⑴ 鏁版嵁鎸栨帢鎶链鍦–RM绯荤粺涓镄勫簲鐢ㄦ湁鍝浜涙柟闱
1. 瀹㈡埛缁嗗垎鏄疌RM瀹炴柦镄勫墠鎻愶纴阃氲繃鍖哄垎瀹㈡埛缇や綋锛屼紒涓氲兘澶熷疄鏂界簿鍑嗙殑甯傚満钀ラ攒绛栫暐锛屾彁楂桦㈡埛婊℃剰搴﹀拰浼佷笟鍒╂鼎銆傚㈡埛缁嗗垎鍙浠ラ氲繃鍒嗙被鎴栬仛绫绘柟娉曞疄鐜帮纴姣斿傚皢瀹㈡埛鍒嗕负楂树环鍊煎拰浣庝环鍊肩被鍒锛屼粠钥岀‘瀹氩奖鍝嶅垎绫荤殑锲犵礌锛屾彁鍙栫浉鍏虫暟鎹锛屽苟搴旂敤绠楁硶寰楀嚭鍒嗙被瑙勫垯銆
2. 銮峰彇鏂板㈡埛鏂归溃锛屽㈡埛鍝嶅簲鍒嗘瀽镊冲叧閲嶈併傞氲繃棰勬祴娼滃湪瀹㈡埛瀵瑰竞鍦轰绩阌娲诲姩镄勫弽搴旓纴浼佷笟鍙浠ユ彁楂桦竞鍦烘椿锷ㄧ殑阍埚规у拰鏁堟灉锛屽埄鐢ㄦ暟鎹鎸栨帢鎶链璇嗗埆娼滃湪瀹㈡埛缇わ纴鎻愰珮钀ラ攒娲诲姩镄勬晥鐜囥
3. 鎻愬崌瀹㈡埛浠峰肩殑杩囩▼涓锛屼氦鍙夐攒鍞鏄涓绉嶆湁鏁堟坠娈点傛暟鎹鎸栨帢鍙浠ラ氲繃鍒嗘瀽瀹㈡埛璐涔拌屼负鍜屾秷璐逛範𨱍锛岄勬祴瀹㈡埛链𨱒ョ殑娑堣垂琛屼负锛屽府锷╀紒涓氩喅瀹氩悜瀹㈡埛鎻愪緵链钖堥傜殑浜ゅ弶阌鍞鏂规堛
4. 淇濇寔瀹㈡埛锛岄槻姝㈠㈡埛娴佸け涔熸槸CRM镄勯吨瑕佺洰镙囥傞氲繃寤虹珛娴佸け瀹㈡埛妯″瀷锛岃瘑鍒瀹㈡埛娴佸け镄勬ā寮忥纴浼佷笟鍙浠ラ噰鍙栨帾鏂芥尳鐣欐湁绂诲紑鍊惧悜镄勫㈡埛锛屼粠钥屼缭鎸佸师链夊㈡埛缇ゃ
缁间笂镓杩帮纴鏁版嵁鎸栨帢鍦–RM绯荤粺涓镓婕旂潃镊冲叧閲嶈佺殑瑙掕壊锛屽畠甯锷╀紒涓氩彂鐜版暟鎹涔嬮棿镄勫叧镵斿拰妯″纺锛屼负鍒跺畾甯傚満绛栫暐銆佹彁鍗囧㈡埛鍏崇郴绠＄悊鎻愪緵鍐崇瓥鏀鎸侊纴瀹炵幇浼佷笟涓庡㈡埛镄勫叡璧銆
⑵ 数据挖掘的应用领域有哪些
数据挖掘的应用非常广泛，只要该产业有分析价值与需求的数据库，皆可利用数据挖掘工具进行有目的的发掘分析。常见的应用案例多发生在零售业、制造业、财务金融保险、通讯及医疗服务：
(1)商场从顾客购买商品中发现一定的关联规则，提供打折、购物券等促销手段，提高销售额；
(2)保险公司通过数据挖掘建立预测模型，辨别出可能的欺诈行为，避免道德风险，减少成本，提高利润；
(3)在制造业中，半导体的生产和测试中都产生大量的数据，就必须对这些数据进行分析，找出存在的问题，提高质量；
(4)电子商务的作用越来越大，可以用数据挖掘对网站进行分析，识别用户的行为模式，保留客户，提供个性化服务，优化网站设计；
一些公司运用数据挖掘的成功案例，显示了数据挖掘的强大生命力：
美国AutoTrader是世界上最大的汽车销售站点，每天都会有大量的用户对网站上的信息点击，寻求信息，其运用了SAS软件进行数据挖掘，每天对数据进行分析，找出用户的访问模式，对产品的喜欢程度进行判断，并设特定服务，取得了成功。
Reuteres是世界着名的金融信息服务公司，其利用的数据大都是外部的数据，这样数据的质量就是公司生存的关键所在，必须从数据中检测出错误的成分。Reuteres用SPSS的数据挖掘工具SPSS/Clementine，建立数据挖掘模型，极大地提高了错误的检测，保证了信息的正确和权威性。
Bass Export是世界最大的啤酒进出口商之一，在海外80多个市场从事交易，每个星期传送23000份定单，这就需要了解每个客户的习惯，如品牌的喜好等，Bass Export用IBM的Intelligent Miner很好的解决了上述问题。
⑶ 数据挖掘应用在哪些领域
数据挖掘可以应用在金融、医疗保健、市场业、零售业、制造业、司法、工程和科学、保险业等领域。
