精华内容
下载资源
问答
  • 数据挖掘涉及到公司运营的方方面面,这包括对企业部门经营情况的评估、内部员工的管理、生产流程的监管、产品结构优化新产品开发、财务成本优化、市场结构的分析和客户关系的管理。其中,关于客户市场的数据分析...

    数据挖掘涉及到公司运营的方方面面,这包括对企业部门经营情况的评估、内部员工的管理、生产流程的监管、产品结构优化与新产品开发、财务成本优化、市场结构的分析和客户关系的管理。其中,关于客户与市场的数据分析是“重头戏”。

    1.发掘潜在客户(市场细分):

    关于这个主题的分析,更多的是基于地区、性别和年龄段等粗粒度的指标,结合产品设计定位和目标客户群体进行匹配。比如,高档母婴产品的潜在客户应该是新建高档小区中的住户。这类分析是运用最早的,在广告投放、新店寻址等场景下大量使用。

    2.客户获取:

    当客户初次了解我们的产品和服务后,有可能会犹豫不决,拖延很久才可能真正成为我们的客户,而大部分客户在这期间会由于兴趣逐渐减退而最终流失。比如,信用卡新客户在填好个人信息,并收到信用卡后却迟迟没有开卡。这时就可以运用数据挖掘技术,对营销人员得到的客户基本信息进行一个初步筛选,找出购买倾向性较高的客户进行深度跟踪营销。

    这么做既减少了人工成本,又降低了打扰客户的次数,从而减少了投诉。同时在与潜在客户的交流中,也会为其制定更个性化的产品或服务组合。

    3.初始信用评分:

    当客户最终购买我们的产品时,在涉及赊销情况的时候,就会用到初始信用评分技术。这是根据客户的性别、年龄以及居住场所等基本信息对客户的信用进行预判。这类情况不只在银行信贷中会遇到,在很多企业中都会遇到。

    企业的应收账款就是一种自然的商业信用,建立好优秀的初始信用评分体系,可以使企业在不增大财务风险的情况下快速开拓市场。比如,IBM全球融资部(IGF)是一个为赊购买入IBM产品的小公司提供金融服务的部门,其在上世纪80年代开发的客户信用评分模型对开拓全球市场功不可没。现在这个技术也成为了提高客户满意度的一种方式。比如,中国移动的先付费客户的欠费额度和京东的“打白条”服务。

    4.客户价值预测:

    为了更好地为客户提供服务的同时增加企业利润,需要根据客户的基本信息进行其价值预测。其中价值既包括以消费水平为代表的直接价值,也包括客户口碑宣传的间接价值。5.客户细分(市场细分):

    根据客户的基本信息,从人口学、工业统计信息、社会状态、产品使用行为等方面对客户进行细致的描述。这对分析客户类型结构、修正产品定位、满足细分群体需求开发新产品、提高客户满意度和分析客户需求变化趋势都是有意义的。

    6.交叉销售:

    分析产品之间的关联关系,发现产品销售中预期不到的模式。比如,“啤酒与尿布”的故事就是从客户在超市中的购物记录中获取的。这种技术目前被广泛运用在零售业、银行、保险等领域,大家对京东商场的推荐产品和淘宝的“猜你喜欢”两个模块应该有深刻的印象吧,这两个模块都是这个主题的运用。

    7.产品精准营销:

    这是客户价值提升的重要方面,目的在于扩大客户消费的范围。比如,公司开发了一款新产品,希望快速找到目标客户。这就可以通过分析现有客户的属性和产品消费行为,确定响应可能性最大的群体进行营销。

    8.行为信用评分:

    和初始信用评分的目的是一样的,这里分析的变量加入了客户产品消费行为的信息,这使得对客户信用的评估更为准确。比如,美国AT&T电信公司,其客户信用风险评级精确度明显高于一般的信用卡公司,这就是因为掌握了客户更多的通话、差旅等行为信息。

    9.欺诈侦测:

    也称为异常侦测。是对客户(包括内部员工)涉及洗钱、套现、盗用等异常行为进行的侦测,满足风险监管的需求。

    10.客户保留:

    有可能随着时间的变化,客户需求产生变化,如果不及时发现这种变化趋势,就会造成客户流失。客户保留的目的在于,及时发现客户在购买产品方面的行为变化和满意度情况,从而及时更换产品组合。比如,电信运营商发现客户的通话特征,从短途居多变为长途居多,而且从客户流失的模型中发现,有这种情况的客户流失的可能性很高。

    这主要是由于客户不了解电信运营商的套餐类型,只是听说其他运营商的长途套餐更便宜造成的。那么客服人员就需要了解这类客户的需求,从而提供更合理的套餐类型。

    11.客户关系网:

