① 急求有關數據挖掘方面的畢業論文題目
壽險行業數據挖掘應用分析
壽險是保險行業的一個重要分支，具有巨大的市場發展空間，因此，隨著壽險市場的開放、外資公司的介入，競爭逐步升級，群雄逐鹿已成定局。如何保持自身的核心競爭力，使自己始終立於不敗之地，是每個企業必須面對的問題。信息技術的應用無疑是提高企業競爭力的有效手段之一。壽險信息系統經過了多年的發展，已逐步成熟完善，並積累了相當數量的數據資源，為數據挖掘提供了堅實的基礎，而通過數據挖掘發現知識，並用於科學決策越來越普遍受到壽險公司的信悄舉重視。
數據挖掘
數據挖掘（Data Mining，DM）是指從大量不完全的、有雜訊的、模糊的、隨機的數據中，提取隱含在其中的、有用的信息和知識的過程。其表現形式為概念（Concepts）、規則(Rules)、模式(Patterns)等形式。
目前業內已有很多成熟的數據挖掘方法論，為實際應用提供了理想的指導模型。CRISP-DM（Cross-Instry Standard Process for Data Mining）就是公認的、較有影響的方法論之一。CRISP-DM強調，DM不單是數據的組織或者呈現，也不僅是數據分析和統計建模，而是一個從理解業務需求、尋求解決方案到接受實踐檢驗的完整過程。CRISP-DM將整個挖掘過程分為以下六個階段：商業理解（Business Understanding），數據理解(Data Understanding)，數據准備(Data Preparation)，建模(Modeling)，評估(Evaluation)和發布(Deployment)。
商業理解就是對企業運作、運搭業務流程和行業背景的了解；數據理解是對現有企業應用系統的了解；數據准備就是從企業大量數據中取出一個與要探索問題相關的樣板數據子集。建模是根據對業務問題的理解，在數據准備的基礎滑碧上，選擇一種更為實用的挖掘模型，形成挖掘的結論。評估就是在實際中檢驗挖掘的結論，如果達到了預期的效果，就可將結論發布。在實際項目中，CRISP-DM模型中的數據理解、數據准備、建模、評估並不是單向運作的，而是一個多次反復、多次調整、不斷修訂完善的過程。
行業數據挖掘
經過多年的系統運營，壽險公司已積累了相當可觀的保單信息、客戶信息、交易信息、財務信息等，也出現了超大規模的資料庫系統。同時，數據集中為原有業務水平的提升以及新業務的拓展提供了條件，也為數據挖掘提供了豐厚的土壤。
根據CRISP-DM模型，數據挖掘首先應該做的是對業務的理解、尋找數據挖掘的目標和問題。這些問題包括：代理人的甄選、欺詐識別以及市場細分等，其中市場細分對企業制定經營戰略具有極高的指導意義，它是關繫到企業能否生存與發展、企業市場營銷戰略制定與實現的首要問題。
針對壽險經營的特點，我們可以從不同的角度對客戶群體進行分類歸納，從而形成各種客戶分布統計，作為管理人員決策的依據。從壽險產品入手，分析客戶對不同險種的偏好程度，指導代理人進行重點推廣，是比較容易實現的挖掘思路。由於國內經濟發展狀況不同，各省差異較大，因此必須限定在一個經濟水平相當的區域進行分析數據的采樣。同時，市場波動也是必須要考慮的問題，一個模型從建立到廢棄有一個生命周期，周期根據模型的適應性和命中率確定，因此模型需要不斷修訂。
挖掘系統架構
挖掘系統包括規則生成子系統和應用評估子系統兩個部分。
規則生成子系統主要完成根據數據倉庫提供的保單歷史數據，統計並產生相關規律，並輸出相關結果。具體包括數據抽取轉換、挖掘資料庫建立、建模（其中包括了參數設置）、模型評估、結果發布。發布的對象是高層決策者，同時將模型提交給應用評估子系統.根據效果每月動態生成新的模型。
應用評估子系統可以理解為生產系統中的挖掘代理程序，根據生成子系統產生的規則按照一定的策略對保單數據進行非類預測。通過系統的任務計劃對生產數據產生評估指標。具體包括核心業務系統數據自動轉入數據平台、規則實時評估、評估結果動態顯示、實際效果評估。規則評估子系統根據規則進行檢測。經過一段時間的檢測，可利用規則生成子系統重新學習，獲得新的規則，不斷地更新規則庫，直到規則庫穩定。
目前比較常用的分析指標有: 險種、交費年期、被保人職業、被保人年收入、被保人年齡段、被保人性別、被保人婚姻狀況等。
實踐中，可結合實際數據狀況，對各要素進行適當的取捨，並做不同程度的概括，以形成較為滿意的判定樹，產生可解釋的結論成果。
② 數據挖掘的論文好寫嗎
數據挖掘方面的論文還不是太好寫的，你主要找准問題，分析問題，提出解決辦法，最後得出結論。