数据挖掘技术应用范文

数据挖掘技术应用篇1

关键词：大数据 数据挖掘 挖掘技术

中图分类号：TP311 文献标识码：A 文章编号：1007-9416（2016）05-0000-00

1数据挖掘与数据挖掘技术的方法分析

“数据海量、信息缺乏”是相当多企业在数据大集中之后面临的尴尬问题，由此而诞生的数据挖掘技术其实就是用以处理这一尴尬问题的技术。数据挖掘实际上是相对比较新型的一门学科，在几十年的发展过程中，已经不可同日而语。其实数据挖掘技术的本质就是人工智能技术，而数据挖掘技术的利用相对应的就是指人工智能技术的开发与应用，也就是说数据挖掘其实是依赖技术的提升来实现数据的整体创新的技术，所以，整个数据挖掘技术实际上是非常具有信息价值的，它能够帮助决策者更快的得到重要信息并作出决策，提高效率和准确率，是非常重要的知识凭证，能够在一定程度上提高当下企业的整体竞争力。

数据挖掘技术的核心就是分析，通过分析方法的不同来解决不同类别的问题，以实现数据挖掘的潜在内容。简单来说就是对症下药以保证药到病除。

1.1聚类分析法

简单来说聚类分析就是通过将数据对象进行聚类分组，然后形成板块，将毫无逻辑的数据变成了有联系性的分组数据，然后从其中获取具有一定价值的数据内容进行进一步的利用。由于这种分析方法不能够较好的就数据类别、属性进行分类，所以聚类分析法一般都运用在心理学、统计学、数据识别等方面。

1.2人工神经网络

人工神经网络是通过大批量的数据进行分析，而这种数据分析方式本身是建立在一定的数据模型基础上的，因此通常都可以随时根据数据需求进行分类，所以人工神经网络也是当下数据挖掘技术中最常用的一种数据分析方式之一。

1.3关联性分析法

有时数据本身存在一定的隐蔽性使得很难通过普通的数据分析法进行数据挖掘和利用，这就需要通过关联性分析法完成对于数据信息的关联性识别，来帮助人力完成对于数据分辨的任务，这种数据分析方法通常是带着某种目的性进行的，因此比较适用于对数据精准度相对较高的信息管理工作。

1.4特征性数据分析法

网络数据随着信息时代的到来变成了数据爆炸式，其数据资源十分广泛并且得到了一定的普及，如何就网络爆炸式数据进行关于特性的分类就成为了当下数据整理分类的主要内容。在上文中提到的人工神经网络数据分析也属于这其中的一种，此外还有很多方法都是通过计算机来进行虚拟数据的分类，寻找数据之间存在的普遍规律性完成数据的特性分析从而进行进一步分类。

2大数据时代下数据挖掘技术的具体应用

数据挖掘技术的具体流程就是先通过对于海量数据的保存，然后就已有数据中进行分析、整理、选择、转换等，数据的准备工作是数据挖掘技术的前提，也是决定数据挖掘技术效率及质量的主要因素。在完成数据准备工作后进一步对数据进行挖掘，然后对数据进行评估，最后实现运用。因此，数据挖掘能够运用到很多方面。

2.1市场营销领域

市场营销其实就是数据挖掘技术最早运用的领域，通常根据客户的具体需求，进行客户分析，将不同的消费习惯和消费特点的客户进行简单的分类管理，以此来保证商品能够顺利销售，并提高个人销售的成功率和业绩。而销售的范围也从最初的超市购物扩展到了包括保险、银行、电信等各个方面。

2.2科学研究领域

科学研究与实验测试等都需要对数据进行关系分析为进一步的实验和总结失败做准备，而实验测试和科学研究产生的数据往往是巨大的，因此数据挖掘技术在科学研究领域也得以广泛运用。通常都是通过科学研究内容选择数据挖掘技术分析法进行计算来找到数据中存在的规律，实现数据挖掘的部分价值――科学知识的分析与运用。

2.3电信业领域

随着信息化时代的到来，电信产业也飞速发展起来，到目前为止，电信产业已经形成了一个巨大的网络信息载体，如何将其中信息数据进行整合就成为电信产业发展过程中的重要问题。而数据挖掘技术的运用则在一定程度上解决了这一问题，大量的数据通过数据挖掘技术得到了有效分类，并在这个过程中通过运算得出数据之间的关联性，运用规律进一步进行数据分类。

2.4教育教学领域

教学评价、教学资源、学生个人基本信息等组成了教育教学领域的数据库，利用数据挖掘技术来实现教学资源的优化配置，对学生的个人信息整理归档，从而保证教育教学领域中数据整理的良好运作。

3结语

综上所述，数据挖掘技术对于当今社会的发展有着不可替代的作用，而如何改善当下数据挖掘技术中存在的问题，进一步提高数据挖掘技术的质量和效率就成为了数据挖掘技术进步的方向。本文通过对于数据挖掘与数据挖掘技术的方法分析和大数据时代下数据挖掘技术的具体应用两个方面对于数据挖掘技术进行了简要的阐述和分析，相信在未来伴随着科学技术的进一步发展，数据挖掘技术也将更加强大。

参考文献

[1]程军锋.Web数据挖掘研究[J].重庆三峡学院学报，2013（03）.

[2]高丽，王丽伟.数据挖掘技术在国内图书馆应用领域的研究[J].数字技术与应用，2015（12）.

数据挖掘技术应用篇2

关键词：数据挖掘技术 数据库 应用

数据挖掘技术是从数据库中提取人们需要的有价值信息，它能够从数据源大量的、真实的、并有噪声的信息中发现可接受、可运用的用户所需信息，发现的信息未必是严格符合既定科学的知识，却一定是针对特定问题的相关知识。

一、数据挖掘技术概述

数据挖掘技术简单来说是一种较深层次的数据分析手段，可以完成分类、预测、聚类、偏差分析和关联分析等工作，它的内容包括以下几个方面：

1.数据挖掘技术的步骤

主要有：问题定义，确定用户感兴趣的信息；数据准备，先是根据用户需要在数据库中抽取数据，然后进行消除噪声等数据的预处理，再通过数据变换找出有用的特征；数据挖掘，在明确挖掘的目的后进行数据挖掘；结果评估，对挖掘到的结果进行评估以满足实际需要；分析决策，这是数据挖掘技术的最终目的。

2.数据挖掘技术的方法

决策树方法，它可以数据分析也可以预测，具体方法是以树的成长过程将事例根据类别的不同进行分类；神经网络方法，它与人类大脑学习的方法十分相似，有优化计算和预测等功能，多在不精确或是复杂数据导出概念以及确定走向较为困难时使用这种方法，它需要很多的参数和较长的训练时间，而且挖掘结果的解释性比较差；遗传算法，这种方法根据遗传学机理模拟自然进化进行搜索，通过选择、重组、突变来不断优化适应性，可用于其他算法的评估；统计方法，它包括贝叶斯推理和方差分析等许多统计学技术，根据能否用函数公式表示将数据库字段项分为确定性、相关两种关系。