    客户的亲友圈、工作圈和兴趣圈的信息对客户管理、营销和产品开发有重要的意义。比如,可以很好地定位客户所处的自然生命周期。如果是婚恋中的人,可以推荐与其品位相似的产品信息。而且通过对客户关系网络结构的分析,可以明确网络中的重要节点,这对关键人营销有重大意义。

    12.流失客户时间判断:

    通过对已经流失客户的存续时间进行分析。一方面可以预判现有客户流失的高危期,另一方面为提高不同类型客户的存续时间提供技术支持。

    13.流失客户类型判断:

    对流失客户的细分可以对改进产品和服务起到重要的指导作用。
    人工智能、大数据、云计算和物联网的未来发展值得重视,均为前沿产业,有兴趣的朋友,可以查阅多智时代,在此为你推荐几篇优质好文:
    1.在学习大数据之前,需要具备什么基础
    http://www.duozhishidai.com/article-12916-1.html
    2.大数据工程师培训,需要学习的有哪些课程?
    http://www.duozhishidai.com/article-15081-1.html
    3.大数据的特点是什么,大数据与Hadoop有什么关系?
    http://www.duozhishidai.com/article-13276-1.html


    多智时代-人工智能大数据学习入门网站|人工智能、大数据、物联网云计算的学习交流网站

    多智时代-人工智能大数据学习入门网站|人工智能、大数据、云计算、物联网的学习服务的好平台
    展开全文
  • 数据挖掘商业应用

    千次阅读 2014-09-29 16:00:47
    因为,大家越来越认识到,大数据本身并不能直接给人们带来什么收益,只有运用像数据挖掘这样的技术对大数据进行深入分析,才能得出对人们更有用的东西。如果大数据不能得到深入分析,那大数据只能是占用宝贵的存储...

    (本文源自作者在一次全国软件技术大会上的主题演讲。)

     

    近些年随着大数据的火热,数据挖掘也更加引起人们的重视。因为,大家越来越认识到,大数据本身并不能直接给人们带来什么收益,只有运用像数据挖掘这样的技术对大数据进行深入分析,才能得出对人们更有用的东西。如果大数据不能得到深入分析,那大数据只能是占用宝贵的存储资源和浪费昂贵管理成本的一堆大垃圾!

     

    虽然数据挖掘的很多技术源自理论界和学术界的一些研究成果,但更有价值的是这些技术能在商业上得到成功的应用。而数据挖掘在理论和实践之间有着相当大的距离和挑战!商业数据挖掘应用在北美地区开展得比较早,应用行业和范围也比较广泛,北美的业界也积累了不少的宝贵经验。下面,就根据我们在北美开展的商业数据挖掘应用的经历,给大家介绍一点相关经验。

     

    数据挖掘的主要技术和工具

     

    数据挖掘技术的主要原理包括人工智能、模式识别、机器学习、进化计算、信号处理、统计学、以及更广泛的一些数学建模方法等,同时也借鉴了许多其他学科的思想和优化技术。数据挖掘常用的技术,主要包括:

    ·离散数据分类:是对离散的目标变量进行分类;

    ·回归预测:是对连续型的目标变量进行预测分析;

    ·聚类分析:是所谓的“物以类聚,人以群分”的思想,探索数据自然的分组,往往用来探知未知数据的分布规律;

    ·关联规则:探索事物间并发现象的规律,简单举例,就是想要找到是否A事物的出现会导致B事物的同时出现这样的规律;

    ·相关分析:探索数据的多维变量之间的相关关系,包括变量实相关和变量虚相关,以及线性(非线性)完全相关、不完全相关、不相关、正相关、负相关等很多种关系;

    ·特性抽取:是寻找事物主要特征的一种方法,形象地说,就是哲学中的抓事物的主要矛盾。

    当然,数据挖掘的技术还远不止这些,例如,还有对数据进行相似性的分析、对数据进行异常点的分析、对数据进行趋势性的分析、对数据进行序列分析、对数据进行时间分析、对数据进行空间分析等等。

     

    总结以上,我们说数据挖掘最终目的的就是寻找事物间的关系、抓取事物的主要特征、探索事物隐藏的规律。

     

    现在数据挖掘常用工具包括两个大类,分别是商用数据挖掘套件和开源数据挖掘软件,以下是一些在北美地区常用的数据挖掘工具。

    商用数据挖掘套件:

    •        SAS Enterprise Miner

    •        IBM SPSS Modeler (SPSS Clementine)

    •        Oracle Data Miner

    •        IBM Intelligent Miner

    开源数据挖掘软件(Open Source):

    •        Weka

    •        KNIME

    •        RapidMiner

     