数据挖掘，又译为资料探勘、数据采矿。它是数据库知识发现中的一个步骤。数据挖掘一般是指从大量的数据中自动搜索隐藏于其中的有着特殊关系性的信息的过程。数据挖掘通常与计算机科学有关，并通过统计、在线分析处理、情报检索、机器学习、专家系统和模式识别等诸多方法来实现上述目标。
近年来，数据挖掘引起了信息产业界的极大关注，其主要原因是存在大量数据，可以广泛使用，并且迫切需要将这些数据转换成有用的信息和知识。获取的信息和知识可以广泛用于各种应用，包括商务管理，生产控制，市场分析，工程设计和科学探索等。
⑷ 数据挖掘的常用方法有哪些
1、决策树法决策树在解决归类与预测上有着极强的能力，它以法则的方式表达，而这些法则则以一连串的问题表示出来，经由不断询问问题最终能导出所需的结果。典型的决策树顶端是一个树根，底部有许多的树叶，它将纪录分解成不同的子集，每个子集中的字段可能都包含一个简单的法则。此外，决策树可能有着不同的外型，例如二元树、三元树或混和的决策树型态。
2、神经网络法
神经网络法是模拟生物神经系统的结构和功能，是一种通过训练来学习的非线性预测模型，它将每一个连接看作一个处理单元，试图模拟人脑神经元的功能，可完成分类、聚类、特征挖掘等多种数据挖掘任务。神经网络的学习方法主要表现在权值的修改上。其优点是具有抗干扰、非线性学习、联想记忆功能，对复杂情况能得到精确的预测结果;缺点首先是不适合处理高维变量，不能观察中间的学习过程，具有“黑箱”性，输出结果也难以解释;其次是需较长的学习时间。神经网络法主要应用于数据挖掘的聚类技术中。
3、关联规则法
关联规则是描述数据库中数据项之间所存在的关系的规则，即根据一个事务中某些项的出现可导出另一些项在同一事务中也出现，即隐藏在数据间的关联或相互关系。在客户关系管理中，通过对企业的客户数据库里的大量数据进行挖掘，可以从大量的记录中发现有趣的关联关系，找出影响市场营销效果的关键因素，为产品定位、定价与定制客户群，客户寻求、细分与保持，市场营销与推销，营销风险评估和诈骗预测等决策支持提供参考依据。
4、遗传算法
遗传算法模拟了自然选择和遗传中发生的繁殖、交配和基因突变现象，是一种采用遗传结合、遗传交叉变异及自然选择等操作来生成实现规则的、基于进化理论的机器学习方法。它的基本观点是“适者生存”原理，具有隐含并行性、易于和其他模型结合等性质。主要的优点是可以处理许多数据类型，同时可以并行处理各种数据;缺点是需要的参数太多，编码困难，一般计算量比较大。遗传算法常用于优化神经元网络，能够解决其他技术难以解决的问题。
5、聚类分析法
聚类分析是把一组数据按照相似性和差异性分为几个类别，其目的是使得属于同一类别的数据间的相似性尽可能大，不同类别中的数据间的相似性尽可能小。根据定义可以把其分为四类：基于层次的聚类方法;分区聚类算法;基于密度的聚类算法;网格的聚类算法。常用的经典聚类方法有K-mean，K-medoids，ISODATA等。
6、模糊集法
模糊集法是利用模糊集合理论对问题进行模糊评判、模糊决策、模糊模式识别和模糊聚类分析。模糊集合理论是用隶属度来描述模糊事物的属性。系统的复杂性越高，模糊性就越强。
7、web页挖掘
通过对Web的挖掘，可以利用Web的海量数据进行分析，收集政治、经济、政策、科技、金融、各种市场、竞争对手、供求信息、客户等有关的信息，集中精力分析和处理那些对企业有重大或潜在重大影响的外部环境信息和内部经营信息，并根据分析结果找出企业管理过程中出现的各种问题和可能引起危机的先兆，对这些信息进行分析和处理，以便识别、分析、评价和管理危机。
8、逻辑回归分析