3.数据挖掘技术的作用

分类，知道数据类别的数量和特征后对以前的数据进行针对性的分类；预测，根据以前和现在的数据寻找规律以推测未来数据的特征等情况；聚类，将数据根据样本的相似性划为若干组，组内相似度尽量高，而组间差距尽量大；偏差分析，对数据中的异常情况进行描述，发现其中的原因；关联分析，分析多个事件间的关联规律，可以分为简单、时序、因果关联。

二、数据挖掘技术的应用

目前我国很多领域已经应用了数据挖掘技术，包括科学研究、商业、金融、医学等等。

1.科学研究方面的应用

在计算科学方面，该技术的应用能够帮助科学工作者分析各种大量的数据，例如遥感器和观测卫星等数据量特别大的科研工作，使用传统的技术和工具效率十分低下，数据挖掘技术能够通过强大的、智能的自动数据处理来完成数据分析任务。美国加州理工学院设计漫游者号的喷气推进实验室与天文科学家开发了SKICAT应用系统，该系统用于类星体的发现并研究其形成过程和结构情况，目前以帮助科学家发现了16个类星体。在生物学方面，该技术突出的应用于基因工程等分子生物学领域，例如在人类基因组计划的研究过程中，该技术在基因数据库方面和生物分子序列等方面的应用发挥了很大的作用，通过该技术的搜索、分析能力促进了很多重要发现的产生。

2.商业方面的应用

在商业方面，数据挖掘技术的应用十分成功。例如MIS系统在零售业的应用，尤其是码技术帮助人们收集到不断激增的购买数据，为管理人员的决策进行了可靠的依据，有效的提高了销售的管理水平。

3.金融方面的应用

由于银行以及证券公司等金融机构的数据量十分巨大，数据挖掘技术在金融领域有着很大的展示舞台。例如面对金融欺诈行为，银行遭受着巨大的经济损失，而利用该技术能够对客户的信誉度等资料进行分析，可以有效的遏制欺诈行为。在投资评估以及股票预测等领域，该技术的分析能力也起到了十分大的作用，例如FidelityStockSelector系统使用神经网络模型帮助人们进行合理的投资。

4.医学方面的应用

数据挖掘技术在医学方面有着广泛的应用，从要药物的制造过程到医疗诊断等方面都可以采用数据挖掘技术来提高效率。在药物制造过程，可以利用该技术分析药物本身的分子结构来确定疗效；在医疗诊断方面，可以利用该技术分析基因来确定病理等等。

5.其他方面的应用

数据挖掘技术的应用领域十分广泛，下面再介绍其在几个领域的应用状况：在线考试方面的应用，数据挖掘技术能够在在线考试的题库构建方面起到很大的作用，可以通过决策树算法或模糊论方法等数据挖掘方法将题库和对应的答案库、答案关键字库构成数据库，能够更为准确的评定考生分数；网络检测方面的应用，数据挖掘技术可以对网络数据进行处理和评价，进而对数据的正常、异常状态有所识别，对潜在的网络入侵提供预测，能够有效的保障网络的运行，由本地分类器将采集信息进行处理，将分类数据提供给规则学习模块以进一步挖掘，并将结果录入以随时更新和升级规则库，最后将数据摘要提供给集中分类器，由其进行汇集然后做出监测结果，提交到决策模块以完成网络监测的任务；网站用户偏好度方面的应用，数据挖掘技术能够在大量数据中挖掘出有价值内容，提高数据的利用效益，传统数据库的数据结构性比较强，而Web上数据则体现出半结构化的特点，在网站上由于数据量过于巨大，而且大多数据对用户无用，该技术需要解决Web数据源模型和数据模型的查询问题、集成问题，并合理的设定用户在网络上浏览时的偏好度模型以满足用户的需要。

三、数据挖掘技术未来的趋势

在应用方面，数据挖掘技术正逐渐扩大范围，在电信等等领域将逐渐起到更大的作用。如今该技术在处理特定问题时还有着自身的局限性，未来具有针对性的数据挖掘系统将不断面世，以进一步扩大该技术应用的范围。在信息安全方面，该技术需要不断完善相关技术和方法，在保护隐私的基础上保证信息安全。未来，数据挖掘技术将进一步加强技术语言的标准化，建立起结合数据库与数据仓库系统的信息处理系统，并通过可伸缩的挖掘方法来提高该技术的效率和可操作性，以更好的应用于人们生产生活的各个领域。

数据挖掘技术是一门新型的信息处理技术，能够极大的促进经济的发展。近年来，我国的数据挖掘技术得到了深入的研究和广泛的应用，数据挖掘技术得到了不断的发展和成熟。未来需要解决超大规模数据挖掘效率低等问题，并继续重视数据挖掘技术的应用推广。

参考文献：

[1] 赵帮华. 数据挖掘技术在高等院校的应用[J]. 科学咨询(科技・管理), 2011,(02)

[2] 钟雁,郭雨松. 数据挖掘技术在铁路货运客户细分中的应用[J]. 北京交通大学学报, 2008,(03)

[3] 黄江涛,刘自伟,黄晓芳. 用于数据挖掘的多维数据可视化技术[J]. 兵工自动化, 2005,(03)

数据挖掘技术应用篇3

关键词：数据挖掘技术；web挖掘；web的应用；个性化服务

中图分类号：TP399-C1 文献标识码：A 文章编号：1007-9599 （2012） 15-0000-02

1 数据挖掘技术

1.1 数据挖掘技术的概念

数据挖掘技术主要是指寻找隐藏在数据库中有价值的信息，从而为决策支持 提供有力的依据的过程。数据挖掘的目标主要包括特征、趋势以及相关性等多个方面的信息。随着计算机的普及，信息时代的到来，网络中信息量迅速增加，传统的知识发现（KDD：Knowledge Discovery in Databases）技术和方法已经不能满足人们从Web中获取信息的需要，并且现实也要求对互联网上的信息进行深层次实时的分析[1]。所以Web的数据挖掘技术油然而生，这种技术将传统的数据挖掘和web相互结合起来，能够从大量的信息数据选取有价值的隐含信息。下图1为Web数据挖掘原理流程：

1.2 Web数据挖掘的分类

根据数据挖掘的对象不同，Web数据挖掘技术可以分为Web结构挖掘、Web内容挖掘、Web 使用挖掘三类，Web数据挖掘分类如下图2所示：

1.3 Web数据挖掘的特点

传统的数据挖掘主要是以数据库为基础，对结构化的数据进行信息分析、加工以及模式挖掘，传统的数据挖掘技术能够直接或者间接的应用到Web数据挖掘中，但是因为Web技术自身的特点，从而使Web中的数据挖掘技术和传统的数据挖掘具有很大的不同。

（1）数据量巨大。网络能够将分布在世界不同位置的电脑连接在一起，并且每一个电脑都存在丰富的数据，又因为连接在网络上电脑的数量非常巨大，所以Web数据挖掘技术能够处理的数据也非常大。

（2）半结构化的数据结构。传统的数据库中的数据结构具有一定的模型，可以根据数据模型进行对网络中的数据进行描述，与传统的数据结构相比，在Web站点中的数据没有统一的模型，并且各个站点之间都是独自设计的，所以Web站点中对数据的处理是不断变化的[2]。