    我们体会,数据挖掘最关键的其实不只是算法,还有很多环节,如业务理解、数据的建模与准备等,也是数据挖掘商业应用成败的关键。在商业项目中,数据挖掘算法所占比例是很小的。对业务知识的了解,在数据挖掘中是很重要的工作。数据挖掘商业项目的要求比较高,真正想要做好并不容易。想要做好商业数据挖掘,就必须要求对业务了解相当深入。数据挖掘要求项目团队对业务深入了解,同时也要求项目团队具有丰富的数据挖掘的应用经验,有些项目对数据挖掘的技术和方法的要求也很高。只有这样具备诸多条件,才有做好数据挖掘商业项目的一定保障。

     

    数据挖掘在金融上的应用

     

    1、基于数据挖掘的信用卡借记卡防欺诈系统

    1.1 系统架构

    我们看一下信用卡借记卡防欺诈系统系统的架构。首先银行卡类业务中,有刷卡系统、刷卡中心,卡的信息要送到数据仓库当中。还有商户的交易系统,也需要把他们的交易数据送到数据仓库当中。系统将这些数据每天定期地转送到数据仓库当中,然后进行OLAP建模分析和创建智能报表,还可以建立预测模型。系统将预测模型生成的分析报告送到业务分析员手中。关键环节还是业务分析员分析阶段。业务分析员把挖掘的结果进行分析和总结,再根据业务知识,自定义形成一套规则,经软件人员将这些规则嵌入到相应的交易系统和刷卡管理系统当中,从而对每笔交易进行评估和预警。如下图一。

     

     数据挖掘的商业应用
    图一:信用卡借记卡防欺诈系统系统架构

     

    信用卡借记卡防欺诈系统的基本原理就是这样,但是要做成非常成熟的商业应用系统,其实不太容易,系统既不能错误地将正常交易侦测为异常交易,也不能漏掉真正的异常交易行为。

     

    1.2 数据模型

     

    我们再详细分析一下银行卡系统的数据模型。银行卡类的数据是交易型的数据,它们大多是第三范式的,基础上是按事物的关系建立模型。信用卡和银行卡交易系统数据模型如下图二:

     

    数据挖掘的商业应用
    图二:信用卡和银行卡交易系统数据模型

     

    接下来,我们把它们变换到信用卡和银行卡数据仓库中的数据模型。这个模型是个典型的数据仓库应用数据模型。实际上,数据仓库和数据挖掘在数据层面有的时候是相关的,但很多时候相关度不是很大。数据挖掘项目需要专门为数据挖掘做数据准备,当然有时也可以直接应用到数据仓库中的一些数据。

     

    如下图三,在我们这个数据仓库应用数据模型中,表中的“D”是指维度表(Dimensional Table),表中的“F”是指事实表(Fact Table)。图中的这个模型是一个雪花形的结构,我们称之为Snow Flake Model。总之还需要再次数据变换,将数据变换成满足我们要用的数据挖掘算法和方法的结构和形式。

     

    数据挖掘的商业应用

    图三:信用卡和银行卡数据仓库数据模型

     

    1.3 预测模型

     

    通过运行预测模型对进来的交易数据进行欺诈评估。我们的预测模型可进行欺诈报警,通常能甄别出80%的欺诈案例,以供业务分析员进行分析。高精准的数据挖掘模型为企业按照自己的交易数据定制出专用的欺诈侦测模型,这些模型是在线实时的,它为客户提供了实时评估报告和实时反欺诈交易的能力。

     

    2、支票风险控制系统

    Check Kiting(挪用支票周转,用空头支票骗取钱财),即利用支票进行恶意透支,是西方国家很常见的金融诈骗,银行每年因此损失巨大。当今,各大银行除了加强制度管理外,还纷纷采用数据挖掘的方法加大风险控制力度,从而收到了显著的效果。现在,预测模型已经成为各银行不可缺少的支票风险控制手段。

     

    国外用支票的地方比较多,如果有人要恶意透支,银行除了要有个管理制度控制以外,还要有个用预则模型来评估每笔交易、发现问题的手段,随着支票越来越广泛的应用,相应的风险控制也必须要加强。

     

    支票防欺诈系统系统的流程简要如下。金融交易系统A把支票开出来后送到另外一家银行,然后有个银行套现的过程,这个过程把数据送到数据仓库,通过建立的数据挖掘模型的评估,系统将此类评估集合在一起,生成批量预测报告,并将预警送到业务分析员,业务分析员通过将业务知识、技术模型和业务规则结合起来,再对每笔交易进行评估和预警,以判断每个支票是否存在空头支票的可能性,以及存在可能性有多大。

     

    数据挖掘在医学上的应用

     

    在医院的业务系统当中,有很多的业务数据是孤立的。我们把它们集成起来,形成医学临床上和科研上的专用数据集。我们可以通过数据集成,然后应用一些数据挖掘技术来帮助我们进行科研。这个工作的挑战性也是比较大的,我们做数据挖掘技术的人士,还需要深入学习和了解医学知识才能做好这件事。医学数据仓库集成了很多业务系统的数据,包括医院运营系统,临床信息系统,病案信息系统等。我们把它们的数据集成起来,形成一个专用的科研和临床方面的的数据仓库,基于数据仓库的数据分析系统涵盖了很多功能,包括数据探索、数据挖掘、数据筛选、科研分析,统计学分析等应用工具。

