⑴ 鏁版嵁鎸栨帢鎶鏈鍦–RM緋葷粺涓鐨勫簲鐢ㄦ湁鍝浜涙柟闈
1. 瀹㈡埛緇嗗垎鏄疌RM瀹炴柦鐨勫墠鎻愶紝閫氳繃鍖哄垎瀹㈡埛緹や綋錛屼紒涓氳兘澶熷疄鏂界簿鍑嗙殑甯傚満钀ラ攢絳栫暐錛屾彁楂樺㈡埛婊℃剰搴﹀拰浼佷笟鍒╂鼎銆傚㈡埛緇嗗垎鍙浠ラ氳繃鍒嗙被鎴栬仛綾繪柟娉曞疄鐜幫紝姣斿傚皢瀹㈡埛鍒嗕負楂樹環鍊煎拰浣庝環鍊肩被鍒錛屼粠鑰岀『瀹氬獎鍝嶅垎綾葷殑鍥犵礌錛屾彁鍙栫浉鍏蟲暟鎹錛屽苟搴旂敤綆楁硶寰楀嚭鍒嗙被瑙勫垯銆
2. 鑾峰彇鏂板㈡埛鏂歸潰錛屽㈡埛鍝嶅簲鍒嗘瀽鑷沖叧閲嶈併傞氳繃棰勬祴娼滃湪瀹㈡埛瀵瑰競鍦轟績閿媧誨姩鐨勫弽搴旓紝浼佷笟鍙浠ユ彁楂樺競鍦烘椿鍔ㄧ殑閽堝規у拰鏁堟灉錛屽埄鐢ㄦ暟鎹鎸栨帢鎶鏈璇嗗埆娼滃湪瀹㈡埛緹わ紝鎻愰珮钀ラ攢媧誨姩鐨勬晥鐜囥
3. 鎻愬崌瀹㈡埛浠峰肩殑榪囩▼涓錛屼氦鍙夐攢鍞鏄涓縐嶆湁鏁堟墜孌點傛暟鎹鎸栨帢鍙浠ラ氳繃鍒嗘瀽瀹㈡埛璐涔拌屼負鍜屾秷璐逛範鎯錛岄勬祴瀹㈡埛鏈鏉ョ殑娑堣垂琛屼負錛屽府鍔╀紒涓氬喅瀹氬悜瀹㈡埛鎻愪緵鏈鍚堥傜殑浜ゅ弶閿鍞鏂規堛
4. 淇濇寔瀹㈡埛錛岄槻姝㈠㈡埛嫻佸け涔熸槸CRM鐨勯噸瑕佺洰鏍囥傞氳繃寤虹珛嫻佸け瀹㈡埛妯″瀷錛岃瘑鍒瀹㈡埛嫻佸け鐨勬ā寮忥紝浼佷笟鍙浠ラ噰鍙栨帾鏂芥尳鐣欐湁紱誨紑鍊懼悜鐨勫㈡埛錛屼粠鑰屼繚鎸佸師鏈夊㈡埛緹ゃ
緇間笂鎵榪幫紝鏁版嵁鎸栨帢鍦–RM緋葷粺涓鎵婕旂潃鑷沖叧閲嶈佺殑瑙掕壊錛屽畠甯鍔╀紒涓氬彂鐜版暟鎹涔嬮棿鐨勫叧鑱斿拰妯″紡錛屼負鍒跺畾甯傚満絳栫暐銆佹彁鍗囧㈡埛鍏崇郴綆＄悊鎻愪緵鍐崇瓥鏀鎸侊紝瀹炵幇浼佷笟涓庡㈡埛鐨勫叡璧銆
⑵ 數據挖掘的應用領域有哪些
數據挖掘的應用非常廣泛，只要該產業有分析價值與需求的資料庫，皆可利用數據挖掘工具進行有目的的發掘分析。常見的應用案例多發生在零售業、製造業、財務金融保險、通訊及醫療服務：
(1)商場從顧客購買商品中發現一定的關聯規則，提供打折、購物券等促銷手段，提高銷售額；
(2)保險公司通過數據挖掘建立預測模型，辨別出可能的欺詐行為，避免道德風險，減少成本，提高利潤；
(3)在製造業中，半導體的生產和測試中都產生大量的數據，就必須對這些數據進行分析，找出存在的問題，提高質量；
(4)電子商務的作用越來越大，可以用數據挖掘對網站進行分析，識別用戶的行為模式，保留客戶，提供個性化服務，優化網站設計；
一些公司運用數據挖掘的成功案例，顯示了數據挖掘的強大生命力：
美國AutoTrader是世界上最大的汽車銷售站點，每天都會有大量的用戶對網站上的信息點擊，尋求信息，其運用了SAS軟體進行數據挖掘，每天對數據進行分析，找出用戶的訪問模式，對產品的喜歡程度進行判斷，並設特定服務，取得了成功。
Reuteres是世界著名的金融信息服務公司，其利用的數據大都是外部的數據，這樣數據的質量就是公司生存的關鍵所在，必須從數據中檢測出錯誤的成分。Reuteres用SPSS的數據挖掘工具SPSS/Clementine，建立數據挖掘模型，極大地提高了錯誤的檢測，保證了信息的正確和權威性。
Bass Export是世界最大的啤酒進出口商之一，在海外80多個市場從事交易，每個星期傳送23000份定單，這就需要了解每個客戶的習慣，如品牌的喜好等，Bass Export用IBM的Intelligent Miner很好的解決了上述問題。
⑶ 數據挖掘應用在哪些領域
數據挖掘可以應用在金融、醫療保健、市場業、零售業、製造業、司法、工程和科學、保險業等領域。