（3）异构数据库环境。在数据库环境中每一个Web站点都可以看作是一个数据源， 由于Web站点是相互独立的，因此站点之间除了能够相互访问之外没有其他的关系，所以Web站点之间的信息都是不同的，从而构成一个巨大的异构数据库环境。

2 数据挖掘技术在Web中应用

随着信息时代的到来，网络技术的发展，目前数据挖掘技术已经广泛应用到远程通信业、制造业、金融业、零售业、政府管理机构以及体育等各个行业中，而数据挖掘技术在Web中应用目前已经成为全球学术界研究的热点，并应用到各个行业中。

2.1 Web中数据挖掘技术在搜索引擎中的应用

在Web数据挖掘技术中，搜索引擎是最为典型的应用，采用Web数据挖掘技术不仅能够提高搜索引擎的查询速度、网页的权重、关键词匹配的相关度以及改善搜索结果等，并且Web数据挖掘技术也应用在文本的自动分类、自动摘要的形成、个性化的搜索引擎以及检搜结果的聚类等具有重要的作用。

2.2 在电子商务中的应用

Web数据挖掘技术在电子商务中应用也是比较典型的应用，Web数据挖掘技术能够通过对客户访问日志数据采用模型化算法、神经元网络以及其他的信息处理技术进行分析，从而商家能够对个体或者特定消费群体进行定向营销的决策。并且采用Web数据挖掘技术还可以对日志进行定量分析，从而能够揭示出频繁访问的页面、访问途径以及客户的类属关系、网页的类属关系等，从而能够为Web站点的优化提供有力的参考是数据。Web数据挖掘技术在电子商务中应用主要体现在客户的驻留、客户获取以及客户的聚类和分类三个重要的方面。下图3为Web数据挖掘的简单商务网站模型：

2.3 Web数据挖掘技术应用于股票系统

Web数据技术采用Web-Dms系统可以构建一个基于Web 的挖掘的股票教育和交易环境，并且还能够充分利用站点上积累的信息，从而更好地服务于企业和客户。在股票系统中采用Web 数据挖掘技术不仅能够通过了解查找者的动态行为 选择最佳的电子商务精英方式，而且还能够得知查找者的爱好[3]。应用Web数据技术Web设计人员不在依靠专家的定性的指导进行设计网站，而是可以根据查找者的信息进行设计网站的机构和外观，从而能够为客户提供个性化的服务。

3 总结

Web中的数据挖掘技术是一种新型的技术，由于Web自身的特点，从而使Web数据挖掘技术具有很多特点，并且其应用也是非常广泛，不仅能够提取页面的信息，进行分析设计站点，而且在电子商务方面也具有非常广阔的应用前景。

参考文献：

[1]DiPasquo D，Using HTML forlnation to aid in natural languageprocessing on the World Wide Web[M].Canegie-Mellon University.Sehool of Computer Science，1998.

[2]Jaideep Srivastava，Robert Cooley，Mukund Deshpande，Pang-Ring Tan，Web Usage Mining：Discovery and Appl J cations of Usage Patterns From Web Data，Appear in SIGKDD Xepiorations，V01.1，Issue2，2000.

数据挖掘技术应用篇4

关键词:WEB数据挖掘技术;云计算;现状;应用

0引言

互联网的出现和发展很大程度改变了人类的生活习惯，与之有关的网络和互联网信息也日益丰富和复杂。一般而言，WEB发挥着在大数据库中提炼有用信息的功能，而WEB挖掘技术则发挥着从挖掘出的信息之间发现其相关性和怎样将其应用于具体问题解决之中的功能。目前，大量数据很难在一台计算机上进行处理分析，为了满足技术进步和社会发展的需求，云计算随之出现并快速发展，其凭借较强的信息存储能力、安全性能以及数据处理分析能力等，受到各行各业的广泛关注。

1云计算的应用现状和技术分析

1.1应用现状

WEB的发展经过了一个漫长的过程，随着信息技术的发展和电子商务的兴起，人们对互联网的应用日益频繁和依赖性日益加强，掀起了一股WEB2.0的发展热潮。对于互联网企业而言，信息需求分析能力已成为衡量企业竞争水平的重要指标，特别是根据用户需求建设的这类网站，比如视频网站就需通过数据分析来进行网站功能设计。总之，云计算的产生和应用有效解决了网络技术的一些发展难题。在国内网民数量巨大且持续增长的背景下，越来越多的大型企业通过云计算来进行数据加工处理和分析应用。

1.2技术特征

通常来讲，云计算主要针对数据管理，主要对象是数据信息，其和信息技术有显著差异，具体有以下几点:(1)广泛性。存储技术是云计算的关键技术之一，采取分布式存储模式来提升存储容量和存储安全性，且性价比较高，实用性较强;(2)数据管理能力较强。云计算可实时监控大数据，可随时随地进行数据处理分析，同时可有目的地筛选出有用数据信息，技术先进，效率较高;(3)编程技术的先进性。技术元素是衡量云计算能否满足客户需求的重要指标，是维持云计算系统正常运转的核心元素，由此可见，编程技术所发挥的作用无可取代。当前，Map－Reduce编程技术应用最为广泛，初期以树状结构呈现，分支之后还需其他编程技术来维护;(4)虚拟技术的应用。虚拟技术在云计算中的应用较多，这是由于虚拟技术能有效配置网络资源，脱离各分支系统独立存在，在将各分支系统独立化的同时，还将数据信息也分割成大量的独立部分。这种模式使得云计算系统的弹性较大，能灵活运用动态的虚拟资源，有效降低成本费用，提高网络资源管理的安全性。

2WEB数据挖掘技术的发展

2.1WEB数据挖掘技术的定义

WEB数据挖掘技术是结合WEB、信息技术、网络技术等对挖掘信息进行全面分析处理，WEB和数据挖掘的有效融合反映了较强的综合性，主要可分为基于内容、架构、应用等几种WEB数据挖掘技术。就内容方面而言，是在WEB环境下，通过人工模式从相关文件夹中提炼有用信息;就架构方面而言，是采取人工方式挖掘不同的数据结构，再采取有关手段来提炼有用信息;就应用方面而言，是将挖掘主体存储在日志文件之中，再据此来挖掘出站点的用户信息。因此，所谓的数据挖掘，即采取有关技术来提炼WEB文档中的有用信息，并据此来分析预测其未来发展趋势。总而言之，WEB挖掘技术并非是一项简单的技术，而是多种技术的有效融合和广泛应用。

2.2WEB数据挖掘技术的种类

通常来讲，关于WEB数据挖掘技术的种类有多种分类依据，一般是根据其对象类别划分为基于内容、架构、应用的三种WEB数据挖掘技术。就内容角度而言，其主要对象是WEB文档中数据信息，比如提炼出的图像、音频、视频等具体信息，且还可细分为纯文本数据挖掘和多媒体数据挖掘两种;就结构角度而言，其主要对象是数据架构，发挥着区分数据架构是组织架构还是页面架构的功能，并且还要对数据链进行详细分类，对WEB数据挖掘技术的效率和准确性的提升有显著作用;就应用角度而言，通过对WEB文档中的数据信息进行具体分析处理，来对用户类型进行详细分类，进而挖掘出更多的潜藏用户。