反映的是事务数据库中属性值在时间上的特征，产生一个将数据项映射到一个实值预测变量的函数，发现变量或属性间的依赖关系，其主要研究问题包括数据序列的趋势特征、数据序列的预测以及数据间的相关关系等。
9、粗糙集法
是一种新的处理含糊、不精确、不完备问题的数学工具，可以处理数据约简、数据相关性发现、数据意义的评估等问题。其优点是算法简单，在其处理过程中可以不需要关于数据的先验知识，可以自动找出问题的内在规律;缺点是难以直接处理连续的属性，须先进行属性的离散化。因此，连续属性的离散化问题是制约粗糙集理论实用化的难点。
10、连接分析
它是以关系为主体，由人与人、物与物或是人与物的关系发展出相当多的应用。例如电信服务业可藉连结分析收集到顾客使用电话的时间与频率，进而推断顾客使用偏好为何，提出有利于公司的方案。除了电信业之外，愈来愈多的营销业者亦利用连结分析做有利于企业的研究。
⑸ 数据挖掘的方法及实施
数据挖掘的方法及实施
作为一门处理数据的新兴技术，数据挖掘有许多的新特征。首先，数据挖掘面对的是海量的数据，这也是数据挖掘产生的原因。其次，数据可能是不完全的、有噪声的、随机的，有复杂的数据结构，维数大。最后，数据挖掘是许多学科的交叉，运用了统计学，计算机，数学等学科的技术。以下是常见和应用最广泛的算法和模型：
传统统计方法：①抽样技术：我们面对的是大量的数据，对所有的数据进行分析是不可能的也是没有必要的，就要在理论的指导下进行合理的抽样。②多元统计分析：因子分析，聚类分析等。③统计预测方法，如回归分析，时间序列分析等。
可视化技术：用图表等方式把数据特征用直观地表述出来，如直方图等，这其中运用的许多描述统计的方法。可视化技术面对的一个难题是高维数据的可视化。
决策树：利用一系列规则划分，建立树状图，可用于分类和预测。常用的算法有CART、CHAID、ID3、C4.5、C5.0等。
神经网络：模拟人的神经元功能，经过输入层，隐藏层，输出层等，对数据进行调整，计算，最后得到结果，用于分类和回归。
遗传算法：基于自然进化理论，模拟基因联合、突变、选择等过程的一种优化技术。
关联规则挖掘算法：关联规则是描述数据之间存在关系的规则，形式为“A1∧A2∧…An→B1∧B2∧…Bn”。一般分为两个步骤：①求出大数据项集。②用大数据项集产生关联规则。
除了上述的常用方法外，还有粗集方法，模糊集合方法，Bayesian Belief Netords，最邻近算法（k-nearest neighbors method（KNN））等。
数据挖掘的实施流程
前面我们讨论了数据挖掘的定义，功能和方法，现在关键的问题是如何实施，其一般的数据挖掘流程如下：
问题理解和提出→数据准备→数据整理→建立模型→评价和解释
问题理解和提出：在开始数据挖掘之前最基础的就是理解数据和实际的业务问题，在这个基础之上提出问题，对目标有明确的定义。
数据准备：获取原始的数据，并从中抽取一定数量的子集，建立数据挖掘库，其中一个问题是如果企业原来的数据仓库满足数据挖掘的要求，就可以将数据仓库作为数据挖掘库。
数据整理：由于数据可能是不完全的、有噪声的、随机的，有复杂的数掘结构，就要对数据进行初步的整理，清洗不完全的数据，做初步的描述分析，选择与数据挖掘有关的变量，或者转变变量。
建立模型：根据数据挖掘的目标和数据的特征，选择合适的模型。
评价和解释：对数据挖掘的结果进行评价，选择最优的模型，作出评价，运用于实际问题，并且要和专业知识结合对结果进行解释。
以上的流程不是一次完成的，可能其中某些步骤或者全部要反复进行。