數據挖掘，又譯為資料探勘、數據采礦。它是資料庫知識發現中的一個步驟。數據挖掘一般是指從大量的數據中自動搜索隱藏於其中的有著特殊關系性的信息的過程。數據挖掘通常與計算機科學有關，並通過統計、在線分析處理、情報檢索、機器學習、專家系統和模式識別等諸多方法來實現上述目標。
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，並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於各種應用，包括商務管理，生產控制，市場分析，工程設計和科學探索等。
⑷ 數據挖掘的常用方法有哪些
1、決策樹法決策樹在解決歸類與預測上有著極強的能力，它以法則的方式表達，而這些法則則以一連串的問題表示出來，經由不斷詢問問題最終能導出所需的結果。典型的決策樹頂端是一個樹根，底部有許多的樹葉，它將紀錄分解成不同的子集，每個子集中的欄位可能都包含一個簡單的法則。此外，決策樹可能有著不同的外型，例如二元樹、三元樹或混和的決策樹型態。
2、神經網路法
神經網路法是模擬生物神經系統的結構和功能，是一種通過訓練來學習的非線性預測模型，它將每一個連接看作一個處理單元，試圖模擬人腦神經元的功能，可完成分類、聚類、特徵挖掘等多種數據挖掘任務。神經網路的學習方法主要表現在權值的修改上。其優點是具有抗干擾、非線性學習、聯想記憶功能，對復雜情況能得到精確的預測結果;缺點首先是不適合處理高維變數，不能觀察中間的學習過程，具有“黑箱”性，輸出結果也難以解釋;其次是需較長的學習時間。神經網路法主要應用於數據挖掘的聚類技術中。
3、關聯規則法
關聯規則是描述資料庫中數據項之間所存在的關系的規則，即根據一個事務中某些項的出現可導出另一些項在同一事務中也出現，即隱藏在數據間的關聯或相互關系。在客戶關系管理中，通過對企業的客戶資料庫里的大量數據進行挖掘，可以從大量的記錄中發現有趣的關聯關系，找出影響市場營銷效果的關鍵因素，為產品定位、定價與定製客戶群，客戶尋求、細分與保持，市場營銷與推銷，營銷風險評估和詐騙預測等決策支持提供參考依據。
4、遺傳演算法
遺傳演算法模擬了自然選擇和遺傳中發生的繁殖、交配和基因突變現象，是一種採用遺傳結合、遺傳交叉變異及自然選擇等操作來生成實現規則的、基於進化理論的機器學習方法。它的基本觀點是“適者生存”原理，具有隱含並行性、易於和其他模型結合等性質。主要的優點是可以處理許多數據類型，同時可以並行處理各種數據;缺點是需要的參數太多，編碼困難，一般計算量比較大。遺傳演算法常用於優化神經元網路，能夠解決其他技術難以解決的問題。
5、聚類分析法
聚類分析是把一組數據按照相似性和差異性分為幾個類別，其目的是使得屬於同一類別的數據間的相似性盡可能大，不同類別中的數據間的相似性盡可能小。根據定義可以把其分為四類：基於層次的聚類方法;分區聚類演算法;基於密度的聚類演算法;網格的聚類演算法。常用的經典聚類方法有K-mean，K-medoids，ISODATA等。
6、模糊集法
模糊集法是利用模糊集合理論對問題進行模糊評判、模糊決策、模糊模式識別和模糊聚類分析。模糊集合理論是用隸屬度來描述模糊事物的屬性。系統的復雜性越高，模糊性就越強。
7、web頁挖掘
通過對Web的挖掘，可以利用Web的海量數據進行分析，收集政治、經濟、政策、科技、金融、各種市場、競爭對手、供求信息、客戶等有關的信息，集中精力分析和處理那些對企業有重大或潛在重大影響的外部環境信息和內部經營信息，並根據分析結果找出企業管理過程中出現的各種問題和可能引起危機的先兆，對這些信息進行分析和處理，以便識別、分析、評價和管理危機。
8、邏輯回歸分析