2.3WEB数据挖掘技术的流程

通常情况下，WEB挖掘技术的流程会受到较多元素的作用，和传统数据挖掘方式相比，其对象和手段有显著变化，所以其流程也有所差异。如何将数据挖掘技术和WEB相结合是目前该技术发展的主要难题，这是因为WEB数据挖掘技术并非是有关技术的简单应用，而是一个有机整体，需要经过检索信息、选择信息、分析信息等一系列流程。检索信息是对WEB文档中的数据信息或网站上的日志、新闻等内容进行查询分析;选择信息是对上一环节查询到的信息进行筛选辨别，去掉一些无用的数据信息，并对有用信息进行初步分析;分析信息是对待处理的数据信息进行深入的筛选辨别，提炼出有价值的数据信息。关于WEB数据挖掘的整个流程，不仅需要自动化设备的辅助，还需要人工辨别的支持。

3云计算在WEB数据挖掘技术中的应用初探

3.1以云计算为基础的WEB数据挖掘系统架构

WEB数据挖掘系统架构是由几个节点相互关联形成的，云计算发挥着使WEB数据挖掘系统架构各节点相互作用的功能，从而促进WEB数据挖掘系统的完善化，具体架构图如图1所示。主控节点是用户和其他节点关联的中枢纽带;算法节点则负责保证数据分析的相关算法支撑，类似于一个算法数据库;数据节点则是一个存储数据的大数据库;服务节点则发挥着控制任务进程和反馈分析结果的功能。(1)服务层。服务层是一个结合用户需求通过WEB数据挖掘技术来进行数据分析，同时将结果反馈给用户的过程;(2)控制层。控制层是通过主控节点来根据用户具体需求分析，选出最恰当的算法程序，保证算法程序和信息数据的契合度;(3)存储层。存储层主要发挥着存储使用的算法程序、用户需求和最终反馈结果的功能。存储层有效降低了原始数据或算法丢失的可能性，即使是系统故障，后续也可在数据和算法存储层找到相关的信息数据并且具有可恢复性;(4)业务处理层。业务处理层将数据库中的原始信息通过主控节点来进行初步分配，在数据进行分析处理之后，再由服务节点将分析结果反馈到主控节点。

3.2以云计算为基础的WEB数据挖掘算法程序

一般情况下，以云计算为基础的WEB数据挖掘算法程序的基本步骤如下:(1)结合用户需求来明确可信度，这种用户需求通常是通过WEB网页传递过来的;(2)WEB网页客户端向主控节点发出服务指令，数据节点会向主控节点传递原始数据，同时将服务节点分析的结果反馈到主控节点;(3)主控节点将信息数据传递给算法节点，从算法程序数据库中选出最优的数据挖掘算法程序，再分配至各服务节点;(4)各服务节点会有目的的筛选数据，并对信息数据进行整理分类，通过Apriori算法得到数据库的频集;(5)将分析结果反馈至主控节点，获取整体数据库的频集，再将其传递至各服务节点，提高节点上的频集准确性。如此反复，再将服务节点的分析结果反馈至主控节点，从而提高整体频集的准确性;(6)主控节点将最终结果反馈给用户。

3.3算法结果分析

算法程序结果的检验有赖于实验数据的支持，据分析结果显示，算法效率和信息量的关系成正相关，并且传递时间有差异，算法程序的传输时间要少于数据传输时间。与一般算法相比，WEB数据挖掘算法有显著不同，可通过改变其他算法来获得新算法程序。基于云计算的WEB数据挖掘算法是一个整体算法，各节点联系较强，有效避免了有效关联规则遗漏的问题。

4结语

总而言之，WEB数据挖掘技术是对通过WEB文档或其他网络手段提炼的信息进一步加工处理、分析运用的技术，其可结合人们的生活习惯和模式来掌握人们的具体需要。互联网的发展使得网络信息量呈几何式增长，对信息存储容量和数据分析能力的需求也有所提高，怎样突破技术限制来挖掘出有效的网络信息是目前互联网行业面临的主要问题。而云计算较强的信息存储能力和数据计算能力，使得其受到互联网行业的充分重视。基于云计算的WEB数据挖掘技术可统一管理控制网络资源，结合WEB数据挖掘系统来充分运用云计算的信息存储能力和数据计算能力，从而提升互联网信息资源的利用率。

参考文献

［1］孙雪凌．数据科学在高校学风治理工作中的应用探索［J］．无线互联科技，2016(17):129－132．

［2］沈军霞，葛坤．新时期ERP系统应用与实践探讨［J］．无线互联科技，2016(17):23－26．

［3］王光炜，薛玉倩．基于云计算的数据挖掘平台［J］．内蒙古科技与经济，2016(19):65－69．

［4］张珏，陈莉，田建学．面向零售业的关联规则挖掘的研究与实现［J］．计算机技术与发展，2016(10):146－150．

［5］邵传飞．基于数据挖掘的兵棋推演数据分析方法研究［J］．通讯世界，2016(21):245－247．

［6］刘占敏，刘津伊，贾蓓．FP－Growth算法在学生成绩分析中的应用［J］．信息与电脑(理论版)，2016(13):85－87．

［7］高瑜，仝卫国．基于关联规则的一次风机故障预警方法研究［J］．电力科学与工程，2016(10):46－49．

［8］王丽格．大数据时代下的数据挖掘和分析探究［J］．科技展望，2016(30):201－203．

［9］熊伯安．基于大数据时代的数据挖掘及分析［J］．电子世界，2016(20):51－53．

［10］谢邦昌，斯介生．大数据分析中轨迹数据挖掘的现状与挑战［J］．中国统计，2016(08):459－461．

［11］曾召文．Web日志挖掘在中小学校园网站建设中的应用研究［D］．湖南师范大学2015:246－248．

［12］王赋聪．Web日志挖掘系统的研究与实现［D］．北京邮电大学，2015:59－63.

数据挖掘技术应用篇5

关键词：数据挖掘 系统设计技术 应用

数据挖掘技术不断发展在很大程度上解决了数据库技术等一些零碎技术中存在的不足，人们可以更加便捷的聊到数据中所包含的信息，更容易获得具有价值的信息，整体来说，数据挖掘技术能够将一些看似分散的数据进行提炼，最终得到一条条具有价值的信息。关于对数据挖掘技术的探讨分析，在国内外都有所涉及，研究它的具体应用更是在很大程度上体现了它的价值所在，随着数据挖掘技术的不断发展、更新、进步、成熟，势必会使得企业管理者得到更多商务智能。