     

    我们举个数据挖掘在医学上应用的例子。医学家需要研究冠心病的一些特征和规律。医学的业务知识发现,冠心病除了表现出传统的典型特征外,还呈现出可能是一种慢性炎症的特征。于是医学家将重点研究冠心病有关慢性炎症的一些数据,其中他们发现一些生理指标呈现一种紧密的相关关系,并且在多个生理之间有可能存在一种数学模型。于是,医学家寻求我们数据分析专家的帮助。数据分析专家应用回归预测模型对这些生理指标进行分析。通过大量的数据挖掘实验和算法的不断变换与尝试,我们创建了基于这些生理指标的预测模型,模型的综合精度达到86%,它是指比朴素预测模型的准确率高出了86%,具有很好的拟合精度,如下图四,见仪表盘和预测残差图。

     

     数据挖掘的商业应用

    图四:预测模型

     

    我们从大量的医学数据中发现了一个多指标参与的预测模型,说明数据中蕴含着这样一个模型、一个规律。这样的模型和规律不是人为创造出来的,而是挖掘出来的、探索出来的。数据挖掘模型有时可以表达为一个是数学模型,有时也可能是一个非数学的模型,总而言之它是客观存在的。医学家根据数据挖掘得到的模型和结果,结合医学专业的知识和分析,揭示了冠心病重要的新的特征和规律。

     

    总而言之,数据挖掘是抽取潜在的、有价值的知识的过程。通过以上案例我们发现,潜在的知识不是通过传统的简单运算得到的,它是一个复杂的过程,包括对业务知识的理解,对数据的变换与准备,应用恰当的算法,不断实践、不断探索,最终发现有价值的规律。数据挖掘为各行各业提供了一个新的分析方法,新的深入理解数据、理解业务的手段。数据挖掘,我们也称之为数据的智能计算,是博大精深的,它涉及到的每一个方面展开来都是很深入的。数据挖掘技术在商业上的成功应用,是长年的项目积累形成的,没有捷径可走,需要我们脚踏实地的不断探索!

     

    有关问答

     

    问:老师讲的很多,侧重技术方面很多,咱们公司是做成熟的数据挖掘商业产品还是做数据挖掘服务?

    答:我们两方面都做,既做数据挖掘商业应用产品,也提供数据挖掘技术服务,两方面都有。

     

    问:您讲了很多案例,有没有从大量文本信息中进行数据挖掘的?

    答:有文本挖掘的案例,但相对于结构化数据挖掘,文本挖掘还是少一些,更多的是挖掘的大量关系型数据,但随着大数据的不断发展,文本挖掘也会越来越多的。

     

    问:有没有图像方面的数据挖掘,包括犯罪案,像行为犯罪的预测模型?

    答:有的,但是比较少,更多挖掘的是非图像数据方面,因为这方面的技术和方法比较多,也比较成熟。现在数据挖掘的技术还再发展,很多新的方法会越来越多,肯定的是,我们数据挖掘的包括面会越来越广,包括你提到的问题,应用的也会越来越多。很多新的问题和需求都已经提出,我们讲,数据挖掘的技术还是有很大的发展空间的。我们现有的技术能很好地解决一些问题,但还有很多要待完善,例如流数据,大量的流数据产生的时间是非常快的,数据量很大,实时性很强,解决起来比较困难。

     

    问:我们做数据挖掘的有一个问题。我们做数据挖掘的人,这种公司将来的生存前景在哪里?我以前是做SPSS的,在数据挖掘业界是NO.1,现在SPSS公司被IBM收购了。而且Oracle也在做他们自己的数据挖掘工具和应用,那么我们这样的企业,它的前景在哪里?我们的出路在哪里?

    答:我个人觉得,我们和大牌公司不是同一个概念。他们无论是IBM公司还是什么公司也好,是全球的跨国企业,他们的业务范围比较广泛,很多方面都是做系统工具的,如IBM 的Intelligent Miner、SPSS Modeler、Oracle的Data Miner等。我们是做什么?我们讲,数据挖掘的应用是需要定制化的,各行各业大量的数据挖掘项目需要定制化的工作,更需要专门的懂得专业知识和业务知识的有经验的数据挖掘技术人才,这才是数据挖掘的关键因素!大公司主要提供的是一种工具,我们提供的是知识、智慧和解决方案,我们和他们没有冲突。

     

    问:从技术角度来讲,数据挖掘和统计学有本质区别么?