反映的是事務資料庫中屬性值在時間上的特徵，產生一個將數據項映射到一個實值預測變數的函數，發現變數或屬性間的依賴關系，其主要研究問題包括數據序列的趨勢特徵、數據序列的預測以及數據間的相關關系等。
9、粗糙集法
是一種新的處理含糊、不精確、不完備問題的數學工具，可以處理數據約簡、數據相關性發現、數據意義的評估等問題。其優點是演算法簡單，在其處理過程中可以不需要關於數據的先驗知識，可以自動找出問題的內在規律;缺點是難以直接處理連續的屬性，須先進行屬性的離散化。因此，連續屬性的離散化問題是制約粗糙集理論實用化的難點。
10、連接分析
它是以關系為主體，由人與人、物與物或是人與物的關系發展出相當多的應用。例如電信服務業可藉連結分析收集到顧客使用電話的時間與頻率，進而推斷顧客使用偏好為何，提出有利於公司的方案。除了電信業之外，愈來愈多的營銷業者亦利用連結分析做有利於企業的研究。
⑸ 數據挖掘的方法及實施
數據挖掘的方法及實施
作為一門處理數據的新興技術，數據挖掘有許多的新特徵。首先，數據挖掘面對的是海量的數據，這也是數據挖掘產生的原因。其次，數據可能是不完全的、有雜訊的、隨機的，有復雜的數據結構，維數大。最後，數據挖掘是許多學科的交叉，運用了統計學，計算機，數學等學科的技術。以下是常見和應用最廣泛的演算法和模型：
傳統統計方法：①抽樣技術：我們面對的是大量的數據，對所有的數據進行分析是不可能的也是沒有必要的，就要在理論的指導下進行合理的抽樣。②多元統計分析：因子分析，聚類分析等。③統計預測方法，如回歸分析，時間序列分析等。
可視化技術：用圖表等方式把數據特徵用直觀地表述出來，如直方圖等，這其中運用的許多描述統計的方法。可視化技術面對的一個難題是高維數據的可視化。
決策樹：利用一系列規則劃分，建立樹狀圖，可用於分類和預測。常用的演算法有CART、CHAID、ID3、C4.5、C5.0等。
神經網路：模擬人的神經元功能，經過輸入層，隱藏層，輸出層等，對數據進行調整，計算，最後得到結果，用於分類和回歸。
遺傳演算法：基於自然進化理論，模擬基因聯合、突變、選擇等過程的一種優化技術。
關聯規則挖掘演算法：關聯規則是描述數據之間存在關系的規則，形式為「A1∧A2∧…An→B1∧B2∧…Bn」。一般分為兩個步驟：①求出大數據項集。②用大數據項集產生關聯規則。
除了上述的常用方法外，還有粗集方法，模糊集合方法，Bayesian Belief Netords，最鄰近演算法（k-nearest neighbors method（KNN））等。
數據挖掘的實施流程
前面我們討論了數據挖掘的定義，功能和方法，現在關鍵的問題是如何實施，其一般的數據挖掘流程如下：
問題理解和提出→數據准備→數據整理→建立模型→評價和解釋
問題理解和提出：在開始數據挖掘之前最基礎的就是理解數據和實際的業務問題，在這個基礎之上提出問題，對目標有明確的定義。
數據准備：獲取原始的數據，並從中抽取一定數量的子集，建立數據挖掘庫，其中一個問題是如果企業原來的數據倉庫滿足數據挖掘的要求，就可以將數據倉庫作為數據挖掘庫。
數據整理：由於數據可能是不完全的、有雜訊的、隨機的，有復雜的數掘結構，就要對數據進行初步的整理，清洗不完全的數據，做初步的描述分析，選擇與數據挖掘有關的變數，或者轉變變數。
建立模型：根據數據挖掘的目標和數據的特徵，選擇合適的模型。
評價和解釋：對數據挖掘的結果進行評價，選擇最優的模型，作出評價，運用於實際問題，並且要和專業知識結合對結果進行解釋。
以上的流程不是一次完成的，可能其中某些步驟或者全部要反復進行。