1、 数据挖掘系统设计技术

1.1 数据挖掘

数据挖掘顾名思义就是在大量、无序、模糊并且随机、有噪声的数据中进行数据的挖掘和提炼，进而选取出人们感兴趣的但是隐含在其中、事先未知并且属于潜在有用的信息和知识。一般说来，通过数据挖掘技术所得出的信息和知识都有着雷同的表现形式，即规则、规律、模式以及概念等。数据挖掘是数据挖掘系统中最为主要的一种技术，它几乎可以称为整个系统的核心体系。通常传统的查询以及报表处理都不会将事件和数据做出较为深入的研究，事件数据发生的原因和过程并不能具体入微的表现出来，仅仅表现出了事件的结果。然而，数据挖掘技术就将这一内容表现了出来，并且十分具体细致，深入的了解到了事件的发生原因，同时还带有一定程度的置信度来预测未来，对于决策行为来说，起到了一定的支持作用。

1.2 数据库

数据挖掘系统中关于数据库的逻辑结构与设计也是相当重要的，将数据库的概念结构进行设计之后，就可以将数据库概念的结构再进行转化，最终成为数据挖掘中数据库系统所支持的一种实际的数据模型，通俗来讲也就是数据库的逻辑结构。鉴于数据库对于数据挖掘系统来说是最为基础的有力数据来源，因此，在数据挖掘系统设计以及应用的探讨分析中，研究数据库技术的价值和意义也同样极为重大。

1.3 数据挖掘的过程

数据挖掘系统进行数据挖掘工作时，通常必须要按照一定的流程和步骤来进行，整体来说都是大同小异的，必须具备的操作过程同时包括着数据准备、执行数据挖掘算法以及表达结果等几个阶段，如果更为具体细致的进行划分的话，可以分为这样的几个过程：理解并且定义需要解决的问题-进行必要的数据搜集和抽取-进行数据净化-进行数据引擎-进行算法引擎-应用并且运行数据的挖掘算法-对运行结果进行评估判断-对数据以及问题做出最后的精化-最后使用挖掘结果。在整个数据挖掘的过程中，上述的九个步骤要不断反复的进行，数次之后，才能得到最终的结果。理解并且定义需要解决的问题是我们解决任何问题都要经过的步骤，数据挖掘同一般意义的分析还略有不同，它要求必须深刻的透彻的很好地理解问题，即便如此，最终还是有可能得到行不通的结果;之后搜集和抽取数据时，因为所针对的搜集以及抽取输的对象不同，因此需要根据实际情况做出具体的判断，并且同时会应用到多种抽取方法，譬如随机抽样、机械抽样等;净化和理解数据则要求花费精力和时间分析处理已经搜集到的数据库;数据引擎以及算法引擎顾名思义，需要科学的进行选取;之后进行数据挖掘算法，这一过程可以恰当的采取一些数学算法作为辅助;再对结果进行评估、重新精化，反复多次整个数据的挖掘过程，目的就是使得数据挖掘技术将其所挖掘的算法能够得到不断地求精以及深化，最终就可以对挖掘到的数据进行使用了。

1.4 数据挖掘系统总体设计与规划

数据挖掘系统将石化企业、网络所获得测试数据以及大型超市的数据作为基础，结合数据挖掘技术以及企业的ERP系统，对整个企业的工作进行智能的决策以及协同管理。企业的数据挖掘系统在系统开发的环境中，将大量的数据来源作为预处理的数据，无疑这些数据的来源是石化企业运行之后所产生的有用数据、网络之中作为测试之用的可靠数据以及大型超市之中后台的数据库之中产生的有价值的信息数据。这些预处理的数据是数据挖掘系统中最为重要的基础来源，经由PC机将这些已经明确了的数据库表结构设计出数据挖掘系统。从深层次来说，这一数据挖掘系统应用到主流的JAVA开发工具-eclipse，再通过结合JAVA开发语言以及已经实现了的数据挖掘算法进行开发最后形成，总之，这一结合体使得数据挖掘系统的移植功能得到了大幅的提高，并且同时极好的应用到了JAVA的跨平台性，将此系统移植到其他不同的操作平台上因此就成为轻而易举的操作。

2、 数据挖掘技术的相关应用

关于数据挖掘系统设计的应用，其总体的功能结构设计包含着销售模块、产品模块以及客户模块。单说产品模块，就包含着产品预测和产品预警等，其中所包含的数据更是数量庞大，类似年份、产品名或者销量、利润，或者是上月、本月销量、成本、库存等一系列数据，其中所包含的信息量极其庞杂，因此，应用到数据挖掘技术对于管理阶层来说，就起到了很大的智能管理作用。除上述之外，产品的销售模块、客户的购买周期或者其他产品的生产周期等多种多样的数据都成为数据库的一大组成部分。

数据挖掘系统的数据挖掘技术结合科学的应用到产品的销售、客户以及产品这三个模块之中，其中各部分的实现过程都十分充分的应用到了数据挖掘的算法，针对企业ERP的数据挖掘的相关实现方法，对于产品的销售、客户以及产品的数据挖掘来说都起到了相当重要的作用，十分科学有力的将其概念模型、逻辑模型以及物理模型的设计工作都很好地进行了表现。总而言之，在企业之中，其中的实际情况以及相关的测试数据进行有力的结合，实际的企业之中应用到这一系统，以期获得较好的测试结果，整体来说，数据挖掘技术在企业之中发挥了相当有力的作用。

3、 结语

总之，探讨分析数据挖掘系统设计技术以及相关应用会为企业管理者带来更多的商务智能，其中的很多过程都很直接地表现出了数据挖掘的技术。当然，各行各业数据量随着社会的发展进步也在不断的增加，从其中更为及时便捷准确的获取到有价值的信息，就必须加大对于数据挖掘系统的分析力度，对其中的数据挖掘技术以及数据库技术不断地进步、发展、更新，力求能够在最短的时间内解决掉当前数据挖掘技术中所存在问题，争取能够更好地使用数据挖掘技术，在各行各业的应用中广泛的展开，总之最终目的就是使得数据挖掘系统设计与其应用能够造福于各行各业，提供出最大限度的智能便利。

参考文献：

[1] 韩家炜，坎伯.数据挖掘-概念与技术[M].北京：机械工业出版社，2001，10.

[2] 王钰，苗夺谦，周育健.关于Rough Set理论与应用的综述[J].模式识别与人工智能，2012，（04）：337-344.

数据挖掘技术应用篇6

随着人们生活水平不断的提高、信息技术不断的向前发展，人们在日常的生活中将会接触更多更复杂的信息量，如何从这巨大的信息库中抽取出重要且有用的信息，直接影响人们的工作效率和工作质量。因此有必要对现有的数据进行整合处理直接为人们所使用。本文主要针对数据挖掘技术在软件工程中的应用的相关问题，从软件工程的技术挑战、数据挖掘的应用以及应用领域和研究现状展开叙述。【关键词】软件工程 数据挖掘 技术 应用

1 前言

数据的挖掘可以说是一项类似于大海捞针的工作，它主要是指在大量的数据中找出适合使用的信息的过程。数据挖掘技术在软件工程领域的运用和发展被称为软件工程数据挖掘技术。

2 基本概念及数据挖掘的流程

所谓的软件工程数据是指在软件开发过程中各种所需积累的数据，其中主要包括了可行性分析和需求性分析的文档、软件的代码和相应的注释、测试的结果和使用案例、使用说明、设计的文档、以及用户反馈等。而且这些都是软件开发者获取数据信息独一无二的来源方式。