    答:我们认为,二者是一个交叉的关系。数据挖掘涵盖了很多方面的技术,其中就包含一些统计学的东西,有一部份统计学的东西可以用到数据挖掘方面来。数据挖掘和统计学有交集,但侧重点不一样。统计学是什么?统计学的一个主要原理是从样本来找规律,从小的样本、小的数据来推到大的数据、整体的数据的特征,这是它的核心的概念。数据挖掘相反,它是从大量的数据里直接找规律,但是实践中,针对不同的情况可以用不同的技术来解决某一个问题。总之,数据挖掘和统计学是交集的关系,不是涵盖的关系。

     

    问:数据挖掘是不是依赖于数据仓库?但是您放的PPT里很多都有EDW(企业级数据仓库)在里面,数据挖掘什么时候依赖于数据仓库?什么时候不依赖?

    答:我们讲概念的时候,把这几个技术合在一起讲了。但是实际上,在商业上应用项目当中,数据挖掘与数据仓库往往是相对独立的。数据挖掘需要的数据是有它的特殊需求的,数据可以来源于数据仓库,也可以直接从数据源里来取,并不是说是二者是必然的关系,也不是说先有数据仓库再有数据挖掘,所有的数据挖掘一定基于数据仓库,并不是这个概念。

     

    问:现在很多东西都是混淆的,数据挖掘和OLAP分析,它们都在做PTI报表、仪表盘报表,数据挖掘和OLAP分析以及它们上面展示的报表是什么关系?

    答:OLAP分析是个一个多维度的分析结构,它的目的是为了商业智能报表,它的展现层或者物理层是OLAP的结构,在数据存储结构上,OLAP可以是关系结构的也可以是多维结构的,OLAP表现层就是我们的智能报表。现在智能报表(BI)有很多工具,有基于层次的,也有基于多维度的。OLAP和BI可以归为一类,目的都是为应用报表的,它们的独立性挺强的。另一概念是数据挖掘,数据挖掘主要解决一些BI不能解决的问题,比如销售,哪些是有价值的客户?结果是通过算法从数据中挖掘得到的,可能完全用不到OLAP去展示。数据挖掘和OLAP分析是两个角度,两个技术。我们认为,数据挖掘可算为一个分支,OLAP和BI可算为一个分支,数据仓库也是一个分支。数据仓库提供一个数据层,有业务需求,有一个分析目标,我们才设计它,然后在数据仓库之上上,我们再做OLAP、BI报表。数据挖掘呢?它和数据仓库是交集,它和BI通常也是交集的关系。

     

    本文转载自作者在新浪博客的文章:http://blog.sina.com.cn/s/blog_1361bcf9d0102v2ev.html

    本文为作者原创,转载请注明出处。

    展开全文
  • 数据挖掘作用:描述过去、预测未来、评估,数据挖掘商业智能(BI)一个重要应用方向。 **商业智能(BI)**是指通过对行业认知、经验、结合数学、管理、市场营销等理论,利用软件、算法(如:神经网络、遗传算法、...

    一、数据挖掘定义

    数据挖掘作用:描述过去、预测未来、评估,是商业智能(BI)一个重要应用方向。
    **商业智能(BI)**是指通过对行业认知、经验、结合数学、管理、市场营销等理论,利用软件、算法(如:神经网络、遗传算法、聚类、客户细分等)对企业数据、业务、市场进行分析及预测,以图表、数据分析报告等形式给企业决策、市场营销、业务拓展、信息运营等做支撑工作。即商业智能(BI)=数据+人+工具+算法+知识+预测

    数据挖掘的应用领域
    在这里插入图片描述

    二、数据挖掘建模步骤

    1.理解业务

    • 业务调研
      访谈式、诱导式、确认式等。
    • 问题定位
      思维导图法:业务产生背景、目前发展状况、业务影响
    • 制定目标
      我们需要做什么、怎么实现?
    • 业务分析
      产生原因分析:个人、企业、对手、第三方等。

    2.指标设计

    分类 分析方法
    战略管理 SWOT分析、PEST分析、麦肯锡7s分析、五力模型、波士顿矩阵、通用矩阵
    营销 4P-4C-4R、体验式营销、资费管理4阶段、品牌健康度、精准营销、整合营销
    服务、渠道 客户满意度、客户期望管理、KANO服务质量模型
    客户及客户心理 马斯洛需求理论、客户画像视图、峰终定律、心理定势、决策价值链

    步骤:

    • 客户认知需要
      被动了解、主动了解
    • 收集数据信息
      被动了解、主动了解的指标数据
    • 评价模型构建
      在这里插入图片描述
    • 客户购买决策情况
      客户购买、变更、退订等情况
    • 客户购后行为情况
      主动传播、后期输出

