例如：如果A股票在某一天上漲12%，而且當天股市加權指數下降，則B股票在兩天之內上漲的機率是 68%）。 NO.7 Data Mining在各領域的應用情形為何？ Data Mining在各領域的應用非常廣泛，只要該產業擁有具分析價值與需求的數據倉儲或數據庫，皆可利用Mining工具進行有目的的挖掘分析。一般較常見的應用案例多發生在零售業、直效行銷界、制造業、財務金融保險、通訊業以及醫療服務等。 于銷售數據中發掘顧客的消費習性，并可藉由交易紀錄找出顧客偏好的產品組合，其它包括找出流失顧客的特征與推出新產品的時機點等等都是零售業常見的實例；直效行銷強調的分眾概念與數據庫行銷方式在導入Data Mining的技術后，使直效行銷的發展性更為強大，例如利用Data Mining分析顧客群之消費行為與交易紀錄，結合基本數據，并依其對品牌價值等級的高低來區隔顧客，進而達到差異化行銷的目的；制造業對Data Mining的需求多運用在品質控管方面，由制造過程中找出影響產品品質最重要的因素，以期提高作業流程的效率。 近來電話公司、信用卡公司、保險公司以及股票交易商對于詐欺行為的偵測（Fraud Detection）都很有興趣，這些行業每年因為詐欺行為而造成的損失都非常可觀，Data Mining可以從一些信用不良的客戶數據中找出相似特征并預測可能的詐欺交易，達到減少損失的目的。財務金融業可以利用 Data Mining來分析市場動向，并預測個別公司的營運以及股價走向。Data Mining的另一個獨特的用法是在醫療業，用來預測手術、用藥、診斷、或是流程控制的效率。 NO.8 Web Mining 和數據挖掘有什么不同？ 如果將Web視為CRM的一個新的Channel，則Web Mining便可單純看做Data Mining應用在網絡數據的泛稱。 該如何測量一個網站是否成功？哪些內容、優惠、廣告是人氣最旺的？主要訪客是哪些人？什么原因吸引他們前來？如何從堆積如山之大量由網絡所得數據中找出讓網站運作更有效率的操作因素？以上種種皆屬Web Mining 分析之范疇。Web Mining 不僅只限于一般較為人所知的log file分析，除了計算網頁瀏覽率以及訪客人次外，舉凡網絡上的零售、財務服務、通訊服務、政府機關、醫療咨詢、遠距教學等等，只要由網絡連結出的數據庫夠大夠完整，所有Off-Line可進行的分析，Web Mining都可以做，甚或更可整合Off-Line及On-Line的數據庫，實施更大規模的模型預測與推估，畢竟憑借網際網絡的便利性與滲透力再配合網絡行為的可追蹤性與高互動特質，一對一行銷的理念是最有機會在網絡世界里完全落實的。 整體而言，Web Mining具有以下特性：1.數據收集容易且不引人注意，所謂凡走過必留下痕跡，當訪客進入網站后的一切瀏覽行為與歷程都是可以立即被紀錄的；2. 以交互式個人化服務為終極目標，除了因應不同訪客呈現專屬設計的網頁之外，不同的訪客也會有不同的服務；3. 可整合外部來源數據讓分析功能發揮地更深更廣，除了log file、cookies、會員填表數據、線上調查數據、線上交易數據等由網絡直接取得的資源外，結合實體世界累積時間更久、范圍更廣的資源，將使分析的結果更準確也更深入。 利用Data Mining技術建立更深入的訪客數據剖析，并賴以架構精準的預測模式，以期呈現真正智能型個人化的網絡服務，是Web Mining努力的方向。 NO.9 數據挖掘在 CRM 中扮演的角色為何？ CRM（Customer Relationship Management）是近來引起熱烈討論與高度關切的議題，尤其在直效行銷的崛起與網絡的快速發展帶動下，跟不上CRM的腳步如同跟不上時代。事實上CRM并不算新發明，奧美直效行銷推動十數年的CO（Customer Ownership）就是現在大家談的CRM—客戶關系管理。 Data Mining應用在CRM的主要方式可對應在Gap Analysis之三個部分： 針對Acquisition Gap，可利用Customer Profiling找出客戶的一些共同的特征，希望能藉此深入了解客戶，藉由Cluster Analysis對客戶進行分群后再通過Pattern Analysis預測哪些人可能成為我們的客戶，以幫助行銷人員找到正確的行銷對象，進而降低成本，也提高行銷的成功率。 針對Sales Gap，可利用Basket Analysis幫助了解客戶的產品消費模式，找出哪些產品客戶最容易一起購買，或是利用Sequence Discovery預測客戶在買了某一樣產品之后，在多久之內會買另一樣產品等等。利用 Data Mining可以更有效的決定產品組合、產品推薦、進貨量或庫存量，甚或是在店里要如何擺設貨品等，同時也可以用來評估促銷活動的成效。 針對Retention Gap，可以由原客戶后來卻轉成競爭對手的客戶群中，分析其特征，再根據分析結果到現有客戶數據中找出可能轉向的客戶，然后設計一些方法預防客戶流失；更有系統的做法是藉由Neural Network根據客戶的消費行為與交易紀錄對客戶忠誠度進行Scoring的排序，如此則可區隔流失率的等級進而配合不同的策略。 CRM不是設一個（800）客服專線就算了，更不僅只是把一堆客戶基本數據輸入計算機就夠，完整的CRM運作機制在相關的硬軟件系統能健全的支持之前，有太多的數據準備工作與分析需要推動。企業透過Data Mining可以分別針對策略、目標定位、操作效能與測量評估等四個切面之相關問題，有效率地從市場與顧客所搜集累積之大量數據中挖掘出對消費者而言最關鍵、最重要的答案，并賴以建立真正由客戶需求點出發的客戶關系管理。 NO.10 目前業界常用的數據挖掘分析工具？ Data Mining工具市場大致可分為三類： 1.一般分析目的用的軟件包 K-Miner（神通數據挖掘分析系統，MPP+SMP并行計算架構） AlpineMiner(AlpineDataLabs) TipDM(頂尖數據挖掘平臺) GDM（Geni-Sage Data Mining Analysis System，博通數據挖掘分析系統） SAS Enterprise Miner KXEN(凱森) IBM Intelligent Miner Unica PRW SPSS Clementine SGI MineSet Oracle Darwin Angoss KnowledgeSeeker 2.針對特定功能或產業而研發的軟件 KD1（針對零售業） Options & Choices（針對保險業） HNC（針對信用卡詐欺或呆帳偵測） Unica Model 1（針對行銷業） iEM System （針對流程行業的實時歷史數據） 3.整合DSS（Decision Support Systems）/OLAP/Data Mining的大型分析系統

Cognos Scenario and Business Objects

本文轉自http://www.17bigdata.com/course/%e6%95%b0%e6%8d%ae%e6%8c%96%e6%8e%98?error=login，所有權力歸原作者所有。

總結

以上是生活随笔為你收集整理的关于数据挖掘的something的全部內容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網站內容還不錯，歡迎將生活随笔推薦給好友。