2.1 数据挖掘过程（图1）

一个典型而又完整的数据挖掘过程一般情况下划分为四个阶段：选择、预处理、挖掘和吸收。选择是针对具有高度交互性的大量的数据，在工作过程中由于信息数据的更新往往要对数据重新做出选择；而数据的预处理是为了把尚未加工过的数据转化为合适挖掘处理的形式，这是站在数据的来源不同、格式不同、数据是否格式化的角度出发，运用LSA技术整理好所需的数据；挖掘是通过运用科学的计算方法输入预处理过的数据，在海量的数据中搜索出最能反映本质的信息与知识，最终完成分类、聚类和异常检测的工作任务；吸收也称结果评估，即数据的后处理，它以展示有用的信息数据给用户作为目标，让数据的预处理和挖掘过程显得更有意义。

2.2 数据挖掘技术

在软件工程当中分析、聚类、预测和统计已经成为数据挖掘的主要技术应用开来，这样做的目的是使“大海捞针”变得容易即在众多的数据信息中快速的找到人们需要的信息并且对系统做出反馈给人们使用。在数据挖掘的工程中常用的技术有分类树、关联发现、课时数据挖掘等，此外还有统计分析、回归建模等几个特殊的数据挖掘技术。在软件工程中要做到的是正确选取数据挖掘技术来完成软件工程任务。

3 软件工程中数据挖掘技术的应用

随着科学技术的发展，数据挖掘技术虽然在软件工程中才使用20余年，但是随着它应用范围的推广，已经涉及到了代码分析、软件的项目管理和软件故障的检测等领域。

3.1 开源软件

基于开源软件（OSS）免费向用户提供服务的情况，无疑对开源软件的管理控制增加了一定的难度，所以为了提高开源软件的质量问题有必要引进数据挖掘技术。例如由牛津大学设计的数据挖掘系统就很好的解决了这类问题，它不仅能够很好的对软件的开发者进行跟踪管理，对软件的使用也同样受用，开源软件的使用率和质量都得到了有效的提高。

3.2 软件项目管理

对于组织关系的挖掘和版本控制信息的挖掘是软件项目管理的两大复杂的工作，前者是对人力资源的协调与分配，后者是对文件内容的变化、对软件的维护而言。例如，在一个软件工程项目中，要处理的信息量已经不能用数据来形容，参与项目的人员也有可能达到了成百上千，此时信息的互动与交流很容易造成混乱的局面，不过在运用了数据挖掘这个技术之后，就能够使工作人员的组织关系、项目所负责的内容合理的区分开来，这样一来，软件工程的项目管理就相对的简单明了。

3.3 程序代码

数据挖掘技术最早应用于克隆代码即程序代码的检测，一般是运用文本对比、标识符对比、度量和程序结构表示的方法进行检测，但由于忽略了数据挖掘中语义导致了该技术不够成熟。其次是对于Aspect的挖掘是为了区分程序中非常相似或者说就是同一个代码的关注点，例如：在数据做调用分析的时候，巧用扇入分析技术对数据进行探查然后再结合耦合与Page Rank度量的方式进行软件工程数据的挖掘。或者采用在百度、谷歌等搜索引擎中通过输入-输出的检索来挖掘对软件项目有用的代码或者构建，然后再进行必要的形式化描述。

3.4 软件故障检测

首先是对信息数据做逆向建模方便日后程序的检测和故障的维护工作的展开。相对于传统的定位技术排查故障而言，目前通过数据挖掘分析处理的方式，对程序的运行轨迹运用科学的方法“描述出来”，然后再通过与数据源进行比较从而判定故障的来源以及发生的位置，从而把故障排除保证软件的正常运行。

4 结束语

随着计算机软件系统技术的不断更新、系统越来越复杂，因为数据挖掘能够更深入的探究与软件工程相关的数据信息，所以数据挖掘技术在软件工程中具有非常重要的地位。计算机软件领域的负责人也把工作的重心转移到新软件的研究设计与开发应用上，旨在完善和成熟我国在该领域上的相关技术，更好的促进我国在软件方面的开发和管理的技术水平。

参考文献

[1] 赵丽坤，陈立文，张国宗.基于数据挖掘技术的软件项目管理体系[J].经营与管理，2012（12）：34～35.

[2] 李新，张晓静，米燕涛.软件开发过程中的数据挖掘[J].石家庄职业技术学院学报，2012（02）：10～12.

作者单位

数据挖掘技术应用篇7

[关键词] 数据挖掘 电子商务 应用

当今，国内外电子商务类网站日益兴起。许多电子商务类网站都提供了一定程度的个性化服务，比如提供商品推荐服务。而构成这些个性化服务的基础就是数据挖掘技术。

一、数据挖掘分析

1.数据挖掘的定义。数据挖掘 (data mining，dm)是从大量的、不完全的、有噪声的、模糊的、随机的数据中提取隐含在其中的、人们事先不知道的但又是潜在有用的信息和知识的过程。包括存储和处理数据, 选择处理大数据集的算法、解释结果、使结果可视化。

2.数据挖掘的方法。从商业的角度来看,数据挖掘是一种新的商业信息处理技术,其主要特点是对商业数据库中的大量业务数据进行抽取、转换、分析和其他模型化处理,从中提取辅助商业决策的关键性数据。数据挖掘的方法大致可以分成4类：关联分析、概括分析、分类分析、聚类分析。（1）关联分析：分析表面上不相关数据之间的内在联系，揭示各事之间的依赖性和相关性，分析范围包括简单关联、因果关联等。在电子商务中，用数据挖掘找到隐藏的关联规则，当客户浏览、搜索关联规则中的某种商品时，就可以在页面中以推荐商品的形式显示关联规则中的其它商品。在进货计划和促销计划中，也可以将这个因素考虑进去。（2）概括分析：即提取数据库中指定的数据集合的一般特性，找出遍性规律。（3）分类分析：设置分类规则，把各个事务或实体按照性质和特征不同进行归类，把数据层次化和规整化，从而建立数据的分类模型。（4）聚类分析：通过分析和归纳实体之间的特征差异，选出具相识特征的实体聚合成为一个类，并用某种规则来描述该类的相同属性，形成一种聚类规则，实际上，它是与分类分析法互逆的过程。

3.数据挖掘的过程。该过程从大型数据库中挖掘先前未知的、有效的、可实用的信息，并使用这些信息做出决策或丰富知识。（1）确定业务对象：清晰地定义出业务问题，认清数据挖掘的目的是数据挖掘的重要一步。挖掘的最后结构是不可预测的，但要探索的问题应是有预见的，为了数据挖掘而数据挖掘则带有盲目性，是不会成功的。（2）数据准备。数据的选择：搜索所有与业务对象有关的内部和外部数据信息，并从中选择出适用于数据挖掘应用的数据。（3）数据挖掘：对所得到的经过转换的数据进行挖掘。除了完善从选择合适的挖掘算法外，其余一切工作都能自动地完成。（4）结果分析：解释并评估结果。其使用的分析方法一般应作数据挖掘操作而定，通常会用到可视化技术。（5）知识的同化：将分析所得到的知识集成到业务信息系统的组织结构中去。