    3.数据提取

    • 数据提取
    • 数据清洗
      缺失数据、错误数据、冗余数据处理等。
    • 数据来源审核
    • 数据集成

    4.数据探索

    • 数据检测、数据统计与描述、验证数据质量
    • 数据转换以满足数据建模要求

    5.算法选择

    场景 算法
    客户细分、客户行为细分、市场细分 描述性算法,如:聚类分析
    收入/风险预测、客户流失预测、产品交叉销售、潜在客户挖掘、客户欺诈等异常行为预测与分析 预测类算法 连续变量:线性回归、非线性回归、时间序列等;离散变量:神经网络、决策树、贝叶斯分析、logistic回归等;非预测类算法:关联分析、偏差检测等
    客户价值评估、产品价值评估、渠道价值评估、客户满意度评估、客户稳定性评估 因子分析、主成分分析、数学统计公式

    6.模型有效性、应用性评估

    评估标准

    评估方法

    评估与参照对象、参照依据、评估准则的选择

    评估工具

    评估分析、增益图、提升图等

    7.模型发布

    • 根据模型输出结果,综合分析业务现状并制定针对性市场策略
    • 针对性客户营销和服务
    • 数据挖掘模型及其功能展示

    8.模型优化

    9.参考文献:https://wenku.baidu.com/view/c2c82c61a21614791611286c.html

    展开全文
  • 数据挖掘能帮助您在浏览巨量数据的同时从中发现潜在有效的模式,并将这些模式应用商业运营中。 Microsoft SQL Server 2005分析服务中构建了新的数据挖掘组件——一个易于使用、容易扩展、方便访问、非常灵活的平
    在过去的二十年中,经济快速发展,组织机构普遍都收集了大量的商业数据。然而,拥有大量的数据并不意味着拥有了丰富的商业信息。因此,商业智能需要进展到下一步——数据挖掘。数据挖掘能帮助您在浏览巨量数据的同时从中发现潜在有效的模式,并将这些模式应用于商业运营中。
    

         Microsoft SQL Server 2005分析服务中构建了新的数据挖掘组件——一个易于使用、容易扩展、方便访问、非常灵活的平台。对于以前从未考虑过采用数据挖掘的组织机构,这无疑是个非常容易接受的解决方案。
    企业级产品的架构,与SQL Server产品家族商业智能功能的紧密集成,丰富的工具、API和算法,这一切使得用户可以基于SQL Server创建新型的商业智能应用程序,通过它所提供的针对各种商业问题的自定义的数据驱动解决方案,能达到提高生产力、增加利润和减少支出的目的。例如:

        1. 购物篮分析。对销售结果进行分析来判断商品是否应该捆绑销售。使用应用程序的结果来创建一个在线指导系统,或者决定如何捆绑销售能将利润最大化。
        2.客户流失分析。创建报表显示可能会取消服务的顾客。
        3.市场分析。通过对客户自动分组来细分市场,并由此结果做趋势分析以设计市场活动。
        4.预测。预测销售量和库存量并获知他们之间的关联关系。
        5.数据浏览。由数据挖掘算法发现的模式能帮助您更好地了解您的客户。它可以比较高价值客户与低价值客户之间的差异,或者分析喜爱同一种产品的不同品牌的客户之间的区别。
        6.Web站点分析。分析网站用户行为,归纳相似的使用模式。
        7.营销活动分析。把钱花在刀刃上,准确定位有效用户,让我们的每一分市场经费都发挥最大的效用。
        7.数据质量。当数据被装载进数据仓库时检查其中可能丢失的数据或是异常数据。
        8.文本分析。分析反馈信息,找到与你的客户或者员工有关的共同主题或趋势。

        集成

        SQL Server数据挖掘是微软商业智能技术家族中的一员,数据挖掘的加入使得它们如虎添翼。

        1.SQL Server 2005 Integration Service。基于由数据挖掘算法得到的预测性分析结果,我们可以在SQL Server 2005 Integration Service中标记异常、数据分类和填充丢失数据,从而创建出更加强大的数据管道。
        2.SQL Server 2005分析服务(OLAP)。加入数据挖掘维度,根据数据中隐藏的模式切片数据,构建内容更为丰富的统一空间模型(UDM)。
        3.SQL Server 2005报表服务。基于数据挖掘查询,创建更加智能,富于洞察力的报表来呈现正确的信息或者为报表选择正确的接收用户。

        易于使用

        使用内置的数据挖掘向导和设计器,你只需要点击几下鼠标就可以构建出非常复杂精密的模型。由于与Microsoft Visual Studio的紧密集成,SQL Server数据挖掘工具集允许你既能浏览和操作数据,又能设计和编辑模型。SQL Server数据挖掘提供了超过一打的交互式可视化界面帮助你理解数据挖掘算法发现的模式。另外,在你决定部署之前,还可以参考一下提升度和profit图表,让你对不同的模型的差异进行比较。