二、数据挖掘与电子商务的关系

在电子商务企业中，数据挖掘运用于客户行为分析，企业从中受益体现在以下四个方面:(1)可以发现客户和访问者的爱好、生活模式。(2)可以争取新顾客，怎样使产品适销对路、怎样给产品定价、怎样吸引单个客户、怎样优化web网站。(3)可以用相应的信息确定顾客的消费周期，针对不同的产品制定相应的营销策略。(4)可以确定客户细分，为每一个客户的独特需求设计“量身定制”的产品。

三、数据挖掘技术在电子商务中的应用

1.面向电子商务的数据挖掘系统设计。本系统电子商务平台采用基于三层体系结构构建，服务器端采用先进的j2ee平台构架，有完整的体系框架组成，具有很好的可扩展性、互联性和可维护性。因此面向电子商务的数据挖掘系统由数据库服务器、应用服务器和客户端三层组成，整个体系结构是以j2ee企业级的构建技术为基础。对数据挖掘过程中产生的数据，采用独立的数据挖掘库表存放，这样既不影响也不依赖数据挖掘的数据源。应用服务器完成所有的数据挖掘运算，通过接受客户端的设置，完成所有对数据进行探索、转换、挖掘的工作。数据挖掘系统的每个功能模块都以ejb的形式进行封装，以实现分布式计算和负载平衡等分布式计算的要求，把具有繁重计算任务的模块和用户交互模块分开。客户端要负责数据挖掘流程的创建工作、所有功能模块参数的设定以及各种可视化结果的显示。用户可以根据自己的要求任意创建各种形式的挖掘流程，同时按照需要执行某部分流程，获取相应的可视化分析结果，其系统体系结构如图所示。

面向电子商务的数据挖掘系统体系结构图

2.面向电子商务的数据挖掘系统功能设计。面向电子商务的数据挖掘系统主要以下几大功能模块：（1）用户信息分析。运用分类和聚类挖掘方法对用户的信息分析，可以得到用户的些特征。对用户分类相当于对具有某些公共属性的用户群体建立了概要特征描述，这些特征可以用来对新增的用户进行分类，可以发现未来的潜在用户并开展有针对性的商务活动，如自动给一类特定的用户发送销售邮件，当属于同一类的用户再次访问站点时为其动态地改变站点的内容等。通过这些举措使商务活动能够在一定程度上满足用户的要求，实现目标营销。（2）商品信息分析。运用关联规则挖掘发现商品访问中所有关联和相联系的规则，可以从交易事务数据库中发现商品间的相互联系。这对电子商务公司组织站点网页结构、开展有效的营销策略非常有帮助。（3）物流信息分析。采用神经网络预测技术,根据各物流配送点接到的网站用户订单来预测其库存数量。预测信息可以给物流配送中心以参考，用来合理地确定各配送点仓库的库存量，使各配送点的补货能更加合理有序，降低物流成本，节约库存费用。

四、结束语

数据挖掘是一个新兴的领域, 具有广阔应用前景，目前，电子商务在我国正处于快速发展和应用阶段，利用数据挖掘技术，能够强化对客户的服务、促进市场最优化、加速资金周转、实现企业的创新发展。电子商务平台上的数据挖掘技术有待人们去进行更深入的研究工作，这将不断的推动数据挖掘技术的深入发展和广泛应用，创造出更多的社会和经济价值。

参考文献：

[1]张云涛龚铃:数据挖掘原理与技术. 北京, 电子工业出版社, 2004 年1月

[2]方真等:电子商务教程[m].北京:清华大学出版社.2004

[3]蒋良孝蔡之华:电子商务中的数据挖掘及其应用.计算机工程与设计，第24卷第6期，2003年6月

数据挖掘技术应用篇8

[关键词]CRM；数据挖掘；信息技术

[作者简介]马凯旋，河南农业大学华豫学院商学院讲师，硕士，河南商丘476113

[中图分类号]F270.7　[文献标识码]A　[文章编号]1672-2728(2009)03-0136-03

客户作为一种企业核心资源，拥有和保持更多的客户决定着企业今后发展的命运，因此有效地开发和利用客户资源，发展和巩固企业同客户之间的和谐关系，在最大程度上满足客户需求的同时实现企业的经济社会效益最大化，已经成为企业界和学术界关注的焦点。信息经济环境中企业客户关系管理是利用IT技术实现对客户的整合营销，是以客户为核心的企业营销的技术实现和管理实现，并在企业与客户之间建立一种实时、互动的交流管理系统，最终目的是通过为客户创造价值，建立个性化、高质量的商品与服务来获得新客户，增加原有客户的忠诚度和提高客户的赢利能力，进而增强企业的核心竞争力。同时随着信息技术的迅速发展，特别是数据库技术和计算机网络的广泛应用，企业所面对的客户数据量、企业内外信息量急剧膨胀，企业如果能够对这海量的数据进行有效、快速和深入的分析和处理，发现有价值的知识，就能为企业作出正确的经营决策、捕捉稍纵即逝的市场机会提供极大的帮助。

一、数据挖掘技术分析

(一)数据挖掘技术的发展过程。数据挖掘是生产发展的必然结果，最初的数据挖掘仅仅是用一些信息储存工具储存一些简单的信息，人们并不去对这些信息进行分析来提取更深层次的、更有价值的知识，而且使用和获得信息的速度也很缓慢，随着生产力水平的极大提高和信息技术的飞速发展，目前已经实现了人们能实时地获得经过深入提炼的知识与信息。数据挖掘的每一步发展，可以说都是建立在前一阶段的基础上，总的来说，数据挖掘分为四个发展阶段：(1)数据收集阶段(Data Col-lection)：企业仅仅是简单地整理储存信息，并应用一些简单的运算工具进行数据加工，如对信息的总量计算、平均数计算等；(2)数据追溯阶段(DataAccess)企业开始应用关联模式处理储存信息，在整个企业范围内建立起了数据收集和信息管理系统，管理层可以获得企业的历史信息；(3)数据导航阶段(Data Navigation)、企业内出现了数据仓库，应用多维数据基的处理和储存信息，企业不仅能应用信息管理系统获得企业整体和各个地区经营状况的信息，而且通过应用在线分析系统(OLAP)等手段进行数据对比；(4)数据挖掘阶段(Data Min-ing)：也就是通过使用在线分析工具、先进的信息技术以及统计数学等方法为企业提供实时的信息反馈和与合作伙伴的信息交流。数据挖掘使企业管理者更能获得存在于信息之中的深层价值，从而为企业的经营战略决策产生重要帮助作用。

(二)数据挖掘技术的内容。数据挖掘是进行信息处理的系统工具，按照信息处理的流程来分类，一般有三种类型：信息发现(Discovery)、预测模型(Predictive Model)和异常分析(Forensic Analy-山)。信息发现是指单纯地对信息进行处理、整理和分析，以发掘出蕴涵在信息之间的潜在的有价值的知识或者联系，但并不进行对信息处理结果的预测。信息发现包括条件逻辑推理、关联处理和信息规律趋势和变化等；预测模型是指通过上一阶段的信息处理，利用有价值的知识资源和预测模型对其进行发展趋势预测，这包括结论预测和发展趋势展望等；异常分析是指数据挖掘的扩展阶段，对发现的异常情况作出分析，包括偏离侦测和关联分析等。总的来说，数据挖掘技术通常有六种手段进行信息处理：分类、回归模型、时间序列、聚类、关联分析和序列发现。分类和回归模型一般用于趋势预测，关联和序列发现用于分析客户行为，聚类则可用于以上两种情况。

数据挖掘技术按对信息的处理方式分为数据保存技术和数据提炼技术两种方式。数据保存技术主要是能够方便地为企业决策提供信息帮助，在企业决策中应用案例分析(CBR)来保证经营决策的有效性。但是企业要想获得蕴涵在信息之中的有价值的知识，就必须使用数据提炼技术，数据提炼技术包括：逻辑方法是运用多维或者OLAP技术对量化的或者非量化的数据进行统一模式的处理，包括规则公式和决策树；横向对比主要是对定性数据指标进行类比分析，包括类比中介和可信网络；程式分析是能够有效地应用多维模型和数理统计方法对大规模的数据进行处理，包括数理统计方法和神经网络等。

二、数据挖掘在客户关系管理中的应用

在客户关系管理过程中，客户生命周期对企业来说非常重要，因为它直接关系到企业的客户收益和客户利润，一方面客户生命周期提供了客户信息来源，另一方面客户生命周期使得企业明确了为满足客户需求应注重的方面。客户生命周期为数据挖掘在客户关系管理中的应用提供了基础，数据挖掘是建立在数据仓库之上的，通过各种先进的信息技术和数理统计方法挖掘数据仓库中的潜在的、有价值的客户信息，通过运用数据挖掘，企业能把大量的客户记录变成系统的客户信息，提供给决策者，这样不仅解决了企业进行决策时遇到的信息匮乏，也充分发挥了企业实施CRM的效用。

(一)客户分析。CRM系统主要是面向客户，因此对客户数据的分析是极为重要的，通过对客户数据的分析，发现客户需求，调整企业战略并实施相应的措施，客户分析主要有几个方面：(1)购买频率，通过对客户购买频率的分析，企业实施相应的营销活动，可以利用诸如促销、折扣和优惠等手段来刺激消费者的消费欲望；(2)近期消费，通过对客户最近消费时间的分析，可以及时发现客户流失的原因，从而采取相应的措施；(3)客户忠诚度分析，通过对客户交易资料的记录和分析，可以采用序列模式来预测消费者的忠诚度，并据此来调整企业的生产和提供的服务，提高客户的忠诚度并吸引新客户；(4)客户分类，不同的消费者对产品和服务的要求不同，也为企业创造不同的收益，企业根据数据挖掘技术的信息处理分析，对客户采用聚类的方法进行分类，挖掘客户群的需求特征和需求趋势，并发现最有价值和最有盈利潜力的客户群，对这些客户实施“一对一”的市场营销，取得最大的收益；(5)客户购买相关性分析，通过销售记录的信息挖掘，可以发现客户购买相关性，这也是发现客户消费偏好、消费特点的重要方法，据此企业可以积极采用各种手段，如推荐、传单以及网络推广等方式帮助消费者选择商品，增加企业的收益；(6)营销合理化分析，通过分析营销活动的有效

性，有助于改善营销效率，多维分析可以实现这方面分析的要求，即通过比较营销改变前后销售状况。

(二)异常偏离分析。企业在对客户数据进行分析时，有可能发现异常数据或者无法解释的现象发生，企业应对此应高度关注，一般的做法是通过使用数据挖掘的各种先进技术，如决策树、神经网络、聚类等来及时分析这些异常情况，使企业能作出快速的反应，并针对处理的结果及时调整企业的营销决策。

(三)趋势分析和预测。数据挖掘的工具为客户需求趋势预测提供了有效的手段，常用的工具是时间序列分析、系统力学和神经网络。这些工具能为企业提供科学、有效的趋势分析，并用于企业的生产和营销决策。具体内容包括：评价产品销售状况，企业通过分析客户数据库中记录每一位消费者的交易信息，可以针对不同的产品、不同的区域采取不同的销售策略，实现盈利最大化；预测销售状况，通过准确的预测，发现隐藏的信息，是把握市场动向，满足客户需求，调整生产结构和营销方法，从而使企业在激烈的市场竞争中立于不败之地。

(四)客户服务支持。客户服务是CRM中的重要组成部分，包括客户信息和服务信息，这些数据既有结构化的也有非结构化的，结构化的数据比较容易分析和整理，如销售状况、客户交易信息等，非结构化的数据如故障信息、故障处理信息以及客户反馈信息等。对结构化数据挖掘的主要过程是：根据相应数据的特点来选择规则模板，对数据进行选取和转换，并应用归纳学习法、决策树、最邻近法、人工神经网络技术等来进行数据挖掘，挖掘得到的结果可以存入数据库，帮助企业决策，非结构化数据由于存在的形式和性质难以进行标准化分析，但是非结构化所隐藏的价值可以通过两种途径来进行挖掘：一是建立全新的数据挖掘算法，直接对非结构化数据进行挖掘，但是由于非结构化的自身特点，使得这样的全新数据挖掘非常复杂，而且难以评估数据挖掘结果的可靠性；二是通过将非结构化数据结构化，而后采用结构化的数据挖掘技术对其进行挖掘，这就需要建立非结构化数据转换技术，而且也是非常复杂。总的来说，结构化数据挖掘技术已经成熟，但是非结构化的数据挖掘尚待进一步发展。

(五)销售管理。销售管理自动化是客户关系管理成长最快的部分，销售人员与潜在客户的互动行为、将潜在的客户发展成真正客户并提高其忠诚度是使企业盈利的核心因素。在此环节中，数据挖掘可以对多种市场活动的有效性进行实时跟踪和分析，数据挖掘不仅使销售人员及时把握销售机遇、提高工作效率，而且企业管理层也可以随时掌握市场动态。

(六)数据挖掘和客户隐私。数据挖掘技术帮助企业能比以往更好地发现客户信息中的隐性知识，但是这也增加了客户隐私被企业侵犯的风险。一方面客户信息挖掘有助于客户与企业之间建立起亲密的关系，另一方面客户信息如果被企业不正当地利用，则会给客户本身带来不利影响。比如客户信用等级、客户交易行为等信息如果不当利用，会给消费者带来推销骚扰，甚至是某种社会歧视或者失业的威胁。客户隐私按其本质来说，更是一个道德问题而非一个技术问题，关键是处理好企业数据挖掘与客户个人信息保护之间的平衡问题，现在世界上好多企业在处理客户交易信息时，采用匿名方式，将客户的个人身份信息隐藏起来，只将交易资料，如客户偏好、消费等级、需求特点和客户价值等资料输入到数据处理模型中。总之，企业在实施客户关系管理的同时，必须注重客户隐私的保护，这样才能给消费者以安全的感觉，才会让客户真正地与企业之间进行交流，才能充分发挥数据挖掘在客户关系管理的作用。

三、结 语