       
    简约不简单

        在数据挖掘模型应用方面,SQL Server开启了新的篇章。Data Mining Extensions for SQL(DMX)的出现使得开发人员和DBA们能非常容易地创建与数据挖掘相关的应用程序,而过去他们可能只熟悉创建与数据库相关的应用程序。现在,使用数据挖掘模型进行预测的语句简直就像SQL查询中的Join查询。就是第一次接触,利用他们已经熟悉的工具和已具有的知识也能够操作数据挖掘技术。

        算法

        经过微软研究院和SQL Server产品开发团队的共同努力,SQL Server数据挖掘中包含了多种有效的数据挖掘算法,包括决策树、回归树、时间序列、聚集、序列聚集、关联规则、Naive Bayes、神经网络和文本挖掘。

        扩展性

        SQL Server数据挖掘是完全可扩展的,通过.NET存储过程与算法和查看器插件的无缝集成,你可以利用到所有的平台功能优势和集成优势。采用SQL Server数据挖掘作为你的平台意味着你不会受限于数据挖掘系统本身的功能,因为它能根据你的需求而扩展。

        架构

        将数据挖掘应用在不同规模的组织机构会带来新的挑战。部署、稳定性、易管理性和安全性都是非常重要的因素。SQL Server数据挖掘是分析服务的一部分,它能提供你所希望的所有企业级服务器的功能。

        1.部署。SQL Server数据挖掘基于客户端—服务器架构,这就允许你能通过LAN、WAN或者Internet访问模型。标准的API,例如OLE DB、ADOMD.Net甚至XML/A,都能提供给你访问模型的功能,而不管客户端的位置和平台。一旦经过了处理,模型一直是可用的,甚至是在其更新的过程中。
        2.稳定性。SQL Server数据挖掘在设计之初就采用了并行架构,目的在于满足企业级数据的要求和数千并发用户的请求,它每天可以响应数百万条查询。
        3.易管理性。SQL Server数据挖掘被集成在新的SQL Management Studio中,它提供了一站式的解决方案来帮助你管理SQL Server家族的所有属性。
        4.安全性。SQL Server数据挖掘提供了基于角色、粒度精细的安全功能来保证你所有的商业信息都能被安全地保护。

    展开全文
  • 第二篇:商业智能应用中的数据挖掘智能应用的平台在过去的二十年中,经济快速发展,组织机构普遍都收集了大量的商业数据。然而,拥有大量的数据并不意味着拥有了丰富的商业信息。因此,商业智能需要进展到下一步——...
  • 数据挖掘应用

    2014-05-09 17:41:59
     需要强调的是,数据挖掘技术从一开始就是面向应用的。目前,在很多领域,数据挖掘(data mining)都是一个很时髦的词,尤其是在如银行、电信、保险、交通、零售(如超级市场)等商业领域。数据挖掘所能解决的典型...
  • 微博商业数据挖掘方法

    千次阅读 2017-03-27 09:14:54
    负责过广告和用户反作弊算法,Feed流分发控制算法,商业数据挖掘算法等领域,对相关的算法工作有长期实战经验和系统方法论。 责编:郭芮,关注大数据领域,寻求报道或投稿请联系guorui@csdn.net。 本文为...
  • 数据挖掘技术在商业银行CRM中的应用理论模型研究 MG0915055 马文虎 (工程管理学院 信息管理工程) 摘 要:随着金融市场竞争的加剧和消费者的需求日趋个性化,建立高效的CRM系统,可以使...
  • 数据挖掘涉及到公司运营的方方面面,这包括对企业部门经营情况的评估、内部员工的管理、生产流程的监管、产品结构优化新产品开发、财务成本优化、市场结构的分析和客户关系的管理。...
  • 顾名思义, 数据挖掘就是从大量的数据中挖掘出有用的信息。它是根据人们的特定要求,从浩如烟海的数据中找出所需的信息来,供人们的特定需求使用。 2000年7月,IDC发布了有关信息存取工具市场的报告。1999年,数据...
  • 数据挖掘与商业智能

    千次阅读 2005-01-24 16:53:00
    数据挖掘与商业智能frank1982摘要:在当今竞争日益激烈的市场环境中,您一定希望能够从浩如烟海的商务数据以及其他相关的数据中发现带来巨额利润的商机。只有那些利用先进的信息技术成功地收集、分析、理解信息并...
  • 数据挖掘与数据化运营实战:思路、方法、技巧与应用  本书分享的数据化运营实战 案例都是来自阿里巴巴 B2B近 3年来的商业实践, 有立竿见影的案例,也有充满了波折和 反复的案例。 面对这些实战中的挫折和曲折...
  • 本文系统地讨论了对数据挖掘商业银行客户关系管理中的应用研究问题。在进行了相关领域文献综述以后,本论文主要论述了以下几个方面: 首先,对客户关系管理、商业银行客户关系管理理论以及数据挖掘相关理论进行...
  • 在现代社会中,公司大多数商务流程的核心部分是...这个就是数据挖掘商业应用上的一个完整的流程。下面给出一个完整数据挖掘过程的四个步骤:1、鉴别商业问题2、使用数据挖掘技术将数据转换成可以采取行动的信息。3
  • 转自 数据科学统计 随着智能机器时代的到来,大数据的分析挖掘技术凸显重要地位。“国际数据挖掘与应用统计研究会”从2006年以来,一直致力于为全世界政府、高校、研...
  • 数据挖掘应用案例

    千次阅读 2012-09-07 05:49:57
    1. 哪些商品放在一起比较好卖?  这是沃尔玛的经典案例:一般看来,啤酒和尿布是顾客群完全不同的商品。但是沃尔玛一年内数据挖掘的结果显示,在居民区中尿布卖得好的...这个故事被公认是商业领域数据挖掘的诞生。
  • 数据挖掘技术的算法与应用

    千次阅读 2010-04-15 15:11:00
    研究方向前沿读书报告数据挖掘技术的算法与应用 目录第一章 数据仓库1.1 概论1.2 数据仓库体系结构1.3 数据仓库规划、设计开发1.3.1 确定范围1.3.2 环境评估1.3.3 分析1.3.4 设计1.3.5 开发1.3.5 测试1.3.6 运行...
  • 数据挖掘作为现在比较有用的支持决策系统的一种手段有着广泛的应用。其有很多种方法,本文主要基于关联规则类等相关问题进行论述。按照挖掘过程进行组织。首先,有数据仓库的建立和数据挖掘的概述。其次是关联规则的...
  • 数据挖掘的价值:寿险行业数据挖掘应用分析北京理工大学 刘勇 张丽平2003-12-9 14:47:04 寿险是保险行业的一个重要分支,具有巨大的市场发展空间,因此,随着寿险市场的开放、外资公司的介入,竞争逐步升级,群雄...
  • 数据挖掘 应用案例集

    千次阅读 2010-10-20 22:51:00
    数据挖掘应用目前在国内的基本结论是“大企业成功案例少,中小企业需求小”。但是对于市场来说,如果不是真的“没有人买”所以“没有人卖”,那一定是创新的机会所在。个人的判断是,一个数据库只要有几十万...
  • 最近在看数据挖掘,查资料时又看到了经典的“啤酒-尿布”例子,进一步了解了数据挖掘商业领域的应用,随着大数据时代的来临,数据挖掘在越来越多的领域得以应用。然后又看到了Target 公司的营销策略的应用...
  • 数据挖掘面试 150 道题(附答案)

    万次阅读 多人点赞 2019-09-21 13:50:38
    1. 某超市研究销售纪录数据后发现,买啤酒的人很大概率也会购买尿布,这种属于数据挖掘的哪类问题?(A) A. 关联规则发现 B. 聚类 C. 分类 D. 自然语言处理 2. 以下两种描述分别对应哪两种对分类算法的评价标准...
  • SAS认证与数据挖掘商业智能职业发展 何为数据挖掘商业智能? 与数据挖掘相关的词汇有例如数据仓库,数据装载(ETL),数据挖掘(Data Mining), 客户关系管理(CRM),SAS,PeopleSoft, SAP等。到上个世纪九十年代,...
  • 寿险行业数据挖掘应用分析

    千次阅读 2004-10-03 18:32:00
    寿险行业数据挖掘应用分析 寿险是保险行业的一个重要分支,具有巨大的市场发展空间,因此,随着寿险市场的开放、外资公司的介入,竞争逐步升级,群雄逐鹿已成定局。如何保持自身的核心竞争力,使自己始终立于...
  • 如何分辨出垃圾邮件”、“如何判断一笔...但是,如果了解一点点数据挖掘的知识,你,或许会有柳暗花明的感觉。本文,主要想简单介绍下数据挖掘中的算法,以及它包含的类型。然后,通过现实中触手可及的、活生生的案例
  • 数据挖掘在医学上的应用

    千次阅读 2015-04-14 17:15:34
    本篇将再多讲一讲数据挖掘在医学上的应用,希望能对感兴趣的朋友有所启发,也供从事其他行业数据挖掘应用的同仁参考。   数据挖掘,又称知识发现(KDD),是从大量的数据中抽取潜在的、有价值的知识的过程。数据...
  • 数据挖掘应用案例集

    千次阅读 2013-01-10 17:34:41
    数据挖掘应用目前在国内的基本结论是“大企业成功案例少,中小企业需求少”。但是对于市场来说,如果不是真的“没有人买”所以“没有人卖”,那一定是创新的机会所在。个人的判断是,一个数据库只要有几十万以上记录...

空空如也

空空如也

1 2 3 4 5 ... 20
收藏数 59,007
精华内容 23,602
关键字:

商业数据挖掘与应用